Sztuczna inteligencja Google'a czyta z ruchu warg lepiej, niż ludzie. Wystarczy nagranie, by podsłuchać rozmowę

Tworzone przez Google’a oprogramowanie bywa często nazywane – nieco na wyrost – sztuczną inteligencją. Niezależnie od tego, jak zdefiniujemy SI, możliwości algorytmów Google’a nie przestają nas zaskakiwać.

Jeszcze dwa lata temu wydawało się, że niebywałym osiągnięciem jest nauczenie się przez nią gry w Arkanoida, kiedy to oprogramowanie Google’a samodzielnie opanowało reguły gry, a następnie wypracowało optymalną strategię rozgrywki, osiągając w niej biegłość, o której ludzie mogą zazwyczaj tylko pomarzyć.

Od tamtego czasu Google (a właściwe Alphabet, ale mało kto używa poprawnej nazwy koncernu) co pewien czas zaskakuje nas kolejnymi doniesieniami o postępach swojego oprogramowania.

Całkiem niedawno mogliśmy dowiedzieć się np. o tym, że automatyczny tłumacz Google’a potrafi tłumaczyć z par języków, których nie był bezpośrednio uczony, odczytując sens i znaczenia na podstawie innych, znanych zestawów języków.

Nowe doniesienia są równie zaskakujące. Okazuje się bowiem, że oprogramowanie o nazwie Watch, Listen, Attend, and Spell, tworzone przez Google’a, a właściwie przez należącą do Alphabetu firmę DeepMind i zespół z Oxford Uniersity, opanowało trudną sztukę czytania z ruchu warg. Co więcej, jest w tym skuteczniejsze od ludzi.

Aby nauczyć je odczytywania ruchów warg, badacze poddali analizie 5000 godzin nagrań materiałów wideo, pochodzących ze stacji BBC, w tym m.in. kłótni prowadzonych przez polityków. Dało to w sumie 118 tys. różnych zdań, budowanych z około 16 - 17 tys. słów.

Dla porównania – słowniki języka angielskiego wyróżniają około 170 tys. słów. Słowniki polskiego – około 150 tys. Do codziennej komunikacji wystarcza zazwyczaj znajomość około 2 tys. słów.

Na podstawie filmów Watch, Listen, Attend, and Spell nauczył się analizować ruchy warg z niebywałą dokładnością – o ile najlepsi spośród ludzi są w stanie odczytać w ten sposób około 12 - 20 proc. wypowiadanych słów, to oprogramowanie Google’a osiąga skuteczność niemal 50 proc.!

Zdaniem Google’a nowa technologia – choć wciąż jeszcze daleka od doskonałości i zależna od jakości materiału wideo – może pomóc w codziennym życiu osobom z dysfunkcjami słuchu, przydać się do udźwiękowienia niemych filmów albo być wykorzystana np. do obsługi asystentów głosowych – dzięki analizie obrazu będzie bowiem możliwe sterowanie nimi za pomocą bezgłośnych, niesłyszalnych dla otoczenia komend.

Brzmi to całkiem sensownie, ale nie byłbym sobą, gdybym – podziwiając skuteczność oprogramowania Google’a – nie zwrócił uwagi na zagrożenia. Nowa technologia wydaje mi się bowiem kolejnym krokiem, zmniejszającym i tak iluzoryczny obszar naszej prywatności.

Jeszcze do niedawna obraz z kamer, którymi obwieszone są nasze ulice, mógł co najwyżej pokazać, że dwie osoby spotkały się i rozmawiały. W połączeniu z rosnącą popularnością wideo wysokiej jakości i nowymi możliwościami oprogramowania Google’a, prawdopodobne wydaje się zarejestrowanie nie tylko faktu spotkania, ale i treści prowadzonej rozmowy.

Wygląda zatem na to, że orwellowski slogan o Wielkim Bracie nabrał nowego znaczenia. Dzięki nowym technologiom Wielki Brat patrząc, przy okazji również słucha.