Technologické společnosti neustále hledají způsoby, jak zlepšovat své modely umělé inteligence (AI) a data hrají klíčovou roli v jejich úsilí. Nedávná zpráva odhalila, že OpenAI používá přes milion hodin videí z YouTube ke vzdělávání svého špičkového jazykového modelu, GPT-4.
Trénování takto výkonných AI modelů vyžaduje masivní množství dat, a OpenAI se obrátila na rozsáhlou videoknihovnu YouTube. Využitím nástroje pro rozpoznávání řeči nazvaného Whisper, model GPT-4 transkriboval obsah videa, poskytujíc rozsáhlý dataset pro trénink.
Tento přístup však vyvolal obavy ohledně dodržování politik YouTube. Google, majitel YouTube, striktně omezuje použití svých videí pro nezávislé aplikace. Proces transkripce videodat vyvolal spekulace ohledně možných porušení autorských práv.
Když byl dotázán na využití YouTube dat OpenAI, CEO YouTube Neal Mohan vyjádřil nejistotu a uvedl, že o takovém využití nemá žádné informace. Nicméně, uznal, že používání videí z YouTube bez patřičné autorizace by mohlo představovat závažný problém.
Je třeba zmínit, že OpenAI není jedinou společností zkoumající cesty ke získání více dat pro vzdělávání AI. Sám Google transkriboval obsah z YouTube pod dohodami s tvůrci. Firma Marka Zuckerberga – Meta – také udělala titulky diskutující o možném převzetí Simon & Schuster, aby měla přístup k rozsáhlé knihovně knih.
Proč je sledována data?
Účinnost a schopnosti AI modelů přímo souvisejí s objemem a kvalitou dat, na kterých jsou vzdělávány. Skutečně poptávka po vysokokvalitních datech je tak obrovská, že odborníci předpokládají potenciální vyčerpání snadno dostupných internetových dat do roku 2026, což ilustruje závod ke shromáždění obrovských informací.
FAQ
Co je to GPT-4?
GPT-4 znamená „Generative Pre-trained Transformer 4“ a je jazykový model vyvinutý společností OpenAI. Využívá techniky hlubokého učení k generování textu podobného lidskému na základě poskytnutého kontextu.
Co je rozpoznávání řeči?
Rozpoznávání řeči je technologie, která převádí mluvený jazyk na psaný text. V případě nástroje pro rozpoznávání řeči Whisper použitého u OpenAI GPT-4 transkriboval obsah videí z YouTube.
Jak ovlivňují data AI modely?
Data jsou klíčová pro trénování AI modelů. Objem a kvalita dat přímo ovlivňují výkon, přesnost a schopnosti AI modelu. Více dat umožňuje lepší predikce a hlubší porozumění složitým vzorům.
Existují autorskoprávní obavy ohledně transkripce videí z YouTube?
Ano, transkripce videí z YouTube bez patřičné autorizace může možná porušovat autorská práva. YouTube omezuje použití svých videí pro nezávislé aplikace a neautorizovaná transkripce může zasahovat do práv tvůrců.
Jak si firmy z oblasti AI získávají data?
Firmy z oblasti AI využívají různé zdroje k získání dat. Mohou to být veřejné datasety, partnerství s poskytovateli dat nebo dohody s tvůrci obsahu k přístupu k jejich obsahu pro výcvikové účely.
Jak se závod o data zintenzivňuje, společnosti jako OpenAI a Google stále zkoumají inovativní způsoby, jak efektivně trénovat své AI modely. Zatímco obavy o dodržování pravidel a autorská práva zůstávají, žízeň po postupech AI řízených daty přetrvává.
Zdroje:
Hindustan Times
The source of the article is from the blog mgz.com.tw