Usred tekućeg pravnog sukoba između američkog Ceha autora i OpenAI-ja, pojavili su se nedavno otpečaćeni dokumenti koji rasvjetljavaju brisanje dvaju značajnih skupova podataka, nazvanih "books1" i "books2", ključnih u obuci OpenAI-jevog GPT-3 AI modela.
Pravni podnesci od strane savjetnika Ceha sugeriraju da su ovi skupovi podataka vjerojatno sadržavali više od 100.000 objavljenih knjiga, čineći srž optužbi Ceha da je OpenAI prekršio materijale zaštićene autorskim pravima u razvoju svojih AI modela.
U početku nailazeći na otpor, OpenAI je na kraju popustio, otkrivajući brisanje svih kopija podataka i navodeći njihovu neupotrebu nakon upornih upita Ceha u vezi s tim podacima.
Središnje mjesto u stvaranju moćnih AI modela su visokokvalitetni podaci o obuci. Čelnici AI industrije, uključujući OpenAI, iskoristili su ogromne količine internetskih podataka, uključujući opsežan sadržaj knjiga, kako bi potaknuli razvoj ovih modela, što je izazvalo sporne pravne sporove s autorima koji traže naknadu za svoje doprinose.
Ključna takozvana bijela knjiga OPANAi-ja iz 2020. godine opisala je "books1" i "books2" kao korpuse knjiga temeljene na internetu, koje su pridonijele sa značajnih 16% u podacima o obuci GPT-3 modela, što ukupno iznosi nevjerojatnih 67 milijardi tokena, što je pak ekvivalentno otprilike 50 milijardi riječi.
Objave pravnih predstavnika OpenAI-ja otkrile su da je korištenje tih skupova podataka prestalo krajem 2021. godine, s njihovim konačnim brisanjem sredinom 2022. godine zbog neuporabe. Bez obzira na to, ostali podaci o obuci ostaju neoštećeni i dostupni pravnom timu Ceha.
Daljnja otkrića iz nezapečaćenih dokumenata razotkrila su odlazak dvojice istraživača odgovornih za stvaranje skupova podataka iz OpenAI-jevog rada. U početku obavijen velom tajne, OpenAI je na kraju otkrio njihov identitet odvjetnicima Ceha. Međutim, startup se suzdržao od objavljivanja njihovih imena, tražeći od suda da zadrži njihovu anonimnost uz uskraćivanje detaljnih informacija o skupovima podataka.
U pokušaju da pojasni svoje stajalište, OpenAI je ustvrdio da njegovi trenutni ChatGPT i API modeli nisu razvijeni korištenjem spornih skupova podataka. Umjesto toga, skupovi podataka posljednji su put korišteni 2021. godine i naknadno izbrisani 2022. godine zbog produljene neaktivnosti.
Izvor: Business Insider
