A Getty Images anunciou uma iniciativa importante: disponibilizar um conjunto de dados de treinamento de IA contendo 3.750 fotos de alta qualidade, abrangendo 15 categorias, para apoiar o desenvolvimento de aplicações de IA. Essas fotos foram disponibilizadas na plataforma Hugging Face e podem ser acessadas gratuitamente após a aceitação dos termos de serviço e o fornecimento de informações de contato. Essa ação visa atrair empresas e desenvolvedores, além de promover seus serviços de licenciamento pago. A Getty Images afirma possuir mais de 572 milhões de fotos, com mais de 200 milhões disponíveis para uso comercial.

Em maio, a IBM lançou o modelo Granite13B LLM de código aberto para aplicações empresariais. Agora, Armand Ruiz, vice-presidente de produtos de plataforma de IA da IBM, divulgou o conteúdo completo do conjunto de dados de 6,48 TB usado para treinar o Granite13B.

O Instituto Baidu lançou o maior conjunto de dados de treinamento de modelos vetoriais semânticos chinês-inglês do mundo, o MTP, com um tamanho de dados de 300 milhões de pares. O MTP é o maior conjunto de dados de pares de texto relacionados chinês-inglês de código aberto, fornecendo uma base importante para o treinamento de modelos vetoriais semânticos. O conjunto de dados contém pares de texto chinês-inglês de várias fontes, abrangendo vários tipos, como perguntas e respostas, comentários e notícias. O Instituto Baidu afirmou que os dados desempenham um papel crucial no treinamento de grandes modelos e impulsionarão a inovação colaborativa em inteligência artificial. O lançamento deste conjunto de dados deverá resolver o problema do treinamento de modelos em chinês.

Uma organização antipirataria conseguiu que o repositório online de livros piratas The Eye removesse o conjunto de dados de treinamento de IA 'Books3'. O conjunto de dados 'Books3' contém 37 GB de texto e foi usado para treinar modelos de inteligência artificial por várias empresas. A organização antipirataria afirma que a IA apresenta novos desafios aos direitos autorais e planeja continuar a combater outros sites que hospedam o conjunto de dados.