A Guided Vision fejlesztésében az Aira vizuális értelmező szolgáltatása is részt vett: a cég a felhasználók beleegyezésével megosztott hívásokat ad át a Google DeepMindnak, a Google pedig fizet az adatokért. A Double Tap podcastban az Aira két munkatársa beszélt az együttműködésről, a tesztelők tapasztalatairól, a Guided Vision jelenlegi korlátairól és a partnerség jövőjét övező bizonytalanságokról.
Egy emberekre épülő szolgáltatás MI-vel
Az Aira olyan fizetős szolgáltatás, amelyben látó vizuális értelmezők (a cég terminológiájában visual interpreter) élő videón keresztül segítenek vak és gyengénlátó felhasználóknak. Az ügyfelek, azaz az „explorerek” megkérhetik a segítőt, hogy olvasson fel egy feliratot, azonosítson egy tárgyat, vagy segítsen eligazodni egy ismeretlen helyen, mert a segítő a GPS-adatokat is látja. A szolgáltatás előfizetéssel használható, és napi öt percnyi ingyenes hívás is jár hozzá.
Everette Bacon, a cég munkatársa elmondta, hogy az Aira nevet az „Artificial Intelligence Remote Assistance” kifejezés rövidítéseként is lehet értelmezni. A járvány előtt a cég már bemutatott egy Chloe nevű MI-t, de ebből nem lett használható termék, mert Bacon szerint az Aira túl kicsi ahhoz, hogy önállóan tanítson be és építsen fel egy ilyen modellt.
Az Aira a jelenlegi partnerség keretében körülbelül másfél-két éve kezdett együtt dolgozni a Google DeepMinddal. A DeepMind a saját MI-asszisztensét szerette volna a vak felhasználók igényeihez igazítani, és tanítóanyagként az Aira valódi segítői hívásait használta. A cél Bacon szerint olyan MI-alapú vizuális értelmező létrehozása volt, amely az Aira emberi segítőihez hasonlóan dolgozik.
Hogyan tanítják a modellt
A Google DeepMind Project Astra modelljét az Aira hívásaival tanították. Az adatgyűjtés a Build AI nevű programon keresztül zajlik. Az Egyesült Államokban a felhasználók kezdetben három perc ingyenes használatot kaptak cserébe a hívásaik megosztásáért. A program Bacon szerint mostanra az Egyesült Királyságban is elérhető. Ott a Google korábban az adatvédelmi szabályok miatt nem vett át adatot; a jogszabályok érdemben nem változtak, a Google viszont most engedélyezi a megosztást. A műsorvezetők kérdésére, hogy a program Kanadában, Ausztráliában és Új-Zélandon is működik-e, igen volt a válasz.
Az adatvédelemről Bacon azt is hangsúlyozta, hogy személyes adatok, például egészségügyi vagy banki információk nem kerülnek át a Google-hez, csak a szokásos hívásokat osztják meg.
A vak felhasználók kérdései eltérnek a látókétól. Tipikus kérés az „olvasd fel ezt”, az „írd le, mi van előttem”, vagy az, hogy van-e a járdán olyan ág, amely a fejemnek ütközhet. Látó felhasználó ilyet aligha kérdezne egy MI-től, ezért a Google számára értékes, hogy valódi vak felhasználók valódi helyzetekben tegyék fel a kérdéseiket.
A tanítás a nyelvi sajátosságokra is kiterjed. Ha az MI nem tudja elolvasni egy vitaminosdoboz címkéjét, azt kell mondania, merre és mennyire forgassa el a felhasználó a dobozt. Egy távirányítót nem a gombok színe szerint kell leírnia, hanem aszerint, hol helyezkednek el, és melyik gomb ovális vagy négyzet alakú. Egy általános MI-modell alapértelmezetten nem így beszél, ezt külön be kellett tanítani. A rendszer néha még most is látó szemszögből fogalmaz, de a felhasználó ilyenkor kijavíthatja, és az MI visszatér a megfelelő leíráshoz.
A Trusted Tester program és az emberi felügyelet
A Build AI-tól külön működik az Aira AI Trusted Tester programja. Ide külön kell jelentkezni: a Google háttérellenőrzést végez, átadja az adatokat az Airának, és csak ezután aktiválhatják a részvételt. Lynette Frison a program kezelésében vett részt, és a tesztelők visszajelzéseit fogadta. Elmondta, hogy a tesztelők között voltak tapasztalt MI-felhasználók és olyanok is, akik korábban nem használtak ilyen eszközt. Őket opcionális levelezőlistával, rendezvényekkel és hírlevelekkel segítették abban, hogy egymástól tanuljanak promptolni, és megértsék a rendszer működését.
A tesztelők hívásait a háttérben egy emberi vizuális értelmező is végighallgatja és -nézi („human in the loop”). Ő akkor veszi át a hívást, ha az MI veszélyes vagy nagyon hibás információt ad. Az explorerek mindenre használják az eszközt, az utcán közlekedéshez is, noha a cég ezt nem javasolja. Bacon szerint a korai tesztelők között voltak ismerősei, és biztosra vette, hogy ők a határaikig feszegetik majd a rendszert. Az értelmezők eleinte túl gyakran léptek közbe, ezért meg kellett tanulniuk, hogy hagyják a felhasználót kipróbálni az MI-t, és csak akkor avatkozzanak be, ha valóban szükséges.
Frison szerint egyes felhasználókat visszatartott ez a felügyelet, mert úgy érezték, hogy egy rövid kérdéssel feleslegesen foglalják az értelmező idejét. Erre azonban nincs ok: az értelmezők azért vannak ott, hogy a hívásokat figyeljék, akár két percesek, akár fél percesek.
Hallucináció, sztereotípiák és a túlzott óvatosság
A tesztelők leggyakoribb panasza a hallucináció volt, vagyis hogy az MI nem létező vagy téves információt közölt. Frison szerint ez a technológia általános problémája, nem az Aira rendszerére jellemző.
Egy tesztelő például a konyhájában egy konzervdobozt vagy hasonló tárgyat szeretett volna leíratni. Az MI azt mondta, hogy a címke elmosódott. Amikor a tesztelő többször is újrapróbálta, a rendszer végül azt válaszolta, hogy kérjen meg egy látó embert az elolvasására. A fejlesztés korai szakaszában az MI Bacon szerint a vakokról szóló tévhiteket és sztereotípiákat is tükrözte, ezeket az Aira és a DeepMind közösen tanította ki belőle.
A korábbi hibákhoz képest mára a helyzet megfordult: a Google által kiadott Guided Vision Bacon megfogalmazásában „kicsit túl biztonságos”. Annyira vigyáz, hogy ne adjon rossz információt, hogy gyakran inkább emberi segítséget javasol. Bacon határozottabb viselkedést szeretne, ebben a műsorvezetők egyetértettek vele.
Guided Vision: a Google külön modellje
A Guided Vision a Gemini Live részeként érhető el kompatibilis, Android 9-es vagy újabb rendszerű készülékeken. iOS-re nincs belőle változat, és a Google Bacon szerint egyelőre nem is jelezte, hogy ilyet tervezne. Bacon úgy véli, a funkció megjelenik majd a Google tervezett XR-szemüvegén is, ami a műsorvezetők szerint logikus lépés az Android-ökoszisztémán belül. A Google bejelentése szerint a Guided Vision nem navigációs vagy orvosi eszköz, és nem a fehér bot helyettesítője.
Bacon megjegyezte, hogy a nyilvánosan elérhető modell nem azonos azzal, amelyet a Trusted Tester program résztvevői kapnak, és valószínűleg néhány lépéssel le van maradva mögötte. A Google a tesztelők révén, az Aira által megosztott adatokkal folyamatosan újabb modelleket fejleszt.
Üzleti háttér és bizonytalanságok
Az Aira számára az együttműködés elsődleges haszna a Google-től kapott fizetség a megosztott adatokért. Bacon elmondta, hogy az Aira vezetősége vitázik azon, érdemes-e külön csomagban díjat kérni az Aira AI-ért. Nehéz árat szabni valamire, amit régóta ingyen adnak, és jelenleg minden új tesztelő aktiválásához a Google jóváhagyása kell, így az Aira maga nem tud felhasználókat felvenni. Ha a Google a teljes szoftvert átadná az Airának, akkor az dönthetne arról, hogyan hasznosítsa üzletileg.
Az együttműködés jövője nem biztos. A Google bármikor megszüntetheti a kifizetéseket, vagy lezárhatja a partnerséget. Bacon szerint ilyen esetben az Aira megkapná a közösen fejlesztett modellt, de hogy az egyezne-e a Guided Visionnel, azt nem tudja. Az sem biztos, hogy az Aira MI-képességei beépülnek-e a saját szolgáltatásába, vagy a két szolgáltatás szétválik. Az MI teljes eltűnésére Bacon nem számít.
A teljesen emberek nélküli működésről szólva az Aira munkatársa úgy vélte, hogy az MI közelebb lehet a céljához, mint gondolnánk: két, öt vagy tíz éven belül elvégezheti a látó segítő feladatainak többségét. A döntő szempont szerinte a pontosság.
Érzékeny kérdések, tartalomszűrés
A beszélgetés egyik fontos szála az érzékeny témák voltak. Bacon elmondta, hogy az Aira hívásainak leggyakoribb tárgya a kutyaürülék megkeresése, nem a navigáció, amely a hívások csupán 7–10 százalékát teszi ki. Az Aira munkatársai szerint előfordulnak orvosi jellegű kérdések is, például a vizelet színéről vagy a székletben lévő vérről, és az értelmezők egyes felhasználóknak injekció beadásában is segítettek. Az értelmezők nem orvosok, csak vizuális információt adnak, és szabadon eldönthetik, hogy átadják-e a hívást egy másik kollégának, ha egy kérés kényelmetlen számukra.
Az MI egyelőre nem foglalkozik ilyen kérdésekkel, hanem emberi segítséget javasol. Frison szerint ugyanakkor az MI-vel egyes helyzetekben, például az öltözködés összeállításánál, kényelmesebb lehet beszélni, mert nem tudni, hogy a hívást figyelő értelmező férfi vagy nő.
A műsorvezetők szóba hozták azt is, hogy az MI-alapú képleíró funkciók egyes képeket vagy szövegeket megtagadnak. Példaként egy közösségi oldalon megosztott levelet említettek, amelyet az Apple Siri a benne lévő káromkodások miatt nem olvasott fel. Frison is tapasztalta, hogy az Apple képleírása olyan fotókat is megjelölt lehetséges felnőtt tartalomként, amelyeken ilyesmi nem volt. A résztvevők egyetértettek abban, hogy a nagykorú, látó felhasználók által is elérhető legális tartalmat vak embereknek sem szabad megtagadni, a kiskorúakra vonatkozó korlátozásokat pedig meg kell tartani.
A tartalomszűrés szabályaira az Aira nem tud hatni, mert az MI alapértelmezésben nem ír le arcokat és explicit tartalmat. Visszajelzést adnak a fejlesztőknek, de Bacon szerint a döntéseket főként a cégek jogi osztályainak félelmei határozzák meg.
Összegzés
Az Aira és a Google DeepMind együttműködése azt mutatja, hogyan lehet valódi felhasználói helyzetekből, vak emberek hívásaiból és visszajelzéseiből betanítani egy általános MI-t a vak felhasználók igényeire. A tesztelők közreműködése mellett az emberi értelmezők háttérfelügyelete is a folyamat része. Az Aira számára a Google fizetsége fontos bevételi forrás, de a hosszú távú terveket, köztük a saját MI üzleti hasznosítását, a Google döntései is befolyásolják. A kérdés az is, hogy a cég a közösen fejlesztett modellből végül saját szolgáltatást tud-e építeni. A Guided Vision egyelőre csak Androidon érhető el a Gemini Live részeként, és a beszélgetés résztvevői szerint a nyilvános változat óvatosabb, mint a tesztelők által használt modell.
A cikk a Double Tap podcast 2026. október 21-i adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.