A mesterséges intelligencia fejlődése kapcsán az egyik legérzékenyebb kérdéssé vált, hogy milyen adatokat használnak a modellek betanítására. Az utóbbi időben különösen nagy figyelmet kapott, hogy olyan vállalatok, mint a Meta és az OpenAI, milliónyi könyvet használtak fel engedély nélkül MI-modellek tréningezésére. Ez komoly szerzői jogi aggályokat vet fel, amelyek hosszú távú következményei még nem beláthatók teljes mértékben.
Amikor a Meta fejlesztői elkezdték létrehozni zászlóshajó MI-modelljüket, a Llama 3-at, gyorsan ráébredtek, hogy a konkurenciával, például a ChatGPT-vel való versenyhez óriási mennyiségű, és jó minőségű szöveges anyagra van szükségük. A jogi úton történő beszerzés drága és időigényes folyamat lett volna. A vállalati belső kommunikációja szerint ez „irracionálisan költséges” és „nagyon lassú” megoldás volt, ráadásul problémát jelenthetett volna a „fair use” jogi stratégiában is, amelyre a vállalat támaszkodni kívánt a későbbi jogvitákban.
Így a Meta végül a Library Genesishez (LibGen) fordult, amely a világ egyik legnagyobb, illegális úton terjesztett könyvgyűjteménye. Több mint 7,5 millió könyvet és 81 millió tudományos tanulmányt tartalmaz, és nyilvánosan elérhető torrentezés útján. A vállalat vezetése – állítólag maga Mark Zuckerberg engedélyével – töltötte le és használta fel ezt az adatmennyiséget.
A per után derült rá fény
Ez az információ akkor került napvilágra, amikor több szerző, köztük Sarah Silverman és Junot Díaz, szerzői jogi pert indított a Meta ellen. Kiderült az is, hogy nem csak a Meta, de korábban az OpenAI is felhasználta a LibGent modelljei tréningezéséhez. Mindkét cég azzal védekezik, hogy a modellek „átalakító” módon használják fel az eredeti tartalmat, ezért „fair use” kategóriába esik a tevékenységük. Ez az érvelés azonban igen bonyolult jogi kérdéseket vet fel, melyek tisztázása valószínűleg hosszú ideig fog tartani.
További problémát jelent, hogy a könyvek letöltése gyakran BitTorrent protokollal történik, amely nemcsak letöltést, hanem egyidejű feltöltést is jelent. Ez pedig már önmagában illegális tevékenységnek számít. A Meta tagadta, hogy aktívan terjesztett volna könyveket, állításuk szerint erre külön odafigyeltek. A belső dokumentumokból kiderült, hogy a vállalat dolgozói tisztában voltak a jogi kockázatokkal. Több belső üzenet szerint javaslatok hangzottak el az adatállományból a nyilvánvalóan lopottként megjelölt tartalmak eltávolítására, valamint arra, hogy a Llama MI-modellt úgy hangolják, hogy elutasítsa például egy ismert könyv első oldalainak reprodukciójára vonatkozó kéréseket.
Eredménytelen jogi lépések
A LibGenhez hasonló illegális adatbázisok létrejötte részben az akadémiai kiadók üzletpolitikájának következménye. Az olyan platformok, mint a Sci-Hub és a LibGen azért váltak népszerűvé, mert jelentősen egyszerűbbé és olcsóbbá tették a kutatási eredményekhez való hozzáférést.
A kiadók megpróbálták megállítani a kalózanyagok terjedését. 2015-ben az Elsevier tudományos kiadó panaszt nyújtott be a LibGen, a Sci-Hub, és más oldalak ellen. A bíróság tiltó végzést hozott, felszólította az oldalakat a bezárásra, és kötelezte a Sci-Hubot, hogy fizessen 15 millió dollár kártérítést az Elseviernek. Az oldalak azonban továbbra is működtek, és a bírságokat nem fizették ki. Hasonló történet játszódott le 2023-ban, amikor oktatási és szakmai kiadók egy csoportja, köztük a Macmillan Learning és a McGraw Hill beperelte a LibGen-t. Ezúttal a bíróság 30 millió dollár kártérítés megfizetésére kötelezte a LibGen-t, amit a TorrentFreak „az egyik legszélesebb körű kalózkodás elleni végzésnek nevezett, amit amerikai bíróságtól valaha láttunk”. De ez a bírság is kifizetetlen maradt, és eddig a hatóságok nagyrészt képtelenek voltak korlátozni ezeknek a könyvtáraknak az online terjedését.
Tizenhét évvel a létrehozása után a LibGen tovább növekszik.
Az illegálisan letöltött könyvek és tanulmányok felhasználása ugyan megkönnyíti a nagy MI-modellek fejlesztését, de komoly etikai és jogi kérdéseket vet fel. Mindez alapjaiban változtathatja meg azt, ahogyan a jövőben a kreatív és tudományos tartalmak készülnek, terjednek, és ahogyan ezeket a társadalom hasznosítja.
