Il personale di Meta ha discusso l'uso di contenuti protetti da copyright per l'addestramento dell'IA, mostrano i documenti del tribunale

I documenti del tribunale hanno mostrato che i dipendenti di Meta hanno discusso l'uso di contenuti protetti da copyright per addestrare i loro modelli di intelligenza artificiale. Secondo i recenti documenti del tribunale, la maggior parte delle discussioni riguardava contenuti ottenuti da mezzi legalmente discutibili.

I documenti sono stati resi disponibili dai querelanti nel caso Kadrey contro Meta, uno dei molti casi di copyright sull'IA che hanno attraversato i tribunali statunitensi. Secondo le affermazioni di Meta, l'uso di opere protette da copyright, in particolare libri, per addestrare i suoi modelli rientra nella politica di fair use (uso lecito). Tuttavia, i querelanti, guidati da Sarah Silverman e Ta-Nehisi Coates, hanno disapprovato le affermazioni dell'azienda.

Secondo documenti precedentemente presentati, l'CEO di Meta Mark Zuckerberg ha approvato che il team di intelligenza artificiale dell'azienda utilizzasse contenuti protetti da copyright per addestrare i suoi modelli. I documenti hanno ulteriormente mostrato che l'azienda ha interrotto i negoziati per le licenze dei dati con gli editori di libri.

Meta utilizzerebbe contenuti protetti da copyright per addestrare i suoi modelli di IA

Secondo le nuove documenti resi disponibili in tribunale, le chat di lavoro interne condivise tra i dipendenti di Meta hanno mostrato un quadro chiaro di come l'azienda potrebbe aver utilizzato dati protetti da copyright per addestrare i suoi modelli di intelligenza artificiale, inclusi la maggior parte dei modelli della famiglia Llama.

Una delle chat coinvolgeva un alto dirigente di Meta, Melanie Kambadur, Senior Manager del team di ricerca Llama. Nella sua chat, ha parlato di addestrare i modelli di IA su contenuti che non erano legalmente giustificati.

“La mia opinione sarebbe (nella linea di 'chiedi perdono, non permesso'): proviamo ad acquisire i libri e a portarlo agli esecutivi così che loro prendano la decisione,” ha detto l'ingegnere di ricerca di Meta Xavier Martinet in una chat datata febbraio 2023, secondo i documenti. “È per questo che hanno creato questa organizzazione gen ai [sic]: così possiamo essere meno avversi al rischio,” ha aggiunto.

Martinet ha menzionato che l'azienda potrebbe semplicemente acquistare e-book ai prezzi al dettaglio per costruire il set di dati di addestramento, invece di entrare in accordi di licenza con diversi editori. Mentre un altro dipendente metteva in guardia dall'uso di tali contenuti e dalle implicazioni legali, Martinet ha menzionato che altre aziende stavano probabilmente usando anche libri piratati per l'addestramento.

Nella stessa chat, Kambadur ha menzionato che l'azienda era in trattative con alcune piattaforme per le licenze, ma ha notato che mentre l'uso di dati pubblicamente disponibili richiederebbe approvazioni, gli avvocati dell'azienda erano meno conservatori di quanto lo fossero stati in passato. “La differenza ora è che abbiamo più soldi, più avvocati, più aiuto per lo sviluppo di business, la capacità di accelerare/escalare per velocità, e gli avvocati stanno essendo un po' meno conservatori sulle approvazioni,” ha detto Kambadur.

I dipendenti discutono l'uso di Libgen

Secondo la denuncia, un'altra chat di lavoro mostra dove Kambadur ha parlato di utilizzare Libgen, un sito web aggregatore che fornisce link a contenuti protetti da copyright degli editori, come fonte di dati che Meta può licenziare. Libgen è stato citato in giudizio numerose volte, con la piattaforma ordinata di chiudere i suoi servizi a causa di accuse di violazione del copyright.

Mentre un altro collega nella chat ha pubblicato una foto e ha aggiunto “No, Libgen non è legale,”, sembrava che alcuni dei dirigenti al vertice sentissero che il mancato utilizzo di Libgen potrebbe ostacolare la competitività dell'azienda nella corsa all'IA. In un'email inviata dal direttore della gestione del prodotto di Meta, Sony Theakanath, al VP di Meta AI Joelle Pineau, ha notato che Libgen era importante per raggiungere i numeri all'avanguardia (SOTA) in tutte le categorie.

Theakanath ha anche parlato di diversi modi in cui l'azienda potrebbe ridurre l'esposizione legale, tra cui la rimozione dei dati contrassegnati come rubati/pirati e il non citare altri utilizzi pubblicamente. “Non rivelerebbero l'uso di dataset di Libgen utilizzati per l'addestramento,” ha detto. In pratica, questa mossa significava che l'azienda avrebbe prima esaminato i file di Libgen per verificare la presenza di opere “rubate o piratate”.

I documenti del tribunale rivelano altre violazioni

In una delle chat di lavoro, Kambadur ha anche suggerito che il team di Meta AI dovrebbe sintonizzare i modelli per “evitare prompt IP rischiosi”, il che configurerà i modelli per rifiutarsi di dare risposte agli utenti che cercano di conoscere i libri in cui i modelli sono stati addestrati.

I documenti hanno anche rivelato altri dettagli, con una rivelazione che mostra come Meta potrebbe aver utilizzato i dati di Reddit per addestrare il suo modello a imitare il comportamento di un'applicazione di terze parti chiamata Pushshift. Reddit ha dichiarato a aprile 2023 che inizierà a far pagare alle aziende di intelligenza artificiale per accedere ai dati necessari ad addestrare i loro modelli.

I querelanti nel caso attuale hanno modificato più volte la loro denuncia dall'inizio della causa nel 2023. La presentazione è stata effettuata presso il Tribunale Distrettuale degli Stati Uniti per il Distretto Settentrionale della California, a San Francisco. Nell'ultima modifica, i querelanti hanno affermato che Meta ha incrociato i libri piratati con quelli protetti da copyright per determinare se fosse opportuno perseguire un accordo di licenza. Meta, dal canto suo, considera il caso una questione legale ad alto rischio, decidendo di aggiungere due avvocati esperti in cause davanti alla Corte Suprema al suo team di difesa.