Who is selling your data to train AI?

• Tumblr y WordPress.com están actualmente en conversaciones para proporcionar datos de usuarios a empresas de IA como OpenAI y Midjourney.
• The New York Times está demandando actualmente a OpenAI por presuntamente utilizar sus extensos archivos sin permiso para entrenar chatbots

El uso de datos extraídos de Internet se ha convertido en un tema polémico, con empresas que aprovechan el contenido público para entrenar sus potentes modelos generativos. Esta práctica ha provocado batallas legales, ya que organizaciones como The New York Times y Getty Images han mostrado su preocupación por el uso no autorizado de su contenido.

Batallas legales sobre el uso de datos

Uno de los casos destacados involucra a OpenAI, que actualmente enfrenta una demanda de The New York Times por presuntamente utilizar los archivos del periódico sin permiso para entrenar chatbots. En respuesta, OpenAI ha acusado a The Times de recurrir a tácticas cuestionables para probar sus afirmaciones. De manera similar, Getty Images ha emprendido acciones legales contra Stable Diffusion por infracción de derechos de autor relacionada con el uso de su contenido visual.

Las implicaciones de que los sistemas de IA aprovechen el trabajo de periodistas, músicos y fotógrafos van más allá de las disputas legales. La búsqueda de grandes cantidades de datos de entrenamiento ha generado preocupación sobre la posible explotación de los creadores de contenido en línea. Plataformas como Tumblr y WordPress.com han estado supuestamente en conversaciones para vender datos de usuarios a empresas de IA como OpenAI y Midjourney, lo que plantea cuestiones sobre la privacidad y propiedad de los datos. Ver también: Ziggo Group nombra a sus líderes antes de su salida a bolsa en Ámsterdam en 2027.

También lea: El chatbot Bard de Google recibe la actualización Gemini Pro a nivel global

Asociaciones en el intercambio de datos

Mientras que algunas entidades han optado por litigios, otras han elegido forjar asociaciones. The Associated Press ha licenciado una parte de sus archivos a OpenAI, mientras que Shutterstock firmó un acuerdo de seis años con la empresa de IA para proporcionar acceso a su extensa biblioteca de fotos, videos y música.

Reddit, conocido por su abundancia de contenido generado por usuarios, recientemente llegó a un acuerdo con Google, otorgando al gigante tecnológico acceso a su API para el entrenamiento de modelos de IA. Esta medida subraya el valor de las contribuciones de los usuarios a las plataformas y las consideraciones éticas en torno al uso de datos. Ver también: Asociación ECHOES.

También lea: OpenAI lanza la Tienda GPT para chatbots personales de IA sin programación

Prácticas generalizadas de entrenamiento de datos

La práctica generalizada de entrenar modelos de IA con datos públicos de Internet trasciende los acuerdos específicos destacados en el artículo. Una investigación reciente de The Washington Post descubrió un tesoro de datos extraídos de diversas fuentes, incluidos foros en línea, plataformas de crowdfunding y sitios de redes sociales. Empresas como Meta, anteriormente Facebook, también han aprovechado las publicaciones públicas de sus plataformas para mejorar las capacidades de IA.

El debate sobre la propiedad de los datos y el consentimiento sigue sin resolverse. Los creadores de contenido, ya sea en blogs especializados o en plataformas de redes sociales populares, enfrentan la posibilidad de que su trabajo se convierta en mercancía para fines de entrenamiento de IA. El equilibrio entre la innovación y las prácticas éticas de datos es crucial para dar forma al futuro del desarrollo de la IA y su impacto en los ecosistemas digitales. Ver también: IT Department - Athlok.