Pericolo e opportunità per l’industria dell’informazione nell’era dell’AI

OpenAI, lo sviluppatore di ChatGPT , sa che i dati di alta qualità sono importanti nel settore dell’intelligenza artificiale e gli editori di notizie ne dispongono in grandi quantità.

“Sarebbe impossibile addestrare i principali modelli di intelligenza artificiale di oggi senza utilizzare materiali protetti da copyright”, ha affermato quest’anno la società in una presentazione alla Camera dei Lord del Regno Unito, aggiungendo che limitare le sue opzioni a libri e disegni di pubblico dominio creerebbe prodotti deludenti.

I laboratori di intelligenza artificiale costruiscono modelli linguistici di grandi dimensioni – la tecnologia che è alla base di strumenti come il chatbot leader di OpenAI – utilizzando trilioni di parole prese da Internet, una risorsa vitale per fornire materiale che consente agli LLM di comprendere istruzioni basate su testo e prevedere la giusta risposta ad esse .

L’accordo di OpenAI con il Financial Times di questa settimana sottolinea la necessità dell’azienda statunitense di materiale accettabile, con l’amministratore delegato del gruppo FT, John Ridding, che afferma: “È chiaramente nell’interesse degli utenti che questi prodotti contengano fonti affidabili”.

Mentre i laboratori di intelligenza artificiale sono sempre più affamati di testi affidabili, tempestivi e soprattutto scritti da esseri umani per fornire risposte quanto più valide possibile, l’industria dell’informazione sta valutando il modo migliore per reagire: mentre molti stanno intensificando la lotta per difendere il loro territorio protetto da copyright, altri si stanno impegnando con i grandi player dell’intelligenza artificiale per raggiungere un compromesso e potenzialmente ottenere qualche vantaggio commerciale.

Il New York Times ha sferrato il primo duro colpo alla difesa a dicembre, citando OpenAI e Microsoft, il più grande investitore della società di intelligenza artificiale, per violazione del copyright . Nei documenti presentati in tribunale, il documento ha dimostrato che i chatbot di OpenAI potrebbero essere indotti a ricreare, quasi alla lettera, articoli dal suo archivio.

OpenAI, in risposta, ha sostenuto che i “suggerimenti” del NYT erano più che semplicemente irrealistici: l’editore, ha affermato, ha utilizzato “suggerimenti ingannevoli che violano palesemente i termini di utilizzo di OpenAI… La verità, che verrà fuori nel corso di questo caso, è che il Times ha pagato qualcuno per hackerare i prodotti OpenAI.”

La guerra fredda tra il NYT e OpenAI covava da mesi prima che fosse avviata la causa. Ad agosto, il documento ha bloccato il web crawler di OpenAI – che raccoglie i dati per i suoi modelli – dall’accesso al suo sito web. Seguirono il Guardian e la BBC.

Reuters e CNN hanno adottato misure per impedire alla società di leggere il loro materiale, una mossa che ha poco peso legale ma rende più difficile in termini pratici l’utilizzo delle notizie come dati di formazione.

Nei mesi successivi, altri hanno avviato le proprie azioni legali. Gli editori indipendenti Intercept, Raw Story e AlterNet hanno fatto causa a febbraio, mentre ad aprile l’hedge fund Alden Global Capital, che possiede otto giornali statunitensi, ha lanciato una raffica di azioni legali contro ChatGPT e Copilot AI di Microsoft.

Parlando a gennaio, l’amministratore delegato di OpenAI, Sam Altman, sembrava sprezzante riguardo all’importanza del NYT per i suoi prodotti. “Qualsiasi fonte di allenamento in particolare, per noi non sposta l’ago della bilancia più di tanto”, ha detto .

Ciononostante, sono stati raggiunti accordi con editori di notizie che individuano un nuovo flusso di entrate, mentre OpenAI, come affermato in merito all’accordo FT di questa settimana, vuole “arricchire l’esperienza ChatGPT con giornalismo di livello mondiale in tempo reale”.

L’accordo consente a OpenAI di formare modelli futuri sui contenuti FT, offrendo al contempo al gruppo di notizie l’accesso alla tecnologia e alle competenze dello sviluppatore di intelligenza artificiale per creare strumenti per la propria attività. Gli utenti di ChatGPT riceveranno anche riassunti e citazioni dal giornalismo del FT, nonché collegamenti ad articoli, in risposta alle richieste, ove appropriato.

OpenAI ha già firmato accordi di licenza di contenuti con l’agenzia di stampa statunitense Associated Press, il quotidiano francese Le Monde, Prisa Media, proprietaria di El País, e la tedesca Axel Springer, che pubblica il tabloid Bild.

Un portavoce di Guardian News & Media, editore del Guardian, ha confermato che al momento non ha un accordo con OpenAI, ma ha aggiunto che rimane in trattative con una serie di aziende leader nel settore dell’intelligenza artificiale.

Gli accordi evidenziano l’incerto equilibrio di potere tra l’intelligenza artificiale e i media. Da un lato, l’incertezza della tutela del copyright e il facile accesso al materiale online hanno incoraggiato molte aziende di intelligenza artificiale a correre il rischio con dati senza licenza, sperando che possano rivendicarne il fair use in qualsiasi battaglia legale. Quando hanno bisogno di concedere in licenza il materiale, la natura merce di molti report incoraggia un approccio “divide et impera”: se è necessario un solo accordo per mantenere un chatbot aggiornato con le ultime notizie, questo offre un forte potenziale di contrattazione.

Niamh Burns, analista senior di Enders Analysis, sostiene che OpenAI e FT condividono incentivi sufficienti per firmare un accordo, ma editori e aziende tecnologiche portano prospettive diverse al tavolo delle trattative.

“Gli editori affermano che utilizzare i loro contenuti per formare LLM è contrario ai loro termini di utilizzo e che la licenza è essenziale. OpenAI afferma di non violare il diritto d’autore e inquadra gli accordi come un sostegno volontario al settore del giornalismo”, afferma.

“Il licensing è ancora una zona grigia, ma questi primi accordi stanno creando dei precedenti. Il problema per gli editori è che non abbiamo idea di come saranno i prodotti AI tra un anno. Potrebbero anche non sapere cosa chiedere”.

Allo stesso tempo, la natura famelica dei modelli di intelligenza artificiale significa che hanno sempre bisogno di più dati. James Betker di OpenAI ha sostenuto l’anno scorso che la differenza di qualità tra i modelli di intelligenza artificiale era interamente dovuta al set di dati. “Il comportamento del modello non è determinato dall’architettura, dagli iperparametri o dalle scelte dell’ottimizzatore”, ha affermato, riferendosi alle difficoltà tecniche legate all’addestramento di un modello linguistico. “È determinato dal tuo set di dati, nient’altro. Tutto il resto è un mezzo per raggiungere l’obiettivo di [fornire] un calcolo efficiente per approssimare quel set di dati”.

Se fosse vero, ciò significherebbe che un’azienda con poche competenze tecnologiche ma un set di dati sufficientemente ampio troverebbe più facile costruire un sistema di intelligenza artificiale di alto livello rispetto a un’azienda altrettanto dotata di risorse con ingegneri esperti ma senza accesso ai dati di formazione: un equilibrio di competenze molto diverso da quello normalmente ipotizzato. In ogni caso, ciò sottolinea l’importanza del lavoro degli editori di notizie per la prossima generazione di modelli di intelligenza artificiale.

Riproduzione The Guardian