AI, która rozumie Polskę. Jak powstaje polski model multimodalny?
Ekspert: Marcin Dąbrowski, współtwórca i lider projektu Obywatel Bielik
Globalne modele AI coraz sprawniej analizują obrazy, ale wciąż gubią się w lokalnym kontekście. Kluski śląskie bywają przez nie rozpoznawane jako francuskie makaroniki, a fontanna Neptuna z gdańskiego Długiego Targu jako pomnik z Bolonii. Przyczyna leży w danych: modele trenowane głównie na materiałach anglojęzycznych nie znają polskich realiów. Dlatego budowa pierwszego polskiego modelu multimodalnego zaczyna się od danych, czyli zbioru zdjęć z rzetelnymi opisami, a nie od algorytmów. Taki zbiór powstaje dziś w ramach projektu Obywatel Bielik.
Model widzi tylko to, czego został nauczony
Model multimodalny uczy się na parach: obraz i jego opis. Sama fotografia jest dla niego zbiorem pikseli, znaczenie nadaje jej dopiero opis. Liczy się więc jakość opisów, ale też skala i różnorodność. Ten sam obiekt musi pojawić się w danych wielokrotnie, w różnych ujęciach, porach roku czy warunkach pogodowych. Model, który nie widział polskich zabytków, regionalnych potraw czy symboli, będzie je interpretował przez pryzmat obcych wzorców. Użytkownik dostanie wtedy odpowiedź brzmiącą wiarygodnie, ale nierzadko błędną.
Skąd wziąć takie dane? Osadzone w polskim kontekście mogą dostarczyć przede wszystkim sami obywatele: studenci, rodzice, seniorzy, pracownicy i przedsiębiorcy, którzy na co dzień otaczają się polskim krajobrazem, kulturą i tradycją. Uzupełnieniem są instytucje od lat dokumentujące dziedzictwo: archiwa, muzea, samorządy i media. Skala jest przy tym ogromna, bo do wytrenowania modelu potrzeba kilku milionów opisanych zdjęć. Przygotowanie ich przez wąski zespół byłoby praktycznie niewykonalne, dlatego crowdsourcing jest tu koniecznością, a nie wyborem.
Obywatel Bielik: zbiór budowany wspólnie
Odpowiedzią na tę potrzebę jest Obywatel Bielik. Projekt rozwijany przez Fundację SpeakLeash, we współpracy z Akademickim Centrum Komputerowym Cyfronet AGH, w ramach którego zbierane są różnorodne zdjęcia wraz z opisami. Obejmują one polskie krajobrazy, zabytki, kulturę i codzienność, lokalną architekturę oraz tradycyjne potrawy. Zasada opisywania jest prosta: opisać zdjęcie tak, jakby opowiadało się o nim przez telefon, skupiając się na faktach, a nie na ocenach. Co ważne, zdjęcia nie muszą być idealnie – poruszone, przekrzywione lub wykonane w trudnych warunkach są także bardzo cenne, bo model, który ich nie zobaczy podczas treningu, będzie sobie z nimi gorzej radził.
Otwarta formuła wymaga jednak dbałości o jakość, dlatego zbiór zabezpiecza dwustopniowa weryfikacja. Najpierw automatycznie, z wykorzystaniem m.in. modelu Bielik i modeli wizyjnych, dokonywana jest wstępna selekcja i oznaczanie treści niezgodnych z regulaminem. Następnie zdjęcia i opisy oceniają moderatorzy-wolontariusze. AI wykonuje więc najbardziej powtarzalną część pracy, a odpowiedzialność za jakość danych pozostaje po stronie ludzi.
Skala i zaangażowanie użytkowników
Jeszcze przed premierą aplikacji mobilnej społeczność przesłała przez stronę projektu ponad 16 tys. zdjęć z opisami. Po uruchomieniu aplikacji w App Store i Google Play pierwszy tysiąc zdjęć został opisany w mniej niż 48 godzin, bez szeroko zakrojonej kampanii promocyjnej. Łączna liczba opisanych zdjęć zbliża się już do 23 tys. i stale rośnie. Zainteresowanie potwierdzają też honorowe patronaty Ministerstwa Cyfryzacji, marszałków województw i prezydentów miast. Sama aplikacja dba także o motywację użytkowników poprzez cele tygodniowe, statystyki, rankingi i rywalizację zespołową.
Kolejny etap: nowe źródła zdjęć i partnerstwa
To jednak dopiero początek drogi do pierwszego miliona zdjęć z rzetelnymi opisami. Aplikacja mobilna jest narzędziem do gromadzenia danych, a nie celem samym w sobie. Obniża próg wejścia: wystarczy zdjęcie zrobione podczas spaceru i krótki opis, który można podyktować. Żeby zbiór rósł szybciej, projekt poszerza źródła. Partnerami są Narodowe Archiwum Cyfrowe, które udostępnia archiwalne fotografie, i Polska Press Grupa, a rozmowy z kolejnymi instytucjami trwają.
Coraz ważniejszą rolę odgrywają samorządy. Mają one dostęp do lokalnych zbiorów fotografii i wiedzy o miejscach, które dla mieszkańców są ważne, a które globalne modele znają słabo. Mogą też zaangażować lokalne społeczności. Dla samorządów to okazja, by cyfrowy obraz regionu powstawał z udziałem jego mieszkańców i by lokalne dziedzictwo zostało utrwalone w polskim modelu AI. Dla projektu to sposób na uzupełnianie luk w danych, np. dzięki akcjom poświęconym konkretnym regionom, zabytkom czy tradycjom.
Od zdjęć do modelu
Zgromadzone pary obraz-opis posłużą do treningu multimodalnego modelu Bielik.AI, który będzie rozpoznawał polskie obiekty, symbole i miejsca. Znajdzie on zastosowanie m.in. w e-commerce, przy automatycznym opisywaniu produktów, w document intelligence przy analizie i OCR oraz w opisywaniu materiałów archiwalnych, co zwiększy też poziom dostępności cyfrowej archiwów. Obywatel Bielik jest więc istotnym krokiem w stronę AI, która nie tylko mówi po polsku, ale też rozumie polską rzeczywistość.
Przeczytaj także: Pustostany znikają, więc czynsze rosną. Ożywienie na rynku biurowym CEE
Last Updated on 21 września, 2026 by Anastazja Lach