Le aziende AI si affidano agli editori premium per i dati di addestramento, scopre una nuova ricerca

Le principali aziende tecnologiche, tra cui OpenAI, Google, Meta e Anthropic, si affidano a materiale di alta qualità e protetto da copyright di editori prominenti per addestrare i loro modelli linguistici di grandi dimensioni (LLM). 

Questo è secondo uno studio condotto da Ziff Davis, la società madre di CNET, IGN e Mashable, che mostra il ruolo essenziale che i contenuti di alta qualità svolgono nell'addestramento di questi modelli AI. Lo studio mostra che le fonti autorevoli sono preferite per i dataset di addestramento nelle aziende AI per migliorare le prestazioni del modello, ma il contributo di queste fonti è spesso trascurato.

Nella ricerca, l'avvocato AI di Ziff Davis, George Wukoson e il Chief Technology Officer Joey Fortuna hanno affermato che le aziende AI scelgono i dati di addestramento in base al ranking dei siti web autorevoli con alti ranking nei motori di ricerca. I siti web di alta qualità e popolari sono stati scelti per migliorare i modelli poiché hanno una buona reputazione. Una strategia che, secondo lo studio, consente agli sviluppatori AI di perfezionare il modello linguistico.

Ziff Davis ha sottolineato che provider di contenuti di fascia alta come Axel Springer, Future PLC, Hearst, News Corp e The New York Times, tra gli altri, hanno contribuito allo sviluppo dei dataset di addestramento. In particolare, è stato identificato che il 12,04% di OpenWebText2, utilizzato per la creazione di GPT-3 di OpenAI, proveniva da questi editori fidati.

Mark Zuckerberg si è anche espresso sul dibattito in corso sull'uso dei contenuti nell'addestramento dell'AI. In un recente intervista con The Verge, Zuckerberg ha riconosciuto che lo scraping dei dati per l'AI è difficile, ma ha anche sottolineato che i contenuti dei singoli creatori o editori potrebbero non essere così impattanti. Ha dichiarato : "Penso che i singoli creatori o editori tendano a sovrastimare il valore dei loro contenuti specifici nel quadro generale di questo."

Gli editori intentano cause legali contro le aziende AI

Il segreto sulle fonti dei dati di addestramento ha sollevato preoccupazioni tra editori e consumatori. Il New York Times e il Wall Street Journal hanno recentemente intentato cause legali contro le aziende AI, sostenendo di aver violato le leggi sul copyright utilizzando i loro contenuti. 

Mentre OpenAI ha intensificato gli sforzi per ottenere licenze di contenuti da organizzazioni mediatiche come il Financial Times e DotDash Meredith, diverse aziende AI continuano a lavorare senza una licenza adeguata. Il rapporto afferma ulteriormente che "i principali sviluppatori di LLM non divulgano più i loro dati di addestramento come facevano una volta."

Mentre i valori delle aziende AI salgono, il divario tra i giganti della tecnologia e le aziende di media tradizionali rimane vasto. I giganti tecnologici come Google e Meta, con un valore stimato rispettivamente di 2,2 trilioni e 1,5 trilioni di dollari, rimangono in prima linea nell'AI generativa, mentre startup come OpenAI e Anthropic sono valutate rispettivamente 157 miliardi e 40 miliardi di dollari. 

 D'altra parte, gli editori stanno ancora affrontando licenziamenti e ristrutturazioni, che sono la prova della pressione finanziaria di adattarsi a un ambiente sempre più definito dall'AI. A causa della concorrenza con i contenuti generati dagli utenti e basati sull'AI, numerosi editori affrontano sfide in termini di riduzione dei costi e del personale.