Fedibook är ett nytt alternativ till Facebook som utvecklas av dansken Rasmus Sindum. Programvaran är öppen och fri samt stöder ActivityPub. Syftet är att bygga ett socialt nätverk med vänner och grupper i centrum. Det går inte posta till en generell lokal tidslinje och inte heller posta till hela omvärlden. Utan bara till vänner som följer och grupper av vänner.
Hela upplägget påminner om Bonfire, Friendica och Hubzilla men där både Friendica och Hubzilla omfattar i stort sett allt som går att göra på Facebook så omfattar Fedibook bara en del av allt som går att göra på Facebook.
Dessutom har både Friendica och Hubzilla helt hopplösa användargränssnitt. Kanske ett resultat av för många funktioner eller bara ett resultat av bristande mjukvaruutveckling vad det gäller användargränssnitt. Fedibook har ett modernt, rent och enkelt användargränssnitt. Vilket förstås är lättare med färre funktioner och möjligheter.
Bonfire är också lika komplext som Friendica och Hubzilla men med ett modernt användargränssnitt. Det är dessutom så att Bonfire är modulärt vilket innebär att det kan variera hur komplex en instans med Bonfire är.
Läs mer om sociala sajter
Det är värt att notera att upphovsrättsfri kod inte alls behöver vara open-source, för det är ett begrepp med djupare betydelse än bara att den underliggande koden går att få tag i.
Sen så är ju ett av de största problemen med AI-generering specifikt runt datakvalitén, något som man vanligtvis inte hade något problem med i traditionell maskinlärning, eftersom dataset:en som användes för det var väl kuraterade. Om det fanns minsta chans till dåliga värden i traditionella dataset:et så kastades det och byggdes om, eftersom man ville få kvalitativa resultat.
Inte som dagens AI som istället desperat lärts med allt som kunnat skrapas från internet.
Moderna varianterna här verkar mer fokuserade runt idén att dränka skräpet i mängden data. Men det finns inte något sätt att i efterhand ta bort input-data ifrån en modell när det väl lärts in i den, utan att behöva rulla tillbaka hela modellen till innan det lärdes in. Så allt vi kan veta idag är att alla publika AI modeller garanterat har skräp i sin lärodata, och därför också garanterat kommer generera skräp. Det enda vi inte är lika säkra på är procenten av det de genererar som kommer vara skräp - eller baserat på skräp.
Jag har sett folk kunna använda AI för att generera data som inte är felaktig, men det har också krävt att personen i fråga har nog med kunskap i ämnet för att veta vad som är skräp och vad som är kvalitativ data, något som verkligen inte är en garanti.
Speciellt på projekt som försöker förklara sig som FOSS när de är till huvuddelen AI-genererade så lämnar det här en extremt dålig smak i min mun, för det lutar extremt åt hållet att personen som rattat AI:n inte vet vad de håller på med.
Jag tar mycket hellre och kör genererad kod om personen som tillhandahåller den också noterar att den är genererad och därför saknar garantier, samt inte bör försöka läsas av människor eller användas för FOSS verksamhet, för det antyder iallafall att de vet hur verktyget de använt fungerar.