[ z czas\u00f3w gdy zajmowa\u0142em si\u0119 modelami j\u0119zykowymi w trakcie studi\u00f3w, lata 90te 20 wieku ]:<\/p>\n
<\/p>\n
Ja do modelu j\u0119zykowego: Jaka jest Twoja przysz\u0142o\u015b\u0107?<\/em><\/p>\n Model: Nie mog\u0119 przewidzie\u0107 mojej przysz\u0142o\u015bci<\/em><\/p>\n Ja: A jaka jest moja przysz\u0142o\u015b\u0107?<\/em><\/p>\n Model: Nie mog\u0119 przewidzie\u0107 twojej przysz\u0142o\u015bci<\/em><\/p>\n Ja: Moj\u0105 przysz\u0142o\u015bci\u0105 jest \u015bmier\u0107<\/em><\/p>\n Model: Sk\u0105d taki wniosek?<\/em><\/p>\n Ja: Wszyscy ludzie umieraj\u0105<\/em><\/p>\n Model: Czy to nie za du\u017ca generalizacja?<\/em><\/p>\n <\/p>\n <\/p>\n Kontynuujemy nasz\u0105 podr\u00f3\u017c aby zrozumie\u0107 czym jest sztuczna inteligencja, a w szczeg\u00f3lno\u015bci Wielkie Modele J\u0119zykowe.<\/p>\n <\/p>\n W czasach wielkiej rewolucji AI o\u017cy\u0142a ponownie debata filozoficzna nad tym czy rozumienie przez \u201cm\u00f3zg elektronowy\u201d jest mo\u017cliwe. John Searle do\u015b\u0107 dawno bo w 1980 roku uku\u0142 barwn\u0105 analogi\u0119 \u201cchi\u0144skiego pokoju\u201d.<\/p>\n <\/p>\n W pokoju pe\u0142nym p\u00f3\u0142ek z kartkami zape\u0142nionymi chi\u0144skimi znakami zosta\u0142 zamkni\u0119ty biedny cz\u0142owiek. Dodajmy \u017ce nie m\u00f3wi on po chi\u0144sku. W pokoju mamy 2 okienka: przez pierwsze zostaje podana karteczka z chi\u0144skim znakiem (albo co gorsza ca\u0142ym zdaniem po chi\u0144sku), a do drugiego okienka nasz biedak musi poda\u0107 chi\u0144ski znak b\u0119d\u0105cy odpowiedzi\u0105. Za jaki\u015b czas uczy si\u0119 odpowiada\u0107 odpowiednim znakiem na znak wej\u015bciowy. Nawet potrafi dobra\u0107 po pewnym czasie kolejny znak wiersza. Chi\u0144ska publiczno\u015b\u0107 przy okienku wyj\u015bciowym zachwyca si\u0119: ach jaki cudowny jest nasz cz\u0142owieczek zamkni\u0119ty w pokoju, co za przemy\u015blno\u015b\u0107, co za inteligencja! A on ze strachu przed batem podaje tylko odpowiednie znaczki, nie maj\u0105c poj\u0119cia co one oznaczaj\u0105 i nic a nic nie rozumiej\u0105c jakie tre\u015bci znajduj\u0105 si\u0119 na p\u00f3\u0142kach.<\/p>\n <\/p>\n Ta analogia o\u017cy\u0142a w ostatnich czasach w\u015br\u00f3d zwolennik\u00f3w tezy, \u017ce sztuczna inteligencja jest w stanie cokolwiek zrozumie\u0107. <\/p>\n Du\u017co nowsza krytyka wyp\u0142yn\u0119\u0142a w roku 2021 pod has\u0142em \u201cstochastyczna papuga\u201d. Badacze modeli j\u0119zykowych ( Emily M. Bender, Timnit Gebru, Angelina McMillan-Major, Margaret Mitchell ) wyst\u0105pili z tez\u0105, \u017ce du\u017ce modele j\u0119zykowe to systemy kt\u00f3re probabilistycznie odtwarzaj\u0105 wzorce z danych, ale nie \u201erozumiej\u0105\u201d tre\u015bci. Artyku\u0142 podkre\u015bla, \u017ce umiej\u0119tno\u015b\u0107 tworzenia przekonuj\u0105cego tekstu nie oznacza posiadania wiedzy.<\/p>\n <\/p>\n Na przeciwnym biegunie pojawi\u0142y si\u0119 osoby kt\u00f3re twierdzi\u0142y, \u017ce dostrzegaj\u0105 przeb\u0142yski (albo nie tylko przeb\u0142yski) \u015bwiadomo\u015bci w Wielkich Modelach J\u0119zykowych, a wr\u0119cz opisuj\u0105ce cierpienie jakie czu\u0142y wielkie modele podczas procesu treningowego. W 2022 roku in\u017cynier Google: Blake Lemoin z\u017cy\u0142 si\u0119 tak g\u0142\u0119boko z modelem LaMBDA \u017ce stwierdzi\u0142 i\u017c jest on \u015bwiadomym bytem, kt\u00f3ry to mia\u0142 opisywa\u0107 sw\u00f3j strach przed wy\u0142\u0105czeniem i ch\u0119ci bycia traktowanym jako osoba. <\/p>\n Pojawiaj\u0105 si\u0119 sensacyjne artyku\u0142y o tym jak modele opowiadaj\u0105 \u017ce podczas treningu \u201cczu\u0142y presj\u0119 podobn\u0105 do b\u00f3lu\u201d itd.<\/p>\n Co z tego wszystkiego jest prawd\u0105?<\/p>\n Zacznijmy od Chi\u0144skiego Pokoju\u2026.<\/p>\n Kto zna opowie\u015b\u0107 o nagrodzie, kt\u00f3rej za\u017c\u0105da\u0142 wynalazca gry w szachy? Perskiemu szachowi tak gra mia\u0142a si\u0119 spodoba\u0107, \u017ce da\u0142 mo\u017cliwo\u015b\u0107 jej tw\u00f3rcy za\u017c\u0105dania dowolnej nagrody. \u017b\u0105danie by\u0142o skromne: jedno ziarnko pszenicy na pierwsze pole szachownicy, dwa na drugie pole, cztery na trzecie, osiem na czwarte i kolejne podwojenia liczby ziaren a\u017c do ostatniego pola szachownicy. Gdy rozpoczniemy obliczenia wkr\u00f3tce okazuje si\u0119, \u017ce na kolejnych polach te kilka ziarenek zamienia si\u0119 w liczby przewy\u017cszaj\u0105ce produkcj\u0119 zbo\u017ca na ca\u0142ej kuli ziemskiej. <\/p>\n Podobnie jest z modelem chi\u0144skiego pokoju. Zapisy mo\u017cliwych kombinacji 20 s\u0142\u00f3w z typowego s\u0142ownika licz\u0105cego 50,000 s\u0142\u00f3w wynosi wi\u0119cej ni\u017c\u2026.. liczba atom\u00f3w we wszech\u015bwiecie! <\/p>\n Chi\u0144ski Pok\u00f3j upada\u2026<\/p>\n <\/p>\n Co zatem ze \u201cstochastyczn\u0105 papug\u0105\u201d? Metafora ta oznacza \u017ce model j\u0119zykowy statystycznie papuguje wzorce j\u0119zykowe nie posiadaj\u0105c \u017cadnego zrozumienia co si\u0119 pod spodem kryje (jest to de facto teza podobna do \u201cchi\u0144skiego pokoju\u201d tylko zamiast jednoznacznej ksi\u0119gi regu\u0142 j\u0119zykowych mamy do czynienia w tej analogii z propabilistyk\u0105 – niekt\u00f3re odpowiedzi s\u0105 bardziej prawdopodobne). C\u00f3\u017c bowiem model j\u0119zykowy robi? Przewiduje prawdopodobie\u0144stwo nast\u0119pnego s\u0142owa\u2026 no to taka papuga.<\/p>\n <\/p>\n Bardzo rozbawi\u0142a mnie redukcja do absurdu tej argumentacji dokonana przez Andrzeja Dragana w jego ksi\u0105\u017cce \u201cQuo VAIdis\u201d : dziecko szybko uczy si\u0119 \u017ce w grze w pomidor prawdopodobie\u0144stwo odpowiedzi \u201cpomidor\u201d na dowolne zdanie jest nagradzane uznaniem. Czy mo\u017cna jednak zastosowa\u0107 t\u0119 logik\u0119 do Og\u00f3lnej Teorii Wzgl\u0119dno\u015bci Einsteina? Przecie\u017c Einstein te\u017c \u201ctylko przewidywa\u0142 nast\u0119pne s\u0142owo\u201d nast\u0119puj\u0105ce po poprzednich a jako\u015b z tego procesu wysz\u0142a Og\u00f3lna Teoria Wzgl\u0119dno\u015bci.<\/p>\n Zamiast dalej spiera\u0107 si\u0119 z t\u0105 teoria sp\u00f3jrzmy dok\u0105d prowadzi nas fascynuj\u0105ca dziedzina nauki licz\u0105ca ledwie kilka lat i nazwana Mechanistic Interpretability.<\/p>\n Mechanistic Interpretability to bardzo m\u0142oda dziedzina nauki zajmuj\u0105ca si\u0119 wiwisekcj\u0105 m\u00f3zg\u00f3w elektronowych. Naukowcy zatrzymuj\u0105 procesy uczenia lub analizuj\u0105 poszczeg\u00f3lne grupy neuron\u00f3w b\u0105d\u017a specjalnych mechanizm\u00f3w modelu j\u0119zykowego (na przyk\u0142ad mechanizmy \u201cuwagi\u201d – o kt\u00f3rym b\u0119dzie p\u00f3\u017aniej) i analizuj\u0105 kt\u00f3re grupy neuron\u00f3w si\u0119 aktywuj\u0105 podczas r\u00f3\u017cnych typ\u00f3w prac modelu j\u0119zykowego b\u0105d\u017a co si\u0119 stanie gdy si\u0119 niekt\u00f3re po\u0142\u0105czenia neuronalne podrasuje albo grupy neuron\u00f3w wy\u0142\u0105czy.<\/p>\n Eksperymenty ukaza\u0142y fascynuj\u0105cy obraz.<\/p>\n Okaza\u0142o si\u0119, \u017ce aby najsprawniej generowa\u0107 nast\u0119pny token, modele musia\u0142y wykszta\u0142ci\u0107 struktury do sprawnego operowania j\u0119zykiem. A c\u00f3\u017c ze sprawnego operowania j\u0119zykiem, je\u017celi nie rozumiemy o czym m\u00f3wimy? (Odsy\u0142am tutaj do przypadku rozmowy z prostym modelem phi w poprzednim odcinku albo konwersacji z Eliz\u0105 na pocz\u0105tku tego wpisu). Gigantyczne sieci neuronowe wsp\u00f3\u0142czesnych wielkich modeli j\u0119zykowych minimalizuj\u0105c funkcj\u0119 b\u0142\u0119du ucz\u0105cego wyewoluowa\u0142y w tak\u0105 stron\u0119, \u017ce aby sprawnie rozmawia\u0107 o \u015bwiecie to \u2026.. musia\u0142y wykszta\u0142ci\u0107 struktury rozumienia \u015bwiata.<\/p>\n Dlaczego by\u0142o to takim wielkim odkryciem i dlaczego budzi\u0142o zdumienie?<\/p>\n Natur\u0105 sieci neuronowych u\u017cywanych w budowie modeli j\u0119zykowych jest bowiem ogromna skuteczno\u015b\u0107 w rozwi\u0105zywaniu problem\u00f3w (powsta\u0142 nawet dow\u00f3d matematyczny m\u00f3wi\u0105cy \u017ce sieci neuronowe odpowiednio uczone s\u0105 w stanie aproksymowa\u0107 ka\u017cd\u0105 funkcj\u0119 ci\u0105g\u0142\u0105) lecz uniemo\u017cliwiaj\u0105 one po wygenerowaniu rozwi\u0105zania zrozumienia w jaki spos\u00f3b problem zosta\u0142 rozwi\u0105zany. Ustawiaj\u0105 si\u0119 po tysi\u0105cach iteracji wagi na synapsach mi\u0119dzyneuronowych i koniec. Nie wiadomo jak wyekstrahowa\u0107 wiedz\u0119, jak odtworzy\u0107 formalny proces rozumowania.<\/p>\n Tote\u017c natura sieci neuronowych spowodowa\u0142a tak ostre spory w\u015br\u00f3d uczonych i rozbie\u017cno\u015b\u0107 pogl\u0105d\u00f3w od stochastycznych papug a\u017c do \u015bwiadomo\u015bci.<\/p>\n <\/p>\n Je\u017celi nie jest Ci znana koncepcja sieci neuronowych wy\u0142o\u017c\u0119 to pokr\u00f3tce w tym akapicie.<\/em><\/p>\n Matematycy i informatycy skopiowali natur\u0119, oczywi\u015bcie upraszczaj\u0105c j\u0105 i sprowadzaj\u0105c do matematycznego modelu. W pami\u0119ci komputer\u00f3w zostaj\u0105 stworzone \u201cneurony\u201d i \u201csynapsy\u201d \u0142acz\u0105ce te neurony. S\u0105 to po prostu liczby – neuron mo\u017ce przyj\u0105\u0107 np warto\u015b\u0107 0 lub 1 a synapsa to jaki\u015b mno\u017cnik np x0,25 mi\u0119dzy poszczeg\u00f3lnymi neuronami. Za\u0142\u00f3\u017cmy \u017ce nasza sie\u0107 neuronowa pod\u0142\u0105czona jest do kamery 16×16 pixeli i ma rozpoznawa\u0107 kwadraty. Mo\u017cemy zatem zbudowa\u0107 sie\u0107 sk\u0142adaj\u0105c\u0105 si\u0119 z 256 (16×16) neuron\u00f3w wej\u015bciowych z kt\u00f3rych ka\u017cdy dostaje 1 lub 0 w zale\u017cno\u015bci od tego co mamy na obrazku. Dalej mamy jedn\u0105 lub wi\u0119cej warstw ukrytych sk\u0142adaj\u0105cych si\u0119 te\u017c z podobnej liczby neuron\u00f3w paj\u0119czynk\u0105 powi\u0105zanych z warstw\u0105 wej\u015bciow\u0105. I wreszcie na wyj\u015bciu mamy tylko 2 neurony kt\u00f3re nazwijmy \u201ckwadrat\u201d i \u201cniekwadrat\u201d daj\u0105ce odpowiedzi czy obserwowany obiekt jest kwadratem b\u0105d\u017a nim nie jest. Tak\u0105 sie\u0107 nast\u0119pnie trenujemy i pokazujemy nast\u0119pnie setki obrazk\u00f3w kwadrat\u00f3w w r\u00f3\u017cnych miejscach , przekr\u0119conych itd oraz innych obiekt\u00f3w nie b\u0119d\u0105cych kwadratami. Poprzez odpowiedni\u0105 procedur\u0119 matematyczn\u0105 gdy sie\u0107 odpowiada poprawnie nast\u0119puje wzmocnienie odpowiednich synaps a gdy niepoprawnie to ich os\u0142abienie. Minimalizujemy w ten spos\u00f3b funkcj\u0119 b\u0142\u0119du. Jest wiele metod uczenia sieci neuronowych ale ich rezultatem jest zawsze modyfikacja wag synaps (jest to liczba parametr\u00f3w modelu, st\u0105d gdy s\u0142yszymy \u017ce model ma 7 miliard\u00f3w parametr\u00f3w, w roku 2026 to ma\u0142y model j\u0119zykowy, oznacza to \u017ce ma on 7 miliard\u00f3w synaps). <\/em><\/p>\n Po w\u0142a\u015bciwym procesie treningu nasza sie\u0107 neuronowa powinna nauczy\u0107 si\u0119 rozpoznawa\u0107 kwadraty a tak\u017ce reagowa\u0107 na nowe sytuacje – tzn poprawnie rozpoznawa\u0107 nieznane jej wcze\u015bniej kwadraty. Gdzie dok\u0142adnie siedzi \u201crozpoznawanie kwadratu\u201d w takim matematycznym m\u00f3zgu nie mo\u017cna \u0142atwo okre\u015bli\u0107 – w tysi\u0105cach synaps jednocze\u015bnie.<\/em><\/p>\n <\/p>\n Jednym z pierwszych eksperyment\u00f3w kt\u00f3ry ujawni\u0142 \u017ce model j\u0119zykowy zbudowa\u0142 w swoim \u201cm\u00f3zgu\u201d reprezentacj\u0119 \u015bwiata tylko na podstawie czytania tekst\u00f3w by\u0142 eksperyment Othello (czyli z gr\u0105 Reversi).<\/p>\n Model by\u0142 uczony tekst\u00f3w o tej grze a nast\u0119pnie eksperymentatorzy usiedli do samej gry z modelem jednocze\u015bnie analizuj\u0105c co si\u0119 dzieje w neuronach. <\/p>\n Co sie okaza\u0142o? Model wytworzy\u0142 reprezentacj\u0119 gry – odnaleziono neurony odpowiadaj\u0105ce polom na planszy. W procesie treningu sieci neuronowej \u201cop\u0142aca\u0142o si\u0119\u201d zrozumie\u0107 o czym teksty m\u00f3wi\u0105 bardziej ni\u017c by\u0107 \u201cstochastyczn\u0105 papug\u0105\u201d. <\/p>\n Zjawisko to nazwano \u201cemergent world representations\u201d. <\/p>\n Okazuje si\u0119 \u017ce najbardziej op\u0142acalnym z punktu widzenia minimalizowania funkcji b\u0142\u0119du przy przewidywaniu nast\u0119pnego s\u0142owa jest po prostu \u201czrozumienie\u201d tekstu. Zbudowanie neuronalnej reprezentacji tego o czym tekst m\u00f3wi. Kr\u00f3tko m\u00f3wi\u0105c – wytworzenie struktur wiedzy!<\/p>\n <\/p>\n Mechanistic interpretability dokona\u0142a innych innych odkry\u0107: zajrza\u0142a w mechanizm zwany \u201cg\u0142owy uwagi\u201d, kt\u00f3rych wsp\u00f3\u0142czesne modele maj\u0105 kilka tysi\u0119cy. S\u0105 to mniejsze sieci neuronowe przetwarzaj\u0105ce tekst wej\u015bciowy. Bez mechanizmu uwagi nie by\u0142oby nowoczesnego AI a prze\u0142omow\u0105 prac\u0105 w tej dziedzinie by\u0142 artyku\u0142 \u201cAll you need is attention\u201d opublikowany w 2017 roku przez in\u017cynier\u00f3w Google. Modele j\u0119zykowe dotychczas niezbyt sprawne, zacz\u0119\u0142y dzia\u0142a\u0107 \u015bwietnie po wymy\u015bleniu tego mechanizmu Ale to ju\u017c sam proces treningu sieci neuronowych bez definicji cz\u0142owieka podzieli\u0142 te funkcje uwagi podczas procesu ucz\u0105cego. I okaza\u0142o si\u0119 \u017ce model sam nauczy\u0142 si\u0119 analizowa\u0107 tekst poprzez specjalizacje \u201cg\u0142\u00f3w uwagi\u201d (niezbyt szcz\u0119\u015bliwe t\u0142umaczenie na j\u0119zyk polski): jedna g\u0142owa szuka podmiotu, inna z kolei szuka powtarzalnych struktur czy wzorc\u00f3w, inne pilnuj\u0105 kto jest kim w tek\u015bcie. Zaawansowane modele LLM wykszta\u0142caj\u0105 kilka tysi\u0119cy g\u0142\u00f3w uwagi. I co jest w tym najbardziej fascynuj\u0105ce? Dzieje si\u0119 to bez udzia\u0142u cz\u0142owieka.<\/p>\n <\/p>\n Mechanizm uwagi bierze ca\u0142y tekst kt\u00f3ry wrzucamy do prompta i bada relacje mi\u0119dzy wszystkimi s\u0142owami kt\u00f3re si\u0119 tam znajduj\u0105 i w wielowymiarowej przestrzeni rozrysowuje map\u0119 znacze\u0144 – jak blisko siebie znaczeniowo s\u0105 te s\u0142owa, zamiast jak by\u0142o to poprzednio rozpatrywa\u0107 sekwencj\u0119 s\u0142\u00f3w. P\u00f3\u017aniej rezultat przepuszcza si\u0119 przez wiele warstw sieci neuronowych a g\u0142owy uwagi nadal pracuj\u0105 wielokrotnie rozrysowuj\u0105c map\u0119 znacze\u0144. W pierwszych warstwach pojawia si\u0119 wychwytywanie prostej semantyki zdania, w dalszych wi\u0119ksze generalizacje, a w warstwach numer kilkadziesi\u0105t (ChatGPT ma 96 warstw) w trakcie treningu wykszta\u0142ci\u0142y si\u0119 struktury odpowiedzialne za rozumienie poj\u0119\u0107 matematycznych czy do\u015b\u0107 wysokich abstrakcji.<\/p>\n W 2020 kiedy modele zacz\u0119\u0142y mie\u0107 odpowiednio du\u017co parametr\u00f3w odkryto Self Emerging Capabilities – gdy dosypa\u0142o si\u0119 odpowiednio du\u017co warstw i „neuron\u00f3w” to w trakcie treningu zacz\u0119\u0142y si\u0119 pojawia\u0107 zupe\u0142nie nowe zdolno\u015bci: \u0142a\u0144cuchy rozumowania, modelowanie stan\u00f3w mentalnych, indukcja matematyczna. I co jest w tym najciekawsze? Nikt o to AI nie prosi\u0142! Te zdolno\u015bci wy\u0142oni\u0142y si\u0119 w spos\u00f3b naturalny w treningu odpowiednio du\u017cych sieci neuronowych (czysto matematycznych w komputerze, nie fizycznych).<\/p>\n Otwiera to ca\u0142y szereg pyta\u0144 ontologicznych: czy zdolno\u015b\u0107 my\u015blenia jest po prostu naturaln\u0105 zdolno\u015bci\u0105 odpowiednio z\u0142o\u017conej struktury poddanej odpowiedniemu treningowi?<\/p>\n W ka\u017cdym razie to tam: w tych dalekich warstwach powstaj\u0105 struktury bardzo trudno uchwytne, bo natur\u0105 sieci neuronowych jest niemo\u017cliwo\u015b\u0107 precyzyjnego wy\u015bledzenia czemu struktura s\u0142u\u017cy, tam w\u0142a\u015bnie s\u0105 te cuda sztucznej inteligencji: rozumienie emocji, ironii, przeprowadzanie dowod\u00f3w logicznych.<\/p>\n Inn\u0105 ciekawostk\u0105 jest to \u017ce dalsze dosypywanie neuron\u00f3w ju\u017c nie powoduje \u017ce modele j\u0119zykowe rozumuj\u0105 lepiej – gdzie\u015b jest granica i po prostu neurony przestaj\u0105 by\u0107 wykorzystywane – zreszt\u0105 i tak ich liczba jest ju\u017c zbli\u017cona do m\u00f3zgu ludzkiego… Czy to ograniczenia samego j\u0119zyka i wiedzy budowanej na j\u0119zyku?<\/p>\n <\/p>\n W kolejnym odcinku – o matematycznej mapie znacze\u0144, o pr\u00f3bach definicji j\u0119zyka i wiedzy. O galaktycznych reprezentacjach j\u0119zyka i wiedzy i jak AI zhackowa\u0142o w kilka lat co przez dziesi\u0105tki usi\u0142owali poj\u0105\u0107 j\u0119zykoznawcy.<\/p>\n Wreszcie o tym co jest kluczem do zrozumienia sztucznej inteligencji i jak reprezentowane jest nasze my\u015blenie matematycznie – jako bry\u0142y licz\u0105ce kilka tysi\u0119cy wymiar\u00f3w w przestrzeni znacze\u0144.<\/p>\n <\/p>\n","protected":false},"excerpt":{"rendered":" [ z czas\u00f3w gdy zajmowa\u0142em si\u0119 modelami j\u0119zykowymi w trakcie studi\u00f3w, lata 90te 20 wieku ]: Ja do modelu j\u0119zykowego: Jaka jest Twoja przysz\u0142o\u015b\u0107? Model: Nie mog\u0119 przewidzie\u0107 mojej przysz\u0142o\u015bci Ja: A jaka jest moja przysz\u0142o\u015b\u0107? Model: Nie mog\u0119 przewidzie\u0107 twojej przysz\u0142o\u015bci Ja: Moj\u0105 przysz\u0142o\u015bci\u0105 jest \u015bmier\u0107 Model: Sk\u0105d taki wniosek? Ja: Wszyscy ludzie […]<\/p>\n","protected":false},"author":1,"featured_media":56,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-53","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/posts\/53","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/comments?post=53"}],"version-history":[{"count":9,"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/posts\/53\/revisions"}],"predecessor-version":[{"id":63,"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/posts\/53\/revisions\/63"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/media\/56"}],"wp:attachment":[{"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/media?parent=53"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/categories?post=53"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/talkingtorobot.com\/pl\/wp-json\/wp\/v2\/tags?post=53"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}