دراسة تكشف صعوبة تحديد مصادر الصور التي ينتجها الذكاء الاصطناعي

المعلومة/ متابعة..
كشف باحثون من معهد ماساتشوستس للتكنولوجيا MIT عن ظاهرة جديدة أطلقوا عليها اسم «تآكل الإسناد» Attribution Decay توضح أن نماذج الذكاء الاصطناعي التوليدي قد تتعلم من مليارات الصور دون أن يكون من الممكن تحديد صورة واحدة باعتبارها المصدر المباشر لصورة ينتجها النموذج لاحقاً.
وأوضح الباحثون أن الدراسة التي أجراها فريق من مختبر علوم الحاسوب والذكاء الاصطناعي في MIT تبحث في مدى إمكانية معرفة الصور التي أثرت بشكل مباشر في المخرجات التي تنتجها نماذج الذكاء الاصطناعي.
واعتمدت الدراسة على تجربة تقوم على حذف صورة محددة من بيانات التدريب ثم مقارنة نتائج النموذج قبل الحذف وبعده لمعرفة مدى تأثير الصورة على المخرجات.
وأظهرت النتائج أن تأثير حذف صورة واحدة يصبح أقل وضوحًا كلما زاد حجم النموذج ومجموعة البيانات المستخدمة في تدريبه وقد لا يؤدي حذف الصورة إلى أي تغيير يمكن قياسه في النتيجة النهائية.
وأشار الباحثون إلى أن الأمر قد ينطبق أيضًا على حذف أعمال فنان كامل أو صور مرتبطة بشخص معين إذ يمكن للنموذج أن يتعلم أنماطًا بصرية عامة من ملايين الصور دون أن تكون هناك صورة محددة يمكن اعتبارها المصدر المباشر لنتيجة معينة.
وبحسب الدراسة فإن اتساع حجم بيانات التدريب يجعل تحديد مساهمة كل صورة منفردة أكثر صعوبة لأن النموذج يعتمد على تراكم المعلومات والأنماط المستخلصة من عدد كبير من المصادر.
وأكد الباحثون أن النتائج لا تحسم الجدل المتعلق بحقوق النشر أو قانونية استخدام المواد المحمية في تدريب نماذج الذكاء الاصطناعي وإنما تركز على مسألة أكثر تحديدًا وهي مدى إمكانية إثبات أن صورة معينة أثرت بصورة مباشرة في مخرج محدد للنموذج.
وقد يتعلم الذكاء الاصطناعي من ملايين الصور عناصر مثل الإضاءة والتكوين والأنسجة والأساليب الفنية دون أن يعيد إنتاج عمل فنان محدد أو يترك أثرًا واضحًا يمكن ربطه بصورة بعينها.
وخلصت الدراسة إلى أن العلاقة بين بيانات التدريب والمخرجات تصبح أكثر صعوبة في التتبع مع اتساع مجموعات البيانات وهو ما يعني أن الصورة التي ينتجها الذكاء الاصطناعي قد تكون نتيجة تراكم أنماط تعلمها من مصادر كثيرة دون إمكانية تحديد مصدر منفرد كان وراء النتيجة النهائية. انتهى 25