Des documents judiciaires révèlent que le personnel de Meta a discuté de l'utilisation de contenus protégés par le droit d'auteur pour l'entraînement de l'IA

Les documents du tribunal ont montré que les employés de Meta ont discuté de l'utilisation de contenus protégés par le droit d'auteur pour entraîner leurs modèles d'intelligence artificielle. Selon des documents récents du tribunal, la plupart des discussions portaient sur du contenu obtenu par des moyens juridiquement douteux.

Les documents ont été rendus publics par les plaignants dans l'affaire Kadrey c. Meta, l'une des nombreuses affaires de droits d'auteur sur l'IA qui ont traversé les tribunaux américains. Selon les affirmations de Meta, l'utilisation d'œuvres protégées, en particulier des livres, pour entraîner ses modèles relève de la politique d'usage loyal. Cependant, les plaignants, menés par Sarah Silverman et Ta-Nehisi Coates, sont en désaccord avec les affirmations de l'entreprise.

Selon des documents précédemment soumis, le PDG de Meta, Mark Zuckerberg, a approuvé l'utilisation de contenus protégés par le droit d'auteur par l'équipe d'IA de l'entreprise pour entraîner ses modèles. Les documents ont également révélé que l'entreprise avait interrompu ses négociations de licence de données avec les éditeurs de livres.

Meta utiliserait illégalement des contenus protégés par le droit d'auteur pour entraîner ses modèles d'IA

Selon de nouveaux dossiers mis à disposition par le tribunal, des discussions de travail internes partagées entre les employés de Meta ont montré une image claire de la manière dont l'entreprise aurait pu utiliser des données protégées par le droit d'auteur pour entraîner ses modèles d'IA, y compris la plupart des modèles de la famille Llama.

L'une des conversations impliquait Melanie Kambadur, cadre supérieur de Meta et responsable de l'équipe de recherche Llama. Dans cet échange, elle a parlé de l'entraînement des modèles d'IA sur des contenus qui n'étaient pas juridiquement justifiés.

« Mon opinion serait (dans la lignée de « demander pardon plutôt que permission ») : nous essayons d'acquérir les livres et de saisir la direction pour qu'elle prenne la décision », a déclaré l'ingénieur de recherche de Meta, Xavier Martinet, dans un échange daté de février 2023, selon les dépôts judiciaires. « C'est pourquoi ils ont créé cette organisation IA générative [sic] : afin que nous puissions être moins averses au risque », a-t-il ajouté.

Martinet a mentionné que l'entreprise pourrait simplement acheter des livres numériques aux prix de détail pour constituer l'ensemble de données d'entraînement, au lieu de conclure des accords de licence avec différents éditeurs. Bien qu'un autre employé ait mis en garde contre l'utilisation de tels contenus et les ramifications juridiques, Martinet a indiqué que d'autres entreprises utilisaient probablement également des livres piratés pour l'entraînement.

Dans le même échange, Kambadur a mentionné que l'entreprise était en négociations avec certaines plateformes pour obtenir des licences, mais a noté que si l'utilisation de données publiques nécessitait des approbations, les avocats de l'entreprise étaient moins conservateurs qu'auparavant. « La différence maintenant, c'est que nous avons plus d'argent, plus d'avocats, plus d'aide en développement commercial, la capacité de accélérer/escalader pour gagner en vitesse, et les avocats sont un peu moins conservateurs dans les approbations », a déclaré Kambadur.

Les employés discutent de l'utilisation de Libgen

Selon le dépôt judiciaire, un autre échange de travail montre Kambadur parlant de l'utilisation de Libgen, un site agrégateur qui fournit des liens vers des contenus protégés par le droit d'auteur des éditeurs, en tant que source de données que Meta pourrait licencier. Libgen a été poursuivi à de nombreuses reprises, et la plateforme a été ordonnée de fermer ses services en raison de réclamations pour violation du droit d'auteur.

Bien qu'un autre collègue dans le chat ait posté une photo en ajoutant « Non, Libgen n'est pas légal », il semblait que certains dirigeants de haut niveau estimaient que le fait de ne pas utiliser Libgen pourrait nuire à la compétitivité de l'entreprise dans la course à l'IA. Dans un e-mail envoyé par Sony Theakanath, directeur de la gestion de produit chez Meta, à Joelle Pineau, VP de Meta AI, il a noté que Libgen était important pour atteindre les performances de pointe (SOTA) dans toutes les catégories.

Theakanath a également évoqué plusieurs moyens pour l'entreprise de réduire son exposition juridique, notamment en supprimant les données marquées comme volées/piratées et en ne citant pas d'autres utilisations publiquement. « Nous ne divulguerions pas l'utilisation des ensembles de données Libgen utilisés pour l'entraînement », a-t-il déclaré. En pratique, cette démarche signifiait que l'entreprise passerait d'abord en revue les fichiers de Libgen pour vérifier la présence d'œuvres « volées ou piratées ».

Les documents de justice révèlent d'autres infractions

Dans l'un des échanges de travail, Kambadur a également suggéré que l'équipe Meta AI devrait ajuster les modèles pour « éviter les invites d'IP à risque », ce qui configurerait les modèles pour refuser de répondre aux utilisateurs tentant de connaître les livres numériques sur lesquels les modèles ont été entraînés.

Les dossiers ont également révélé d'autres détails, avec une révélation montrant que Meta aurait pu utiliser des données de Reddit pour entraîner son modèle afin d'imiter le comportement d'une application tierce appelée Pushshift. Reddit a mentionné dans un communiqué en avril 2023 qu'elle commencerait à facturer aux entreprises d'IA l'accès aux données pour entraîner leurs modèles.

Les plaignants dans l'affaire actuelle ont modifié leur plainte à de nombreuses reprises depuis le début du procès en 2023. Le dépôt a été effectué au tribunal de district des États-Unis pour le district nord de la Californie, à San Francisco. Dans la dernière modification, les plaignants ont affirmé que Meta a croisé des livres piratés avec des livres protégés par le droit d'auteur pour déterminer s'il serait idéal de poursuivre un accord de licence. De son côté, Meta considère l'affaire comme un enjeu juridique à haut risque, cherchant à ajouter deux litigants de la Cour suprême à son équipe de défense.