Dwa tygodnie temu rozmawialiśmy z panem Marcinem Dąbrowskim, współtwórcą i liderem projektu Obywatel Bielik, o tym, dlaczego zagraniczne modele sztucznej inteligencji mają problem z rozumieniem polskiej kultury, sztuki i historii. Projekt Obywatel Bielik ma pomóc to zmienić. Aby tego dokonać, potrzebne są zdjęcia pokazujące Polskę taką, jaką widzimy ją okiem jej mieszkańca. Jedno zdjęcie jednak nie wystarczy. Twórcy projektu postawili sobie za cel zebranie około miliona fotografii. Dlaczego aż tylu?

Marcin Dąbrowski: Oczywiście milion zdjęć jest takim naszym symbolicznym celem, który w naszej ocenie pozwoli pokryć nam taki wystarczająco szeroki wycinek polskiej rzeczywistości. Oczywiście jest tak, że w ramach zbierania danych do modelu i trenowania modelu, zdjęcia i dane pobieramy także z innych źródeł, bo żeby taki model wytrenować, to trzeba naprawdę petabajty, danych. Ale właśnie dane zbierane przez obywateli są o tyle istotne, że są to zdjęcia, które pokażą naszą codzienność. Są to zdjęcia, których po prostu nie ma w internecie i one są dla nas szczególnie cenne. Więc milion zdjęć jest takim fajnym celem, na pewno ambitnym, ale każdy z nas musi mieć jakiś cel i to z reguły ambitny, żeby do czegoś dążyć. Więc nie traktujemy tego miliona zdjęć jako taki, że tak powiem, cel docelowy, ale taki fajny przystanek do zebrania kolejnej paczki zdjęć. Milion brzmi ambitnie i jest takim mierzalnym celem, do którego każdy z nas może dążyć.

Prowadzący: Im więcej, tym lepiej, jak rozumiem?

Marcin Dąbrowski: Dokładnie tak.

Prowadzący: Jakie fotografie są dla was, dla Bielika, najbardziej wartościowe?

Marcin Dąbrowski: Oczywiście takie najważniejsze zdjęcia, na których się skupiamy, to zdjęcia związane z kulturą, historią i jakby z polskim kontekstem kulturowym, ponieważ to jest ten obszar, który chcemy oczywiście pokryć, ale to nie oznacza, że skupiamy się tylko i wyłącznie na tych zdjęciach. Najlepiej, żeby były to zdjęcia właśnie związane z kulturą, jak i z historią: regionalne potrawy, kapliczki przydrożne, zabytki, zwyczaje, ale także wszystkie elementy, które nas otaczają, czyli niech będą to przystanki autobusowe, witryny sklepów, de facto wszystko, co nas otacza. I to jest, powiedzmy, jedna grupa zdjęć, ale też istotne są zdjęcia, które możemy wykonać za granicą, pochodzące z naszych wycieczek zagranicznych, ponieważ chcemy, żeby Bielik miał jak najszersze spojrzenie. Oczywiście, żeby dobrze rozumiał kontekst tutaj lokalny, polski, ale też żeby nie był, że tak powiem, ślepy kulturowo na kultury, które nas otaczają. Więc potrzebujemy wszystkich fotografii.

I dodam jeszcze takie jedno zastrzeżenie, które wynika też z naszych doświadczeń. My nie szukamy wyłącznie zdjęć perfekcyjnych, profesjonalnych, bo czasami wiemy, że u obywateli rodzi się taka obawa: "kurczę, czy aby to zdjęcie jest ładne, albo czy ono nadaje się do wytrenowania modelu", ponieważ jest, ucięte, poruszone, jakieś krzywe, takie powiedzmy, nie do końca doskonałe technicznie. Takich zdjęć także bardzo potrzebujemy z prostej przyczyny. Jeżeli nie pokażemy modelowi, że istnieją zdjęcia rozmazane, poruszone, przycięte, to taki model nie nauczy się takich zdjęć rozpoznawać. Więc tak naprawdę nie ma tutaj obawy, czy zdjęcie wykonane w sposób nieperfekcyjny, nieartystyczny nadaje się do trenowania. Zdecydowanie się nadaje i tutaj proszę nie mieć oporów w tym obszarze.

Prowadzący: A są wersje zdjęć, które się nie nadają? W sensie: bardziej rozmazane, mniej rozmazane? Czy dla sztucznej inteligencji jest też istotne, żeby mogła się nauczyć rozpoznawać zdjęcia, które mogą nie do końca być wyraźne i na pierwszy rzut oka można nie do końca zauważyć, co dokładnie przedstawiają?

Marcin Dąbrowski: Oczywiście jest pewna granica. Jeżeli, powiedzmy, zdjęcie z takiego nawet ludzkiego oglądu nie ma do końca sensu, bo jest, tak rozmazane albo tak, nazwijmy to, zakrzywione, że nawet człowiek miałby problem z rozpoznaniem obiektu, który na takim zdjęciu się znajduje, to oczywiście jest pewna granica, po przekroczeniu której to do końca nie ma sensu. Ale wydaje mi się, że to są takie przypadki totalnie skrajne. Każde zdjęcie, które nie łamie regulaminu, czyli nie przedstawia twarzy, nie przedstawia obiektów, do których nie mamy praw, albo nie nawołuje do nienawiści, albo nie przedstawia, jakichś symboli prawnie zakazanych. Poza tymi zdjęciami każde jedno zdjęcie, które przedstawia to, co nas otacza, łącznie z tym, że zrobimy zdjęcie, krzesła, które mamy w domu, jest istotne, ponieważ traktujmy każde zdjęcie jako lekcję. Tak jak uczymy dziecko, pokazujemy mu świat i tłumaczymy, że to jest krzesło, to jest stół czy to jest jabłko.

I co ważne, bo to jeszcze nie padło w tej rozmowie: zdjęcie plus opis zdjęcia. Bo tylko taka para, czyli właśnie zdjęcie i opis tego, co na zdjęciu się znajduje, jest taką pełnoprawną lekcją dla modelu, aby nauczył się rozpoznawać otaczający nas świat.

Prowadzący: Opis musi być dokładny, czy wystarczą pojedyncze słowa?

Marcin Dąbrowski: Opis musi być przede wszystkim neutralny emocjonalnie. Wiem, że może to już być skomplikowane, ale my używamy takiej analogii. To jest zupełnie tak, jakbyśmy chcieli komuś opisać zdjęcie przez telefon. Czyli ta osoba po drugiej stronie nie widzi tego zdjęcia, więc skupiamy się na faktach, opisujemy to, co faktycznie widzimy na zdjęciu, bez takich, powiedzmy, przymiotników subiektywnych, emocjonalnych.

Przykładowo, jeżeli mamy zdjęcie łąki i powiemy przez telefon albo opiszemy, że to jest zdjęcie pięknej łąki, ta piękność jest subiektywna, prawda? Ciężko ją uchwycić, ciężko uznać to za obiektywne określenie. Ale jeżeli opiszemy, że jest to łąka z zieloną trawą usłana żółtymi kwiatami, a ponad łąką rozciąga się błękitne niebo i białe chmury, to jest wystarczający opis, który pozwala na wytrenowanie modelu. Czyli de facto opisujemy tylko to, co widzimy na zdjęciu. Oczywiście możemy używać przymiotników, które faktycznie można na tym zdjęciu dojrzeć, ale unikamy emocjonalnych ocen i takich subiektywnych ocen.

To znowu wrócę do klusek śląskich, bo bardzo łatwo opisać takie zdjęcie, że na przykład to jest talerz smacznych klusek śląskich. To, czy one są smaczne, to oczywiście jest kwestia subiektywna i nie wynika ze zdjęcia. Ale jeżeli opiszemy, że to jest dziewięć klusek z dziurką polanych sosem, leżących na białym talerzu, to jest ten poziom opisu, który jest wystarczający.

Prowadzący: Czyli nazywamy rzeczy po imieniu?

Marcin Dąbrowski: O, świetnie powiedziane. Dziękuję. Zapamiętam to, Super!

Prowadzący: Moim i Państwa gościem był pan Marcin Dąbrowski, współtwórca i lider projektu Obywatel Bielik. Dziękuję bardzo za rozmowę.

Marcin Dąbrowski: Dziękuję bardzo. Pozdrawiam wszystkich!