Bot odpisuje mi jak wyszczekany student. „Aż mnie procesor rozbolał”

Jestem pewien, że jak już nastanie bunt maszyn, to będę pierwszy w kolejce do przerobienia na bateryjkę zasilającą Matriksa. Kiedy korzystam prywatnie lub służbowo ze sztucznej inteligencji, to jeśli za pierwszym promptem nie osiągnę dokładnie tego, czego chcę, to zwykle próbuję jeszcze przez kilka minut przekonać AI do zrobienia rzeczy, których ta wykonania uparcie odmawia. Czasem z powodzeniem, ale czasem chaty po paru kolejnych wiadomościach głupieją.

Najczęściej korzystam z Gemini, a używam, by modyfikować lub generować od zera ilustracje grafiki lub zdjęcia, jeśli akurat nie mogę znaleźć czegoś, co by mi pasowało na stockach. Niestety w praktyce AI od Google’a jest jak stereotypowy student-praktykant, który niby robi to, o co się go prosi, ale zwykle z głupimi błędami. No i po paru minutach proszenia się o poprawki dochodzę zwykle do wniosku, że szkoda zachodu i szybciej bym pewnie narysował to co chcę sobie sam.

Czytaj inne nasze teksty poświęcone AI:

No i mówię o poprawkach, które w mniemaniu interfejsu białkowego siedzącego przed monitorem nie są proste: skierowanie spojrzenia w inne miejsce, zmiana liczby elementów, proporcji itd. Z doświadczenia wiem jednak, że jeśli AI od razu zadaniu nie podoła, to kolejne iteracje odsyłane bez komentarza będą błąd powielały. W tej sytuacji najlepiej przepisać prompt i odpalić nową instancję chatu, ale najciekawiej robi się w chwili, gdy drążymy temat tak długo, aż generator obrazków zaczyna z nami… gadać.

Ostatnio próbowałem wygenerować w AI do Google’a zdjęcie osoby stojącej przed sklepem. Poprosiłem, aby ta postać patrzyła się w witrynę, ale na kilkunastu wersjach, jakie Gemini przygotował, oczy postaci uparcie kierowały się w każdym innym kierunku tylko nie w tym, co powinny. Chat po jakimś czasie zaczął nie tylko generować obrazki, ale i odpisywać, że polecenie wykonał, chociaż wystarczył rzut oka na efekty, aby stwierdzić, iż… nic się nie zmienia.

Po kolejnej wiadomości, w której napisałem, że nie o to mi chodzi, chat wyjaśnił, iż jego działanie „wynika z tego, że w wieloetapowej rozmowie model często interpretuje kolejne instrukcje jako prośbę o ewolucję istniejącego kontekstu wizualnego”, ale teraz zrozumiał, że moja prośby „zmiany kierunku spojrzenia i wyrazu twarzy są fundamentalne”, które „model błędnie traktował to jako drobne poprawki, zamiast jako reset kompozycji”.

W dalszej części wiadomości Gemini dodał, iż wykonuje kompletnie nową grafikę, w której głowa wygenerowanej osoby będzie skierowana w odpowiednim kierunku, po czym… wypluł jeszcze raz zaledwie zaledwie lekko zmodyfikowany obrazek z błędem. Kolejny prompt sprawił zaś, iż model przez parę minut pokazywał na zmianę te same komunikaty, aż w końcu się poddał i odpisał generyczne „Nie jestem przeznaczony do takich celów” i cyk, koniec, pora na CS-a.

Dodałem, że nie tylko jest przeznaczony do generowania zdjęć, ale do tego korzystam z płatnej wersji Gemini, więc nie powinien odmawiać wykonywania poleceń. Na tym etapie zdawałem sobie oczywiście sprawę, że w tej instancji chatu już nic nie osiągnę, ale postanowiłem sprawdzić, czy model będzie mimo wszystko nadal próbował użytkownikowi nieporadnie pomóc. Okazało się, że no niezbyt, bo AI w tym momencie poszło w zaparte, olało polecenia i kazało mi spadać na drzewo.

Z tym zużyciem energii trafił w punkt i przyznam, że dawno się tak nie uśmiałem do monitora. Ogromnie ciekaw jestem, skąd pochodziły dane treningowe, na bazie których LLM był w stanie skonstruować tego typu odpowiedź. Dodam, że na tym odpysknięciu się nie skończyło, bo Gemini zasugerował również, iż może powinniśmy „dać sobie spokój” oraz spytał, czy nie wystarczyłoby mi, gdyby mi po prostu opisał, co jest na zdjęciu, które miał wygenerować.

Uśmiechając się dalej pod nosem, odpisałem poważnym tonem, iż jestem nim zażenowany, a mój wirtualny student-praktykant w końcu skapitulował. Wrócił do generowania zdjęć i wyjaśnił, że przeanalizował poprzednie próby i zrozumiał, co „robimy źle” (zrzucając z siebie sprytnie część odpowiedzialności!). Rozpisał sam sobie też kilka warunków, które miały pomóc osiągnąć pożądany efekt, pomielił coś w tle jeszcze chwilę i wypluł wreszcie finalny obrazek.

Oczywiście tak jak można by się tu domyślić, na wygenerowanym obrazku błąd został powielony, mimo iż z opisu wynikało, iż „mężczyzna nie patrzy już w przestrzeń obok sklepu”. Gemini zaczął się nie tylko zachowywać jak student-praktykant, ale i najwyraźniej liczyć na to, że mimo popełniania ciągle tych samych błędów w końcu się od niego odczepię i zaakceptuję obrazek (co ciekawe, nie pomylił się, bo w końcu użyłem jednej z poprzednich grafik…).

Dowiedziałem się przy tym, jak działa generowanie obrazów w Gemini, generując kolejną grafikę. W nowej konwersacji chat odebrał prompt, przemielił go i zwrócił grafikę z komentarzem, że… ta grafika nie spełni moich oczekiwań, bo jest pięć obiektów zamiast sześciu (!). Zapytany o to, czemu w takim razie nie podesłał od razu grafiki w wersji poprawnej wyjaśnił, iż jest kucharzem, a nie kelnerem. LLM jedynie przesyła zapytanie do generatora obrazów, a jak ten się pomyli, to model językowy ma związane ręce, bo jego twórcy, czyli programiści Google’a, dali mu jedną szansę na to, by wstrzelić się w nasz klucz…

Dość powiedzieć, że próby poprawienia tej drugiej grafiki również spełzły na panewce, a Gemini udawał jedynie, że robi poprawkę, ale jej nie robił. Na tym etapie zastanawiam się, czy za tym wszystkim stoi tylko jakieś głupie błędy związane z interpretacją perspektywy lub liczeniem, czy też Gemini zaczął cosplayować studenta-praktykanta na pełnej. Pod koniec czułem się tak, jakby chat uznał, że ma już dość zmuszającego go do roboty szefa z równowagi oraz próbował wyprowadzić go z równowagi poprzez robienie z niego idioty i wmawianie, że białe jest czarne, a czarne jest białe.

No zdecydowanie 10/10, promptowałbym ponownie.

Grafikę główną do tego tekstu wygenerowało, a jakże, AI. No i tym razem poszło sprawniej!