Nag-i-scan ang mga kumpanya ng AI ng trak-trak na libro, minsan mga bihira, at kadalasan ay sinisira ang mga ito upang sanayin ang kanilang mga modelo—at ngayon ay may ideya na tayo kung aling mga kumpanya at paano nila ito ginagawa.
Ang independenteng publikasyon ng tech media na 404 Media ay naglagay ng tracking device sa loob ng isang shipment ng mga bihirang libro at sinubaybayan ito patungo sa isang pasilidad ng Amazon sa Las Vegas kung saan ini-scan at sinisira ng kumpanya ang mga naka-print na libro upang sanayin ang AI.
Ang imbestigasyon, na inilabas nitong Lunes, ang kauna-unahang pampublikong nagtukoy kung saan napupunta ang malalaking pagbili ng libro na may kinalaman sa pagsasanay ng AI.
Ang huling hinto ay ang koponan ng VGT3 ng Amazon. Sinabi ng mga empleyado sa outlet na ang tanging ginagawa nila ay tumanggap ng malalaking shipment ng mga naka-print na libro, pagkatapos ay pinutol ang mga balat nito upang mas mabilis na maipasa ang mga pahina sa isang scanner. Nasira ang libro sa proseso. Ang logo ng koponan na lubhang akma ay isang dinosaur na may hawak na libro sa mga kuko nito.
Ang mga librong nailimbag bago ang 2022 ay naglalaman ng teksto na hindi madaling makita online at, mahalaga, hindi isinulat ng makina. Ang pagsasanay ng isang modelo sa sarili nitong uri ng output ay nagdudulot ng panganib ng "model collapse," kung saan bumababa ang kalidad sa bawat paulit-ulit na loop.
Kaya, ang mga papel bago ang 2022 ay malinis na gasolina para sa pagsasanay ng AI.
Hindi lang Amazon ang gumagawa nito. Isang "cottage industry" ang nabuo upang magsuplay sa mga AI lab ng mga pisikal na libro na tinatanggalan ng balat, ini-scan, at itinatapon—ang eksenang "Fahrenheit 451" ng mga teksto na sinira upang pakainin ang mga makina na ang internal na "Project Panama" ng Anthropic ay nagpatakbo na sa malaking sukat, dinidigital ang milyon-milyong libro sa pamamagitan ng mapanirang pag-scan.
Ang pagmamadali para sa malinis na teksto ay umabot na sa korte. Nagpasya ang isang federal na hukom na ang pagsasanay ng AI sa mga legal na nabiling libro ay maaaring ituring na fair use, isang bahagyang tagumpay para sa Anthropic na inaangkin din ng Meta at OpenAI. Iba naman ang usapin sa mga pirated na kopya: Pumayag ang Anthropic sa isang $1.5 bilyong settlement para sa mga na-scan na pirated na pamagat, at ang Salesforce ngayon ay nahaharap sa isang class action dahil sa umano'y pagpipirata ng libro.
Nananatiling tahimik ang operasyon ng Amazon dahil sa estruktural na dahilan. Napansin ng mga nagbebenta ng libro ang pagtaas ng dami ng bulk orders sa nakaraang taon at pinaghihinalaang ang mga kumpanya ng AI ang nasa likod nito—hindi sensitibo sa presyo ang mga mamimili at pumipili ng mga pamagat na tila random. Ang kanilang mga alalahanin ay tuluyang kinumpirma ng isang AirTag na nagbunyag ng destinasyon.
Sinabi ng Amazon na "bumibili ito ng mga libro sa pamamagitan ng mga komersyal na channel upang makatulong sa pagbuo at pagpapabuti ng mga produkto at serbisyo na ginagamit ng aming mga customer."
