Las empresas de IA dependen de editores premium para los datos de entrenamiento, encuentran nueva investigación
- OpenAI y Google, importantes empresas de inteligencia artificial, utilizan artículos de los principales canales de publicación para entrenar sus modelos de lenguaje.
- Según un estudio realizado por Ziff Davis, las fuentes se filtran en función de su posicionamiento en los resultados de búsqueda.
- Los editores están preocupados porque las empresas de IA están utilizando su contenido sin permiso.
Las principales empresas tecnológicas, incluidas OpenAI, Google, Meta y Anthropic, dependen de material de alta calidad y con derechos de autor de editores prominentes para entrenar sus modelos de lenguaje grandes (LLM).
Esto es según un estudio realizado por Ziff Davis, la empresa matriz de CNET, IGN y Mashable, que muestra el papel esencial que desempeña el contenido de alta calidad en el entrenamiento de estos modelos de IA. El estudio muestra que las fuentes autorizadas son preferidas para los conjuntos de datos de entrenamiento en empresas de IA para mejorar el rendimiento del modelo, pero la contribución de estas fuentes a menudo se pasa por alto.
En la investigación, el abogado de IA de Ziff Davis, George Wukoson, y el Director de Tecnología, Joey Fortuna, afirmaron que las empresas de IA eligen los datos de entrenamiento basándose en la clasificación de sitios web autorizados con altos rangos en los motores de búsqueda. Se eligieron sitios web de alta calidad y populares para mejorar los modelos, ya que tienen buena reputación. Una estrategia que, según el estudio, permite a los desarrolladores de IA ajustar finamente el modelo de lenguaje.
Ziff Davis ha señalado que proveedores de contenido de primer nivel como Axel Springer, Future PLC, Hearst, News Corp y The New York Times, entre otros, han contribuido al desarrollo de conjuntos de datos de entrenamiento. En particular, se ha identificado que el 12,04% de OpenWebText2, que se utilizó para la creación de GPT-3 de OpenAI, provenía de estos editores de confianza.
Mark Zuckerberg también participó en el debate en curso sobre el uso de contenido en el entrenamiento de IA. En una reciente entrevista con The Verge, Zuckerberg reconoció que el raspado de datos para IA es desafiante, pero también señaló que el contenido de creadores individuales o editores podría no ser tan impactante. Declaró : «Creo que los creadores individuales o los editores tienden a sobreestimar el valor de su contenido específico en el gran esquema de esto».
Los editores presentan demandas contra empresas de IA
El secreto alrededor de las fuentes de datos de entrenamiento ha generado preocupaciones entre editores y consumidores por igual. The New York Times y The Wall Street Journal presentaron recientemente demandas contra empresas de IA, alegando que han violado las leyes de derechos de autor al utilizar su contenido.
Mientras que OpenAI ha avanzado en sus esfuerzos por obtener licencias de contenido de organizaciones de medios como Financial Times y DotDash Meredith, varias empresas de IA aún operan sin una licencia adecuada. El informe afirma además que «los principales desarrolladores de LLM ya no divulgan sus datos de entrenamiento como lo hacían antes».
Mientras los valores de las empresas de IA aumentan, la brecha entre los titanes de la tecnología y las empresas de medios tradicionales sigue siendo vasta. Gigantes tecnológicos como Google y Meta, con un valor estimado de 2,2 tn y 1,5 tn respectivamente, permanecen a la vanguardia de la IA generativa, mientras que startups como OpenAI y Anthropic se valoran en 157 mil millones y 40 mil millones de dólares respectivamente.
Por otro lado, los editores aún están lidiando con despidos y reestructuraciones, lo cual es evidencia de la presión financiera de adaptarse a un entorno cada vez más definido por la IA. Como resultado de la competencia con contenido generado por usuarios y basado en IA, numerosos editores enfrentan desafíos en términos de reducción de costos y personal.
Si estás leyendo esto, ya vas por delante. Mantente así con nuestro boletín.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.
Brenda Kanana
Brenda cuenta con más de 4 años de experiencia especializada en criptomonedas, inteligencia artificial y tecnologías emergentes. Ha trabajado en Zycrypto, Blockchain Reporter y The Coin Republic, y ahora tiene a Cryptopolitan como su hogar. Su licenciatura en Sociología de la Universidad Técnica de Mombasa la mantiene alineada con las necesidades de sus lectores.
