GPT-4

يتقدم تطوير الذكاء الاصطناعي بسرعة، ولكن الوقود الذي يقف وراء هذه التطورات، وهو بيانات التدريب عالية الجودة، أصبح من الصعب الحصول عليه بشكل متزايد، ومؤخراً، سلطت صحيفة وول ستريت جورنال الضوء على التحديات التي تواجهها شركات الذكاء الاصطناعي في الحصول على مثل هذه البيانات، واستجابة لذلك، أبحرت شركات مثل OpenAI عبر المياه العكرة لقانون حقوق الطبع والنشر لجمع البيانات التي تحتاج إليها.

وكان أحد التكتيكات البارزة التي استخدمتها OpenAI هو النسخ لأكثر من مليون ساعة من مقاطع فيديو YouTube لتدريب أحدث طراز لها، GPT-4، ووفقاً لتقرير صادر عن صحيفة نيويورك تايمز، قامت شركة OpenAI بتطوير نموذج النسخ الصوتي Whisper لنسخ محتوى YouTube لتدريب GPT-4، وهذا النهج، على الرغم من أنه مشكوك فيه من الناحية القانونية، اعتبرته شركة OpenAI يقع ضمن نطاق الاستخدام العادل، وشارك جريج بروكمان، رئيس OpenAI، بشكل مباشر في جمع مقاطع الفيديو المستخدمة في النسخ.

وأوضح المتحدث باسم OpenAI، ليندساي هيلد، أن الشركة تقوم بتخصيص مجموعات البيانات لكل نموذج لتعزيز فهمها للعالم، ويتم تنظيم مجموعات البيانات هذه من مصادر مختلفة، بما في ذلك البيانات المتاحة للجمهور والشراكات للبيانات غير العامة، وتستكشف الشركة أيضاً إمكانية إنشاء بيانات تركيبية لتعزيز جهودها التدريبية.

وبحلول عام 2021، كانت OpenAI قد استنفدت العديد من مصادر البيانات التقليدية وتحولت إلى نسخ مقاطع فيديو YouTube والبودكاست والكتب الصوتية، وقبل ذلك، استخدموا مجموعات بيانات متنوعة، بما في ذلك اكواد الكمبيوتر من GitHub، وقواعد بيانات تحركات الشطرنج، والمحتوى التعليمي من Quizlet.

ومع ذلك، أعربت شركة Google، الشركة الأم لموقع YouTube، عن مخاوفها بشأن الحذف أو التنزيل غير المصرح به لمحتوى YouTube، وتحظر ملفات robots.txt وشروط الخدمة مثل هذه الأنشطة، ومع ذلك، فقد أقرت جوجل بتدريب نماذجها باستخدام محتوى يوتيوب ضمن حدود الاتفاقيات المبرمة مع منشئي المحتوى.

وبالمثل، واجهت شركة ميتا (فيسبوك سابقاً) تحديات في الحصول على بيانات التدريب المناسبة، واستكشفت الشركة استراتيجيات مختلفة، بما في ذلك إمكانية شراء تراخيص الكتب أو حتى الاستحواذ على شركة نشر كبيرة، وأدت التغييرات التي تركز على الخصوصية في أعقاب فضيحة Cambridge Analytica إلى تقييد قدرات Meta على استخدام البيانات.

ويتصارع مجتمع تدريب الذكاء الاصطناعي الأوسع مع تناقص توافر بيانات التدريب عالية الجودة، وبينما تسعى شركات مثل OpenAI وGoogle جاهدة لتحسين نماذجها، فإنها تواجه حقيقة أنها قد تتفوق على إنشاء محتوى جديد بحلول عام 2028، كما لاحظت صحيفة وول ستريت جورنال.

ولمواجهة هذا التحدي، تستكشف الشركات أساليب بديلة مثل نماذج التدريب على البيانات الاصطناعية أو توظيف المناهج التعليمية، ومع ذلك، لم يتم إثبات هذه الأساليب بعد، وتلجأ بعض الشركات إلى استخدام أي بيانات يمكنها الوصول إليها، بغض النظر عن الأذونات، مما يؤدي إلى تعقيدات قانونية ودعاوى قضائية.