Conform HotNews: Milioane de cărți, sfâșiate pentru a antrena inteligența artificială
O practică uluitoare a ieșit la iveală pe piața inteligenței artificiale: companii precum ANTHROPIC și, se pare, chiar AMZON, cheltuiesc milioane de dolari pe cărți fizice, doar pentru a le distruge ulterior. Cărțile sunt tăiate și paginile scanate rapid pentru a fi folosite în antrenarea modelelor lingvistice de mari dimensiuni (LLM). Ulterior, paginile sunt pur și simplu aruncate. Această metodă, numită „scanare distructivă”, este un rezultat bizar al legislației americane privind drepturile de autor.
Interpretația bizară a legii americane
Un tribunal din SUA a stabilit că scanarea cărților pentru antrenarea inteligenței artificiale se încadrează în doctrina „fair use”, adică utilizare rezonabilă. Pentru a evita încălcarea legii privind drepturile de autor, companiile sunt obligate să distrugă exemplarele fizice ale cărților. Logica din spatele acestei interpretări este că, dacă există un singur exemplar al cărții înainte de scanare și tot un singur exemplar (în format digital) după, nu se poate considera că a avut loc un act de piraterie.
Investigații realizate de site-ul american 404 MEDIA au dezvăluit că aceste comenzi masive de cărți ajung la unități AMZON din LAS VEGAS. Acolo, cărțile sunt supuse procesului de scanare distructivă, menită să alimenteze modelele lingvistice ale companiilor tech. Deși AMZON nu este un jucător principal în domeniul AI, compania este interesată să își sporească vânzările din comerțul electronic și să își optimizeze afacerea de cloud computing prin intermediul acestei tehnologii.
Suspiciniuni în rândul anticariilor
Anticarii din Canada au început să primească solicitări neobișnuite de comenzi masive de cărți. PETER SELLERS, proprietarul librăriei SELLERS & NEWEL din TORONTO, a declarat pentru CBC că, în luna iunie, a început să primească apeluri „foarte suspecte” pentru cantități mari de cărți, adesea cu liste aparent aleatorii. El a mărturisit că, inițial, oferta era tentantă, permițându-i să scape de stocuri nevandabile, dar apoi și-a dat seama că „ceva nu este în regulă aici”.
Un mesaj primit pe LINKEDIN de la o companie numită INNODATA, ce pretindea că este o firmă de inginerie a datelor, căuta volume mari de cărți second-hand. SELLERS a ignorat solicitarea, dar ulterior, citind despre scanarea distructivă pentru AI, a realizat că toate acele cereri „ciudate” aveau un sens. Acum, personalul său este mult mai atent la astfel de cereri.
Alți vânzători de cărți au confirmat pentru CBC NEWS primirea unor solicitări similare, adesea pentru cărți educaționale obscure, rămase nevândute ani de zile. Unii se confruntă cu dificultatea de a refuza aceste oferte, într-o industrie aflată într-o perioadă dificilă. Numele companiilor implicate se schimbă frecvent, iar nimeni nu a recunoscut public că furnizează cărți pentru companiile de AI. Compania ZOOM BOOKS, din BRITISH COLUMBIA, este menționată frecvent pe forumurile online ale vânzătorilor ca efectuând comenzi în volume mari, greu de explicat. Vânzători din Spania, Germania, AUSTRALIA, NOUA ZEELANDĂ și Marea Britanie își exprimă suspiciunea că aceste comenzi sunt destinate scanării pentru AI, deși nu există dovezi concrete.
Motivația din spatele cererilor masive de cărți
PATRICK HEMPELMANN, proprietarul librăriei BMV BOOKS din TORONTO, a declarat pentru CBC că ZOOM a început să cumpere sute de cărți de la el acum aproximativ șase luni. Comenzile vizau în special cărți tehnice specializate, manuale medicale vechi sau lucrări de matematică și fizică postuniversitară, care stătuseră pe rafturi timp de un deceniu. „Nu reușeam să ne dăm seama care era motivația lor”, a afirmat HEMPELMANN.
Cărțile fizice, în special cele publicate înainte de 2022, sunt considerate valoroase de către companiile de AI. Există îngrijorarea că modelele lingvistice se pot degrada dacă sunt antrenate în mod repetat pe propriile rezultate. Prin urmare, este necesar conținut original, scris exclusiv de oameni. Acesta este un aspect crucial pentru antrenarea viitoarelor LLM-uri, evitând proliferarea informațiilor false, cunoscute sub denumirea de „halucinații” în contextul AI.
Sursa: HotNews
