OpenAI a colectat peste 10 milioane de articole pentru antrenarea AI, inclusiv o treime de la The New York Times

OpenAI a intrat sub lupa criticilor pentru metodele sale de colectare a datelor, colectând, conform rapoartelor, peste 10 milioane de articole pentru a alimenta antrenamentul modelelor sale AI avansate. O parte substanțială din acest set de date, aproape o treime, a fost obținută de la The New York Times, subliniind utilizarea extinsă a materialelor protejate de drepturi de autor în dezvoltarea tehnologiilor AI de ultimă generație. Această practică este centrală dezbaterilor juridice și etice în curs privind dezvoltarea AI și proprietatea intelectuală.

Implicația tehnică implică scara vastă de date necesară pentru antrenarea LLM-urilor de ultimă generație, necesitând depozite extinse de text și informații. Abordarea OpenAI, deși eficientă pentru performanța modelului, implică ingestia de conținut divers, inclusiv articole de știri, care sunt adesea protejate de drepturi de autor. Detaliile specifice ale procesului de scraping și natura exactă a conținutului utilizat rămân un punct cheie de dispută.

Această situație subliniază provocările mai largi cu care se confruntă industria AI în ceea ce privește proveniența datelor și utilizarea echitabilă. Rezultatul potențialelor litigii ar putea afecta semnificativ modul în care companiile AI își procură datele de antrenament în viitor, ducând potențial la reglementări mai stricte sau la noi modele de licențiere pentru utilizarea conținutului.