Berichten zufolge nutzten OpenAI und Google YouTube-Transkripte, um ihre KI-Modelle zu trainieren
OpenAI und Google haben Berichten zufolge Transkripte von YouTube-Videos genutzt, um ihre LLMs zu trainieren.
Machen Sie sich bereit für ein brandneues YouTube-Erlebnis.
Für das Training von Modellen der künstlichen Intelligenz sind viele Daten erforderlich, um den Kontext von Abfragen besser zu verstehen und letztendlich bessere Antworten zu liefern. Auf der ständigen Suche nach mehr Daten haben sowohl OpenAI als auch Google von anderen erstellte YouTube-Videos verwendet, um ihre großen Sprachmodelle (LLMs) zu trainieren, berichtete die New York Times am Wochenende unter Berufung auf Personen, die behaupten, Kenntnisse darüber zu haben die Aktivitäten der Unternehmen.
Im Jahr 2023 entwickelte OpenAI Whisper, ein Spracherkennungstool, das dem Unternehmen dabei helfen sollte, YouTube zu scannen, Audio aus mehr als 1 Million YouTube-Videos zu entnehmen und diese zur Information von GPT-4 zu verwenden, so die Quellen der Times.
Dem Bericht zufolge hat Google inzwischen auch YouTube-Videos transkribiert. Darüber hinaus änderte der Suchriese im Jahr 2023 seine Nutzungsbedingungen, um es einfacher zu machen, öffentliche Google Docs, Google Maps-Restaurantbewertungen und andere öffentlich verfügbare Inhalte zur Verwendung in seinen KI-Modellen zu durchsuchen, so die Times.
Es ist kein Geheimnis, dass KI-Modelle erhebliche Datenmengen benötigen, um effizient zu funktionieren. Mehr Daten, einschließlich Text, Audio und Videos, geben Modellen die Möglichkeit, den menschlichen Kontext, die menschliche Interaktion und andere wichtige Kommunikationsdetails zu verstehen, was sie effektiver macht.
Es gibt jedoch zunehmende Spannungen zwischen den Unternehmen, die diese Modelle entwickeln, und den Erstellern der Inhalte. Welche Inhalte sollten gegebenenfalls beim Training von KI-Modellen verwendet werden dürfen? In immer mehr Fällen fordern Nachrichtenagenturen, Websites und Content-Ersteller selbst OpenAI, Google, Meta und andere Technologieunternehmen dazu auf, für den Zugriff auf ihre Inhalte zu zahlen, bevor diese zum Training von LLMs verwendet werden können.
In einigen Fällen haben Modellbauer Vereinbarungen mit Unternehmen wie Reddit und Stack Overflow eingehalten und unterzeichnet, um Zugriff auf Benutzerdaten zu erhalten. In anderen Fällen nicht so sehr.
Laut dem Bericht der New York Times könnte beispielsweise die angebliche Transkription von mehr als einer Million YouTube-Videos durch OpenAI gegen Googles eigene Nutzungsbedingungen verstoßen, die Anwendungen Dritter daran hindern, seine YouTube-Videos für „unabhängige“ Zwecke zu nutzen. Darüber hinaus können die Entscheidungen der Unternehmen, angeblich Videos zu transkribieren, gegen das Urheberrecht verstoßen, da YouTube-Ersteller, die Videos auf YouTube hochladen, weiterhin das Urheberrecht an den von ihnen erstellten Inhalten behalten.
Um es klarzustellen: Der Times-Bericht kann nicht unabhängig überprüft werden. Außerdem haben weder Google noch OpenAI zugegeben, dass sie Daten illegal gescrapt haben. Wir wissen jedoch, dass den Unternehmen die Möglichkeiten ausgehen, auf mehr Inhalte zuzugreifen. Was noch schlimmer ist, sagte eine Quelle der Times, dass es möglich sei, dass Technologieunternehmen bis 2026 keine Inhalte mehr hätten, die sie in ihre Modelle integrieren könnten.
Was dann? Es ist durchaus möglich - und vielleicht sogar wahrscheinlich -, dass die Technologieunternehmen Lizenzvereinbarungen mit Content-Erstellern, Medienunternehmen und sogar Musikern abschließen, um Zugang zu ihren Kreationen zu erhalten. Es ist auch möglich, dass sie ihre Nutzungsbedingungen weiter ändern oder, schlimmer noch, Wege finden, Datenschutzgesetze zu umgehen und auf die Daten zuzugreifen, auf die sie derzeit keinen Zugriff haben.
Es ist klar, dass die Menge an Daten, die Unternehmen wie Meta, Google und OpenAI in den kommenden Jahren benötigen, nur noch zunehmen wird. Es ist wichtig, dass sie beim Zugriff auf diese Daten auf eine Weise zugreifen, die den Personen, die den Inhalt ursprünglich erstellt haben, keinen Schaden zufügt.