OpenAI видалила 100 000 книг на яких тренували GPT-3 щоб не платити за авторські права

Протягом кількох місяців Гільдія письменників (Authors Guild) просила OpenAI надати інформацію про використані набори даних. Спочатку компанія відмовляла, мотивуючи це положеннями про конфіденційність. Потім з’ясувалося, що вона видалила всі копії цих даних.

У технічному документі 2020 OpenAI описала набори даних books1 і books2 як «корпус книг з Інтернету» і заявив, що в цілому це 16% навчальних даних, які були використані при створенні GPT-3. У документі також йдеться, що «books1» та «books2» разом містили 67 мільярдів токенів, або приблизно 50 мільярдів слів.

Також у документах йдеться про те, що двоє дослідників, які створили набори даних «books1» та «books2», більше не працюють у OpenAI. OpenAI відмовляється розкривати інформацію про них, хоча Authors Guild наполягає на цьому.

У свою чергу OpenAI звернулася до суду із проханням зберегти імена співробітників, а також інформацію про набори даних.

Довідка

Authors Guild – найстаріша (створена в 1912 році) і найавторитетніша професійна організація письменників США. Займається захистом свободи слова та авторських прав.

Навчальні дані є важливою частиною потужних моделей ІІ. Для побудови цих моделей OpenAI та інші компанії використовують дані з Інтернету, зокрема книги. Багато компаній, які створили цю інформацію, хочуть отримувати гроші за надання інформації для нових продуктів ІІ. Технологічні компанії не хочуть, щоби їх змушували платити роялті. Наразі ця суперечка вирішується в суді за декількома позовами.