Nhà xuất bản "tuyên chiến" với kho dữ liệu huấn luyện AI Common Crawl

- Các tổ chức truyền thông Đan Mạch yêu cầu Common Crawl, một tổ chức phi lợi nhuận lưu trữ web, xóa nội dung của họ khỏi bộ dữ liệu cũ và ngừng thu thập dữ liệu từ các trang web của họ.
- Yêu cầu này được đưa ra giữa làn sóng phẫn nộ về cách các công ty AI như OpenAI sử dụng tài liệu có bản quyền mà không xin phép.
- Common Crawl dự định tuân thủ yêu cầu vì không có đủ nguồn lực để đối đầu với các công ty truyền thông và nhà xuất bản tại tòa án.
- Liên minh Quyền Đan Mạch (DRA) dẫn đầu chiến dịch này, lấy cảm hứng từ vụ kiện của New York Times chống lại OpenAI.
- Trước năm 2023, Common Crawl không nhận được yêu cầu biên tập dữ liệu nào, nhưng hiện đang phải xử lý ngày càng nhiều yêu cầu tương tự.
- Hơn 44% các trang tin tức và truyền thông hàng đầu thế giới chặn trình thu thập dữ liệu của Common Crawl (CCBot) trong năm qua.
- Nhiều chuyên gia lo ngại việc xóa tài liệu lưu trữ khỏi các kho dữ liệu như Common Crawl sẽ đe dọa sự tồn tại của web mở.
- Common Crawl đóng vai trò quan trọng trong nghiên cứu học thuật, được trích dẫn trong hơn 10.000 bài báo.
- Sự chuyển đổi của Common Crawl từ công cụ ít được biết đến thành trợ thủ gây tranh cãi của AI là một phần của cuộc xung đột lớn hơn về bản quyền và web mở.
- Nếu ngày càng nhiều nhà xuất bản và hãng tin từ chối Common Crawl, điều này có thể ảnh hưởng đáng kể đến nghiên cứu học thuật và củng cố vị thế thống trị của các công ty AI hàng đầu như OpenAI.

📌Sự phản đối của các nhà xuất bản đối với việc sử dụng nội dung có bản quyền của họ để huấn luyện AI đang gây áp lực lên Common Crawl, một tổ chức phi lợi nhuận lưu trữ web. Việc tuân thủ các yêu cầu gỡ bỏ dữ liệu có thể ảnh hưởng tiêu cực đến nghiên cứu học thuật và làm suy yếu web mở, đồng thời tạo lợi thế cho các công ty AI hàng đầu như OpenAI trong cuộc đua phát triển công nghệ này.

https://www.wired.com/story/the-fight-against-ai-comes-to-a-foundational-data-set/