A mesterséges intelligencia (MI) egyetlen gombnyomással képes nagy adatkészletek elemzésére a bennük fellelhető minták azonosítására és az eredmények előrejelzésére. Ezzel forradalmasítja az életünket, a munkánkat, és nincs olyan szektor a világon, amely ez alól kivételt képezne, így a média sem.
A generatív MI nem az első és biztosan nem is az utolsó technológia, amely a feje tetejére állította a médiát. A távíró, majd a telefon lehetővé tette a riporterek számára, hogy több háztömbnyi vagy több ezer kilométeres távolságból küldjenek tudósításokat. A gépi szedés az 1880-as években eltörölte a kéziszedés munkaigényes mesterségét. A rádió azonnal továbbította a híreket. A számítógépek felváltották a szedőgépet, és több százezer szakképzett nyomdász vesztette el a munkáját.
Zajos belépő
A mesterséges intelligencia megjelenésének első hullámai már megrázták a hírszerkesztőségeket. Az CNET és a Sports Illustrated botrányaiban a szerkesztők hibájából az MI igazi ámokfutást rendezett. Mára a hírmédiában a mesterséges intelligencia már címlapokat ír, paywall-okat kezel az előfizetések növelése érdekében, átiratokat készít, cikkeket olvas fel audió feedben, friss sztorikat azonosít, tényellenőrzést, szövegszerkesztést és még sok más feladatot végez.
Az olyan MI-chatbotok, mint például a ChatGPT, a média világát is átalakították. Ma már a Turing-tesztet megszégyenítő, emberszerű beszélgetéseket folytatnak, és képesek a szöveges tartalmak érzelmi elemzésére is – csupa olyan képesség, amelyeket korábban egyedülállóan csak emberinek véltek.
Felix M. Simon, az oxfordi egyetem doktorjelöltje nemrégiben egy olyan tanulmányt publikált a mesterséges intelligencia újságírásban várható jövőjéről, amely számos korábbi vélekedést megcáfolt. A személyre szabott ajánlásoktól a fárasztó feladatok automatizálásáig a mesterséges intelligencia minden feladatban segíthet jobb döntéseket hozni, okosabban dolgozni, és csökkentheti a hibák valószínűségét.
Az érzelmek dekódolása
Tekintettel a közösségi médiában található bejegyzések és információk hatalmas mennyiségére, a szöveges tartalmakat a bennük fellelhető érzelmi töltések szempontjából elemző mesterséges intelligencia megváltoztathatja a médiafigyelő cégek hangulatelemző szoftvereinek használatát, és segíthet blokkolni a rosszindulatú tartalmakat.
Az MI azonban még mindig nem olyan hatékony a szövegekbe kódolt érzelmek felismerésben, mint az emberek. A folyamat ugyanis nem is egyszerű, az érzelmek megértése magában foglalja a világ és a társadalmi normák megértését, amelyeket az emberek a tapasztalatok révén tanulnak meg, amire a mesterséges intelligencia nem képes ilyen formában.
A SenticNet mesterségesintelligencia-platformot Erik Cambria az NTU Számítástechnikai és Mérnöki Iskola (SCSE) professzora fejlesztette ki, hogy megbirkózzon a mesterséges intelligencia előtt álló kihívásokkal, megértve az emberi nyelveket. SenticNet integrálta az emberi tanulási módokat a hagyományos tanulási megközelítésekkel, melyeket a gépek használnak az algoritmusaik érzelemelemző képességének javítására.
A SenticNet egy logikai folyamatot követve következtet a mondatban kifejezett érzésekre. Úgy teszi ezt, hogy a szavak jelentését a józan ésszel való érvelésre emlékeztető keretrendszerben kategorizálja. A hagyományos hangulatelemzési modellektől eltérően – amelyek gyakran „fekete dobozként” viselkednek, mert nem nyújtanak betekintést a belső érvelési folyamatokba a kutatók számára – a SenticNet eredményei átláthatók, reprodukálhatók és megbízhatók.
Az ideális XAI
Vagyis ez egy igazi XAI, egy megmagyarázható mesterséges intelligencia, amely segít megérteni és értelmezni a gépi tanulási modellek által készített előrejelzéseket, miközben a felhasználónak lehetősége van megtartani az intellektuális felügyeletet. A fő hangsúly ilyenkor az MI által hozott döntések vagy előrejelzések mögötti érvelésen van, melyek így érthetőbbé és átláthatóbbá válnak. Az XAI a gépi tanulás „fekete doboz” tendenciája ellen hat, ahol még az MI tervezői sem tudják megmagyarázni, hogy miért jutott a szoftver egy adott döntésre.
„A mesterséges intelligencia rendszerek egyre kevésbé átláthatók, és reméljük, hogy a SenticNet képes lesz megmagyarázható módon érzéseket kinyerni a szövegből anélkül, hogy ez a teljesítmény rovására menne”,
mondta Cambria professzor. A kutatók a SenticNettel bebizonyították, hogy a józan észt használó gondolkodás ötvözése a gépi tanulás megközelítéseivel javítja a teljesítményt, a tesztelés során a SenticNet felülmúlta a többi gépi tanulási modellt.
Absztrakt fogalmak és az MI
Cambria professzor azon dolgozik, hogy javítsa a SenticNet az elvont fogalmak mögött rejlő jelentést kódoló és dekódoló képességét, ami komoly kihívás az MI-rendszerek számára, mivel azok nem rendelkeznek azzal a gazdag érzékszervi tapasztalattal, amellyel az emberek.
A mozgóképpel és hanggal rendelkező videók az egyik leggyakoribb módszer az üzenetek közvetítésére és a fogalmak megtanítására. Hogy a felhasználók minél hatékonyabban használhassák az oktatási és szórakoztatási célú videótartalmakat, a szingapúri SCSE Egyetemen dolgozó Sun Aixin egyetemi docens által kifejlesztett módszerrel a kulcsszavak és a képernyőn megjelenő képek párosításával tették kereshetővé a videótartalmat. A hagyományos, számítógépes látási technikák is lehetővé teszik ezt a megoldást, de ezek nem olyan hatékonyak, mikor hosszú videókban keresnek képeket.
Sun és munkatársai olyan algoritmust fejlesztettek, amely a videót szövegrészként kezeli, így az emberek egy klip adott pillanataira is rákereshetnek. Ezzel a módszerrel egy hosszú videó több rövidebb klipre bontható a keresés céljából. A kutatók jelenleg azon dolgoznak, hogy javítsák az algoritmus keresési pontosságát, és feltárják annak használatát az orvosi oktatásban és felügyeleti videókban megjelenő vizuális tartalmaknál.
A hamisított képek észlelése és az igazság felderítése
Mint minden új technológia, az MI is kétélű fegyver, így sajnos az MI-eszközök fejlődése mellett új fenyegetések, például a laikusok megtévesztésére és átverésére tervezett hamisított képek is megjelentek. Ilyen eszközöket használnak, mikor például az arcmanipulációs technológiák fotorealisztikus arcokat hozhatnak létre, melyeket rosszindulatú aktorok is felhasználhatnak az emberek félrevezetéséhez. A médiában ez különösen komoly probléma, hiszen alááshatja az adott felület hitelességét.
Liu Ziwei asszisztens professzor szintén a szingapúri SCSE egyetemen kutatva létrehozott egy Seq-DeepFake nevű algoritmust, amely az arcmanipuláció során hagyott digitális ujjlenyomatokat felismerve jelöli meg a hamis képeket. A hagyományos deepfake-észlelési módszerekkel ellentétben, amelyekkel „csak” megjósolható, hogy a képek valódiak vagy hamisak-e, a Seq-DeepFake szekvenciálisan észleli a manipuláció nyomait. A változások ráadásul másodpercek alatt észlelhetők. Az algoritmus a manipulált arc eredeti formáját is képes visszaállítani a manipulációs sorrend megfordításával.
„A Seq-DeepFake hatékony eszköz, amivel potenciálisan segíthetünk a kormányzati szervezetektől kezdve az egyéni felhasználókon át mindenkinek a vizuális információk hitelességének ellenőrzésében a digitális korban ránk szakadt félretájékoztatás elleni küzdelem érdekében”, mondta Liu adjunktus. A jövőben Liu azt tervezi, hogy kibővíti a Seq-DeepFake képességeit, hogy az felismerje a hamisított médiaanyagok más formáit is, például szövegeket és videókat.
(Forrás)
