OpenAI e Google supostamente usaram transcrições de vídeos do YouTube para treinar seus modelos de IA

OpenAI e Google treinaram seus modelos de IA em textos transcritos de vídeos do YouTube, potencialmente violando os direitos autorais dos criadores, de acordo com . O relatório, que descreve até onde OpenAI, Google e Meta fizeram para maximizar a quantidade de dados que podem alimentar suas IAs, cita inúmeras pessoas com conhecimento das práticas das empresas. Acontece poucos dias depois que o CEO do YouTube, Neal Mohan, disse em uma entrevista ao que o suposto uso de vídeos do YouTube pela OpenAI para treinar seu novo gerador de texto para vídeo, Sora, .

De acordo com NYTa OpenAI usou sua ferramenta de reconhecimento de voz Whisper para transcrever mais de um milhão de horas de vídeos do YouTube, que foram então usados ​​para treinar o GPT-4. relatou anteriormente que a OpenAI usou vídeos e podcasts do YouTube para treinar os dois sistemas de IA. O presidente da OpenAI, Greg Brockman, estaria entre as pessoas desta equipe. De acordo com as regras do Google, “raspagem ou download não autorizado de conteúdo do YouTube” não é permitido, disse Matt Bryant, porta-voz do Google. NYTdizendo também que a empresa não tinha conhecimento de tal uso por parte da OpenAI.

O relatório, no entanto, afirma que havia pessoas no Google que sabiam, mas não tomaram medidas contra a OpenAI porque o Google estava usando vídeos do YouTube para treinar seus próprios modelos de IA. Google disse NYT isso só acontece com vídeos de criadores que concordaram em participar de um programa experimental. O Engadget entrou em contato com o Google e a OpenAI para comentar.

O NYT O relatório também afirma que o Google ajustou sua política de privacidade em junho de 2022 para cobrir mais amplamente o uso de conteúdo disponível publicamente, incluindo Google Docs e Google Sheets, para treinar seus modelos e produtos de IA. Bryant disse NYT que isso só é feito com a permissão dos usuários que optam pelos recursos experimentais do Google e que a empresa “não iniciou o treinamento em tipos adicionais de dados com base nessa mudança de idioma”.