Artipisyal na Intelihensiya
Kahina-hinalang mga Taktika sa Pagsasanay ng AI na Lumalaking Alalahanin

Mahahalagang puntoNakaharap ng mga kaso ang mga kumpanyang AI tulad ng Meta at OpenAI dahil sa paggamit…
Tingnan pa
- Nakaharap ng mga kaso ang mga kumpanyang AI tulad ng Meta at OpenAI dahil sa paggamit ng pirated na datos mula sa mga aklat sa mga 'shadow library' upang sanayin ang kanilang mga modelo.
- Gumastos lamang ng $6M ang DeepSeek para makabuo ng katunggaling AI sa pamamagitan ng paggamit sa output ng ChatGPT, na nagdulot ng mga paratang ng intellectual theft.
- Humihingi ng bayad ang mga content creator habang kinakain ng mga AI model ang kanilang mga copyrighted na gawa nang walang pahintulot o kabayaran.
Patuloy na sinusuri ang mga taktika sa pagsasanay ng AI dahil sa kakulangan ng pangangasiwa. Karaniwan para sa mga makabagong manunulat na kumuha ng inspirasyon at kahit maningil ng mga aspeto mula sa mga naunang kwento. Bagaman bahagi ito ng pag-unlad ng pagsulat, may mga pagkakataon na kinokopya ang mga gawa at istilo ng isang may-akda nang walang pahintulot.
Kapag nangyari ito, pinapayagan ng mga makabagong batas laban sa paglabag sa karapatang-ari ang orihinal na lumikha ng nilalaman na bawiin ang kanilang pagkalugi. Gayunpaman, hindi ito maaaring sabihing pareho sa dumaraming bilang ng mga sistemang AI na natuklasang gumamit ng ilegal na nakuha na mga gawa para buuin ang kanilang mga modelo. Ngayon, humaharap ang industriya sa isang sangang-daan pagdating sa mga taktika sa pagsasanay at paghihiganti para sa mga nakaranas ng pagkalugi. Narito ang kailangan mong malaman.
Kahina-hinalang mga Taktika sa Pagsasanay ng AI
Isang dagundong ng mga demanda ngayon ang nagsasabing sinadya ng OpenAI at META (META ) na humanap ng mga paraan sa pagkuha ng data ng library para sa pagsasanay ng kanilang modelo. Ang mga nagrereklamo sa demanda ay nagsasabing alam ng kumpanya at wala silang pakialam na maaaring ninanakaw nila ang milyong-milyong halaga mula sa mga may-akda nang walang kabayaran, o kahit isang banggit.
Ang mga ganitong pahayag ay hindi nakakagulat sa marami na naniniwala na ang karera ng AI ay nagdulot ng simpleng pagwawalang-bahala sa mga batas sa karapatang-ari. Dahil dito, patuloy na tumututol ang mga may-akda laban sa mga developer ng AI, humihiling ng higit na transparency hinggil sa kung paano kinukuha at pinoproseso ang data ng mga sistemang ito.
Bagaman wala pang malinaw na landas na ibinahagi sa publiko, nagsisimula nang mag-ipon ang ebidensya laban sa mga kumpanyang AI. Ang ebidensyang ito ay maaaring magdulot ng malawakang pagbabago sa mga taktika sa pagsasanay na ginagamit ng mga developer ng AI sa hinaharap.
Mga Taktika sa Pagsasanay na Ginagamit ng mga Kumpanya para Lumikha ng mga Modelo
Ang pagsasanay ng isang sistemang AI ay isang komplikadong proseso na maaaring magsangkot ng pagkuha at pagproseso ng napakalaking dami ng data mula sa iba’t ibang pinagmulan. Ang data na ito ang kinukuhanan ng sistemang AI ng sanggunian kapag sinusubukang sagutin ang mga tanong o lumikha ng mga bagong senaryo. Bilang resulta, mas mahusay ang karamihan sa mga sistemang AI kapag mas marami silang sangguniang data.
Paglikha ng AI
Ang pangunahing paraan upang lumikha ng isang modelo ng AI ay kinabibilangan ng pangangalap ng data. Noon, ang pangangalap ng data ay isang matagal na proseso na kinakailangang maghanap ang mga inhinyero ng mga umiiral nang database sa halip na magsimula mula sa simula. Halimbawa, maaaring bumuo ang mga tagapagbigay ng pangangalagang pangkalusugan ng isang AI na gumagamit ng pambansang estadistika sa kalusugan upang magbigay ng mas kaugnay na medikal na sagot.
Mula roon, nagpasya ang mga developer kung anong algorithm ang pipiliin. Ang mga pangunahing pagpipilian ay supervised learning, unsupervised, semi-supervised, reinforced learning, linear regression, deep learning, random forest, naïve Bayes, at neural networks. Ang bawat isa sa mga algorithm na ito ay may natatanging mga kalamangan at kahinaan, na nagiging mas angkop para sa partikular na mga gawain.
Panghuli, nagsisimula ang paulit-ulit na proseso ng pagsasanay. Sa yugtong ito, sinusubukan at sinusuri ang modelo batay sa katumpakan at pagganap na ibinibigay nito. Ang hakbang na ito ay nagbibigay-daan sa mga inhinyero na i-fine-tune at patunayan ang modelo, pinapalakas ang kakayahan nito. Tinutulungan din ng yugtong ito ang mga inhinyero na matiyak na ang modelo ay patuloy na natututo mula sa data ng pagsasanay, sa halip na basta itong memoryahin.

Pinagmulan – Uptech.team
Mahal ang Kasalukuyang mga Taktika sa Pagsasanay ng AI
Ang proseso ng pagsasanay ng modelo ng AI ay matagal at magastos at maaaring hatiin sa dalawang pangunahing kategorya: pagsasanay at pagpapatakbo. Ang pagsasanay ay tumutukoy sa isang beses na gastos sa paglikha ng isang partikular na modelo. Halimbawa, gumastos ang ChatGPT ng humigit-kumulang $100M para sa modelong 4o, ayon sa CEO ng kumpanya, si Sam Altman.
Kapansin-pansin, ang mga gastusing ito ay mas malaki kaysa sa mga naunang gastos sa modelo. Halimbawa, ang ChatGPT-3 ay nagkakahalaga ng humigit-kumulang $4M para sanayin. Ang pagtaas ng gastusin sa pagsasanay ng AI ay direktang resulta ng mas mataas na pangangailangan sa kompyutasyon. Ang pinakabagong mga modelo ay tumatakbo sa pinakabagong mga chip ng NVIDIA (NVDA ), na nagdaragdag sa kanilang gastos.
Dagdag pa rito, nagtaas ang AI ng presyo ng cloud computing. Karamihan sa mga aplikasyon ng AI ay hindi tumatakbo nang likas sa mga PC ng mga gumagamit. Sa halip, umaasa sila sa mga makabagong data center at mga algorithm ng cloud computing upang suportahan ang napakalaking pangangailangan sa kompyutasyon. Ang lahat ng mga salik na ito ay nagpadagdag ng gastos sa pagprograma ng AI.
Mga Pamilihan ng AI
Ang kamakailang pagtaas sa bilang ng mga pamilihan ng pagsasanay ng AI ay nagpapahiwatig na ngayon ay mas marami nang mga pag-unlad sa espasyo na naglalayong makatipid sa gastos. Ang mga pamilihan ng AI ay nagbibigay-daan sa mga developer, tagalikha ng nilalaman, at mga naghahanap ng integrasyon ng AI na magtagpo. Maaaring makahanap ang mga developer ng mga modelo na dati nang ginawa na na maaari nilang pagbutihin o i-fine-tune para sa kanilang pangangailangan, na nakakatipid ng maraming oras at pondo sa proseso.
Gastos sa Pagpapatakbo
Ang gastos sa pagpapatakbo o inference ng mga sistemang AI ay isa pang gastusin na kailangang isaalang-alang ng mga developer. Ang gastos sa inference ay tumutukoy sa kung magkano ang nagagastos bawat pakikipag-ugnayan sa AI. Ang gastos ng pagpapatakbo ng marami sa mga AI system ngayon ay mas mataas dahil kailangang ma-access ng sistema ang lahat ng data sa modelo nito upang magbigay ng tumpak at kapaki-pakinabang na tugon. Ang hakbang na ito ay nangangahulugang kakailanganin ng AI na gumamit ng maraming kapangyarihan sa kompyutasyon, mula sa mga makinang may mataas na pagganap, nang madalas. Ang pangangailangang ito ay nagdadagdag ng malaking gastusin sa sistema.
Etikal ba ang mga Taktika sa Pagsasanay ng AI Ngayon?
Kapag tinitingnan mo ang mga taktika at estratehiya sa pagsasanay na ginagamit ng mga napakalaking kumpanya ng AI ngayon, madaling makita na may mga etikal at moral na hamon sa industriya. Oo, upang makagawa ng pinakamahusay na mga sistema ng AI, kailangang magbigay ang mga developer ng mahalaga at tumpak na data sa modelo. Gayunpaman, may ilang developer na nagsasabing ang gastos ng pagkuha ng pahintulot sa karapatang-ari para sa lahat ng data na ginamit sa set ay napakalaki, halos pumipigil sa inobasyon.
Pinoprotektahan ng internasyonal na batas sa karapatang-ari ang mga may-akda mula sa hindi awtorisadong paggamit ng kanilang mga gawa, istilo, at anyo. Mukhang nakahanap ang mga sistemang AI ng legal na butas kung saan maaari nilang gamitin ang halos eksaktong mga replika ng tao, lugar, impormasyon, at kwento, na may kaunting legal na pagtutol na naiulat hanggang ngayon.
Gayunpaman, lumalakas ang damdamin ng mga tagalikha ng nilalaman na ang mga sistemang ito ay ilegal na nakuha ang kanilang mga gawa at pagkatapos ay ginamit upang sanayin ang mga modelo ng AI upang gayahin ang format, tono, at istilo. Ang ebidensya ng ilegal na paggamit ng mga copyrighted na libro sa loob ng mga modelo ng pagsasanay ng OpenAI ay inilantad ng mga kamakailang pagsisiwalat.
Demanda laban sa OpenAI
Sa demanda laban sa OpenAI, inaangkin ng mga nagrereklamo na sinadya ng mga developer na gumamit ng shadow libraries upang iwasan ang pagbabayad para sa malalaking koleksyon ng mga libro. Ang mga shadow library ay mga online platform na nagbibigay ng libreng access sa mga copyrighted na gawa. Kabilang sa mga nabanggit sa demanda laban sa OpenAI ang LibGen, Bok, Sci-Hub, at Bibliotik.
Inilalatag ng demanda na patunayan na alam ng OpenAI at META na nilalabag nila ang mga batas sa karapatang-ari. Ipinapakita nito kung paano ginamit ng mga kumpanya ang mga shadow library at iba pang libreng mapagkukunan upang malaki ang mabawasan ang kanilang gastos sa pagsasanay habang ninanakawan ang mga may-akda ng nararapat na bayad.
Bilang tugon sa mga alegasyon, unang nagpakita ang META na tila walang alam tungkol sa anumang ganitong kilos. Gayunpaman, matapos lumitaw ang mga email na pinaniniwalaang nagbubunyag ng buong pag-unawa ng kumpanya sa kanilang mga aksyon, at nagpapaliwanag na nag-torrent sila ng +81.7 terabytes ng data mula sa mga shadow library, na katumbas ng milyun-milyong gawa.
Mga Email ng META na Hindi Naka-redact
Ironiko, ang mga internal na email ang nagbunyag na ang kumpanya ay lubos na alam ang kahina-hinalang kalikasan ng kanilang desisyon na gumamit ng shadow library. Sa mga hindi naka-redact na email, isang inaalalang inhinyero na si Nikolay Bashlykov ang nagtatanong tungkol sa moralidad ng proyekto, bago magbiro tungkol sa legalidad ng plano.
Sa mga sumunod na email, sinabi ng empleyado na nag-aalala siya sa paggamit ng mga IP address ng META upang i-load ang pirated na nilalaman. Kinilala na maaaring maging problema ito, kaya inutusan ng META ang mga inhinyero na i-download ang data mula sa mga server sa labas na hindi konektado sa Facebook o META.
Mga Utos Mula sa Itaas
Nang unang tanungin tungkol sa pakikilahok ng META sa torrenting, sinabi ni Mark Zuckerberg na wala siyang alam sa proseso. Pinatunayan ng mga hindi naka-redact na email ang kabaligtaran. Pinaniniwalaang ipinapakita ng mga email na ang desisyon na gumamit ng mga non-FB server ay naganap lamang matapos ang direktang pag-apruba ni Zuckerberg.
Gumagamit ba ang mga Developer ng AI ng Ninakaw na Nilalaman?
Bilang batayan sa ibinigay na ebidensya at sa biglaang pagtaas ng kakayahan ng AI, halatang maraming sistemang AI ang lumapit sa mga shadow library at iba pang paraan upang bumuo ng mas epektibong mga modelo ng pagsasanay. Ang mga dataset na ito ay naglalaman ng mga copyrighted na materyales na hindi kailanman nakuha ang pahintulot ng mga may-akda o publisher para magamit sa pagsasanay ng mga modelo ng AI.
Ilegal ba ito?
Habang nagiging mas mahirap tanggihan ang paggamit ng pirated na materyal sa mga pinaka-advanced na modelo ng AI ngayon, nananatiling tanong ang legalidad ng gawi. Wala pang kumpanyang AI ang nasailalim sa mga batas laban sa paglabag sa karapatang-ari. Dagdag pa rito, ang karera ng AI ay nasa tugatog na at maraming politiko ang maaaring makita ang paglimita sa pag-access ng kanilang lokal na AI system sa data bilang hadlang sa inobasyon. Dahil dito, maaaring hindi nila itulak ang pakikipaglaban sa paglabag sa karapatang-ari ng AI na kasing dali ng tradisyunal na pagnanakaw.
Dumaraming mga Demanda
Hindi pa handa ang mga regulator na magpataw ng matinding pressure sa mga kumpanyang AI, ngunit sapat na ang pagkadismaya ng mga tagalikha ng nilalaman. Patuloy na dumarami ang mga demanda mula sa mga nabigong may-akda na nagsasabing ilegal na nakuha, ipinamahagi, at kinopya ang kanilang nilalaman nang walang anumang kabayaran.
Kamakailan, ang Joseph Saveri Law Firm ay nagsampa ng mga federal class-action lawsuit sa US hinggil sa usaping ito. Ang demanda, na isinampa sa ngalan nina Sarah Silverman at iba pang mga may-akda laban sa OpenAI at META, ay humihingi ng reparasyon para sa mga pagkalugi na dulot ng kakayahan ng produkto na gayahin ang format at istilo nito.
Inilalabas ng class-action demanda ang maraming paglabag sa Digital Millennium Copyright Act, krimenal na kapabayaan, at mga batas laban sa hindi patas na kompetisyon. Ang layunin ng demanda ay makakuha ng permanenteng injunction sa mga taktika sa pagsasanay na ito hanggang sa maipatupad ang patas na kompensasyon at estratehiya sa proteksyon para sa mga may-akda.
Sinanay ba ang DeepSeek ng ChatGPT?
Ironiko, inangkin ng ChatGPT na ito ay biktima ng pagnanakaw ng intelektwal mula sa isang sistemang AI matapos ang Chinese AI startup, DeepSeek nagpasiklab ng alon sa merkado. Ang DeepSeek ay nagdulot ng malaking interes matapos ilahad ng kumpanya ang kahanga-hangang pagganap, mababang gastos, at advanced na kakayahan sa publiko noong nakaraang buwan.
Inakusahan ng mga developer ng OpenAI ang DeepSeek ng paggamit ng data ng ChatGPT upang i-program ang kanilang modelo, na nagbigay-daan dito na lumikha ng isang modelo na humahabol sa kompetisyon at mas mura. Sa paghahambing, nakamit ng DeepSeek ang pagganap na katumbas ng ChatGPT sa halagang $6M kumpara sa +$100M na ginamit ng ChatGPT.
Dagdag pa, nagawang gamitin ng DeepSeek ang mas kaunting kapangyarihan sa kompyutasyon dahil sa natatanging setup nito. Ang gastos sa inference para sa DeepSeek ay mas mababa kaysa sa ChatGPT dahil sa paggamit ng ilang espesyal na modelo kumpara sa isang napakalaking modelo.
Bilang resulta, kailangan lamang ng DeepSeek na i-activate ang modelo na tumutukoy sa tanong, na nagpapahintulot dito na gumamit ng mas mura at makapangyarihang mga chip ng NVIDIA. Partikular, gumagamit ang DeepSeek ng 1/50 na gastos ng pagpapatakbo ng pinakabagong modelo ng Claude 3.5 Sonnet, na ginagawa itong mas cost-effective na solusyon para sa mga negosyo sa pangmatagalan.
Nangungutang
Kawili-wili, hindi itinatanggi ng DeepSeek ang paggamit ng ChatGPT upang bumuo ng mga “thinking” script. Inilarawan pa nga nito ang proseso sa orihinal na whitepaper ng DeepSeek. Naramdaman ng mga inhinyero na magbibigay ang lapit na ito ng mas tumpak na impormasyon sa DeepSeek, na nagpasigla sa proseso ng distillation nito.
Dagdag pa, siniguro nito na ang data na ginamit upang i-program ang mga AI model ng mga kakumpitensya ay hindi ginamit upang i-program ang DeepSeek. Ang resulta ay isang mas epektibong sistema na humahabol sa naunang modelo at nagkakahalaga lamang ng isang bahagi para patakbuhin. Siyempre, maraming nagsasabi na dapat isama ang gastusin ng ChatGPT sa budget ng DeepSeek kung ginamit nila ang sistema upang likhain ang kanilang sarili.
Krisis sa Pagkakakilanlan ng DeepSeek
Sa isang kamakailang artikulo, isang AI researcher ang pumunta sa pinagmulan upang tingnan kung ang DeepSeek ay nangungutang nang marami mula sa ChatGPT. Sinimulan niya sa pagtatanong sa LLM kung sa tingin nito ay mas matalino ang DeepSeek kaysa sa Gemini, ang kakumpitensya ng Google. Ironiko, sumagot ang LLM na iniisip nito na “ito ay ChatGPT.” Ang revelasyon na ito ay nakita ng marami bilang sapat na ebidensya upang patunayan ang napakalaking dami ng data na kinolekta ng DeepSeek mula sa ChatGPT.
Dapat bang Bayaran ang mga Tagalikha ng Nilalaman para sa Paggamit ng AI?
May lumalaking pag-aalala para sa mga tagalikha ng nilalaman sa merkado. Habang umuunlad ang mga sistemang AI, tiyak na mas marami pang copyrighted na materyales ang kanilang susuhurin. Noon, nakita ng mga inhinyero na pinapatay ng mga kumpanya ang impormasyon sa karapatang-ari upang mabawasan ang panganib na mahuli ang kanilang mga aksyon. Gayunpaman, nagbabago na ang agos.
Noong Hulyo 2023, isang grupo ng higit sa 8000 manunulat ang pumirma ng isang liham na inihanda para kay META CEO Mark Zuckerberg, OpenAI CEO Sam Altman, Alphabet CEO Sundar Pichai, Stability AI CEO Emad Mostaque, IBM CEO Arvind Krishna, at Microsoft (MSFT ) CEO Satya Nadella. Ang liham ay nagsasaad na ang AI ay “ginagaya at inuulit ang aming wika, mga kwento, istilo, at mga ideya.” Naghihingi ito ng kompensasyon at pagkilala.
Ang Writers Guild of America at ang Screen Actors Guild ay naging bukas din sa paggamit ng kanilang mga gawa sa sektor ng AI. Nais nilang matiyak ang ilang karapatan at kompensasyon para sa mga manunulat tuwing ginagamit ang kanilang mga gawa upang lumikha ng mga modelo ng AI.
Lumilitaw ang mga Pagpipilian sa Taktika ng Pagsasanay
Kinikilala ang mga limitasyon ng kasalukuyang setup at kung paano ito kulang sa anumang lehitimong paraan pasulong, inilunsad ng BookCorpus ang isang mas mahusay na solusyon. Itinatag ang kumpanya noong 2015 na may tiyak na layuning suportahan ang mga mananaliksik ng AI sa pagsasanay ng LLMs. Bilang gayon, kasama nito ang libu-libong gawa at modelo na dinisenyo upang mapabuti ang pagganap, nang hindi lumalabag sa mga etikal na linya.
Sa kasalukuyan, maraming mga provider ng serbisyo na nakatuon sa AI ang pumapasok sa merkado. Ang mga kumpanyang ito ay pinagsasama ang pag-access sa mahalagang data, mga modelo, at iba pa. Ang mga ito ay iniayon upang matugunan ang mga pangangailangan sa kompyutasyon ng AI at madalas na sinamahan ng ilang anyo ng opsyon sa cloud computing bilang paraan upang higit pang mabawasan ang gastos sa pag-unlad.
Mga Kumpanyang Nangunguna sa Rebolusyon ng AI LLMs
Ang pag-usbong ng mga LLM ay nagpadali nang higit sa kailanman para sa sinuman na makipag-ugnayan sa mga sistemang ito. Mula sa isang simpleng chat prompt, maaari kang magsagawa ng malalim na pananaliksik, lumikha ng mga larawan at kwento, at marami pang iba. Bilang resulta, itinuturing ang mga LLM bilang isa sa pinakamalaking breakthrough sa teknolohiya ng pakikipag-ugnayan sa kompyuter sa isang buhay. Narito ang isang kumpanya na patuloy na nagdadala ng inobasyon sa merkado ng LLM.
Alphabet Inc
Ang Alphabet Inc. (GOOG ) ay ang kumpanya-ina ng Google at ng marami nitong subsidiary. Isa ito sa pinaka-kilalang at matagumpay na kumpanya sa sektor ng AI. Interesante, pinili ng mga inhinyero na gamitin ang ibang modelo ng kumpanya, ang Google DeepMind, upang lumikha ng Gemini LLM ng Google. Ang Gemini ay isang advanced na LLM na nagsasalin, nauunawaan ang nilalaman, sumasagot sa mga tanong, at marami pang iba.
Kapansin-pansin, ang Google DeepMind ay masigasig na nagtratrabaho sa paglikha ng mga LLM at mga bagong tampok para sa kumpanya. Halimbawa, ang bagong tampok na SELF-DISCOVER ay lumilikha ng task-specific architecture sa loob ng mga modelo, na nagpapababa ng kabuuang oras na kinakailangan upang tumpak na sagutin ang mga tanong.
GOOG Tsart ng Presyo
Dahil sa dominasyon ng Google sa merkado, direktang pag-access sa napakalaking data, at patuloy na pagpapalawak sa mga purpose-built na modelo, ang GOOG ay isang matalinong stock na hawakan. Ang kumpanya ay isa sa mga nangungunang tagapagbigay ng AI sa buong mundo at may network at pinansyal na kakayahan upang isama ang teknolohiya nito at palawakin ito sa publiko nang epektibo.
Paano Magbabago ang mga Taktika sa Pagsasanay sa Hinaharap
Asahan na ang mga taktika sa pagsasanay ng AI ay aasa sa mas pinong mga sistemang AI para sa data habang lumalawak ang industriya. Ipinakita ng DeepSeek na ang kanilang pamamaraan ay makabuluhang nagbaba ng gastos. Dagdag pa, magiging mas mahirap mag-claim ng paglabag sa karapatang-ari kung gagamitin lamang ng kumpanya ang data na nilikha ng ibang AI sa halip na direkta.
Lahat ng mga salik na ito at ang lumalaking pangangailangan ng mga pamahalaan na pangunahan ang karera ng AI ay nagdala sa mga tagalikha ng nilalaman sa isang napakadelikadong kalagayan. Sana, sa mga susunod na buwan, lumikha ang mga developer ng AI ng mas epektibong mga taktika sa pagsasanay na nirerespeto at binabayaran ang mga taong ang data ay kanilang ginagamit para sa tagumpay. Learn about other cool AI Projects Ngayon.











