A szerényen fizetett kutatók, oktatók szerte a világban előszeretettel gyűjtenek a munkájukhoz nélkülözhetetlen szakirodalmat olyan repozitóriumokból, ahol a feltöltött anyag jogtisztaságáról nem adnak az egyes művek mellé nagypecsétes igazolást – igaz, a használók közül nem is kér ilyet senki. Ezek a jelentős méretű gyűjtemények – amelyek közül a legnagyobb, de mindenképpen a legismertebb a legendás LibGen – különös megítélési kettősségben élik életüket. A nagy könyv- és tudományos folyóirat kiadók szemében ezek a könyvkalózok súlyosan veszélyeztetik, károsítják a világ tudományos publikációs iparát. Mások azonban – köztük a sokszor végletes mértékben kihasznált szerzők – egyfajta intellektuális Robin Hoodnak tekintik az ilyen könyves helyek üzemeltetőit, a tudomány szabadságharcosainak, és az emberi progresszió igazi támogatóinak. Anélkül, hogy egyik, vagy másik oldal pártjára, igazsága mellé állnánk, azt nyugodtan kijelenthetjük: a Globális Délnek nevezett fejlődő világ tudományos élete, köz- és felsőoktatása ma nem lenne ugyanaz ezek nélkül a tudományos kincsestárak nélkül.
Azonban nem csupán az intellektus szegénylegényei (és -leányai) fordulnak előszeretettel ezekhez a repozitóriumokhoz a munkájukhoz, fejlődésükhöz nélkülözhetetlen szakmai nyersanyagért. Ahogy az utóbbi időkben egyre-másra pattant ki, a dollár százmilliókkal kistafírozott gazdag és hatalmas technológiai óriások is előszeretettel dézsmálgatják a tudás és információ eme ingyenes éléskamráit. E mögött nyilván erős profitoptimalizálási törekvések is állhatnak, de ami egyértelműen erre a sajátos beszerzésre ösztönzi a nagy MI-fejlesztőket, az a még elérhető “szűz” adatkészletek rohamos fogyatkozása. Márpedig, ahogy az közismert még a laikusok számára is, az adat (méghozzá emberi ésszel szinte felfoghatatlan mennyiségű adat) nélkül lényegében aligha létezhetne a szédítő karriert befutó LLM-technika. A problémán egyelőre nem változtat érdemben számos ígéretes törekvés és fejlesztés, a radikálisan kisebb adatkészlettel is elboldoguló kis nyelvi modellektől a szintetikus tréningadat előállításon át a már meglevő nagymodelleken történő LLM-betanításig. Az illegális könyvrepozitóriumokból kinyert adatokon olyan csúcscégek nevelgették új modelljeiket, mint például a Facebook mögött álló Meta. Ahogy az azóta megindult szerzői jogi perek tanúsítják, a cég nagyon sikeres nyílt forrású nyelvi modellje, a Llama kiképzésében jelentős mértékben használt fel például a LibGen-től megszerezhető szakmai adatkészleteket. Jogi szakértők azt gyanítják, hogy az ilyen tréningadat-szerzési gyakorlat sokkal elterjedtebb, mint ahogy azt gondolnánk. A Zuckerberg-vállalkozás ilyen irányú gyakorlata csupán a jéghegy csúcsa. (ref.: MI Újság)
The Atlantic