Potrivit noilor documente depuse în proces, OpenAI a dezvăluit că a șters 2 baze de date imense, numite books1 și books2, în care erau introduse cărțile folosite pentru antrenarea modelului GPT-3, scrie Business Insider.

Authors Guild susține că acele baze de date conțineau „peste 100.000 de cărți publicate”. Acestea se află la baza procesului legat de drepturile de autor în contextul AI.

OpenAI ar fi distrus cărțile și concediat oamenii care au antrenat ChatGPT

Timp de mai multe luni, Authors Guild a încercat să obțină informații de pe OpenAi despre aceste baze de date. Inițial, compania a refuzat să dezvăluie aceste informații. Avocații OpenAI au susținut că acest pas ar încălca drepturile de confidențialitate. 

Într-un final, însă, OpenAI a recunoscut că ar fi distrus cărțile folosite pentru antrenarea modelului AI. Compania susține că au fost distruse toate copiile bazelor de date. 

Datele de înaltă calitate sunt extrem de importante pentru antrenarea modelelor AI puternice, ce au început să acapereze domeniul tech. OpenAI și alte companii similare au folosit date de pe Internet pentru acest lucru. Inclusiv cărți care se găsesc online. 

Multe dintre companiile care au creat aceste informații vor să fie plătite pentru datele folosite de noile produse AI. Companiile tech nu vor să fie forțate să plătească. În acest moment, există mai multe procese intentate în acest sector. 

În 2020, OpenAI a descris bazele de date books1 și books2 drept „culegeri de cărți de pe Internet”. Se pare că aceste cărți au reprezentat 16% din datele de antrenare pentru GPT-3. 

În plus, documentul susține că book1 și book2 conțineau 67 de miliarde de unități de date. Echivalentul a 50 de miliarde de cuvinte. Prin comparație, Biblia are 783.137 de cuvinte. 

În ciuda faptul că OpenAI s-a îmbogățit de pe urma muncii autorilor, compania susține că ar fi distrus cărțile folosite pentru modelul AI. Potrivit documentelor, bazele de date nu au mai fost folosite pentru model din 2021. În 2022, ar fi fost șterse, alături de toate copiile. În același timp, OpenAI nu a distrus niciuna dintre celelalte baze de date, care nu au drepturi de autor legate de ele. 

Angajații care s-au ocupat de aceste baze de date nu mai lucrează la OpenAI

Dincolo de faptul că OpenAI a refuzat să ofere Authors Guild bazele de date, compania nu a vrut să dezvăluie nici identitățile celor 2 angajați care s-au ocupat de ele.

Se pare că aceștia nu mai lucrează în cadrul OpenAI. Compania a fost forțată să dezvăluie identitățile lor către avocații Authors Guild. ChatGpt e acuzat și că nu își poate corecta propriile greșeli.

OpenAI, ce ar fi distrus cărțile, a cerut judecătorilor ca informațiile despre bazele de date să nu fie făcute publice. Authors Guild se opune vehement, pentru că publicul are dreptul să știe cum sunt folosite datele. 

„Modelele din spatele ChatGPT și API-ului nostru de azi nu sunt dezvoltate folosind aceste baze de date,” susține OpenAI. Dar doar pentru că nu mai sunt folosite acum, nu înseamnă că nu au fost folosite fără drepturi de autor în trecut. „Aceste baze de date, create de foști angajați care nu se mai află în OpenAI, au fost folosite ultima dată în 2021. Și au fost șterse în 2022 din cauză că nu mai erau folosite.”