“On s’en fout de l’illégalité, on veut juste la BDD.”
Le problème:
- Ils le font tous
- Y a pas d’autre moyens pour concurrencer ceux qui le font derrière des portes fermées
- NVidia publie ses datasets (ce qui est cool pour l’open-source!), donc est bien plus obligée de l’admettre
- J’ai aucun espoir que dans un climat aussi polarisé contre «l’IA» on arrive à trouver un créneau pour une tolérance des ayant-droits vis à vis de ces usages (Google a une époque faisait des partenariats avec des bibliothèques par exemple)
De plus en plus de labos passent à des données dites synthétiques pour entraîner leurs LLMs, c’est à dire que ce sont des données produites par d’autres LLMs, dont on «ne sait pas» s’ils ont piraté des contenus pour être entraînés, mais les datasets synthétiques, c’est sur, y a zéro copyright dedans (car la sortie d’un modèle génératif n’est pas copyrightable, d’après une étrange décision de justice US).
C’est une perte de temps pour contourner techniquement un manquement législatif, ça rend assez amer, mais bon, le copyright s’est toujours pas adapté à l’existence d’internet, lui demander de s’adapter à l’IA, ça a peu de chances d’arriver avant 2080.
À noter que réinjecter un corpus synthétique réduit mécaniquement les performances d’un modèle
https://en.wikipedia.org/wiki/Model_collapseOn a eu plusieurs articles qui ont présenté ça comme une fatalité mais ça n’a pas l’air de se retrouver en pratique dans les LLMs
Pendant au moins une génération, ça s’explique assez bien: Dans les teratokens qui ont été injectés, y a beaucoup de trucs à jeter, y a des choses fausses, y a des redondances, des infos obsolètes, des textes de mauvaise qualité.
Un LLM qui a déjà effectué un apprentissage dessus a moyen de ressortir un dataset sans ces choses. C’est techniquement des infos qui ont disparues, peut être même certaines infos utiles filtrées par erreur, mais c’est aussi un dataset qui va aller à l’essentiel et retenir plus rapidement les choses importantes. La généralisation arrive plus vite.
J’ai édité le lien original qui venait de BFM, voilà d’autres sources supplémentaires, certaines en anglais
- https://www.numerama.com/tech/2164701-nvidia-se-retrouve-accuse-dutiliser-la-bibliotheque-pirate-annas-archive-pour-entrainer-ses-ia.html
- https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidia-accused-of-trying-to-cut-a-deal-with-annas-archive-for-high-speed-access-to-the-massive-pirated-book-haul-allegedly-chased-stolen-data-to-fuel-its-llms
- https://videocardz.com/newz/court-filing-claims-nvidia-contacted-annas-archive-for-pirated-books-used-in-ai-training
- https://torrentfreak.com/nvidia-contacted-annas-archive-to-secure-access-to-millions-of-pirated-books/
