Cărți vechi, inclusiv manuale tehnice, lucrări medicale și volume de matematică sau fizică, sunt cumpărate în cantități neobișnuit de mari de pe piața second-hand. Fenomenul a atras atenția librarilor din Canada și din alte țări, care au observat comenzi pentru sute sau chiar mii de volume aparent fără legătură între ele.
În contextul în care companiile de inteligență artificială au nevoie de cantități tot mai mari de texte pentru antrenarea modelelor, aceste achiziții au ridicat întrebări cu privire la destinația cărților.
Mai multe librării din Coreea de Sud au primit solicitări pentru achiziționarea unor cantități uriașe de cărți în limba coreeană, în condiții neobișnuite. Reprezentanții industriei editoriale suspectează că volumele ar putea fi folosite pentru antrenarea sistemelor de inteligență artificială, fără acordul autorilor, relatează The Independent.
Și librari din Marea Britanie și Irlanda povestesc despre comenzi neobișnuit de mari de cărți second-hand și suspiciunile privind utilizarea lor pentru antrenarea AI.
De ce sunt importante cărțile pentru inteligența artificială
Interesul pentru cărțile tipărite este legat de problema datelor folosite pentru antrenarea modelelor de inteligență artificială.
Companiile din domeniu au nevoie de cantități foarte mari de texte, iar internetul a reprezentat până acum una dintre principalele surse. Odată cu extinderea conținutului generat automat, însă, devine mai importantă identificarea unor colecții de texte produse și editate de oameni.
Cărțile publicate înainte de apariția generativei AI pot reprezenta o astfel de sursă. Ele conțin texte specializate și editate, provenite din perioade în care conținutul generat automat nu exista la amploarea actuală.
Există deja companii care oferă industriei AI servicii de identificare și achiziție a unor astfel de volume. ISBNdb, de exemplu, a prezentat cărțile tipărite drept o sursă de date pentru dezvoltarea modelelor și a oferit servicii de achiziție în cantități foarte mari.
Unele cărți sunt cumpărate pentru a fi scanate
Pentru ca textul dintr-o carte tipărită să poată fi folosit ca date, volumul trebuie digitizat. În cazul operațiunilor desfășurate la scară mare, procesul poate implica tăierea cotorului și separarea paginilor, astfel încât acestea să poată fi introduse rapid în scanere.
Procedura, cunoscută drept „destructive scanning”, face ca volumul să nu mai poată fi vândut ulterior ca o carte întreagă.
Există dovezi că astfel de operațiuni sunt folosite pentru obținerea de date destinate dezvoltării modelelor AI.
Anthropic a cumpărat milioane de cărți
Unul dintre cele mai bine documentate cazuri este cel al Anthropic, compania care dezvoltă modelul Claude.
Documente devenite publice în cadrul unor litigii privind drepturile de autor au arătat că Anthropic a derulat un proiect intern numit „Project Panama”. Compania a cumpărat milioane de cărți fizice, le-a scanat și a creat copii digitale pentru propria bibliotecă.
În acest proces, cărțile puteau fi tăiate pentru ca paginile să fie scanate rapid, după care exemplarele fizice erau reciclate.
Cazul a devenit unul dintre exemplele importante din disputa privind modul în care companiile de inteligență artificială își procură datele pentru antrenarea modelelor.
