Totul a început când cele două ziare au dat în judecată OpenAI, acuzând compania că a încălcat legea drepturilor de autor prin antrenarea modelelor sale generative de inteligență artificială pe conținutul lor jurnalistic și prin reproducerea acestuia în răspunsurile ChatGPT. Pe parcursul procesului, OpenAI a susținut că nu are capacitatea tehnică de a căuta în propriul corpus de instruire. De asemenea, a argumentat că ar fi extrem de dificil din punct de vedere tehnic să producă o colecție masivă de conversații ChatGPT și că acest lucru ar ridica probleme de confidențialitate a utilizatorilor, deoarece jurnalele ar trebui recuperate, procesate și de-identificate.
Publicațiile au cerut aceste date pentru a determina dacă articolele lor protejate de drepturi de autor se aflau în setul de instruire al OpenAI și cât de des ChatGPT genera răspunsuri care le reproduceau conținutul. În aprilie, într-o depoziție ordonată de instanță, inginerul de confidențialitate a datelor de la OpenAI, Vinnie Monaco, ar fi dezvăluit că OpenAI efectuase deja căutări și evaluări interne ale corpusului său de instruire pentru a găsi lucrări jurnalistice protejate.
Depoziția lui Monaco ar fi mai arătat că, încă dinainte ca NYT să depună procesul, OpenAI adunase o bază de date de aproximativ 78 de milioane de conversații ChatGPT de-identificate, pe care le folosea intern pentru a determina cât de mult încălca drepturile altora. Pe lângă acest set de date, OpenAI ar fi implementat și un așa-numit filtru „Bloom” ca parte a unui set de instrumente numit „Project Giraffe”, care detecta și înregistra regurgitarea în răspunsurile generate, la scurt timp după depunerea procesului.
Aceste două dezvăluiri sunt deosebit de semnificative. Inițial, reclamanții ceruseră OpenAI să furnizeze un eșantion de 120 de milioane de jurnale de chat, dar OpenAI a negociat reducerea eșantionului la doar 20 de milioane. OpenAI a depus în cele din urmă acest eșantion în instanță în decembrie anul trecut, dar ar fi inclus atât de multe redactări încât instanța l-a considerat „inutilizabil”. Reclamanții susțin, de asemenea, că OpenAI a șters miliarde de răspunsuri ChatGPT după depunerea procesului, încălcând direct ordinul de conservare a probelor, și că a înlocuit milioane de jurnale din eșantionul solicitat.
Cu alte cuvinte, ei susțin că OpenAI a făcut în mod inutil dificilă obținerea unor informații pe care compania le colectase deja. „Dacă OpenAI credea cu adevărat că copierea jurnalismului clienților noștri era corectă și legală, nu ar fi ascuns adevărul despre faptul că a făcut-o”, a declarat Ian B. Crosby, avocatul principal al reclamanților, într-un comunicat.
Acum, NYT și Daily News cer judecătorului să sancționeze OpenAI pentru că ar fi ascuns probe și ar fi manipulat procesul de descoperire. Ei cer instanței să împiedice OpenAI să folosească eșantionul de 20 de milioane de jurnale de chat ca probă, susținând că este nesigur; să accepte ca fapt că jurnalele ChatGPT ar fi arătat o regurgitare majoră a conținutului reclamanților; să împiedice OpenAI să susțină că jurnalele furnizate nu demonstrează o regurgitare substanțială; și să oblige OpenAI să plătească cheltuielile legale pentru urmărirea acestor probe.
Într-un comunicat, purtătorul de cuvânt al OpenAI, Drew Pusateri, a negat acuzațiile, acuzând Times că încearcă să acceseze conversații private ale utilizatorilor pe măsură ce cazul lor slăbește. „Pe măsură ce cazul Times slăbește și au fost forțați să renunțe la unele acuzații împotriva noastră, ei persistă în eforturile de a invada confidențialitatea persoanelor care nu au nicio legătură cu acest caz, inclusiv prin aceste acuzații flagrant false”, a spus Pusateri. „Vom continua să apărăm confidențialitatea utilizatorilor noștri și principiile de lungă durată ale utilizării loiale.”
Acest caz are implicații uriașe pentru întreaga industrie a inteligenței artificiale generative. Dacă instanța va decide că OpenAI a ascuns în mod deliberat probe, ar putea stabili un precedent periculos pentru modul în care companiile de AI gestionează datele de instruire și răspunsurile generate. Pe de altă parte, dacă acuzațiile se dovedesc nefondate, ar putea întări poziția OpenAI și a altor companii care susțin că utilizarea conținutului protejat pentru antrenarea modelelor AI este o utilizare loială.
În plus, această dispută evidențiază tensiunile dintre inovarea tehnologică și protejarea drepturilor de autor. Jurnaliștii și creatorii de conținut se tem că modelele AI le vor înlocui munca, în timp ce companiile de AI susțin că au nevoie de acces la cantități mari de date pentru a îmbunătăți performanța modelelor. Rămâne de văzut cum va evolua acest caz și ce impact va avea asupra viitorului inteligenței artificiale generative.
De ce este important:
Acest caz este crucial pentru stabilirea limitelor legale ale utilizării conținutului protejat de drepturi de autor în antrenarea modelelor de inteligență artificială. Dacă OpenAI este găsit vinovat de ascunderea probelor, ar putea duce la sancțiuni severe și la o reglementare mai strictă a industriei AI. De asemenea, ar putea afecta încrederea publicului în transparența companiilor de tehnologie și ar putea influența modul în care viitoarele modele AI sunt dezvoltate și testate.
