990
Amazon масово купує рідкісні та важкодоступні друковані книги, після чого частину з них фізично розбирають і сканують для використання в AI. Про практику повідомило 404 Media, а TechCrunch звернув увагу на те, як паперові видання перетворилися на нове джерело навчальних даних для великих мовних моделей.
Журналісти 404 Media помістили трекер в одну з рідкісних книг і простежили її шлях. Видання зрештою потрапило на об’єкт Amazon у Лас-Вегасі.
Центр має внутрішнє позначення VGT3 і використовує символ динозавра, який тримає книгу. Саме там, за даними розслідування, відбувається частина роботи з фізичними виданнями.
Щоб швидко відсканувати сторінки, у книги зрізають корінець. Після цього аркуші можна подавати через автоматизовані сканери, але повернути примірник до початкового стану вже неможливо.
Amazon підтвердила, що купує книги через комерційні канали для покращення продуктів і сервісів, якими користуються її клієнти.
Інтерес AI-компаній до таких матеріалів пояснюється дефіцитом якісного людського тексту. Великі мовні моделі вже використали величезну частину доступного відкритого інтернету.
Рідкісні, старі та давно не перевидані книги можуть містити матеріали, яких немає в мережі або які існують лише у погано відсканованих копіях.
Окрему цінність має час публікації. Для книги, виданої до масового поширення генеративного AI, можна з високою впевненістю сказати, що її текст написала людина.
Це стає дедалі важливішим, оскільки сучасний інтернет наповнюється AI-згенерованим контентом. Якщо моделі починають навчатися на великій кількості синтетичних матеріалів, розробники побоюються погіршення якості.
Такий ефект називають model collapse: модель поступово втрачає різноманітність і точність, якщо дедалі більше навчається на результатах роботи інших моделей замість первинних людських даних.
Практика Amazon водночас викликає питання через знищення фізичних примірників, серед яких можуть бути колекційні або важкодоступні видання.
Ситуація має символічний характер і для самої компанії. Amazon починала як онлайн-магазин книг, а тепер друковані тексти стали для неї ще й фізичною сировиною для розвитку AI.
Рідкісні книги також дають розробникам те, чого дедалі складніше знайти у відкритій мережі: довгі, послідовні тексти з редакторською структурою, створені без участі генеративних моделей. Саме така якість робить старі видання особливо привабливими для навчання наступних поколінь LLM.
У короткій заяві Amazon не уточнила, які саме моделі або сервіси навчаються на цих матеріалах. Компанія лише підтвердила купівлю книжок через комерційні канали для покращення власних продуктів і послуг.
Джерело: TechCrunch
