Recentemente, a empresa americana de inteligência artificial OpenAI contestou a decisão do Tribunal Superior de Delhi, na Índia, argumentando que o tribunal não tem o direito de exigir a remoção dos dados de treinamento do ChatGPT. O caso decorre de um processo movido pela agência de notícias indiana ANI em novembro passado, alegando que a OpenAI usou seu conteúdo publicado sem autorização para treinar o ChatGPT. A ANI solicitou a remoção de seu conteúdo do conjunto de dados de treinamento do modelo e acusou a OpenAI de violação de direitos autorais. Em documento apresentado ao Tribunal Superior de Delhi em 10 de janeiro...

Recentemente, com o andamento de um caso de direitos autorais de inteligência artificial – o caso Kadrey vs. Meta – informações internas da empresa Meta foram liberadas pelo tribunal, revelando a obsessão dos executivos da empresa em superar o modelo GPT-4 da OpenAI durante o desenvolvimento do Llama3. Em uma mensagem de outubro de 2023, o vice-presidente de IA generativa da Meta, Ahmad Al-Dahle, mencionou: “Honestamente, nosso objetivo tem que ser o GPT”

Em um esforço para promover a transparência no campo da inteligência artificial (IA), a Computer & Communications Industry Association (CCIA) anunciou conjuntamente em Bruxelas e Washington uma nova iniciativa inovadora: um modelo global de relatório de transparência da indústria. Este modelo visa aumentar a confiança e a compreensão pública dos dados de treinamento de modelos de inteligência artificial generativa (GPAI). O 'Modelo de Transparência de Dados de Treinamento de IA' lançado exige que as empresas divulguem os tipos de dados usados para treinar modelos GPAI específicos, como podcasts, livros, etc., e também indiquem a principal origem dos dados.

A Microsoft anunciou o mais novo membro da sua família de modelos generativos de IA Phi: o Phi-4. Em comparação com as versões anteriores, o Phi-4 apresenta melhorias em diversos aspectos, com destaque para a resolução de problemas matemáticos, graças a uma melhoria na qualidade dos dados de treinamento. Até quinta-feira à noite, o acesso ao Phi-4 era relativamente limitado, disponível apenas na plataforma de desenvolvimento Azure AI Foundry da Microsoft, e somente para fins de pesquisa sob contrato de pesquisa da Microsoft. Nota da imagem: Imagem gerada por IA, uso de imagem autorizado.

O New York Times e o Daily News enfrentaram uma reviravolta inesperada em seu processo por violação de direitos autorais: um engenheiro da OpenAI inadvertidamente excluiu dados de pesquisa de máquina virtual que poderiam ter sido evidências cruciais, adicionando mais um capítulo dramático a essa disputa jurídica altamente divulgada. De acordo com uma carta enviada na quarta-feira à noite ao Tribunal Distrital dos EUA para o Distrito Sul de Nova York, os advogados e especialistas em tecnologia das duas empresas de mídia haviam passado mais de 150 horas pesquisando o conjunto de dados de treinamento de IA da OpenAI. No entanto, em 14 de novembro, um engenheiro da OpenAI excluiu acidentalmente dados armazenados em uma máquina virtual

Recentemente, a Open Source Initiative (OSI) lançou uma nova definição que esclarece o que realmente constitui uma inteligência artificial de "código aberto". Este novo padrão chamou a atenção das grandes empresas de tecnologia, especialmente o modelo Llama do Meta, pois não cumpre essas regras. A OSI sempre foi a definidora de padrões da indústria para software de código aberto, mas nos sistemas de IA existem elementos não cobertos pelas licenças tradicionais, como os dados de treinamento do modelo. De acordo com a nova definição da OSI, qualquer coisa considerada verdadeiramente de código aberto

Um estudo recente do Instituto Federal de Tecnologia de Lausanne (EPFL), na Suíça, comparou dois métodos principais de treinamento adaptativo de modelos de linguagem grandes (LLMs): aprendizado em contexto (ICL) e ajuste fino de instruções (IFT). Os pesquisadores usaram o benchmark MT-Bench para avaliar a capacidade dos modelos de seguir instruções, descobrindo que, em determinadas circunstâncias, os dois métodos apresentaram desempenhos diferentes. A pesquisa descobriu que, quando o número de amostras de treinamento disponíveis é pequeno (por exemplo, não superior a 50), o ICL e o IFT têm um desempenho muito semelhante. Isso

Recentemente, a OpenAI chegou a um acordo em um processo de direitos autorais muito aguardado, concordando em divulgar para os advogados dos autores os dados usados para treinar seu modelo de IA generativa. Nota da imagem: Imagem gerada por IA, provedora de licenciamento de imagens Midjourney. Os autores incluem escritores conhecidos como Paul Tremblay, Sarah Silverman, Michael Chabon, David Henry Hwang e Ta-Nehisi Coates. Eles processaram a OpenAI e suas afiliadas no ano passado, alegando uso não autorizado de suas obras pela IA.

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.

No contexto do rápido desenvolvimento da inteligência artificial, o "Fórum dos Idiotas" do Baidu Tieba inesperadamente se tornou uma importante fonte de dados para o treinamento de IA, desafiando a compreensão tradicional de dados de alta qualidade. Esta comunidade, com seu conteúdo absurdo e humorístico, superou plataformas famosas em testes de perguntas e respostas e brainstorming, tornando-se um dos bancos de dados de treinamento de IA mais populares. Estudos descobriram que o conteúdo coloquial e as conversas multiturnas do "Fórum dos Idiotas" ajudam a IA a se aproximar da maneira como os humanos se comunicam. A IA tem limitações em entender o humor humano, mas as piadas do "Fórum dos Idiotas", com sua lógica rigorosa, rica retórica e...

O LAION lançou o Re-LAION-5B, o primeiro conjunto de dados de treinamento de IA do mundo com links CSAM removidos completamente, com o objetivo de combater o problema do material de abuso sexual infantil (CSAM). Este conjunto de dados representa uma melhoria significativa em relação ao LAION-5B, e está disponível em duas versões: Re-LAION-5B Research e Research-Safe. Foram removidos 2236 links CSAM, sendo 1008 deles de uma lista de organizações de proteção infantil. O conjunto de dados contém 5,5 bilhões de pares de texto e imagem, e visa auxiliar...

Um artigo da revista The Economist aponta que as empresas de IA enfrentam o desafio da "parede de dados", devido ao esgotamento de dados de alta qualidade na internet, prevendo que todos os dados textuais de alta qualidade serão usados até 2028, afetando o progresso do aprendizado de máquina. O professor Stuart Russell, da Universidade da Califórnia em Berkeley, alertou que o ChatGPT e outras IAs podem esgotar o texto no universo. No entanto, a professora Fei-Fei Li, da Universidade de Stanford, afirma que ainda há uma grande quantidade de dados diferenciados a serem explorados. Para resolver a escassez de dados, o uso de dados sintéticos se tornou uma solução possível, mas um artigo da revista Nature aponta...

Recentemente, o modelo de onda sísmica 'Di Ting', desenvolvido conjuntamente pelo Centro Nacional de Supercomputação de Chengdu, o Instituto de Geofísica do Serviço Sismológico da China e a Universidade Tsinghua, foi oficialmente lançado em Chengdu, Sichuan. Este modelo é o primeiro modelo de onda sísmica da China a atingir bilhões de parâmetros, marcando um avanço significativo na integração da pesquisa sismológica e da tecnologia de inteligência artificial na China.

Modelos de IA estão perdendo gradualmente o acesso a dados de treinamento na web, com a porcentagem de dados bloqueados aumentando de 1% para 5-7%. Uma pesquisa analisou os arquivos robots.txt e os termos de uso de 14.000 domínios e descobriu que sites de notícias, fóruns e plataformas de mídia social são as principais fontes de restrição de acesso a dados de IA, com sites de notícias mostrando um aumento dramático na porcentagem de bloqueio, de 3% para 45%. A diminuição da presença de conteúdo de notícias de alta qualidade nos dados de treinamento de IA pode levar ao aumento do conteúdo de baixo valor de sites de comércio eletrônico. Essa tendência apresenta desafios para os desenvolvedores de IA, pois dados de alta qualidade são...

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.

Recentemente, o Tribunal da Internet de Pequim realizou uma audiência online para quatro casos de violação de direitos autorais em que ilustradores processaram desenvolvedores e operadores de softwares de pintura de IA. Os quatro autores são ilustradores conhecidos que descobriram que suas obras originais publicadas em uma plataforma de compartilhamento de conteúdo foram amplamente imitadas por softwares de pintura de IA e usadas como material de treinamento para gerar novas obras de arte. Essas obras de arte geradas por IA não apenas são altamente semelhantes ao estilo das obras dos autores, mas também são amplamente utilizadas para fins comerciais, causando graves danos aos interesses dos autores.

A Spawning se dedica a dar aos artistas mais controle sobre o uso online de suas obras. Seu mais novo projeto, Source.Plus, visa selecionar conteúdo de mídia "não infrator" para treinamento de modelos de IA, permitindo que artistas e criadores gerenciem com mais precisão os direitos de uso de seus trabalhos.

A Automattic negocia com a Midjourney e a OpenAI o compartilhamento de dados de postagens de usuários para treinamento. A Automattic planeja permitir que os usuários optem por não participar do compartilhamento de dados com terceiros. Outras empresas também colaboram com empresas de IA fornecendo dados de treinamento, gerando protestos de criadores.

A plataforma de mídia social americana Reddit chegou a um acordo com o Google, no valor de aproximadamente US$ 60 milhões por ano; O grupo editorial Springer Nature e a OpenAI se uniram para se tornar o primeiro grupo editorial a integrar profundamente o jornalismo e a inteligência artificial; O acordo de cooperação entre a OpenAI e a Axel Springer indica que os provedores de dados podem ser pagos no futuro pelo treinamento de grandes modelos; Empresas do setor editorial possuem vastos recursos de texto e imagem digitalizados, que podem se tornar conjuntos de dados importantes para o treinamento de grandes modelos.

As editoras de música solicitaram uma liminar contra a Anthropic. A Anthropic respondeu que usar conteúdo protegido por direitos autorais para dados de treinamento de LLM é justo. A Anthropic rejeitou o pedido de liminar. Obter licenças para treinar sistemas significaria o fim das ferramentas de IA de uso geral.