NVIDIA fait face à un examen attentif pour le grattage de données non licencié allégué pour les modèles d'IA

Des documents divulgués obtenus par 404 Media suggèrent que NVIDIA s'est livré à du grattage de données non licencié, utilisant des séquences de films et de jeux provenant d'internet pour entraîner ses produits d'intelligence artificielle. 

Les documents divulgués révèlent qu'ils essayaient de télécharger des films complets depuis divers canaux, y compris Netflix, et leur intérêt principal portait sur les vidéos YouTube. Selon les e-mails obtenus par 404 Media, les chefs de projet comptaient employer entre 20 et 30 machines virtuelles sur Amazon Web Services pour obtenir 80 ans de vidéos en une journée.

NVIDIA défend ses actions et invoque les dispositions d'usage loyal

Le grattage de données est la pratique consistant à extraire du contenu vidéo, textuel et audio d'internet sans la permission des propriétaires de contenu pour entraîner des modèles d'IA. Cette pratique pourrait être considérée comme l'utilisation de contenu provenant de plateformes de réseaux sociaux contenant du contenu protégé par le droit d'auteur. 

NVIDIA a déclaré qu’elle n’avait enfreint aucune loi sur le droit d’auteur lors du processus de collecte de données. L’entreprise a également affirmé que ses activités relèvent de la doctrine de l’usage loyal, car elle utilise des œuvres protégées par le droit d’auteur pour entraîner ses intelligences artificielles.

Des documents obtenus auprès de communications internes par 404 Media indiquent que certains employés de NVIDIA ont exprimé des préoccupations concernant ces activités de collecte de données. Cependant, les chefs de projet auraient minimisé ces inquiétudes, affirmant que les questions juridiques, telles que les violations des conditions d’utilisation de YouTube, seraient traitées ultérieurement. 

Un employé a souligné que les ingénieurs en IA de NVIDIA s’efforçaient d’obtenir autant de clips de jeux que possible pour enrichir le corpus d’entraînement. Cela impliquait de diffuser en continu le gameplay sur le service cloud GeForceNow de NVIDIA afin d’enregistrer des vidéos de gameplay en haute définition. Jim Fan, analyste principal de la recherche, a également insisté, dans des messages internes, sur l’importance de ces séquences en tant qu’entrée pour l’entraînement du modèle d’IA.

L’entreprise prend des mesures pour gérer la perception publique de ses pratiques en matière de données

Les documents détaillent également les tentatives de NVIDIA pour limiter les dégâts face aux répercussions de telles pratiques. Selon des e-mails divulgués, le vice-président de la recherche, Ming-Yu Liu, a recommandé à l’entreprise d’éviter de publier des articles liés aux techniques de collecte de données afin de prévenir un tollé public. L’entreprise a également créé ses propres outils de collecte de données sur YouTube et des comptes API pour faciliter le processus de collecte.

La position juridique concernant les règles régissant l’utilisation de l’IA dans la collecte de données reste encore peu claire. Selon Robert Mahari du MIT, il peut être assez compliqué d’établir qu’une collecte de données a effectivement eu lieu. Les organisations peuvent gagner à ne pas révéler les sources de leurs données d’entraînement, car il devient difficile de prouver un abus en l’absence de preuves tangibles. 

Une autre plateforme, Suno, une plateforme de génération de musique par IA, a récemment été mise en lumière pour avoir admis l’utilisation de la collecte de données pour entraîner des modèles d’intelligence artificielle. Comme rapporté précédemment par Cryptopolitan, le PDG de Reddit, Steve Huffman, a déclaré que l’entreprise continuerait d’interdire à Microsoft et à d’autres entreprises d’IA d’utiliser la collecte de données jusqu’à ce qu’un paiement soit effectué et que la plateforme obtienne le contrôle de l’utilisation des données. Il a déclaré que Reddit n’autoriserait pas la collecte de données aux fins d’entraînement des modèles d’IA sans licence appropriée.