Nvidia accusata di aver cercato un accordo con Anna’s Archive per accedere a libri piratati
Emergono documenti che suggeriscono un tentativo di Nvidia di ottenere dati da una shadow library per addestrare modelli LLM.
Nvidia è finita al centro di nuove accuse riguardanti l'accesso a dati piratati per l’addestramento dei propri modelli di Large Language Model (LLM). Secondo documenti resi pubblici durante una causa collettiva, la società avrebbe proposto un pagamento per ottenere accesso ad alta velocità ad Anna’s Archive, una nota 'shadow library' che ospita materiali protetti da copyright.
I documenti, pubblicati da fonti come TorrentFreak, includono corrispondenze che mostrerebbero il Data Strategy Team di Nvidia in trattativa per accedere a quasi 500 TB di dati dalla piattaforma, nonostante l'avvertimento ricevuto dagli stessi gestori di Anna’s Archive sulla natura illegale dei contenuti. «Entro una settimana dal primo contatto, la dirigenza di Nvidia avrebbe dato il via libera all’accordo», si legge in uno dei passaggi più critici.
La vicenda si inserisce nell’ambito di una causa legale in cui Nvidia è accusata di aver utilizzato il dataset Books3, ricavato da siti pirata, per addestrare i propri LLM. La società si difende invocando il fair use, ma la nuova documentazione potrebbe ampliare il contenzioso. La situazione evidenzia la crescente pressione sull’industria dell’AI rispetto al rispetto della proprietà intellettuale durante la fase di training dei modelli.
Cosa sono le 'shadow libraries' come Anna's Archive?
Le 'shadow libraries' sono archivi online che offrono accesso gratuito a materiali protetti da copyright, come libri e articoli accademici, senza l'autorizzazione dei detentori dei diritti. Anna's Archive è una di queste piattaforme, nota per ospitare milioni di libri e documenti accademici disponibili illegalmente.
Qual è il ruolo del dataset Books3 nella formazione dei modelli di linguaggio?
Il dataset Books3 è una raccolta di circa 197.000 libri, molti dei quali protetti da copyright, utilizzata per addestrare modelli di linguaggio di grandi dimensioni
Cosa implica il 'fair use' nel contesto dell'addestramento dei modelli AI?
Il 'fair use' è una dottrina legale che consente l'uso limitato di materiale protetto da copyright senza necessità di autorizzazione, per scopi come critica, commento, notizia, insegnamento o ricerca. Nel contesto dell'addestramento dei modelli AI, le aziende sostengono che l'uso di dati protetti rientri nel 'fair use' poiché i modelli non riproducono direttamente le opere, ma le utilizzano per apprendere pattern linguistici. Tuttavia, questa interpretazione è oggetto di dibattito legale.
Quali sono le implicazioni legali per le aziende che utilizzano dati piratati per addestrare modelli AI?
Le aziende che utilizzano dati piratati per addestrare modelli AI possono affrontare cause legali per violazione del copyright, con richieste di risarcimento danni e ordini di cessazione dell'uso dei dati. Ad esempio, NVIDIA è stata accusata di utilizzare libri piratati per addestrare i suoi modelli AI, portando a una class action da parte degli autori.
Come possono le aziende garantire il rispetto del copyright nell'addestramento dei modelli AI?
Le aziende possono garantire il rispetto del copyright utilizzando dataset composti esclusivamente da contenuti con licenze appropriate o di dominio pubblico, ottenendo autorizzazioni dai detentori dei diritti o creando dati originali per l'addestramento. Inoltre, è fondamentale implementare politiche interne rigorose per verificare la provenienza dei dati utilizzati.
Quali sono le conseguenze per gli autori i cui lavori vengono utilizzati senza autorizzazione nell'addestramento AI?
Gli autori i cui lavori vengono utilizzati senza autorizzazione possono subire perdite economiche e danni alla reputazione. Possono intraprendere azioni legali per ottenere risarcimenti e richiedere la cessazione dell'uso non autorizzato delle loro opere.
