لتدريب GPT-4، نسخت OpenAI أكثر من مليون ساعة من فيديوهات YouTube

تم تسليط الضوء على 'لتدريب GPT-4، نسخت OpenAI أكثر من مليون ساعة من فيديوهات YouTube' من قبل BTW Media لأن الأدلة المنشورة تربطه بالبنية التحتية للإنترنت، والحوكمة، والتبعيات التشغيلية، أو رؤية السوق.

• أكدت Google تقارير غير مؤكدة حول نشاطمن OpenAIعلى YouTube، مشيرة إلى أن ملفات robots.txt وشروط الاستخدام الخاصة بها تمنع جمع المحتوى أو تنزيله دون إذن.
• واجهت Meta قيودًا على توفر بيانات التدريب ومخاوف تتعلق بالخصوصية بعد فضيحة Cambridge Analytica. فكرت الشركة في شراء تراخيص للكتب أو الاستحواذ على ناشر للحاق بـ OpenAI، وواجهت قيودًا على استخدام بيانات المستهلك.

ذكرت صحيفة وول ستريت جورنال في وقت سابق من هذا الأسبوع أن شركات الذكاء الاصطناعي تواجه عقبة في جمع بيانات تدريب عالية الجودة. وقدمت صحيفة نيويورك تايمز تفاصيل حول بعض الطرق التي تتعامل بها الشركات مع هذه المشكلة.

OpenAI بحاجة إلى بيانات تدريب

في يأس للحصول على بيانات تدريب، طورت OpenAI نموذج التعرف الصوتي Whisper لتجاوز العقبات، حيث قامت بنسخ أكثر من مليون ساعة من فيديوهات YouTube لتدريب نموذجها اللغوي الكبير الرائد، GPT-4. وفقًا لصحيفة نيويورك تايمز، كانت الشركة تعلم أن هذا سيكون مشكلة قانونية لكنها اعتبرته استخدامًا عادلًا. قالت المتحدثة باسم OpenAI، ليندساي هيلد، لـ The Verge إن الشركة تنظم مجموعات بيانات "فريدة" لكل نموذج من نماذجها "لمساعدتها على فهم العالم" والحفاظ على قدرتها التنافسية في الأبحاث العالمية.

وفقًا لمقال التايمز، نفدت من الشركة البيانات ذات الصلة في عام 2021، وناقشت نسخ البودكاست والكتب الصوتية وفيديوهات YouTube كخطة بديلة. في ذلك الوقت، كانت Google قد استخدمت معلومات من Quizlet، وقاعدة بيانات لألعاب الشطرنج، ورمز حاسوب من GitHub لتدريب نماذجها.

اقرأ أيضًا:تنفي Meta أن Netflix اطلع على الرسائل الخاصة للمستخدمين على Facebook

رد Google

قال المتحدث باسم Google، مات براينت، لـ The Verge في بريد إلكتروني إن الشركة "رأت تقارير غير مؤكدة"، مضيفًا أن "ملف robots.txt وشروط الاستخدام لدينا تمنع جمع أو تنزيل محتوى YouTube غير المصرح به"، وهو ما يعكس شروط استخدام الشركة. قال براينت إن Google تتخذ "إجراءات تقنية وقانونية" لمنع هذا الاستخدام غير المصرح به "عندما يكون لدينا أساس قانوني أو تقني واضح للقيام بذلك".

طلب الفريق القانوني في Google من فريق الخصوصية تعديل لغة سياستها لتوسيع معالجة بيانات المستهلك، مثل أدوات المكتب مثل Google Docs، كما كتبت التايمز. من المقرر أن تنشر Google السياسة الجديدة في 1 يوليو للاستفادة من فترة عطلة عيد الاستقلال.

اقرأ أيضًا:أداة استنساخ الصوت من OpenAI تحتاج فقط إلى 15 ثانية من العينة لتقليد صوتك

رد Meta

واجهت Meta أيضًا قيودًا على توفر بيانات التدريب الجيدة، وفي تسجيلات سمعتها التايمز، يناقش فريق الذكاء الاصطناعي لديها مشكلة استخدام الأعمال المحمية بحقوق الطبع والنشر دون إذن بينما تحاول اللحاق بـ OpenAI. فكرت الشركة في إجراءات مثل دفع تراخيص للكتب أو حتى الاستحواذ على ناشر رئيسي. كما أن إصلاحات الخصوصية التي أجرتها الشركة بعد فضيحة Cambridge Analytica حدت على ما يبدو من طريقة استخدام بيانات المستهلك.

تكافح Google وOpenAI ومجال تدريب الذكاء الاصطناعي الأوسع نطاقًا مع الانخفاض السريع في بيانات التدريب لنماذجها، وكلما زادت البيانات التي تبتلعها هذه النماذج، كان ذلك أفضل. كتبت الجورنال هذا الأسبوع أنه بحلول عام 2028، قد تتجاوز الشركات إنشاء محتوى جديد.

تقترح الجورنال طرقًا لحل مشكلة أخطاء النموذج، بما في ذلك البيانات الاصطناعية أو التعلم التوجيهي. ومع ذلك، لم يتم إثبات أي من هذه الطرق. يمكن للشركات استخدام أي شيء تجده، بإذن أو بدونه، لكن هذا محفوف بالتقاضي.