Az online publikációk olvasói átlagosan 15 másodpercet szánnak a cikkek átfutására, ennyi idő alatt pedig úgy is csak a szöveg 20 százalékát olvassák el, ha a szerzők nem eresztik bő lére a mondanivalójukat. Ilyen tempó mellett nyilvánvaló, hogy az információ jelentős része elsikkad, de a tapasztalatok szerint még nagyobb probléma, hogy innentől az olvasó mégis tájékozottnak érzi magát az adott témában. Mindez kedvező feltételeket jelent a dezinformáció tudatos vagy önkéntelen terjesztéséhez is, amit az online csatornák és a közösségi média egyik legnagyobb, de egyelőre megoldatlan problémájának tartanak.

Néhány platformon külön megerőstést kérnek, ha valaki olyan anyagokat akar megosztani, amelyeket meg sem nyitott, így fogalma sem lehet azok pontos tartalmáról. Az ilyen jellegű eszközök azonban nem adnak választ a "TL;DR" problémára: ez az angol „too long, didn’t read” kifejezés rövidítése, és ebben az esetben arra utal, hogy sokaknak sem ideje, sem kedve nincs végigolvasni az egyre nagyobb mennyiségben áramló netes tartalmakat. Ezeket persze rövidíteni és kivonatolni is lehetne, ilyen nagyságrendek mellett azonban a dolog már nem lenne elvégezhető emberi munkával.

Itt jön a képbe a mesterséges intelligencia, amely természetesen nem kényszeríthet rá senkit, hogy értse is, amit megoszt a világhálón, de legalább lehetőséget adhat a felhasználóknak, hogy elolvassanak róla egy rövid összefoglalót. Ilyen például az OpenAI által néhány nappal ezelőtt bemutatott MI-modell, amelyik akár könyvek tartalmának tömörítésére is alkalmas. Bár maguk a kutatók is elismerik, hogy az emberek ezen a területen még jobban teljesítenek, a most közölt eredmények semmiképpen sem tűnnek gyengének egy folyamatosan fejlődő, automatizált rendszertől.

Úgy kell értenie, ahogy mi értjük

Az OpenAI blog cikke szerint itt is az "alignment problem", vagyis az MI értékkijelölési problémájának kérdéseinél járunk, amelynek értelmében az általános célú mesterséges intelligencia jövőbeli, hatékony és biztonságos alkalmazásához azt is el kell érnünk, hogy a gépi tanuló modellek az emberi szándékoknak megfelelően működjenek. Ebben az esetben egy skálázható megoldásra van szükség az olyan feladatokhoz (itt éppen a hosszabb szövegek tartalmának összefoglalásához), amelyeknél a kimeneti eredmények rendszeres értékelése nehézkes és igen időigényes dolog lenne.

A bejegyzésben szereplő algoritmus működésének az lenne a lényege, hogy a szöveget kisebb részekre bontja, és először azokat kivonatolja, majd az így keletkezett összefoglalásokból egyre magasabb szintű további öszegzéseket gyárt. Ez a technika alkalmas a legrövidebb és a leghosszabb anyagok lényegének leszűrésére is, hiszen az eljárás elméletileg a végtelenségig folytatható a megerősített tanulás (reinforced learning) és rekurzív szövegdekompozíciót alkalmazásával létrehozott modellben, amelyet egyébként a GPT-3 főleg regényekből álló adatkészletén tanítottak be.

Az OpenAI kísérletében két embert bízott meg a Goodreads 2020-as toplistáján szereplő 40 könyv elolvasásával és tartalmi összefoglalásával, akik aztán egymás összegzéseit és a mesterséges intelligencia által készített kivonatokat is értékelték. Míg az emberek egymásnak átlagosan 6/7-es osztályzatot adtak, ezt az MI az esetek 5 százalékában érdemelte ki, további 15 százalékban pedig 5/7-es osztályzatot kapott. Ez azt jelenti, hogy a modell általában sikeresen vizsgázott: bár időnként hajlamos volt a pontatlanságra a kontextus hiánya miatt, már az összefoglalók alapján futtatott kérdés-válasz rendszerű benchmark eredményeit is versenyképesnek tartják.