เฟซบุ๊กรายงานความสำเร็จในการสร้างปัญญาประดิษฐ์แปลงเสียงเป็นข้อความ (speech recognition) ในชื่อ wav2vec-U โดยมีจุดเด่นคือเป็นปัญญาประดิษฐ์ที่ฝึกแบบ unsupervised ที่เป็นการฝึกปัญญาประดิษฐ์โดบไม่ต้องการข้อมูลตัวอย่างโดยตรง

การสร้างปัญญาประดิษฐ์แปลงเสียงเป็นข้อความโดยปกติแล้วจะต้องใช้ชุดข้อมูลคู่กันระหว่างเสียงและข้อความที่แปลงไว้ก่อนหน้า (labeled data) เพื่อให้ปัญญาประดิษฐ์พยายามเลียนแบบ กระบวนการสร้างชุดข้อมูลนี้มีต้นทุนสูงที่ต้องแปลงข้อมูลเสียงเป็นข้อความนับพันชั่วโมง และในภาษาที่มีชุดข้อมูลอยู่น้อยก็สามารถฝึกปัญญาประดิษฐ์ได้ยาก

เฟซบุ๊กเปิดชุดข้อมูล Casual Conversations เป็นวิดีโอของนักแสดง 3,011 คน รวมกว่า 45,186 วิดีโอ ที่มีข้อมูลเพศ, อายุ, สีผิว, และสภาพแสง เพื่อใช้ตรวจสอบโมเดลปัญญาประดิษฐ์ว่ามีการโน้มเอียง (bias) ผลการทำนายค่าต่างๆ กับคนกลุ่มใดเป็นพิเศษหรือไม่

แม้ว่าปัญญาประดิษฐ์จะมีประสิทธิภาพดีขึ้นมากในช่วงหลัง แต่เนื่องจากชุดข้อมูลที่ใช้ฝึกอาจจะไม่ได้ตรวจสอบว่ากระจายครบถ้วนทุกกลุ่มประชาชน หรือชุดข้อมูลเน้นกลุ่มประชากรบางกลุ่มเป็นพิเศษทำให้เกิดเหตุการณ์ผิดพลาดเช่น ซอฟต์แวร์ตรวจโรคไม่ได้แนะนำให้คนบางเชื้อชาติไปรักษา แม้จะมีอาการครบก็ตาม