テックジャイアント、許可なく YouTube の字幕を AI 訓練に使用

Apple、Nvidia、AnthropicがYouTube字幕を使用してAIモデルをトレーニングしていることが判明し、これはYouTubeのポリシーに違反しています。Proof NewsとWiredのレポートによると、これらの企業はライセンスを適切に取得せずに、数千のYouTube動画のトランスクリプトのデータセットを使用していました。 

関連記事： 英国の監視機関がMicrosoftのAI人材獲得について調査を開始

研究によると、Apple、Nvidia、AnthropicはYouTube字幕データセットを使用していました。このデータセットは、48,000のチャンネルから173,536本のYouTube動画のトランスクリプトで構成されています。動画には、Khan AcademyやMITのような教育チャンネル、ウォール・ストリート・ジャーナルのようなニュースチャンネル、MrBeastやMarques Brownleeのようなトップクリエイターが含まれています。

人気YouTuberたちがデータ搾取に反応

人気YouTuberであるMarques Brownleeは、この問題についてXでコメントしました。彼は次のように述べています。「Appleは他の企業からAI用のデータを収集しました。そのうちの一つは、私の動画を含むYouTube動画から多くのデータ/トランスクリプトを収集しました。 Appleがデータを直接スクレイピングしたわけではありませんが、ブラウンリー氏はこの問題が持続するだろうと指摘しました。

「YouTube字幕」データセットはEleutherAIによって開発され、2020年に公開されました。これには5.7GBのデータが含まれており、プラットフォームから削除されたYouTube動画の字幕が含まれています。 

YouTubeの利用規約によると、「自動的な手段」による動画へのアクセスは禁止されています。削除された動画の字幕が存在することは、この問題に拍車をかけ、プライバシーと著作権侵害に関する疑問を提起しています。

調査にも関与しているSalesforceは、同データセットを使用したことを認めています。 

「研究論文で言及されているThe Pileデータセットは、2021年に学術および研究目的のためにトレーニングされました。このデータセットは公に利用可能であり、寛容なライセンスの下で公開されました。」

Salesforceの spokesperson 

しかし、許可なくYouTubeコンテンツを使用することは、今日でも依然として論争の的となっています。4月、YouTubeのCEOであるNeal Mohan氏は、YouTube動画、トランスクリプト、またはクリップをAIトレーニングに使用することはポリシーの「明確な違反」だと述べていました。しかし、ニューヨーク・タイムズによると、OpenAIはGPT-4モデルのトレーニングに100万時間のYouTube動画を使用しました。 

AI企業のインターネットコンテンツ使用をめぐる法的紛争勃発

ChatGPTの登場後、AI企業が許可なくインターネットのコンテンツを使用する問題が増加しています。さらに、コンテンツクリエイターは、許可なく著作権で保護された作品をスクレイピングしたとしてStability AIとMidjourneyを提訴しています。YouTubeの所有者であるGoogleは、同様の主張に関する集団訴訟に直面し、このような法的措置が生成AIの基盤を脅かしていると述べています。 

ウォール・ストリート・ジャーナルとのインタビューで、OpenAIのCTOであるミラ・ムラティは、この新しいモデルのトレーニングにソーシャルメディアプラットフォームの動画を使用したかどうかについて詳しく説明しませんでした。Microsoft AI CEOのムスタファ・スレイマンは述べています、オープンウェブ上のコンテンツは、彼が「社会的契約」と呼ぶものに基づき、1990年代からフェアユースと見なされてきたと。