ปัญหาเมนูที่เหมือนกันไปหมดเมื่อใช้ AI สร้างภาพ - ทำไมอาหารดูแปลกและมีผลกระทบมากกว่าที่คิด

เมื่อร้านอาหารเริ่มใช้ AI สร้างภาพเมนู หลายคนสังเกตได้ทันทีว่ารูปอาหารดูเพอร์เฟคเกินจริง สมมาตรเกินไป หรือบางภาพดูประหลาดผิดธรรมชาติ เหตุการณ์นี้ไม่ใช่แค่เรื่องตลกในโซเชียล แต่สะท้อนปัญหาเชิงเทคนิคและเชิงสังคมของการนำโมเดลสร้างภาพมาใช้ในเชิงพาณิชย์

ต้นตอ - ข้อมูลฝึกอบรมและความชื่นชอบที่ถูกรวมเข้ามา

โมเดลภาพและ LLM ถูกฝึกด้วยข้อมูลมหาศาลจากอินเทอร์เน็ต ผลคือโมเดลเรียนรู้รูปแบบและสไตล์ที่ซ้ำกัน หากชุดข้อมูลมีเมนูจากเครือร้านอาหารยอดนิยม เช่น Wendy's หรือ McDonalds โมเดลก็มีแนวโน้มสร้างภาพในสไตล์ที่คล้ายคลึงกัน การปรับแต่งชุดข้อมูลให้เน้นความ "น่าพอใจ" หรือไม่เป็นการก้าวร้าวทางภาพ มักทำให้รายละเอียดที่เป็นเอกลักษณ์ถูกตัดทอนจนภาพดูเรียบและเกลี้ยงเกลามากเกินไป

ผลลัพธ์ที่น่ากลัวและการสะสมของข้อผิดพลาด

ตัวอย่างที่เห็นได้ชัดคือภาพอาหารที่ถูกปรับจนเนื้อนุ่มกลมเกินไป ชีสที่ละลายผิดรูป หรือกุ้งที่ดูเหมือนงอหางกลับเข้าหาตัวเอง บางครั้งภาพเหล่านี้กลายเป็นสิ่งที่ผู้ชมรู้สึกไม่สบายใจ นักวิจัยจาก University of Duisburg-Essen พบว่าภาพอาหารที่ดูใกล้เคียงจริงแต่ยังผิดเพี้ยนสร้างความขยะแขยงมากกว่าภาพที่ชัดเจนว่าเป็นของปลอม นอกจากนี้การนำภาพที่สร้างโดย AI กลับไปเป็นส่วนหนึ่งของชุดข้อมูลฝึกในรอบต่อไปเสี่ยงต่อปัญหา convergence หรือในกรณีร้ายแรงคือ model collapse ซึ่งทำให้คุณภาพโดยรวมลดลง

การแก้ไขแบบวนซ้ำ - ยิ่งแก้ยิ่งเหมือนกัน

ผู้ใช้บางคนทดลองสร้างเมนูด้วย ChatGPT หรือเครื่องมือสร้างภาพ แล้วแก้ไขซ้ำไปซ้ำมาหลายสิบหรือเป็นร้อยครั้ง ผลปรากฏว่าภาพยิ่งถูกแก้ ยิ่งเรียบและกลมขึ้นจนความเป็นธรรมชาติหายไป ผลลัพธ์นี้ถูกแชร์บน X โดยผู้ใช้ที่ชื่อ Labtec และ TechCrunch รายงานว่าทีมบรรณาธิการทดลองซ้ำแล้วพบแนวโน้มเดียวกัน ในภาคธุรกิจ ร้านอาหารอาจปรับเปลี่ยนราคา ชื่อเมนู หรือลำดับรายการบ่อยครั้ง การแก้ไขเล็กน้อยเหล่านี้กลับมีผลสะสมต่อภาพอย่างไม่คาดคิด

ผลกระทบเชิงกว้างและสิ่งที่ต้องติดตาม

ปัญหาไม่ได้จำกัดแค่เมนูเท่านั้น ความเชื่อถือในภาพและวิดีโอดิจิทัลมีผลต่อหลักฐานในหลายบริบท ทำให้เกิดตลาดใหม่ของสตาร์ทอัพที่พัฒนาซอฟต์แวร์ตรวจจับและยืนยันความแท้จริงของคอนเทนต์ เช่น Reality Defender นอกจากนี้ผู้พัฒนาและผู้ใช้ต้องพิจารณาเรื่องการคัดกรองข้อมูลฝึก การหลีกเลี่ยงการป้อนผลลัพธ์ของโมเดลกลับเป็นข้อมูลฝึก และการออกแบบ objective ในการฝึกให้ไม่เน้นแค่ความพึงพอใจของภาพ

สิ่งที่ควรติดตาม - การพัฒนาเครื่องมือวิเคราะห์แหล่งที่มาของภาพ เกณฑ์คุณภาพชุดข้อมูลฝึก และแนวปฏิบัติด้านจริยธรรมของการใช้งาน AI ในการตลาดอาหารเป็นสิ่งที่ต้องจับตามองต่อไป

สำหรับคนทำงานด้านไอทีในไทย เรื่องนี้เชื่อมโยงกับทักษะที่ควรเสริม เช่น การจัดการชุดข้อมูล การประเมินคุณภาพโมเดล และการทำ prompt engineering เพื่อให้ผลลัพธ์ตรงตามความต้องการโดยไม่ทำให้คอนเทนต์กลายเป็นแบบเดียวกันมากเกินไป

ที่มา: TechCrunch - เรียบเรียงและสรุปเป็นภาษาไทยโดยทีมงาน IT Genius