• Google подтвердил неподтверждённые сообщения о деятельностиOpenAIна YouTube, заявив, что его файл robots.txt и условия использования запрещают несанкционированный сбор или загрузку контента.
  • Meta столкнулась с ограниченной доступностью обучающих данных и вопросами конфиденциальности после скандала с Cambridge Analytica. Компания рассматривала покупку лицензий на книги или приобретение издателя, чтобы догнать OpenAI, и столкнулась с ограничениями на использование потребительских данных.

Ранее на этой неделе The Wall Street Journal сообщил, что ИИ-компании сталкиваются с препятствием при сборе качественных обучающих данных. The New York Times подробно рассказал о некоторых способах, которыми компании решают эту проблему.

OpenAI нужны обучающие данные

Отчаянно нуждаясь в обучающих данных, OpenAI разработала модель транскрибации аудио Whisper, чтобы преодолеть препятствия: компания транскрибировала более миллиона часов видео с YouTube для обучения своей передовой большой языковой модели GPT-4. По данным The New York Times, компания знала, что это проблематично с юридической точки зрения, но считала такое использование добросовестным. Представитель OpenAI Линдси Хелд сообщила The Verge, что компания формирует «уникальные» наборы данных для каждой своей модели, чтобы «помочь им понять мир» и сохранить конкурентоспособность своих исследований по всему миру.

Согласно статье Times, в 2021 году у компании закончились релевантные данные, и она обсуждала транскрибацию подкастов, аудиокниг и видео с YouTube как запасной план. В то время Google использовал данные Quizlet, базу данных шахматных партий и компьютерный код с GitHub для обучения своих моделей.

Читайте также:Meta отрицает, что позволяла Netflix получать доступ к личным сообщениям пользователей Facebook

Ответ Google

Представитель Google Мэтт Брайант сообщил The Verge по электронной почте, что компания «видела неподтверждённые сообщения», добавив, что «наш файл robots.txt и условия использования запрещают несанкционированный сбор или загрузку контента YouTube», что отражает условия использования компании. Брайант заявил, что Google принимает «технические и юридические меры» для предотвращения такого несанкционированного использования, «когда у нас есть чёткие юридические или технические основания для этого».

Юридическая служба Google попросила команду по конфиденциальности скорректировать формулировки политики, чтобы расширить обработку потребительских данных, в том числе в офисных инструментах вроде Google Docs, пишет Times. По данным Times, Google планировал опубликовать новую политику 1 июля, воспользовавшись тем, что внимание публики будет отвлечено выходными в честь Дня независимости.

Читайте также:Инструмент OpenAI для клонирования голоса имитирует ваш голос по 15-секундному образцу

Ответ Meta

Meta также столкнулась с ограниченной доступностью качественных обучающих данных; в записях, прослушанных Times, её ИИ-команда обсуждает проблему использования материалов, защищённых авторским правом, без разрешения, пытаясь догнать OpenAI. Компания рассматривала такие меры, как оплата лицензий на книги или даже приобретение крупного издателя. Реформы конфиденциальности после скандала с Cambridge Analytica, по-видимому, также ограничили использование потребительских данных.

Google, OpenAI и более широкая сфера обучения ИИ борются со стремительно сокращающимся объёмом обучающих данных для своих моделей: чем больше данных поглощают модели, тем лучше. На этой неделе Journal писал, что к 2028 году объём данных может превысить объём создаваемого нового контента.

Journal предлагает способы решения проблемы ошибок моделей, включая синтетические данные или обучение по курсам. Однако ни один из этих методов не проверен. Компании могут использовать всё, что найдут, с разрешения или без него, но это чревато судебными разбирательствами.