V prvem delu predavanja bom predstavil, kako učimo umetno inteligenco ustvarjati posnetke brez podrobnih označb ali oznak, vezanih na posamezne objekte. Z učenjem na zbirkah podobnih posnetkov – na primer obrazov ali človeških teles – se model nauči posploševati na celotno skupino primerov. Na tej ideji temelji tudi naš Learnable Game Engine (LGE), ki se iz preprostih posnetkov z eno kamero nauči slediti prizorom in objektom ter jih ponovno izrisovati iz različnih zornih kotov. Podobno kot pravi pogon za simulacijo iger zajame osnovno fiziko in logiko, kar uporabnikom omogoča poseg v dogajanje ali usmerjanje virtualnih agentov z navodili v naravnem jeziku. Drugi del predavanja je posvečen varnosti in pravičnosti generativne umetne inteligence. Večina obstoječih pristopov zaznava le vnaprej določene vrste pristranskosti, vendar se v resničnih sistemih pojavljajo tudi nepričakovane. Zato predstavljamo OpenBias, metodo, ki odkriva in meri prej neznane pristranskosti v modelih za pretvorbo besedila v sliko, ne da bi se opirala na vnaprej pripravljen seznam. Naši eksperimenti kažejo, da se OpenBias dobro ujema z uveljavljenimi metodami in s človeškimi ocenami, kar omogoča bolj prilagodljivo vrednotenje pravičnosti generativnih sistemov.
Predavanje bo v angleščini.
