افشای جزئیات جدید از دادگاه متا؛ دانلود تورنت دیتاست Books3 برای آموزش هوش مصنوعی Llama — Ex-Meta Researcher Torrented Pirated Books, Deleted It 'Due to Litigation'
خلاصه
شهادت یکی از پژوهشگران سابق متا نشان می‌دهد که او دیتاست معروف و پایرت‌شده Books3 را از طریق تورنت دانلود کرده است. این پرونده حقوقی چالش‌های صنعت هوش مصنوعی در زمینه حق نشر و دفاعیه استفاده منصفانه را وارد فاز جدیدی کرده است.
پرونده‌های حقوقی علیه شرکت Meta در دادگاه فدرال کالیفرنیا ابعاد تازه‌ای به خود گرفته است. این دعاوی که توسط نویسندگان و ناشران مختلف مطرح شده، به استفاده از کتاب‌های پایرت‌شده برای آموزش مدل‌های هوش مصنوعی Llama این شرکت مربوط می‌شود. یکی از جنجالی‌ترین بخش‌های این پرونده حول محور دیتاست Books3 می‌چرخد؛ مجموعه‌ای شامل نزدیک به ۲۰۰ هزار کتاب که از کتابخانه یک ترکر خصوصی به نام Bibliotik برداشته شده است.
زمینه و پیشینه پرونده
پیش‌تر دادگاه حکم داده بود که استفاده از کتاب‌ها برای آموزش مدل‌های Llama در چارچوب «استفاده منصفانه» یا همان fair use قرار می‌گیرد. با این حال، نحوه به‌دست‌آوردن این داده‌ها همچنان به عنوان یک مسئله کلیدی و حل‌نشده باقی ماند. شرکت Meta پیش‌تر اعتراف کرده بود که از بخش‌هایی از دیتاست Books3 برای آموزش نسخه‌های اول و دوم Llama استفاده کرده است، اما جزئیات دقیق نحوه دریافت آن را مسکوت گذاشته بود.
اعترافات پژوهشگر سابق و جزئیات فنی
بر اساس گزارش مشترک و جدیدی که وکلای شاکیان و متا به دادگاه ارائه کرده‌اند، Stephen Roller (پژوهشگر سابق بخش FAIR در متا که بین سال‌های ۲۰۱۷ تا ۲۰۲۳ در این شرکت فعالیت می‌کرد) در جلسه دادگاه اعتراف کرده است که دیتاست Books3 را تورنت کرده و آگاهانه آن را توزیع کرده است.
نکات کلیدی فنی و حقوقی این ماجرا شامل موارد زیر است:
- نسخه‌های متعدد: Roller اذعان کرده که در زمان ترک متا، نسخه‌هایی از Books3 در اختیار این گروه تحقیقاتی بوده و حتی پژوهشگران دیگری را نیز نام برده که احتمالاً نسخه‌های خود را تهیه کرده بودند.
- حذف داده‌ها: Roller نسخه شخصی خود را حدود یک سال پیش و احتمالاً پس از دریافت احضاریه قضایی، از روی کامپیوتر شخصی‌اش پاک کرده است. او دلیل این کار را حساسیت‌های حقوقی پیرامون The Pile (مجموعه‌ای که Books3 نیز بخشی از آن است) عنوان کرد.
- لاگ‌های سرور و تاریخچه دستورات: شاکیان مدعی هستند که متا هنوز فایل‌های تاریخچه دستورات (command history) مربوط به نرم‌افزارهای تورنت را تحویل نداده است؛ فایل‌هایی که می‌توانند نشان دهند دقیقاً کدام سرورها و چه فایل‌هایی هدف گذاری شده‌اند.
در مقابل، متا استدلال می‌کند که شهادت این پژوهشگر لزوماً به این معنی نیست که دانلود در زمان کار برای متا یا به دستور این شرکت انجام شده است، و حتی ممکن است برای اهداف شخصی یا کارفرمای دیگری بوده باشد. همچنین متا اعلام کرده که لاگ‌های قابل توجهی را تحویل داده و جستجو در پشتیبان‌ها همچنان ادامه دارد.
حاشیه‌های دیگر و واکنش هکرنیوز
علاوه بر بحث آموزش هوش مصنوعی، شاکیان به مواردی نظیر یک پوشه گوگل درایو به نام «ML Books» و حتی یک باشگاه کتاب‌خوانی داخلی درون متا اشاره کرده‌اند که احتمالاً در آن نیز از کتاب‌های پایرت استفاده شده است. این موضوع می‌تواند دفاعیه متا مبنی بر استفاده منصفانه را به چالش بکشد.
در بخش نظرات Hacker News، کاربران با نگاهی طعنه‌آمیز به موضوع نگاه کردند؛ برخی با اشاره به دانلود فایل‌های MP3 در دهه‌های گذشته (مانند دهه‌های ۹۰ و ۲۰۰۰) به تکرار چرخه رفتار با محتوای دیجیتال پرداختند و عده‌ای دیگر نیز با لحنی انتقادی، اولویت‌های سیستم قضایی در برخورد با غول‌های فناوری را زیر سوال بردند.
چرا این مسئله برای مهندسان اهمیت دارد؟
برای توسعه‌دهندگان و مهندسان هوش مصنوعی، این پرونده فراتر از یک دعوای حقوقی ساده است. این پرونده شفاف‌سازی می‌کند که خط قرمزهای مربوط به داده‌های آموزشی (Training Data) مدل‌های زبانی بزرگ کجا قرار دارند. نحوه تامین داده، لزوم شفافیت در زنجیره تأمین دیتاست‌ها، و تبعات حقوقی استفاده از منابع غیررسمی یا shadow libraries از مواردی است که تیم‌های مهندسی باید در پروژه‌های آینده خود به دقت زیر نظر داشته باشند.
این مطلب به‌صورت کاملاً خودکار و با هوش مصنوعی از مقالهٔ اصلی و بحث هکرنیوز تهیه شده و ممکن است خطا داشته باشد. حقوق مطلب اصلی متعلق به نویسندهٔ آن است. قوانین و گزارش مشکل