A NVIDIA enfrenta escrutínio sobre suposta raspagem de dados não licenciada para modelos de IA

Documentos vazados obtidos pela 404 Media sugerem que a NVIDIA se envolveu em raspagem de dados não licenciada, usando imagens de filmes e jogos da internet para treinar seus produtos de inteligência artificial. 

Os documentos vazados revelam que eles estavam tentando baixar filmes completos de vários canais, incluindo a Netflix, e seu principal interesse estava em vídeos do YouTube. De acordo com os e-mails obtidos pela 404 Media, os gerentes de projeto pretendiam empregar entre 20 e 30 máquinas virtuais na Amazon Web Services para obter 80 anos de vídeos em um dia.

A NVIDIA defende suas ações e invoca disposições de uso justo

A raspagem de dados é a prática de extrair conteúdo de vídeo, texto e áudio da internet sem a permissão dos proprietários do conteúdo para treinar modelos de IA. Essa prática pode ser vista como o uso de conteúdo de plataformas de mídia social que contêm material protegido por direitos autorais. 

A NVIDIA afirmou que não violou nenhuma lei de direitos autorais no processo de raspagem de dados. A empresa também afirmou que suas atividades se enquadram na doutrina de uso justo, pois utiliza material protegido por direitos autorais para treinar a IA.

Documentos obtidos de comunicações internas pela 404 Media indicam que alguns funcionários da NVIDIA expressaram preocupações sobre essas atividades de raspagem de dados. No entanto, os gerentes de projeto supostamente minimizaram as preocupações, afirmando que questões legais, por exemplo, violações dos Termos de Serviço do YouTube, seriam tratadas mais tarde. 

Um funcionário apontou que os engenheiros de IA da NVIDIA tentaram obter o maior número possível de clipes de jogos para enriquecer o corpus de treinamento. Isso envolvia transmitir a jogabilidade para o serviço em nuvem GeForceNow da NVIDIA para gravar vídeos de jogabilidade em alta definição. Jim Fan, analista sênior de pesquisa, em mensagens internas também enfatizou a importância de tais imagens como entrada para o treinamento do modelo de IA.

A empresa toma medidas para gerenciar a percepção pública das práticas de dados

Os documentos também detalham as tentativas da NVIDIA de controle de danos sobre as repercussões de tais práticas. De acordo com e-mails vazados, o Vice-Presidente de Pesquisa Ming-Yu Liu recomendou que a empresa evitasse publicar quaisquer artigos relacionados às técnicas de raspagem de dados para evitar uma reação pública negativa. A empresa também criou seu próprio conjunto de ferramentas de raspagem de dados do YouTube e contas de API para ajudar no processo de coleta de dados.

A posição legal em relação às regras que regem o uso da IA na raspagem de dados ainda não está muito clara. De acordo com Robert Mahari do MIT, pode ser bastante complicado estabelecer que a raspagem de dados realmente ocorreu. As organizações podem se beneficiar de não revelar as fontes de seus dados de treinamento, pois torna-se difícil provar o abuso na ausência de provas tangíveis. 

Outra plataforma, a Suno, uma plataforma de geração de música por IA, recentemente chamou a atenção por admitir o uso de raspagem de dados para treinar modelos de inteligência artificial. Como anteriormente relatado pelo Cryptopolitan, o CEO do Reddit, Steve Huffman, afirmou que a empresa continuará a proibir a Microsoft e outras empresas de IA de usar raspagem de dados até que o pagamento seja feito e o controle de como os dados são usados seja obtido pela plataforma. Ele disse que o Reddit não permitiria a raspagem de dados para uso no treinamento de modelos de IA sem a licença adequada.