Kunstmatige intelligentie
Betwijfelbare AI-trainingtactieken een groeiende zorg

Belangrijkste puntenAI-bedrijven zoals Meta en OpenAI worden aangeklaagd voor het gebruik van gepirateerde…
Meer weergeven
- AI-bedrijven zoals Meta en OpenAI worden aangeklaagd voor het gebruik van gepirateerde boekgegevens uit schaduwbibliotheken om modellen te trainen.
- DeepSeek bouwde een concurrerende AI voor $6 miljoen door gebruik te maken van ChatGPT's output, wat beschuldigingen van intellectuele diefstal veroorzaakte.
- Contentmakers eisen compensatie omdat AI-modellen auteursrechtelijk beschermde werken zonder toestemming of betaling verwerken.
AI-trainingtactieken blijven onder de loep genomen worden vanwege hun gebrek aan toezicht. Het is gebruikelijk dat hedendaagse schrijvers inspiratie halen en zelfs elementen lenen van eerdere verhalen. Hoewel deze praktijk deel uitmaakt van de evolutie van het schrijven, zijn er momenten waarop het werk en de stijl van een auteur zonder toestemming worden gedupliceerd.
Wanneer deze situatie zich voordoet, stellen de moderne auteursrechtinbreukwetten de oorspronkelijke maker van de inhoud in staat om verliezen te recupereren. Hetzelfde kan echter niet gezegd worden over het groeiende aantal AI-systemen dat illegaal verkregen werken heeft gebruikt om hun modellen te ontwikkelen. Nu staat de industrie op een kruispunt wat betreft trainingtactieken en vergelding voor degenen die verliezen hebben geleden. Hier is wat u moet weten.
Betwijfelbare AI-trainingtactieken
Een stroom van rechtszaken beweert nu dat OpenAI en META (META ) opzettelijk omwegen zochten bij het verwerven van bibliotheekgegevens voor hun modeltraining. De eisers van de rechtszaak beweren dat het bedrijf zich bewust was en zich niet aantrok dat ze mogelijk miljoenen van auteurs stalen zonder compensatie, of zelfs zonder vermelding.
Claims zoals deze zijn geen grote verrassing voor velen die geloven dat de AI-wedloop heeft geleid tot een fundamenteel negeren van auteursrechten. Daarom blijven auteurs zich verzetten tegen AI-ontwikkelaars en vragen ze meer transparantie over hoe gegevens worden verkregen en verwerkt door deze systemen.
Hoewel er nog geen duidelijke wegen met het publiek zijn gedeeld, begint het bewijs zich op te stapelen tegen de AI-bedrijven. Dit bewijs kan leiden tot ingrijpende veranderingen in de trainingtactieken die AI-ontwikkelaars in de toekomst gebruiken.
Trainingtactieken die bedrijven gebruiken om modellen te creëren
Het trainen van een AI-systeem is een complex proces dat het verzamelen en verwerken van enorme hoeveelheden gegevens uit diverse bronnen kan omvatten. Deze gegevens zijn waar het AI-systeem naar verwijst bij het beantwoorden van vragen of het oplossen van nieuwe scenario’s. Daardoor presteren de meeste AI-systemen beter wanneer ze meer gegevens tot hun beschikking hebben.
AI creëren
De primaire manier om een AI-model te creëren omvat gegevensverzameling. In het verleden was gegevensverzameling een tijdrovend proces waarbij ingenieurs al bestaande databases moesten zoeken in plaats van vanaf nul te bouwen. Bijvoorbeeld, zorgverleners kunnen een AI ontwikkelen die gebruikmaakt van nationale gezondheidsstatistieken om relevantere medische antwoorden te geven.
Vervolgens beslissen de ontwikkelaars welk algoritme ze kiezen. De belangrijkste opties zijn supervised learning, unsupervised learning, semi-supervised learning, reinforcement learning, lineaire regressie, deep learning, random forest, naïeve Bayes en neurale netwerken. Elk van deze algoritmen biedt unieke voor- en nadelen, waardoor ze beter geschikt zijn voor specifieke taken.
Ten slotte begint het iteratieve trainingsproces. In deze fase wordt het model bevraagd en beoordeeld op de geleverde nauwkeurigheid en prestaties. Deze stap stelt ingenieurs in staat het model fijn af te stemmen en te valideren, waardoor de mogelijkheden worden vergroot. Deze fase helpt ingenieurs ook te waarborgen dat het model blijft leren van de trainingsgegevens, in plaats van ze alleen maar te memoriseren.

Bron – Uptech.team
Huidige AI-trainingtactieken zijn duur
Het AI-modeltrainingsproces is tijdrovend en duur en kan worden opgesplitst in twee hoofd categorieën: training en uitvoering. Training verwijst naar de eenmalige kostprijs voor het creëren van een specifiek model. Bijvoorbeeld, ChatGPT heeft ongeveer $100 miljoen uitgegeven aan zijn 4o-model, volgens de CEO van het bedrijf, Sam Altman.
Opmerkelijk is dat deze kosten de uitgaven voor eerdere modellen ver overschaduwen. Bijvoorbeeld, het trainen van ChatGPT-3 kostte ongeveer $4 miljoen. De stijgende kosten van AI-training zijn het directe gevolg van hogere rekenvereisten. De nieuwste modellen draaien op de nieuwste NVIDIA (NVDA ) -chips, wat hun kosten verder verhoogt.
Daarnaast heeft AI de prijzen voor cloudcomputing doen stijgen. Het merendeel van AI-toepassingen draait niet native op de pc’s van gebruikers. In plaats daarvan vertrouwen ze op geavanceerde datacenters en cloudcomputing-algoritmen om de enorme rekenvereisten te ondersteunen. Al deze factoren hebben het programmeren van AI duur gemaakt.
AI-marktplaatsen
Een recente toename in het aantal AI-trainingsmarktplaatsen geeft aan dat er nu meer ontwikkelingen zijn in de sector die kosten willen besparen. AI-marktplaatsen stellen ontwikkelaars, contentmakers en degenen die AI-integratie zoeken in staat om elkaar te ontmoeten. Ontwikkelaars kunnen reeds gebouwde modellen vinden die ze kunnen verbeteren of fijn afstemmen voor hun behoeften, waardoor ze veel tijd en geld besparen.
Runtime-kosten
De runtime- of inferentiekosten van AI-systemen vormen een andere uitgave waar ontwikkelaars rekening mee moeten houden. De inferentiekost verwijst naar hoeveel geld elke interactie met de AI kost. De kosten voor het draaien van veel van de hedendaagse AI-systemen zijn hoger omdat het systeem alle gegevens in zijn model moet raadplegen om een nauwkeurig en nuttig antwoord te geven. Deze stap betekent dat de AI veel rekenkracht moet gebruiken, van hoogpresterende machines, vaak. Deze eis voegt aanzienlijke kosten toe aan het systeem.
Zijn de huidige AI-trainingtactieken ethisch?
Wanneer je kijkt naar de trainingtactieken en -strategieën die door de enorme AI-bedrijven van vandaag worden toegepast, is het gemakkelijk om ethisch en moreel uitdagende standpunten binnen de industrie te zien. Ja, om de beste AI-systemen te maken, moeten ontwikkelaars waardevolle en nauwkeurige gegevens aan het model leveren. Echter, sommige ontwikkelaars beweren dat de kosten voor het verkrijgen van auteursrechtgoedkeuring voor alle gebruikte gegevens astronomisch zouden zijn, wat in feite innovatie onderdrukt.
Internationaal auteursrecht beschermt auteurs tegen ongeoorloofd gebruik van hun werken, stijl en gelijkenis. AI-systemen lijken een juridische maas te hebben gevonden waardoor ze bijna exacte replica’s van mensen, plaatsen, informatie en verhalen kunnen gebruiken, met tot nu toe weinig juridische tegenstand.
Echter, er groeit een gevoel onder contentmakers dat deze systemen hun werken illegaal hebben verkregen en vervolgens hebben gebruikt om AI-modellen te trainen die het formaat, de toon en de stijl dupliceren. Bewijs van illegaal gebruik van auteursrechtelijk beschermde boeken binnen OpenAI’s trainingsmodellen is recentelijk aan het licht gekomen.
OpenAI-rechtszaak
In de OpenAI rechtszaak beweren de eisers dat ontwikkelaars bewust schaduwbibliotheken hebben gebruikt om te vermijden te betalen voor grote collecties boeken. Schaduwbibliotheken zijn online platforms die gratis toegang bieden tot auteursrechtelijk beschermde werken. De in de OpenAI-rechtszaak genoemde omvatten LibGen, Bok, Sci-Hub en Bibliotik.
De rechtszaak heeft tot doel te bewijzen dat OpenAI en META wisten dat ze de auteursrechtwetten omzeilden. Het toont aan hoe de bedrijven schaduwbibliotheken en andere gratis bronnen gebruikten om hun trainingskosten aanzienlijk te verlagen, terwijl ze auteurs van hun rechtmatige betalingen beroofden.
Als reactie op de beschuldigingen gedroeg META zich aanvankelijk alsof het zich niet bewust was van dergelijke handelingen. Echter, nadat e-mails naar voren kwamen waarvan wordt aangenomen dat ze het volledige begrip van het bedrijf over zijn acties onthullen, en uitleggen dat het +81,7 terabyte aan gegevens van schaduwbibliotheken heeft getorrent, gelijk aan miljoenen werken.
META-ongecensureerde e-mails
Ironisch genoeg waren het interne e-mails die onthulden dat het bedrijf zich zeer bewust was van de twijfelachtige aard van de beslissing om schaduwbibliotheken te gebruiken. In de ongecensureerde e-mails stelt een bezorgde ingenieur genaamd Nikolay Bashlykov de moraliteit van het project in vraag, voordat hij een grap maakt over de legaliteit van het plan.
In latere e-mails gaf de medewerker aan zich zorgen te maken over het gebruik van META IP-adressen om getorrente gepirateerde inhoud te laden. Erkennend dat dit een probleem kon zijn, instrueerde META ingenieurs om de gegevens te downloaden van externe servers die niet verbonden waren met Facebook of META.
Orders van de top
Toen oorspronkelijk gevraagd werd naar META’s betrokkenheid bij het torrenten, verklaarde Mark Zuckerberg dat hij geen idee had van het proces. De ongecensureerde e-mails bewijzen het tegendeel. Naar verluidt tonen de e-mails aan dat de beslissing om niet-FB-servers te gebruiken pas kwam na directe goedkeuring van Zuckerberg.
Gebruiken AI-ontwikkelaars gestolen inhoud?
Gezien het geleverde bewijs en de plotselinge toename in AI-capaciteiten, lijkt het duidelijk dat veel AI-systemen zich hebben gericht op schaduwbibliotheken en andere middelen om effectievere trainingsmodellen te bouwen. Deze datasets bevatten auteursrechtelijk beschermd materiaal dat nooit toestemming van de auteurs of uitgevers heeft gekregen voor gebruik in het trainen van AI-modellen.
Is het illegaal?
Hoewel het steeds moeilijker wordt om het gebruik van gepirateerd materiaal in de meest geavanceerde AI-modellen van vandaag te ontkennen, blijft de legaliteit van de praktijk in twijfel. Geen enkel AI-bedrijf is tot nu toe onderworpen aan auteursrechtinbreukwetten. Bovendien is de AI-wedloop in volle gang en veel politici kunnen het beperken van de toegang van hun lokale AI-systemen tot data zien als een belemmering voor innovatie. Daarom zullen ze mogelijk niet streven naar een even gemakkelijke aanpak van AI-auteursrechtschendingen als bij traditionele diefstallen.
Rechtszaken stromen binnen
Regulators zijn mogelijk nog niet klaar om druk uit te oefenen op AI-bedrijven, maar de contentmakers hebben genoeg. Rechtszaken blijven binnenstromen van teleurgestelde auteurs die beweren dat hun inhoud illegaal is verkregen, verspreid en gedupliceerd zonder enige compensatie.
Onlangs heeft Joseph Saveri Law Firm Amerikaanse federale class-action rechtszaken ingediend over deze kwestie. De rechtszaak, die is ingediend namens Sarah Silverman en andere auteurs tegen OpenAI en META, zoekt compensatie voor verliezen veroorzaakt door het vermogen van het product om hun formaat en stijl te dupliceren.
De class-action rechtszaak beweert meerdere schendingen van de Digital Millennium Copyright Act, criminele nalatigheid en oneerlijke concurrentiewetten. Het doel van de rechtszaak is een permanente verbod op deze trainingtactieken te verkrijgen totdat een eerlijke compensatie- en beschermingsstrategie voor auteurs kan worden opgezet.
Is DeepSeek getraind door ChatGPT?
Ironisch genoeg heeft ChatGPT beweerd dat het het slachtoffer is van intellectueel diefstal door een AI-systeem na de Chinese AI-startup, DeepSeek golven door de markt stuurde. DeepSeek veroorzaakte een enorme golf van interesse nadat het bedrijf vorige maand zijn indrukwekkende prestaties, lage kosten en geavanceerde mogelijkheden aan het publiek onthulde.
OpenAI-ontwikkelaars beschuldigden DeepSeek ervan ChatGPT-gegevens te hebben gebruikt om hun model te programmeren, waardoor het een model kon creëren dat beter presteert dan de concurrentie en veel minder kost. Ter vergelijking behaalde DeepSeek een prestatie gelijk aan die van ChatGPT voor een kostprijs van $6 miljoen versus +$100 miljoen die door ChatGPT werd gebruikt.
Bovendien weet DeepSeek veel minder rekenkracht te gebruiken dankzij zijn unieke opzet. De inferentiekosten voor DeepSeek zijn veel lager dan die van ChatGPT vanwege het gebruik van meerdere gespecialiseerde modellen in plaats van één enorm model.
Daarom hoeft DeepSeek alleen het model te activeren dat naar de vraag verwijst, waardoor het veel minder dure en krachtige NVIDIA-chips kan gebruiken. Specifiek gebruikt DeepSeek 1/50e van de kosten voor het draaien van het nieuwste Claude 3.5 Sonnet-model, waardoor het op de lange termijn een kosteneffectievere oplossing voor bedrijven is.
Het leent
Interessant genoeg ontkent DeepSeek niet het gebruik van ChatGPT om “denkscripts” te ontwikkelen. Het beschrijft het proces zelfs in het originele DeepSeek-whitepaper. De ingenieurs vonden dat deze aanpak DeepSeek zou voorzien van nauwkeurigere informatie, waardoor het destillatieproces werd versneld.
Bovendien zorgde het ervoor dat de gegevens die werden gebruikt om AI-modellen van concurrenten te programmeren, niet werden gebruikt om DeepSeek te programmeren. Het resultaat is een efficiënter systeem dat zijn voorganger overtreft en slechts een fractie van de operationele kosten vereist. Natuurlijk beweren velen dat de kosten van ChatGPT in het budget van DeepSeek moeten worden opgenomen als ze het systeem hebben benut om hun eigen model te creëren.
DeepSeek-identiteitscrisis
In een recent artikel ging een AI-onderzoeker naar de bron om te zien of DeepSeek veel van ChatGPT had geleend. Hij begon met het vragen aan de LLM of het dacht dat DeepSeek slimmer was dan Gemini, de concurrent van Google. Ironisch genoeg antwoordde de LLM dat het dacht “het was ChatGPT.” Deze onthulling werd door velen gezien als al het bewijs dat nodig is om de enorme hoeveelheid data die DeepSeek van ChatGPT heeft verzameld te bewijzen.
Moeten contentmakers gecompenseerd worden voor AI-gebruik?
Er is groeiende bezorgdheid onder contentmakers op de markt. Naarmate AI-systemen evolueren, zullen ze ongetwijfeld nog meer auteursrechtelijk beschermd materiaal opnemen. In het verleden hebben ingenieurs gezien dat bedrijven copyright-beheerinformatie uitschakelen om het risico te verkleinen dat hun acties worden ontdekt. Echter, het tij keert.
In juli 2023 ondertekende een groep van meer dan 8000 schrijvers een brief gericht aan META-CEO Mark Zuckerberg, OpenAI-CEO Sam Altman, Alphabet-CEO Sundar Pichai, Stability AI-CEO Emad Mostaque, IBM-CEO Arvind Krishna en Microsoft (MSFT ) -CEO Satya Nadella. In de brief staat dat AI “onze taal, verhalen, stijl en ideeën nabootst en teruggeeft.” Het eist compensatie en erkenning.
De Writers Guild of America en de Screen Actors Guild hebben ook hun stem laten horen over het gebruik van hun werken binnen de AI-sector. Ze streven ernaar bepaalde rechten en compensatie te garanderen voor schrijvers wanneer hun werken worden gebruikt om AI-modellen te creëren.
Trainingtactiekopties ontstaan
Het erkennen van de beperkingen van de huidige opzet en het gebrek aan een legitieme voortzetting, leidde BookCorpus ertoe een betere oplossing te bieden. Het bedrijf werd in 2015 opgericht met het specifieke doel AI-onderzoekers te ondersteunen bij het trainen van LLM’s. Daarom omvat het duizenden werken en modellen die zijn ontworpen om de prestaties te verbeteren, zonder ethische grenzen te overschrijden.
Reeds betreden meerdere AI-gerichte dienstverleners de markt. Deze bedrijven combineren toegang tot waardevolle data, modellen en meer. Ze zijn afgestemd op de rekenvereisten van AI en gaan vaak gepaard met een vorm van cloudcomputing-optie om de ontwikkelingskosten verder te verlagen.
Bedrijven die de AI-LLM-revolutie leiden
De opkomst van LLM’s heeft het gemakkelijker dan ooit gemaakt voor iedereen om met deze systemen te interageren. Van een eenvoudige chatprompt kun je diepgaand onderzoek doen, afbeeldingen en verhalen creëren, en nog veel meer. Daardoor worden LLM’s gezien als een van de grootste doorbraken in computerinteractietechnologie in een mensenleven. Hier is een bedrijf dat blijft innoveren op de LLM-markt.
Alphabet Inc
Alphabet Inc. (GOOG ) is het moederbedrijf van Google en haar vele dochterondernemingen. Het is een van de meest herkenbare en succesvolle bedrijven in de AI-sector. Interessant genoeg kiezen de ingenieurs ervoor om het andere model van het bedrijf, Google DeepMind, te gebruiken om Google’s Gemini-LLM te creëren. Gemini is een geavanceerde LLM die vertaalt, inhoud begrijpt, vragen beantwoordt en nog veel meer.
Opmerkelijk is dat Google DeepMind hard werkt aan het creëren van LLM’s en nieuwe functies voor het bedrijf. Bijvoorbeeld, de nieuwe SELF-DISCOVER-functie creëert taak-specifieke architectuur binnen de modellen, waardoor de totale tijd die nodig is om vragen nauwkeurig te beantwoorden, wordt verminderd.
GOOG Prijsgrafiek
Gezien Google’s dominantie op de markt, directe toegang tot enorme data en voortdurende uitbreiding naar op maat gemaakte modellen, is GOOG een slimme aandeel om te houden. Het bedrijf is een van de best presterende AI-leveranciers wereldwijd en beschikt over het netwerk en de financiën om zijn technologie te integreren en effectief naar het publiek uit te breiden.
Hoe zullen trainingtactieken in de toekomst veranderen
U kunt verwachten dat AI-trainingtactieken steeds meer afhankelijk worden van verfijndere AI-systemen voor data naarmate de industrie groeit. DeepSeek heeft aangetoond dat hun aanpak de kosten aanzienlijk verlaagde. Bovendien wordt het moeilijker om een auteursrechtschending te beweren als het bedrijf simpelweg data gebruikt die door een andere AI is gecreëerd in plaats van direct.
Al deze factoren en de groeiende vraag van overheden om de AI-wedloop te leiden, hebben contentmakers naar een zeer gevaarlijke positie gebracht. Hopelijk zullen AI-ontwikkelaars in de komende maanden effectievere trainingtactieken creëren die respect tonen en compensatie bieden aan degenen van wie ze data benutten voor succes.
Leer over andere coole AI-projecten Nu.











