Technológiai vállalatok folyamatosan próbálnak fejleszteni az mesterséges intelligencia (AI) modelleiket, és az adatok játszanak döntő szerepet ebben a küldetésben. Az OpenAI legújabb jelentésében több mint egymillió órányi YouTube videót használt fel a GPT-4 nevű modern nyelvi modell kiképzéséhez.
Ezeknek az erőteljes AI modelleknek a kiképzése hatalmas adatmennyiséget igényel, és az OpenAI a YouTube hatalmas videótárához fordult e célból. A GPT-4 modell egy Whisper nevű beszédfelismerő eszközt használva tranzkriptálta a videótartalmakat, biztosítva ezzel egy kiterjedt adatkészletet a kiképzéshez.
Azonban ennek az megközelítésnek a rámutatott azokra a fenntartásokra, amelyeket a YouTube szabályait illetően felvet. A YouTube tulajdonosa, a Google szigorúan korlátozza a videói felhasználását független alkalmazásokban. A videóadatok tranzkripciós folyamata spekulációkat vetett fel a szerzői jogok megsértésével kapcsolatban.
Amikor az OpenAI YouTube adatainak felhasználásáról faggatták, a YouTube vezérigazgatója, Neal Mohan kifejezte bizonytalanságát, mondván, hogy nem tud ilyen felhasználásról. Mindazonáltal elismerte, hogy a YouTube videók felhasználása megfelelő engedély nélkül komoly problémát jelenthet.
Érdemes megjegyezni, hogy az OpenAI nem az egyetlen vállalat, amely felfedezte azokat az utakat, hogy több adathoz juthasson az AI kiképzéséhez. Maga a Google is tranzkripciós feladatokat hajtott végre YouTube tartalmakon megállapodások alapján a készítőkkel. Mark Zuckerberg Meta vállalata is híreket keltett azzal kapcsolatosan, hogy Simon & Schuster felvásárlásáról tárgyalt egy hatalmas könyvtárhoz való hozzáférés érdekében.
Miért van az adatok iránti rajongás?
Az AI modellek hatékonysága és képességei közvetlen összefüggésben állnak azon adatok mennyiségével és minőségével, amelyek alapján képzik őket. Valójában a magas minőségű adatok iránti igény olyan óriási, hogy az szakértők azt prognosztizálják, hogy az internetről könnyen elérhető adatok potenciálisan kimerülhetnek 2026-ra, ami az adatok hatalmas mennyiségének összegyűjtésének versenyét illusztrálja.
GyIK
Mi az a GPT-4?
A GPT-4 a „Generatív Előzetesen Kiképzett Transzformátor 4” rövidítése és egy nyelvi modell, amelyet az OpenAI fejlesztett. Mély tanulási technikákat használ arra, hogy emberihez hasonló szöveget generáljon a megadott kontextus alapján.
Mi az a beszédfelismerés?
A beszédfelismerés egy olyan technológia, amely beszélt nyelvet írott szöveggé alakít át. Az OpenAI GPT-4 esetében a Whisper beszédfelismerő eszköz tranzkriptálta a YouTube videók tartalmát.
Hogyan befolyásolják az adatok az AI modelleket?
Az adatok létfontosságúak az AI modellek kiképzéséhez. Az adatok mennyisége és minősége közvetlenül befolyásolja egy AI modell teljesítményét, pontosságát és képességeit. Több adatelemzés lehetővé teszi jobb előrejelzéseket és a komplex minták mélyebb megértését.
Vannak-e szerzői jogi aggodalmak a YouTube videók tranzkripciójával kapcsolatban?
Igen, a YouTube videók tranzkripciója jogtalan engedély nélkül potenciálisan sértheti a szerzői jogi törvényeket. A YouTube korlátozza a videóinak független alkalmazásokban való használatát, és a jogtalan tranzkripció beavatkozhat a készítők jogait.
Hogyan szereznek adatokat az AI vállalatok?
Az AI vállalatok különböző forrásokat használnak az adatok beszerzéséhez. Ezek közé tartoznak a nyilvános adatkészletek, adatszolgáltatókkal való partnerségek, vagy olyan tartalomkészítőkkel kötött megállapodások, akik az ő tartalmaikat hozzáférhetővé teszik a kiképzés céljából.
Ahogyan az adatokért folytatott verseny fokozódik, olyan vállalatok, mint az OpenAI és a Google továbbra is felfedezik az innovatív módszereket az AI modelleik hatékony kiképzésére. Bár fenntartások merülnek fel azzal kapcsolatban, hogy betartják-e a szabályokat és a szerzői jogokat, az adatalapú AI fejlesztések iránti vágy továbbra is tart.
Források:
Hindustan Times
The source of the article is from the blog windowsvistamagazine.es