Az elmúlt időszakban egyre több YouTube-alkotó és tartalomkészítő fejezte ki aggodalmát amiatt, hogy az Apple, a Salesforce, az Anthropic és más nagy technológiai cégek mesterségesintelligencia-modelljeiket a YouTube-videóik felhasználásával képezték ki, méghozzá a készítők beleegyezése nélkül.
Mindezt az EleutherAI által összeállított „The Pile” nevű adatgyűjtemény segítségével végezhették el. A The Pile célja, hogy hasznos adathalmazokat kínáljon azoknak az egyéneknek vagy cégeknek, akik nem rendelkeznek a Big Tech versenytársakhoz szükséges erőforrásokkal, ám az adathalmaz azóta a nagyobb cégek képzési céljait is szolgálja.
A The Pile többek között könyveket, Wikipedia-cikkeket és YouTube-feliratokat is tartalmaz. A feliratok több mint 48 ezer csatorna 173 536 videójából származnak, beleértve nagy médiacégek és olyan népszerű YouTuberek videóit is, mint MrBeast, PewDiePie és Marques Brownlee. Brownlee a közösségi médiában kifejezte aggodalmát az Apple adatgyűjtésével kapcsolatban, bár elismerte, hogy bonyolult megállapítani, ki a felelős, ha nem az Apple maga gyűjtötte az adatokat.
Apple has sourced data for their AI from several companies
One of them scraped tons of data/transcripts from YouTube videos, including mine
Apple technically avoids „fault” here because they’re not the ones scraping
But this is going to be an evolving problem for a long time https://t.co/U93riaeSlY
— Marques Brownlee (@MKBHD) July 16, 2024
Az adatgyűjtési gyakorlat potenciálisan sértheti a YouTube szolgáltatási feltételeit. Az adatgyűjtés azonban nem új jelenség: a The Pile-t régóta használják MI-körökben, és több technológiai vállalat is hivatkozik rá modelljei képzése során. Ezzel párhuzamosan perek is futnak, amelyekben a szellemi tulajdonjogok tulajdonosai vádolják az MI és techcégeket az engedély nélküli adathasználat miatt. Az alperesek, mint például az OpenAI, azzal védekeznek, hogy az ilyen adatszerzés tisztességes felhasználásnak minősül.
Legális vagy sem?
A Proof News kutatásai azonban rávilágítottak a YouTube feliratok felhasználásával kapcsolatos konkrétumokra, és létrehoztak egy eszközt is, amellyel a The Pile-ben kereshetők egyes videók vagy csatornák. Ez az eset ismét felhívja a figyelmet arra, hogy az alkotóknak milyen kevés kontrolljuk van a munkájuk felhasználása felett, ha az a publikus weben érhető el.
Azonban fontos megjegyezni, hogy ezek az adatokat nem feltétlenül használták fel kereskedelmi tartalmak előállítására. Az Apple például kutatási célból, vagy a készülékein a szövegbeírás automatikus kitöltésének javítása érdekében is használhatta az adathalmazt.
A tartalomkészítők reakciója vegyes. Sokan meglepődtek és frusztráltak voltak, hogy tartalmukat ilyen módon használták fel. David Pakman, a The David Pakman Show munkatársa például kijelentette, senki sem kereste meg őt azzal, hogy szeretnék felhasználni a tartalmát, és ez problémás, mivel megélhetését erre alapozza. Julia Walsh, a Complexly produkciós cég vezérigazgatója pedig csalódottságának adott hangot, hogy oktatási tartalmaikat ilyen módon használták fel.
Felmerül az a kérdés is, hogy a tartalom „lehalászása” sérti-e a YouTube feltételeit, amelyek tiltják a videókhoz való hozzáférést „automatizált eszközökkel”. Az EleutherAI alapítója, Sid Black elmondta, hogy egy szkript segítségével töltötte le a feliratokat a YouTube API-ján keresztül, ahogyan egy webböngésző is teszi.
Nem történt itt semmi
Az Anthropic egyike azoknak a cégeknek, amelyek modelleket képeztek ki az adathalmazon, és azt állítja, hogy itt nincs jogsértés. Jennifer Martinez, a cég szóvivője elmondta, hogy a The Pile a YouTube feliratok egy nagyon kis részhalmazát tartalmazza, és a YouTube szolgáltatási feltételeinek esetleges megsértésével kapcsolatos kérdésben a The Pile szerzőihez kell fordulniuk.
A Google szóvivője elmondta, hogy a vállalat „az évek során intézkedéseket hozott a visszaélésszerű, jogosulatlan adatszerzés megakadályozására”, de nem adott konkrétabb választ. Ez az eset nem az első példa arra, hogy a mesterséges intelligencia és a technológiai cégeket kritika éri az engedély nélküli adathasználat miatt.
Ez a helyzet rámutat arra, hogy az adatgyűjtés szabályozása és az adathasználat etikai kérdései továbbra is komoly kihívást jelentenek a digitális korban. Az alkotók számára különösen fontos, hogy megvédjék munkájukat és megélhetésüket az ilyen jellegű felhasználásokkal szemben.
