Id-Dinjità tad-Data: Tmiem tal-Ikla b'Xejn fit-Taħriġ tal-AI
L-Aqwa Serqa fl-Istorja
Ejja nsejħu l-ewwel fażi tal-IA ġenerattiva għal dak li verament kienet: l-akbar att ta' estrazzjoni ta' valur fl-istorja tal-bniedem.
Bejn l-2018 u l-2024, numru żgħir ta' kumpaniji f'Silicon Valley qabbdu armati ta' crawlers tal-web madwar l-internet kollu. Dawn il-crawlers ikkunsmaw kollox: kull ktieb li qatt ġie diġitizzat, kull artiklu li qatt ġie ppubblikat, kull ritratt li qatt ġie mibgħut, kull post f'forum li qatt inkiteb, kull linja ta' kodiċi li qatt ġiet kondiviża fuq GitHub, kull lirika ta' kanzunetta, kull teżi ta' dottorat, kull ittra ta' mħabba mibgħuta fuq blog personali.
Għamlu dan mingħajr ma talbu permess. Għamlu dan mingħajr ma pprovdew kumpens. Għamlu dan mingħajr lanqas biss jirrikonoxxu s-sors.
Imbagħad ħadu dan il-valur estratt kollu, ikkompressawh f'piżijiet matematiċi, u bnew prodotti proprjetarji li biegħuhom għal mijiet ta' biljuni ta' dollari. In-nies li ħolqu l-valur ma rċevew xejn. Il-kumpaniji li estrattuh saru l-aktar intrapriżi siewja fuq il-pjaneta.
Din ma kinitx innovazzjoni. Din kienet arbitraġġ industrijalizzat tad-drittijiet tal-awtur fuq skala bla preċedent.
Iżda l-ikla b'xejn qed tispiċċa. Il-ħallieqa qed jiġġieldu lura. U l-pedamenti legali, etiċi, u ekonomiċi tal-mudell ta' estrazzjoni qed jitfarrku.
Il-Ħitan Legali Jitilgħu
The legal foundations of the extraction model were always questionable. AI companies argued that training on copyrighted material constituted "fair use" because the model "transforms" the data rather than copying it directly. They claimed this was analogous to a human reading books in a library.
This argument is failing in courts worldwide.
The New York Times Lawsuit
The New York Times lawsuit against OpenAI and Microsoft, filed in December 2023, was the opening salvo of what promises to be years of litigation. The lawsuit demonstrated that ChatGPT could reproduce copyrighted Times articles nearly verbatim. It showed that the model could bypass paywalls by summarizing articles so completely that users had no reason to visit the original source.
This is not "transformation." This is market substitution. When an AI can replace the function of a newspaper subscription, the fair use defense collapses.
The Artist Rebellion
Visual artists were among the first to recognize the threat. Image generators trained on billions of artworks could replicate individual artists' styles with devastating precision. A prompt like "in the style of [living artist]" could produce unlimited works that competed directly with the original creator's livelihood.
Class action lawsuits on behalf of visual artists are now working through the courts. But artists didn't wait for legal resolution. They developed technical countermeasures.
Tools like Glaze and Nightshade add imperceptible perturbations to images that poison AI training. A scraped image appears normal to humans but causes model degradation or unpredictable outputs. It's a digital form of booby-trapping content, and it's spreading rapidly.
The Platform Lockdown
Major platforms have closed their doors to AI training. Reddit, which was one of the largest sources of conversational training data, now charges prohibitive fees for API access. Twitter/X blocked AI crawlers entirely before reversing course and monetizing access. Stack Overflow implemented strict terms against AI training on their programming Q&A.
The "open web" that AI companies relied upon is becoming a patchwork of walled gardens, each extracting tolls from any AI that wants access.
Id-Dinjità tad-Data: Filosofija Differenti
F'Dweve, naħdmu bil-kunċett tad-Dinjità tad-Data, terminu li xerred il-kompjuter xjenzjat Jaron Lanier. Il-prinċipju huwa sempliċi: jekk id-data tiegħek tikkontribwixxi għall-valur ta' sistema tal-AI, inti jixirqlek sehem minn dak il-valur.
Dan mhux karità. Dan lanqas biss mhu etika għall-fini tagħha stess. Dan huwa l-pedament għal ekonomija sostenibbli tal-AI.
Il-mudell tal-estrazzjoni qatt ma kien sod mill-aspett ekonomiku. Kien jiddependi fuq żona griża legali temporanja u fuq l-inkapaċità prattika ta' miljuni ta' kreaturi individwali li jinfurzaw id-drittijiet tagħhom. Hekk kif iż-żewġ kundizzjonijiet jinbidlu, il-kumpaniji mibnija fuq l-estrazzjoni jiffaċċjaw riskju eżistenzjali.
Mudell mibni fuq id-dinjità, bil-kuntrast, joħloq inċentivi allinjati. Il-kreaturi jkunu motivati li jikkontribwixxu l-aħjar xogħol tagħhom għax ikunu kkumpensati għalih. Il-kumpaniji tal-AI jiksbu aċċess għal data ta' kwalità ogħla għax ikunu qed iħallsu għall-kurazzjoni u l-verifikazzjoni. L-utenti jiksbu riżultati aħjar għax id-data tat-taħriġ hija superjuri.
L-Arkitettura ta' Dweve għad-Dinjità tad-Data
L-approċċ tagħna għad-dinjità tad-data mhuwiex biss pożizzjoni ta' politika. Huwa mibni fl-arkitettura teknika tagħna.
Il-Pipeline tal-Għarfien Spindle
Dweve Spindle jimplimenta pipeline epistemoloġiku ta' seba' stadji li jsegwi kull biċċa għarfien mill-oriġini sad-deployament:
- Kandidat: Informazzjoni mhux ipproċessata tiġi identifikata u ttikkettjata b'metadata tas-sors
- Estratt: Informazzjoni strutturata tiġi estratta bil-provenjenza ppreservata
- Analizzat: Il-kontenut jitkisser fi fatti atomiċi bil-verifikazzjoni tal-istatus tal-liċenzja
- Konness: Il-fatti jitgħaqqdu mal-graff tal-għarfien b'katini ta' attribuzzjoni
- Verifikat: Validazzjoni minn sorsi multipli tikkonferma l-eżattezza u l-istatus legali
- Ċertifikat: L-assigurazzjoni tal-kwalità tikkonferma l-konformità mar-rekwiżiti tad-dinjità tad-data
- Kanoniċi: L-għarfien verifikat isir lesta għall-AI bil-provenjenza sħiħa
Dan il-pipeline ifisser li nistgħu nittraċċaw kull biċċa għarfien fis-sistema tagħna lura għas-sors oriġinali tagħha. Nistgħu nippruvaw l-istatus tal-liċenzja. Nistgħu nidentifikaw liema kreaturi kkontribwew għal kwalunkwe output partikolari.
Is-Settijiet ta' Kostrizzjonijiet Speċjalizzati 456
L-arkitettura ta' Dweve Loom ta' 456 sett ta' kostrizzjonijiet speċjalizzati tippermetti liċenzjar u kumpens granulari. Kull speċjalista ta' dominju jirrappreżenta dominju distint ta' għarfien bis-sorsi tad-data u l-arranġamenti tal-liċenzjar tiegħu stess.
Meta l-ispeċjalista tad-Dominju Legali (Liġi Kuntrattwali Ġermaniża) jipproċessa mistoqsija, nafu eżattament liema pubblikaturi legali u ditti tal-liġi kkontribwew għal dik il-kapaċità. Meta l-ispeċjalista tad-Dominju Mediku (Onkoloġija) jipprovdi informazzjoni, nistgħu nittraċċaw lura għall-ġurnali mediċi, id-databases kliniċi, u l-istituzzjonijiet tar-riċerka li pprovdew l-għarfien.
Din il-granularità tippermetti qsim sofistikat tad-dħul. Minflok stqarrijiet vagi dwar "taħriġ fuq l-internet," nistgħu nikkalkulaw preċiżament kemm kull sors tad-data kkontribwixxa għal kull kapaċità.
Is-Suq tal-Kummerċ Ġust tad-Data
Qed nibnu l-infrastruttura għal ekonomija ġdida tad-data. Aħsibha bħala ċertifikazzjoni ta' "Kummerċ Ġust" għal data ta' taħriġ tal-AI.
Għall-Fornituri tad-Data
Pubblikaturi, universitajiet, istituzzjonijiet ta' riċerka, u esperti tad-dominju jistgħu jirreġistraw il-kontenut tagħhom fuq il-pjattaforma tagħna. Huma jistabbilixxu t-termini tal-liċenzja. Huma jistabbilixxu l-prezz. Huma jżommu l-kontroll.
B'differenza mill-mudell ta' estrazzjoni fejn il-kontenut tagħhom kien sempliċement jittieħed, huma jsiru parteċipanti attivi fl-ekonomija tal-AI. Jistgħu jagħżlu liema applikazzjonijiet tal-AI jistgħu jużaw id-data tagħhom, taħt liema kundizzjonijiet, u bi liema prezz.
Data ta' kwalità għolja titlob prezzijiet premium. Pubblikatur akkademiku b'riċerka riveduta b'mod rigoruż bejn il-pari jista' jitlob aktar minn razzett ta' kontenut b'clickbait ottimizzat għall-SEO. Is-suq jippremja l-kwalità.
Għall-Iżviluppaturi tal-AI
Kumpaniji li qed jibnu applikazzjonijiet tal-AI jiksbu aċċess għal data ta' taħriġ legalment ċara bi provenjenza dokumentata. Jistgħu jipprovaw lir-regolaturi, lill-assiguraturi, u lill-qrati eżattament minn fejn ġiet id-data tat-taħriġ tagħhom u li kellhom id-dritt jużawha.
Dan jelimina r-riskju legali dejjem jikber ta' mudelli mħarrġa fuq data mneħħija mill-internet. Jipprovdi wkoll aċċess għall-"materja skura" tal-għarfien, ir-repożitorji vasti ta' informazzjoni ta' kwalità għolja li qatt ma kienet disponibbli fuq il-web miftuħ: arkivji korporattivi, riċerka wara ħlas, bażijiet ta' data proprjetarji.
Għall-Utenti Finali
L-utenti jiksbu riżultati aħjar għaliex l-AI hija mħarrġa fuq data kkurata ta' kwalità ogħla, aktar milli fuq l-istorbju tal-internet miftuħ. Jiksbu wkoll attribuzzjoni, meta s-sistema tagħna tipprovdi informazzjoni minn sorsi liċenzjati, nistgħu nikkwotaw dawk is-sorsi, u b'hekk nippermettu verifikazzjoni u esplorazzjoni aktar profonda.
L-Ekonomija tal-Kwalità fuq il-Kwantità
Il-kritiċi jargumentaw li l-ħlas għad-data jagħmel l-iżvilupp tal-AI ekonomikament mhux vijabbli. Huma jsostnu li għandek bżonn "l-internet kollu" biex tħarreġ mudelli kapaċi.
Dan jirrifletti ħsieb antikwat mill-era tal-"big data" tal-2020. Riċerka reċenti wriet b'mod deċiżiv li l-kwalità tad-data hija ferm aktar importanti mill-kwantità tad-data.
Ikkunsidra l-matematika. It-taħriġ ta' GPT-3 kien jeħtieġ madwar 45 terabyte ta' test ikkompressat. Ħafna minn dak kien scraping tal-web ta' kwalità baxxa: sezzjonijiet ta' kummenti, spam, informazzjoni skaduta, żbalji fattwali, u nonsense sħiħ.
Mudell imħarreġ fuq 500 gigabyte ta' kontenut ikkurat ta' kwalità għolja minn kotba tat-test u akkademiku jista' jaqbel jew jaqbeż il-prestazzjoni ta' mudelli mħarrġa fuq 100 darba aktar data. Il-proporzjon ta' sinjal għal storbju ta' data kkurata huwa sempliċement daqshekk ogħla.
Billi nħallsu għad-data, niksbu aċċess għal kontenut li qatt ma kien disponibbli għall-iscrapers: letteratura medika wara ħitan tal-ħlas tal-pubblikaturi, riċerka finanzjarja f'bażijiet ta' data proprjetarji, għarfien industrijali f'arkivji korporattivi. Din il-"materja skura" hija aktar nadifa, aktar densa, u aktar siewja minn kwalunkwe ħaġa fuq il-web miftuħ.
L-ekonomija fil-fatt tiffavorixxi l-mudell tad-dinjità. Aħna nħallsu aktar għal kull byte imma neħtieġu ħafna inqas bytes. Aħna niksbu aċċess għal sorsi premium li l-iscrapers qatt ma jistgħu jilħqu. U neliminaw ir-responsabbiltà legali li issa qed thedded lill-kumpaniji bbażati fuq l-estrazzjoni b'biljuni ta' danni potenzjali.
L-Imperattiv tal-Intrapriża
Għall-klijenti tal-intrapriża, id-dinjità tad-data mhijiex għażla. Hija rekwiżit tal-ġestjoni tar-riskju.
Organizzazzjonijiet kbar jiffaċċjaw espożizzjoni kbira ta' responsabbiltà minħabba sistemi tal-IA mħarrġa fuq data dubjuża. Dipartiment tal-marketing li juża ġeneratur ta' immaġini mħarreġ fuq xogħol artistiku miksub permezz ta' scraping jista' jiffaċċja talbiet ta' ksur tad-drittijiet tal-awtur. Dipartiment legali li juża mudell lingwistiku mħarreġ fuq kontenut b'paywall jiffaċċja espożizzjoni ta' proprjetà intellettwali. Organizzazzjoni tal-kura tas-saħħa li tuża mudell li ma jistax jipprova l-provenjenza tad-data tat-taħriġ tiegħu tiffaċċja riskju regolatorju.
Il-kawżi qed jaslu. Getty Images fetaħ kawża kontra Stability AI. The New York Times fetaħ kawża kontra OpenAI. Il-gildi tal-awturi qed jorganizzaw azzjonijiet kollettivi. Il-ħsarat potenzjali huma fil-biljuni.
Organizzazzjonijiet li jużaw is-sistemi ta' Dweve jistgħu juru eżattament minn fejn ġiet id-data tat-taħriġ tagħna u li kellna liċenzjar xieraq għaliha kollha. Din il-provenjenza nadifa tiswa ħafna aktar minn kwalunkwe gwadann marġinali fil-kapaċità minn data miksuba permezz ta' scraping.
Attribuzzjoni u l-Ekonomija tal-Għarfien
Lil hinn mill-kumpens, id-dinjità tad-data teħtieġ attribuzzjoni. Meta s-sistemi tagħna jipprovdu informazzjoni derivata minn sorsi liċenzjati, aħna nikkwotaw dawk is-sorsi.
Dan joħloq ċiklu virtuż. L-utenti jistgħu jivverifikaw l-informazzjoni billi jiċċekkjaw is-sorsi oriġinali. Jistgħu jesploraw suġġetti b'mod aktar profond billi jsegwu ċ-ċitazzjonijiet. It-traffiku jerġa' jmur lura lejn il-ħallieqa tal-kontenut, u jirrestawra l-kuntratt soċjali miksur tal-web.
Għas-settijiet ta' restrizzjonijiet speċjalizzati tagħna ta' 456 f'Dweve Loom, kull biċċa għarfien għandha katina ta' provenjenza. Meta l-ispeċjalista tal-Medical Domain jipprovdi informazzjoni dwar marda rari, nistgħu nuru liema dokumenti ta' ġurnali mediċi infurmaw dik ir-risposta. Meta l-ispeċjalista tal-Legal Domain jispjega rekwiżit regolatorju, nistgħu nikkwotaw is-sorsi statutorji.
Dan mhux biss etika tajba. Huwa disinn tajjeb ta' prodott. L-utenti jafdaw aktar fis-sistemi meta jistgħu jivverifikaw it-talbiet. L-intrapriżi jippreferu sistemi li jistgħu juru r-raġunament tagħhom. L-attribuzzjoni tibni l-fiduċja.
Il-Futur li Qed Nibnu
L-era tal-estrazzjoni qed tispiċċa. Dak li jiġi wara qed jiġi deċiż issa.
Triq waħda twassal għal komuni avvelenat. Il-ħallieqa jadottaw miżuri protettivi dejjem aktar aggressivi. Il-kwalità tad-data tat-taħriġ tiddegrada. L-iżvilupp tal-IA jieqaf jew isir proprjetà ta' ftit kumpaniji b'vantaġġi ta' data wirt.
It-triq l-oħra twassal għal ekonomija sostenibbli tal-għarfien. Il-ħallieqa jiġu kkumpensati għall-kontribuzzjonijiet tagħhom. Data ta' kwalità hija disponibbli għal dawk li huma lesti li jħallsu ġustament għaliha. L-iżvilupp tal-IA jkompli b'parteċipazzjoni wiesgħa u benefiċċji mqassma.
F'Dweve, qed nibnu l-infrastruttura għat-tieni triq. It-tnaqqis ta' 96% fl-enerġija tagħna juri li IA effiċjenti hija possibbli. L-ispjegabbiltà ta' 100% tagħna turi li IA trasparenti hija li tista' tinkiseb. L-arkitettura tad-dinjità tad-data tagħna turi li IA etika hija prattika.
Aħna nemmnu li t-trattament tal-ħallieqa tad-data b'dinjità mhux biss huwa moralment korrett. Huwa ekonomikament superjuri. Jipproduċi IA aħjar imħarrġa fuq data aħjar, b'status legali aktar nadif u ekonomija sostenibbli.
L-ikla b'xejn spiċċat. Il-mistoqsija hija x'jiġi wara. Aħna qed nibnu l-alternattiva.
Lest biex tibni IA fuq bażi ta' dinjità tad-data? Is-suq tal-kummerċ ġust tad-data ta' Dweve jipprovdi ċertezza legali, data ta' taħriġ ta' kwalità ogħla, u ekonomija sostenibbli. Ikkuntattjana biex tiskopri kif id-dinjità tad-data tista' ssir il-vantaġġ kompetittiv tiegħek.