Algunas de las empresas tecnológicas más grandes del mundo entrenaron sus modelos de IA en un conjunto de datos que incluía transcripciones de más de 173.000 videos de YouTube sin permiso, un Nueva investigación de Noticias de prueba El conjunto de datos, creado por una empresa sin fines de lucro llamada EleutherAI, contiene transcripciones de videos de YouTube de más de 48.000 canales y fue utilizado por Apple, NVIDIA y Anthropic, entre otras empresas. Los hallazgos de la investigación ponen de relieve la incómoda verdad de la IA: la tecnología se basa en gran medida en datos extraídos de los creadores sin su consentimiento ni compensación.

El conjunto de datos no incluye videos ni imágenes de YouTube, pero contiene transcripciones de videos de los creadores más importantes de la plataforma, incluidos Marques Brownlee y MrBeast, así como de grandes editores de noticias como Los New York Timesel BBCy ABC NoticiasLos subtítulos de los vídeos pertenecientes a … también forman parte del conjunto de datos.

“Apple ha obtenido datos para su IA de varias empresas”, dijo Brownlee publicado en X“Uno de ellos extrajo toneladas de datos y transcripciones de vídeos de YouTube, incluidos los míos”, añadió. “Este será un problema que seguirá evolucionando durante mucho tiempo”.

Un portavoz de Google le dijo a … que comentarios anteriores El CEO de YouTube, Neal Mohan, afirmó que las empresas que utilizan los datos de YouTube para entrenar modelos de inteligencia artificial violarían los términos y condiciones de la plataforma y que el servicio sigue vigente. Apple, NVIDIA, Anthropic y EleutherAI no respondieron a una solicitud de comentarios de ….

Hasta ahora, las empresas de IA no han sido transparentes sobre los datos utilizados para entrenar sus modelos. A principios de este mes, artistas y fotógrafos criticó a Apple por no revelar la fuente de los datos de entrenamiento para Inteligencia de Applela propia versión de la compañía de la IA generativa que llegará a millones de dispositivos Apple este año.

YouTube, el repositorio de vídeos más grande del mundo, en particular, es una mina de oro no solo de transcripciones, sino también de audio, vídeo e imágenes, lo que lo convierte en un conjunto de datos atractivo para entrenar modelos de IA. A principios de este año, la directora de tecnología de OpenAI, Mira Murati, preguntas evadidas de El periodico de Wall Street sobre si la empresa utilizó videos de YouTube para capacitar Sorala próxima herramienta de generación de videos con IA de OpenAI. “No voy a entrar en detalles sobre los datos que se usaron, pero eran datos disponibles públicamente o con licencia”, dijo Murati en ese momento. El director ejecutivo de Alphabet Sundar Pichai También dijo que las empresas que utilizan datos de YouTube para entrenar sus modelos de IA violarían los términos de servicio de la plataforma.

Si quieres ver si los subtítulos de tus videos de YouTube o de tus canales favoritos son parte del conjunto de datos, dirígete a Proof News. herramienta de búsqueda.

Actualización, 16 de julio de 2024, 15:17 h (hora del Pacífico): Esta historia ha sido actualizada para incluir una declaración de Google.