Kompanitë e AI-së po blejnë libra të vjetër për të trajnuar modelet e tyre, dhe më pas i shkatërrojnë

Në garën për të ndërtuar modele gjithnjë e më të fuqishme të Inteligjencës Artificiale, një burim i vjetër informacioni po merr papritur një vlerë të re: librat fizikë. Kompanitë e Inteligjencës Artificiale dhe ndërmjetësit që furnizojnë industrinë me të dhëna po blejnë libra të përdorur në sasi të mëdha, për t’i skanuar dhe për ta përdorur përmbajtjen e tyre në trajnimin e modeleve të mëdha gjuhësore.

Por procesi ka edhe një anë problematike: në disa raste librat priten, çmontohen dhe në fund shkatërrohen për të mundësuar skanimin në shkallë industriale. Dhe mes tyre mund të ketë edhe tituj të rrallë apo libra që nuk botohen më.

Pse Inteligjenca Artificiale ka nevojë për libra të vjetër?

Modelet e mëdha gjuhësore kanë nevojë për sasi kolosale teksti për t’u trajnuar. Interneti ishte burimi i dukshëm për gjeneratat e para të këtyre modeleve. Por me përhapjen e përmbajtjes së gjeneruar nga vetë Inteligjenca Artificiale, kompanitë përballen me një problem të ri: një pjesë gjithnjë e më e madhe e internetit përmban materiale të krijuara ose të modifikuara nga Inteligjenca Artificiale. Pikërisht këtu librat e botuar përpara bumit të ChatGPT marrin një vlerë të veçantë. Librat fizikë të periudhës para përhapjes masive të modeleve të mëdha gjuhësore (LLM) ofrojnë përmbajtje që nuk është ndikuar nga tekstet moderne të gjeneruara nga Inteligjenca Artificiale. Me fjalë të tjera, librat e vjetër po shndërrohen në një lloj “të dhëne të pastër” për trajnimin e Inteligjencës Artificiale.

Lexo edhe: New York vendos bllokadën e parë në SHBA për qendrat e reja të të dhënave të AI

Nga rafti direkt në skanerët industrialë

Një nga rastet që ka tërhequr më shumë vëmendje është ai i Anthropic. Sipas dokumenteve të bëra publike në një çështje gjyqësore, kompania bleu sasi të mëdha librash fizikë nga shitës të ndryshëm. Librave u hiqej pjesa e lidhjes me ndihmën e pajisjeve prerëse hidraulike, në mënyrë që faqet të mund të skanoheshin në mënyrë të automatizuar me pajisje industriale. Pasi përmbajtja kalonte në format digjital, kopjet fizike nuk ruheshin domosdoshmërisht. Praktika u bë pjesë e një debati shumë më të gjerë mbi të drejtat e autorit dhe mënyrën se si kompanitë e Inteligjencës Artificiale sigurojnë materialet për trajnimin e modeleve të tyre.

Por pse të blejnë librat kur mund t’i gjejnë online?

Një arsye e rëndësishme lidhet me të drejtën e autorit. Blerja e një kopjeje fizike krijon një situatë ligjore të ndryshme nga shkarkimi i një kopjeje pirate nga interneti. Në SHBA ekziston koncepti juridik i njohur si “first-sale doctrine”, sipas të cilit pronari i një kopjeje të blerë ligjërisht ka të drejtë ta përdorë ose ta disponojë atë pa kërkuar lejen e mbajtësit të të drejtës së autorit. Në çështjen që përfshinte Anthropic, gjykata vlerësoi se dixhitalizimi i librave të blerë ligjërisht për krijimin e një biblioteke trajnimi kishte karakter transformues dhe mund të konsiderohej “fair use”. Kjo nuk do të thotë se çdo mënyrë e përdorimit të librave për trajnimin e Inteligjencës Artificiale është automatikisht e ligjshme. Përkundrazi, betejat ligjore mes autorëve, botuesve dhe kompanive të Inteligjencës Artificiale vazhdojnë.

Tani kërkesa po bëhet industriale

Fenomeni nuk duket se kufizohet më vetëm te disa laboratorë të mëdhenj të Inteligjencës Artificiale. Sipas një raportimi të 404 Media, kompani që tradicionalisht kanë punuar me librari, distributorë dhe shitës librash po shohin një treg të ri: furnizimin e industrisë së Inteligjencës Artificiale. Një prej tyre është ISBNdb, e cila operon një bazë të madhe të dhënash për libra. Kompania tashmë ofron shërbime për blerje masive librash, me porosi që mund të variojnë nga 1,000 deri në një milion kopje. Logjika është e thjeshtë: një pjesë e materialit më të vlefshëm për trajnimin e Inteligjencës Artificiale mund të mos jetë online. Mund të jetë ende duke mbledhur pluhur në raftet e librarive dhe magazinave.

Librat e rrallë mund të jenë viktima anësore

Pikërisht këtu fillon edhe pjesa më shqetësuese. Shitës të vegjël librash kanë raportuar rritje të pazakonta të porosive në masë, shpesh për një përzgjedhje librash që në pamje të parë duket krejtësisht e rastësishme. Dyshimi është se pas disa prej këtyre porosive mund të qëndrojnë laboratorë të Inteligjencës Artificiale ose kompani që mbledhin të dhëna në emër të tyre. Problemi bëhet më serioz kur porositë përfshijnë libra të rrallë, tituj që nuk botohen më apo botime në gjuhë të huaja. Nëse një libër i tillë blihet për t’u prerë dhe skanuar, mund të shkatërrohet një nga kopjet e pakta që vazhdojnë të ekzistojnë në treg. Disa shitës librash kanë shprehur pikërisht këtë dilemë: nga njëra anë, porositë e mëdha janë financiarisht tërheqëse dhe ndihmojnë në shitjen e inventarit që mund të qëndronte për vite në magazinë. Nga ana tjetër, destinacioni përfundimtar i librave krijon shqetësim.

Një ironi e epokës së Inteligjencës Artificiale

Për dekada, dixhitalizimi shihej si mënyra për të ruajtur librat dhe njohuritë që përmbanin. Tani po ndodh edhe procesi i kundërt. Në një internet që po mbushet gjithnjë e më shumë me përmbajtje të krijuar nga algoritmet, materialet e shkruara përpara epokës së Inteligjencës Artificiale po bëhen më të vlefshme pikërisht sepse janë krijuar nga njerëzit. Kjo ka krijuar një ekonomi të re të të dhënave, ku edhe një libër i harruar prej dekadash në raft mund të ketë vlerë për një laborator që po ndërton gjeneratën e ardhshme të modeleve të Inteligjencës Artificiale. Por ndërsa kompanitë kërkojnë gjithnjë e më shumë të dhëna “të pastra”, lind edhe një pyetje që shkon përtej teknologjisë: A duhet të lejojmë që kopje të rralla të trashëgimisë së shkruar të shkatërrohen për të mësuar makineritë se si të shkruajnë?

futurism