اتلاف انتساب: پدیده‌ای که مسئولیت‌پذیری هوش مصنوعی را به چالش می‌کشد
وقتی یک مدل تصویرساز هوش مصنوعی پرتره‌ای خلق می‌کند، کار کدام هنرمند در آن نهفته است؟ این پرسش امروز در کانون دادگاه‌ها، قراردادهای حق نشر و مقررات پیشنهادی در سراسر جهان قرار دارد. هنرمندان درخواست اعتبار دارند، شرکت‌ها به شفافیت نیازمندند و سیاست‌گذاران راهی برای تعیین مسئولیت می‌طلبند. پژوهش تازه‌ای از آزمایشگاه علوم رایانه و هوش مصنوعی MIT نشان می‌دهد برای مدل‌هایی که روی مجموعه‌داده‌های کلان آموزش دیده‌اند، پاسخ این پرسش اغلب وجود ندارد.
حذف دقیق مثال‌های آموزشی: روشی برای کالبدشکافی مدل
دانشمندان روشی برای حذف «جراحی‌گونه» مثال‌های آموزشی از یک مدل توسعه داده‌اند. یافته‌های آن‌ها نشان می‌دهد وقتی مجموعه‌داده‌ها بزرگ می‌شوند، پیوند میان آنچه مدل می‌آموزد و آنچه تولید می‌کند از بین می‌رود. این پدیده را «اتلاف انتساب» نامیده‌اند: هرچه داده آموزشی بیشتر باشد، نقش هر نمونه واحد در هر خروجی خاص کمتر می‌شود.
- حذف یک تصویر واحد از داده آموزشی اغلب تغییری در نمونه تولیدشده ایجاد نمی‌کند
- حذف تمام آثار یک هنرمند خاص نیز ممکن است خروجی را دست‌نخورده bırakد
- حذف تمام عکس‌های یک چهره مشخص هم اثری بر نمونه‌های تولیدی ندارد
تبعات حقوقی و اخلاقی بی‌گروهگی انتساب
این یافته پیامدهای عمیقی برای صنعت دارد. شفافیت آموزشی، اعطای اعتبار به خالقان، و مسئولیت‌پذیری در قبال خروجی‌ها همگی تحت‌الشعاع قرار می‌گیرند. در مقیاس‌های کافی بزرگ، ممکن است ابزارهای شناسایی حتی اگر کارا باشند، موضوعی برای شناسایی وجود نداشته باشد؛ زیرا پیوند اساساً از میان رفته است.
پرسش‌های پرتکرار
اتلاف انتساب چه زمانی رخ می‌دهد؟
زمانی که حجم داده آموزشی مدل به اندازه‌ای بزرگ شود که حذف یک یا چند نمونه آموزشی تأثیر محسوسی بر خروجی تولیدشده نداشته باشد.
آیا این یافته‌ها حق نشر آثار هنری را بی‌اعتبار می‌کند؟
خیر، اما چالش‌های جدی در اثبات مالکیت و اعتبار بخشی به خالقان آثار در سیستم‌های هوش مصنوعی ایجاد می‌کند.
