Escritores como Stephen King, Rachel Cusk, Zadie Smith, Margaret Atwood, Haruki Murakami y Elena Ferrante se encuentran entre los miles de autores cuyas obras pirateadas se han utilizado para entrenar herramientas de inteligencia artificial, según reveló un artículo que acaba de publicar la revista estadounidense The Atlantic .
Según la publicación, se cree que más de 170.000 títulos se incorporaron a modelos administrados por empresas como Meta y Bloomberg, aportando involuntariamente un formidable conjunto de datos que fue aprovechado por las firmas para construir sus herramientas de inteligencia artificial.
La biblioteca Books3 se utilizó para entrenar LLaMA, uno de varios grandes modelos de lenguaje –aunque el más conocido es ChatGPT de OpenAI– diseñado para generar contenido basado en patrones identificados en textos de muestra.
El conjunto de datos también se utilizó para entrenar BloombergGPT de Bloomberg, GPT-J de EleutherAI y es “probable” que se haya utilizado en otros modelos de IA, de acuerdo con la investigación de The Atlantic.
Los títulos contenidos en Books3 son aproximadamente un tercio de ficción y dos tercios de no ficción, y la mayoría se publicaron en las últimas dos décadas. Junto con los escritos de Smith, King, Cusk y Ferrante, las obras con derechos de autor en el conjunto de datos incluyen 33 libros de Margaret Atwood, al menos nueve de Haruki Murakami, nueve de bell hooks, siete de Jonathan Franzen, cinco de Jennifer Egan y cinco de David Grann.
También se incluyen libros de George Saunders, Junot Díaz, Michael Pollan, Rebecca Solnit y Jon Krakauer, así como 102 novelas pulp del fundador de Scientology L Ron Hubbard y 90 libros del pastor John MacArthur.
Los títulos abarcan editoriales grandes y pequeñas, incluidos más de 30.000 publicados por Penguin Random House, 14.000 de HarperCollins, 7.000 de Macmillan, 1.800 de Oxford University Press y 600 de Verso.
Esto se produce después de que una demanda presentada el mes pasado por tres escritores –Sarah Silverman, Richard Kadrey y Christopher Golden– alegara que sus obras protegidas por derechos de autor “fueron copiadas e ingeridas como parte del entrenamiento” del LLaMA de Meta. El análisis reveló que los escritos de los tres demandantes son efectivamente parte de Books3.
Por su parte, Shawn Presser, el desarrollador de IA independiente que creó originalmente Books3, dijo que si bien simpatiza con las preocupaciones de los autores, creó la base de datos para que cualquiera pueda desarrollar herramientas de IA generativa y no se desentiende de los riesgos de que las grandes empresas tengan el control de la tecnología.