El personal de Meta discutió el uso de contenido con derechos de autor para el entrenamiento de IA, muestran documentos judiciales

Los documentos judiciales han mostrado que el personal de Meta ha discutido el uso de contenido con derechos de autor para entrenar sus modelos de inteligencia artificial. Según documentos judiciales recientes, la mayoría de las discusiones estaban relacionadas con contenido obtenido de medios legalmente cuestionables.

Los documentos fueron puestos a disposición por los demandantes en el caso Kadrey v. Meta, uno de los muchos casos de derechos de autor de IA que han pasado por los tribunales de Estados Unidos. Según las afirmaciones de Meta, el uso de obras con derechos de autor, especialmente libros, para entrenar sus modelos está bajo la política de uso justo. Sin embargo, los demandantes, liderados por Sarah Silverman y Ta-Nehisi Coates, han discrepado de las afirmaciones de la empresa.

Según documentos presentados anteriormente, el CEO de Meta, Mark Zuckerberg, aprobó que el equipo de IA de la empresa utilizara contenido con derechos de autor para entrenar sus modelos. Los documentos también mostraron que la empresa cortó sus conversaciones de licencia de datos con editores de libros.

Meta supuestamente usa contenido con derechos de autor para entrenar sus modelos de IA

Según nuevos documentos presentados en el tribunal, los chats de trabajo internos compartidos entre trabajadores de Meta han mostrado una imagen clara de cómo la empresa podría haber utilizado datos con derechos de autor para entrenar sus modelos de IA, incluidos la mayoría de los modelos de la familia Llama.

Uno de los chats involucró a una ejecutiva senior de Meta, Melanie Kambadur, quien es la Gerente Senior del equipo de investigación de Llama. En su chat, habló sobre entrenar los modelos de IA con contenido que no estaba justificado legalmente.

"Mi opinión sería (en la línea de 'pedir perdón, no permiso'): intentamos adquirir los libros y escalarlo a los ejecutivos para que ellos tomen la decisión", dijo el ingeniero de investigación de Meta, Xavier Martinet, en un chat fechado en febrero de 2023, según los documentos. "Por eso crearon esta organización de IA generativa [sic]: para que podamos ser menos reacios al riesgo", agregó.

Martinet mencionó que la empresa podría simplemente comprar libros electrónicos a precios minoristas para construir el conjunto de datos de entrenamiento, en lugar de entrar en acuerdos de licencia con diferentes editores. Mientras otro empleado advertía sobre el uso de dicho contenido y las ramificaciones legales, Martinet mencionó que otras empresas probablemente también estaban usando libros pirateados para el entrenamiento.

En el mismo chat, Kambadur mencionó que la empresa estaba en conversaciones con algunas plataformas por licencias, pero señaló que aunque el uso de datos públicamente disponibles requeriría aprobaciones, los abogados de la empresa eran menos conservadores que en el pasado. "La diferencia ahora es que tenemos más dinero, más abogados, más ayuda de desarrollo de negocios, capacidad para acelerar/escalar por velocidad, y los abogados están siendo un poco menos conservadores en las aprobaciones", dijo Kambadur.

Los empleados discuten el uso de Libgen

Según el documento, otro chat de trabajo muestra dónde Kambadur habló sobre el uso de Libgen, un sitio web agregador que proporciona enlaces a contenido con derechos de autor de editores, como una fuente de datos que Meta puede licenciar. Libgen ha sido demandado en numerosas ocasiones, con la plataforma ordenada a cerrar sus servicios debido a alegaciones de infracción de derechos de autor.

Mientras otro colega en el chat publicó una foto y la siguió con "No, Libgen no es legal", parecía que algunos de los ejecutivos en la parte superior sentían que no usar Libgen podría obstaculizar la competitividad de la empresa en la carrera de IA. En un correo electrónico enviado desde el director de gestión de productos de Meta, Sony Theakanath, al VP de IA de Meta, Joelle Pineau, señaló que Libgen era importante para alcanzar los números de estado de la técnica (SOTA) en todas las categorías.

Theakanath también habló sobre varias formas en que la empresa podría reducir la exposición legal, incluyendo eliminar datos que han sido marcados como robados/pirateados, y no citar otros usos públicamente. "No divulgaríamos el uso de conjuntos de datos de Libgen utilizados para el entrenamiento", dijo. En la práctica, el movimiento significaba que la empresa primero pasaría por los archivos de Libgen para verificar obras "robadas o pirateadas".

Los documentos judiciales revelan otras infracciones

En uno de los chats de trabajo, Kambadur también sugirió que el equipo de IA de Meta debería ajustar los modelos para "evitar prompts de IP de riesgo", lo que configuraría los modelos para negarse a dar respuestas a los usuarios que intentan conocer los libros electrónicos en los que fueron entrenados los modelos.

Los documentos también revelaron otros detalles, con una revelación que muestra que Meta podría haber utilizado datos de Reddit para entrenar su modelo para imitar el comportamiento de una aplicación de terceros llamada Pushshift. Reddit mencionó en un comunicado en abril de 2023 que comenzará a cobrar a las empresas de IA por acceder a los datos para entrenar sus modelos.

Los demandantes en el caso actual han enmendado su queja muchas veces desde que comenzó la demanda en 2023. La presentación se realizó en el Tribunal Distrital de EE. UU. para el Distrito Norte de California, San Francisco. En la última enmienda, los demandantes afirmaron que Meta cruzó referencias entre libros pirateados y con derechos de autor para determinar si sería ideal perseguir un acuerdo de licencia. Meta, por su parte, ve el caso como un asunto legal de alto riesgo, moviéndose para añadir dos litigantes de la Corte Suprema a su equipo de defensa.