Zaujatost vystavení, v kontextu umělé inteligence, označuje dva odlišné, avšak související jevy. První se váže k psychologickému efektu prostého vystavení (mere-exposure effect), kdy lidé projevují zvýšenou preferenci vůči AI systémům jednoduše proto, že jsou jim opakovaně vystavováni. Tato familiárnost může vést k nekritickému přijímání technologie a podcenění jejích potenciálních rizik, jako jsou algoritmické chyby nebo etické nedostatky. Důvěra a pozitivní vnímání tak nevznikají na základě objektivního hodnocení, nýbrž z pouhého zvyku.
Druhý, techničtější význam se označuje jako exposure bias a týká se specifického problému při trénování autoregresivních modelů, například jazykových modelů pro generování textu. Během tréninku je model vystaven pouze bezchybným, reálným datům (tzv. teacher forcing), kde se učí předpovídat následující prvek na základě dokonalého kontextu. Při generování v reálném nasazení však model staví na svých vlastních, dříve vygenerovaných výstupech, které mohou obsahovat chyby. Tato nesrovnalost mezi tréninkovým a inferenčním procesem může vést k postupnému hromadění chyb a odchýlení od požadovaného výstupu.
Jinak řečeno, pojem „zaujatost vystavení“ u umělé inteligence můžeme chápat dvěma způsoby. Zaprvé to funguje podobně, jako když si oblíbíte písničku, kterou často slyšíte v rádiu. Čím více se setkáváte s nějakou AI aplikací, třeba s hlasovým asistentem, tím více jí můžete důvěřovat a mít z ní dobrý pocit, i když o jejím fungování nic nevíte. Zvyknete si na ni a připadá vám spolehlivá jen proto, že je známá.
Zadruhé, v technickém smyslu, si to lze představit na příkladu robota, který se učí psát věty. V „autoškole“ mu ukazují jen správně napsané texty, aby se naučil navázat dalším slovem. Když ho ale pošlou psát samostatně, musí navazovat na slova, která sám předtím napsal. Pokud udělá malou chybu, další slovo na ni naváže a chyba se může zvětšovat, až celá věta ztratí smysl. Jde tedy o rozdíl mezi učením se z perfektní předlohy a reálným tvořením, kde se musí AI vypořádat s vlastními nedokonalostmi.