Obywatel Bielik trafił na smartfony. Polska AI ma się nauczyć rozpoznawać kluski śląskie

Popularne modele AI, pokazane zdjęcie klusek śląskich, potrafią opisać je jako francuskie makaroniki albo pączki przed pieczeniem. Kadr z „Seksmisji" biorą za scenę z radzieckiego „Solaris". Fontannę Neptuna z gdańskiego Długiego Targu — za pomnik w Bolonii. To nie są anegdoty, tylko konkretne przykłady podane przez twórców Bielika, żeby pokazać, po co powstaje projekt Obywatel Bielik.

Od 14 lipca aplikacja o tej nazwie jest dostępna na Androida i iOS. Zasada jest prosta: robisz zdjęcie, dodajesz krótki opis, wysyłasz. Zebrane w ten sposób fotografie mają posłużyć do wytrenowania pierwszego polskiego modelu multimodalnego — czyli takiego, który rozumie nie tylko tekst, ale i obraz. Twórcy mówią o tym obrazowo: Bielik ma dostać „oczy".

Skąd biorą się te pomyłki globalnych modeli? Odpowiedź jest w danych treningowych. Duże zagraniczne modele świetnie radzą sobie z ogólnymi wzorcami, ale uczyły się głównie na materiałach anglojęzycznych. Kapliczka przy polnej drodze, regionalna potrawa, lokalny zabytek — to wszystko jest poza ich doświadczeniem. Model nie tyle nie wie, co zgaduje na podstawie tego, co widział wcześniej. I trafia w makaroniki.

Skala zbieranych danych na razie jest skromna. Przed premierą aplikacji społeczność przesłała przez stronę projektu ponad 16 tys. zdjęć z opisami. Cel to milion — z rzetelnymi opisami. Twórcy podkreślają, że liczy się różnorodność: te same obiekty widziane z różnych stron, w różnej pogodzie. Im szerszy zbiór, tym lepszy model.

Sama aplikacja ma obniżać próg wejścia. Zdjęcie można wrzucić z galerii albo zrobić na miejscu, opis wpisać ręcznie lub podyktować głosem — a obecny model Bielika pomaga potem ogarnąć tekst językowo i interpunkcyjnie. Da się też opisywać zdjęcia już dodane przez innych, przypisane do ośmiu kategorii tematycznych. Do tego cele tygodniowe, statystyki, rankingi i elementy grywalizacji zespołowej. Klasyczny zestaw pod zaangażowanie społeczności.

Jak mówi Marcin Dąbrowski, lider projektu, aplikacja mobilna to moment zwrotny, bo pozwala włączyć się każdemu — uczniowi, seniorowi, przedsiębiorcy. Sebastian Kondracki, pomysłodawca Bielika i założyciel Fundacji SpeakLeash, dodaje rzecz, która jest sednem całego przedsięwzięcia: model będzie tak dobry, jak różnorodne dane, na których się uczy. Stąd apel nie tylko do obywateli, ale i do instytucji dokumentujących polskie dziedzictwo — rozmowy z kilkoma już trwają.

Część instytucji jest zresztą w projekcie od początku. Partnerami są Narodowe Archiwum Cyfrowe, które udostępnia archiwalne fotografie, a jego pracownicy dodatkowo opisują zdjęcia i weryfikują dane o nich, oraz Polska Press Grupa, przekazująca wybrane zbiory. Całość rozwija Fundacja SpeakLeash z Akademickim Centrum Komputerowym Cyfronet AGH.

Do czego to ma potem służyć? Twórcy wskazują na e-commerce — automatyczne opisywanie i kategoryzowanie produktów, zwłaszcza tych związanych z lokalną kulturą, rękodziełem czy regionalną żywnością. Poza tym analiza dokumentów, OCR (rozpoznawanie tekstu ze skanów) i opisywanie materiałów archiwalnych.

Trzeba dodać zwykłe zastrzeżenie: to materiał samego projektu, więc ton jest siłą rzeczy entuzjastyczny, a „krok milowy" to język komunikatu. Ale konflikt interesów jest tu nietypowo łagodny — SpeakLeash to fundacja rozwijająca model otwarcie, w duchu open science, a nie firma sprzedająca licencje. Aplikacja realnie jest w sklepach i można ją sprawdzić samemu. Otwarte pozostaje jedno pytanie, na które odpowie dopiero czas: czy uda się zebrać milion zdjęć, skoro po dotychczasowych działaniach jest ich szesnaście tysięcy.

Źródła: informacja prasowa Fundacji SpeakLeash