KUKAN WUTAR LANTARKI, SHAIDA A KAN BIDIYOYIN AI

Gano bidiyoyin da AI ta ƙirƙira ya zama gasar makamai, kuma a cewar Ryan Wyton da Bacha Rehman na Jami’ar Southampton Solent, gasa ce da “mai ganowa yake shan kaye”. Yawancin na’urorin ganowa suna koyon alamomin da ke tona asirin masu ƙirƙira da aka horar da su a kai. A wani gwajin kwatanci na baya-bayan nan mai bidiyo miliyan shida, mafi kyawunsu suna kai wa kusan kashi 80% kawai na daidaito gabaɗaya, kuma suna faɗuwa zuwa kusan matakin sa’a ko ƙasa da shi a kan masu ƙirƙira da ba su taɓa gani ba.

Masu binciken biyu sun nemi wata alama ta daban wadda masu ƙirƙira ba sa sarrafa ta: mitar layin wutar lantarki (electric network frequency), ko ENF.

Hoton yatsan layin wutar

Wutar lantarki ta layi a suna hertz 50 ko 60 ce, amma ainihin mitarta tana ɗan sauyawa kaɗan-kaɗan yayin da samarwa da buƙata suke canzawa. Saboda layin wutar lantarki yana da haɗin kai sosai, wannan sauyin iri ɗaya ne, a cikin ɗan ƙaramin juzu’in daƙiƙa (millisecond), a duk faɗin hanyar sadarwar a kowane lokaci — don haka yana aiki kamar tambarin lokaci. Yana shiga rikodi ta hanyoyi biyu. Makirufo suna ɗaukarsa a matsayin kuka. Kuma fitilun da wutar layi ke kunnawa suna ƙyalli sau biyu na mitar layin, wato hertz 100 ko 120. Kyamarar da firikwensinta ke karanta hoto layi-layi (“rolling shutter”) tana naɗar wannan ƙyallin a matsayin ratsi marasa ƙarfi a cikin bidiyon.

Hasashen da bai tsira ba

Aikin ya fara ne da wani tunani mai sauƙi: bidiyon da aka ƙirƙira ba zai sami ƙyallin layin wutar ba, kuma za a iya gano shi ta rashinsa. Tunanin “bai tsira daga haɗuwa da shaida ba”, in ji marubutan. A cikin bidiyo 600 daga masu ƙirƙirar bidiyo daga rubutu guda shida, ƙyallin ya bayyana da ƙarfi kamar a ainihin bidiyo — da mitar da ake gani wadda saurin firam na mai ƙirƙirar ke ƙayyadewa, ba wani ainihin layin wuta ba. Idan aka auna ƙarfin ƙyallin kaɗai, ba a iya bambance ainihin bidiyo da wanda aka ƙirƙira ba: maki 0.51, inda 0.5 ke nufin tsantsar tsammani.

Don haka tambayar ta canza. Maimakon a tambayi ko bidiyo yana da alamar layin wuta, tsarin yana tambaya ko wannan alamar ta yi daidai da wani rikodi mai zaman kansa na layin wutar a lokaci da wurin da aka ce. Alamar da ta yi daidai babbar shaida ce ta ainihin rikodi. Wadda ba ta nan ba ta tabbatar da komai, domin ainihin rikodi da yawa — a waje, a duhu, ko da kayan sauti na ƙwararru — ba sa ɗauke da kukan da za a iya amfani da shi.

Yadda tsarin yake aiki

Wata ƙaramar cibiyar jijiyoyi ta kwamfuta (neural network) guda ɗaya (mai kimanin sigogi 157,600) tana karanta alamar layin wuta a cikin sauti da hoto duka.
Ainihin misalai masu lakabi ba su da yawa, don haka ƙungiyar ta horar da ita a kan na roba: sun yi samfurin yadda mitar layin wuta ke yawo kuma ake jan ta zuwa ƙimarta ta suna, sannan suka saka wannan sauyin a cikin magana mara kuka da bidiyo mara ƙyalli, tare da nau’o’in alama marasa daidaito guda biyar (babu, a shimfiɗe, a karye, layin wuta mara kyau, an haɗa guntaye).
Wani mataki na daban yana kwatanta alamar rikodin da rajistar layin wuta ta tunani, ko don tabbatar da lokacin da aka ce ko don nemo lokacin da ba a sani ba.
Wani ƙayyadadden jadawalin yanke shawara — ɓangaren “agentic” — yana haɗa wannan da na’urorin gano fuskokin da aka sarrafa, daidaiton leɓe da bayanan metadata da ake da su, yana kiran masu jinkiri ne kawai lokacin da gwaje-gwajen gaggawa ba su kai ga matsaya ba.

Sakamako

A kan ainihin rikodi daga tushe da ba a taɓa gani ba a horo, tsarin ya karɓi kashi 93% na ainihin sauti da kashi 100% na ainihin bidiyo, idan aka kwatanta da kashi 53% da kashi 15% na wani gwaji mai sauƙi na “akwai kuka?”.
Tabbatar da lokacin rikodi da aka ce ya raba ainihin tambarin lokaci da na ƙarya ba tare da kuskure ba a kan rikodin da aka iya fitar da alama daga cikinsu; binciken makaho ya gano lokacin rikodi da ba a sani ba zuwa kusan daƙiƙa ɗaya a cikin rajista ta awa 24.
A wani ainihin wuri, ƙyallin bidiyon ya yi daidai da rajistar layin wutarsa da kuma sautin rikodin ɗin. Sake ƙirƙirar wurin guda biyu da AI ta yi sun yi ƙyalli a hertz 60, layin wuta mara kyau ga wurin da aka ce yana amfani da 50.
A cikin ainihin rikodi 91 da aka kwatanta da ainihin layin wutarsu, bai yi wani zargin ƙarya ko ɗaya ba.
Gudanar da na’urorin ganowa masu jinkiri kawai lokacin da ake buƙata ya rage lokacin lissafin kwamfuta da kashi 54% ba tare da rasa daidaito ba.

Matsala mai wuya

Alamar layin wuta tana tabbatar da rikodin, ba abin da yake nunawa ba. Idan wani ya ɗauki bidiyon ainihin wuri sannan ya canza fuska a ciki, kukan zai ci gaba da zama na gaske. Wannan aikin na’urorin gano fuska da daidaiton leɓe ne, waɗanda a kan matsattsun bidiyoyin ainihin canjin fuska suka yi aiki kusa da matakin sa’a: gaba ɗayan haɗin na’urorin ya samu kusan kashi 50%. Hanyar kuma tana buƙatar rajistar layin wuta ta tunani, waɗanda marubutan suka bayyana a matsayin a buɗe ga jama’a ga Birtaniya da babban yankin Turai amma a taƙaice ko ba a wallafa ba a wasu wurare, kuma ba za ta iya hana mai jabu wanda ya saka ainihin rikodin layin wuta daga daidai lokaci da wuri ba.

Marubutan suna gabatar da tsarinsu a matsayin kayan tantancewa na farko, hanya ɗaya ta shaida a cikin wasu. Burinsa, in ji su, “ba shi ne a ayyana cewa bidiyo na jabu ne ba, sai dai a faɗa, da tabbaci da aka daidaita, lokacin da rikodi yake abin da ya ce shi ne.”