Rozsáhlé jazykové modely potřebují text vytvořený lidmi, jenže současný web obsahuje velké množství generovaného obsahu právě umělou inteligencí. Při opakovaném využívání takových dat může klesat pestrost i spolehlivost výsledných modelů. Firmy vyvíjející LLM tak našly způsob, jak se dostat k čistému a pestrému textu – z knih vydaných před rokem 2022.
Použít a zničit
Tato díla prošla redakčním zpracováním a jejich obsah vznikl před současnou vlnou generativních nástrojů. Firmy díky nim získají přesně kvalitní textový obsah, který ve strukturované podobě mohou uchovat ve vlastní databázi. Proto je nyní ve velkém nakupují, digitalizují a nechají je procházet tréninkové modely.
Nejrychlejší digitalizace je bohužel destruktivní – stroj odřízne hřbet knihy a jednotlivé stránky projdou průmyslovým a plně automatizovaným skenerem. Zbytky takto použitých a zničených knih potom míří do spalovny nebo k recyklaci. Tento postup je o poznání levnější než snímání svázaných knih pomocí horních či speciálních véčkových skenerů.
Nákupy bez jména
ISBNdb, která provozuje rozsáhlou databázi knih, začala AI firmám nabízet hromadné nákupy fyzických titulů v objemu od jednoho tisíce do jednoho milionu kusů na objednávku. Zákazníkům zároveň slibuje anonymitu. Jeden z velmi malých knihkupců pro 404 Media uvedl, že se jeho prodej během dubna zvýšil z nejvýše 20 knih týdně na stovky kusů. Za odběrateli podle něj zřejmě stojí AI společnosti, protože výběr titulů je náhodný a spojuje je především podobnost čísla ISBN.
V nabídce má podle svých slov vzácné knihy i tituly, které se už nevydávají, a část výtisků tak může patřit k posledním dostupným exemplářům. Bohužel mohou padnout za oběť tréninku jazykových modelů.
Neetické, ale legální
Rozsah této neetické praxe ukázal projekt Panama společnosti Anthropic. Firma nakoupila miliony knih a najala externí společnosti pro jejich skenování. Americký soud v červnu 2025 označil trénování modelů na legálně získaných knihách za transformační užití, což v překladu znamená neetické, ale v mezích zákona. Autorské právo podle soudu nebylo porušeno, protože tento způsob použití spadá pod výjimku fair use.
Naopak v paralelní větvi totožného sporu byl Anthropic nucen vyplatit autorům 1,5 miliardy dolarů coby urovnání za využívání pirátských kopií knih k tréninku LLM. Jde o největší částku v historii, která byla ve sporu týkající se autorského zákona vyplacena.
Zdroj: Futurism
ČLÁNKY DO MAILU