OpenAI записав текстом понад мільйон годин відео YouTube для навчання GPT-4

 The Wall Street Journal повідомила , що компанії зі штучним інтелектом стикаються зі стіною, коли справа доходить до збору високоякісних навчальних даних. Сьогодні The New York Times детально описала деякі способи, як компанії впоралися з цим. Не дивно, що це передбачає дії, які потрапляють у туманну сіру зону закону про авторське право на ШІ .

Розповідь починається на OpenAI, який, відчайдушно потребуючи навчальних даних, як повідомляється, розробив свою модель аудіотранскрипції Whisper, щоб подолати горб, транскрибував понад мільйон годин відео YouTube для навчання GPT-4, своєї найдосконалішої моделі великої мови. Про це повідомляє The New York Times , яка повідомляє, що компанія знала, що це юридично сумнівно, але вважала це добросовісним використанням. Президент OpenAI Грег Брокман особисто брав участь у зборі відео, які були використані, пише Times .

Прессекретар OpenAI Ліндсей Хелд повідомила The Verge в електронному листі, що компанія курує «унікальні» набори даних для кожної зі своїх моделей, щоб «допомогти їм зрозуміти світ» і підтримувати конкурентоспроможність у глобальних дослідженнях. Хелд додав, що компанія використовує «численні джерела, включаючи загальнодоступні дані та партнерства для непублічних даних», і що вона шукає можливість генерувати власні синтетичні дані.

У статті Times йдеться, що компанія вичерпала запаси корисних даних у 2021 році та обговорювала транскрипцію відео YouTube, подкастів і аудіокниг після перегляду інших ресурсів. До того часу він навчив свої моделі на даних, які включали комп’ютерний код із Github, бази даних ходів у шахах і вміст шкільних завдань із Quizlet.

Представник Google Метт Брайант повідомив The Verge в електронному листі, що компанія «бачила непідтверджені звіти» про діяльність OpenAI, додавши, що «і наші файли robots.txt, і Умови використання забороняють несанкціоноване копіювання або завантаження вмісту YouTube», повторюючи умови компанії використовувати . Генеральний директор YouTube Ніл Мохан сказав подібні речі про можливість того, що OpenAI використовував YouTube для навчання своєї моделі створення відео Sora цього тижня. Брайант сказав, що Google вживає «технічних і юридичних заходів», щоб запобігти такому несанкціонованому використанню, «якщо у нас є для цього чітка правова або технічна підстава».

Згідно з джерелами Times , Google також зібрав стенограми з YouTube . Браянт сказав, що компанія навчила своїх моделей «деякому контенту YouTube відповідно до наших угод із творцями YouTube».

The Times пише, що юридичний відділ Google попросив групу з питань конфіденційності компанії налаштувати мову політики, щоб розширити те, що вона може робити з даними споживачів, такими як офісні інструменти, такі як Google Docs. Повідомляється, що нова політика була навмисно оприлюднена 1 липня, щоб відвернутися від святкових вихідних на День Незалежності.