Raamatute hävitamine treeningandmete nimel: eetika ja seadus

Nad jõuavad lattu märgistamata veoautodega. Pikad alused. Kartongkastid, millele on löödud ISBN-sildid. Vaikne töö. Kiirem kui säilitamine. Stseen kõlab nagu logistikaoperatsioon, kuid lastiks on kirjandus: miljonid trükitud raamatud, mis saadetakse tööstuslikesse skanneritesse, mis rebivad need lehekülg haaval lahti.

See, millest loete, ei ole vandenõuteooria. Kohtu dokumendid ja paljastajate aruanded näitavad, et mitu tehisintellekti ettevõtet on võtnud kasutusele hävitavaid skaneerimistehnikaid trükitud tekstide skaleeritud digitaliseerimiseks. Selle asemel, et raamatuid hoolikalt riiulitel säilitada, eemaldatakse köited ja leheküljed söötetakse kõrge kiirusega tööstuslikesse skanneritesse. Vahetus on julmalt lihtne: kiirus ja madalamad kulud versus trükitud köite füüsiline säilimine.

Üks paljastav joon kulgeb läbi dokumentide. Endised töötajad, kes olid seotud Google Booksiga ja hilisemate projektidega nagu Anthropicu sisealgatused (kohtuasjades nimetatud Projekt Panama), on tunnistanud, et kasutati nii õrnat ülevalt skaneerimist pakkuvaid teenuseosutajaid kui ka kiirmaid, hävitavaid teenuseid. Tehisintellekti arendajatele on otsus pragmaatiline. Hävitatav skaneerimine maksab vähem ja suurendab läbilaskevõimet mitme astme võrra.

Näiteks süüdistatakse Anthropicut miljonite dollarite kulutamises treeningandmete eraldamiseks trükitud raamatutest, mis osteti edasimüüjate kaudu nagu Better World Books, ja nende koopiate hävitamises pärast skaneerimist. Kuigi kohtunik otsustas hiljuti, et autoriõigusega kaitstud teoste kasutamine tehisintellekti treenimiseks võib teatud kontekstides kuuluda 'õiglase kasutuse' alla, ei päästnud see otsus Anthropicut karistuslikest meetmetest, kui eraarhiividest leiti miljoneid digitiseeritud koopiaid, mis olid tehtud ilma autori või kirjastaja nõusolekuta (tegu, mis tekitas väidetavalt 1,5 miljardi dollari suuruseid trahve).

Kirjastajad ei ole käed rüpes istunud. Kirjastajate koalitsioonid on esitanud hagisid, väites, et teised tehnoloogiagigandid kasutasid autoriõigusega kaitstud pealkirju ilma loata suurte keelemudelite treenimiseks. Õiguslik lahing keskendub nii õigustele kui ka hüvitistele, kuid kohtu üle ripub suurem kultuuriline küsimus: kas eraettevõtetel peaks olema lubatud muuta avalike ja eraraamatukogude kogusid proprietaarseteks andmeteks ja seejärel purustada originaalid?

Miks siis tehnoloogiaettevõtted ostavad kasutatud raamatuid alustel? Otsevastus on treeningandmed. Kvaliteetsed, inimese kirjutatud tekstid on endiselt üks väärtuslikumaid sisendeid arenenud keelemudelite jaoks. Veeb on juba üle ujutatud madala kvaliteediga tehisintellekti genereeritud sisuga (pilkavalt nimetatud 'tehisintellekti sodiks'), mis reostab signaali. Mudelite loomiseks, mis toodavad sidusat ja täpset proosat, tahavad arendajad autentsed allikad: hästi toimetatud ilukirjandus, ranged faktiraamatud ja varjatud akadeemilised monograafiad, mida veebist kraabitud korpustest ei leita.

Sisse astuvad turud nagu ISBNdb, veebipõhine andmebaas, mis loetleb üle 111 miljoni pealkirja. Selliste platvormide kaudu esitatavad tellimused varieeruvad ulatuslikult, alates tuhandest eksemplarist kuni ühekordse miljonini. Müüjad, kes varem saatsid nädalas paarikümmet raamatut, teatavad nüüd viiekordsetest kasvudest ja mõnikord rohkemgi. Ostjad maksavad sageli suuri summasid ja ei huvitu eriti teemast ega autorist; kui köitel on ISBN, on see kandidaat.

Sellel muutusel on praktilised ja eetilised mõõtmed. Ühest küljest võib haruldaste tekstide digitaliseerimine parandada leitavust ja tagada sisu säilimise füüsilise lagunemise eest. Teisalt röövib trükitud teoste massiline eemaldamine ringlusest, millele järgneb nende hävitamine, raamatukogudelt, kasutatud raamatute turgudelt ja tulevastelt uurijatelt juurdepääsu. Kas haruldasi või ajalooliselt olulisi väljaandeid filtreeritakse enne hävitamist välja? Kirjed on ähmased. Selge on see, et skaneeritud tekstid satuvad sageli eraandmebaasidesse, mis on juurdepääsetavad ainult nendele ettevõtetele, kes nende eest maksid.

Kujutage ette põlvkonda, kes peab tsitaati kontrollima või arhiivimärkust uurima, kuid olulised köited ei eksisteeri enam füüsiliselt ning digitiseeritud koopiad elavad ettevõtete varjul. Need vahetused ulatuvad kaugemale omandireeglitest. Need puudutavad kultuurilist hooldamist, juurdepääsu teadmistele ja seda, kes kontrollib neid põhimaterjale, mis toidavad tekkivaid tehisintellekte.

Raamatute hävitamine tuleviku intelligentsuse treenimiseks tõstatab raske küsimuse: kas tehnoloogiline areng on väärt püsivat kadumist osast meie paberipõhisest pärandist?

Poliitikakujundajad, raamatukoguhoidjad ja tehnoloogid peavad otsustama, kas aktsepteerida digitaliseeritud kirjanduse eraettehoiustamist, kohustada avalikku juurdepääsu või reguleerida trükitud teoste jäädvustamise meetodeid. Arutelu alles algab, kuid riiulid liiguvad edasi ja masinad sumisevad. Kes peab raamatute eest sõna?