Wie weit sind Technologieunternehmen bereit zu gehen, um ihre KI-Modelle zu trainieren?

Das Training künstlicher Intelligenzsysteme erfordert große Mengen an Texten, Bildern, Videos und Code. Modelle wie ChatGPT und Gemini nutzen dieses Material, um Muster zu erlernen, Aufgaben auszuführen und mit Nutzern zu interagieren. Das Angebot an hochwertigen, von Menschen erstellten Daten wächst jedoch nicht so schnell wie die Modelle, was Technologieunternehmen dazu veranlasst, zunehmend umfassende Wege zur Beschaffung von Informationen zu erkunden.

Die Daten können aus dem Internet, öffentlichen oder lizenzierten Datenbanken, Büchern, Nachrichtenberichten, wissenschaftlichen Artikeln, Geschäftspartnern, Fachleuten, Nutzerinteraktionen, die durch die Dienstbedingungen erlaubt sind, sowie aus von anderen KI-Systemen erzeugtem synthetischem Material stammen. Der Prozess umfasst gewöhnlich ein Vortraining mit umfangreichen Sammlungen, eine Feinabstimmung mit ausgewählten Datensätzen und eine Ausrichtung auf Grundlage menschlichen Feedbacks. Arbeitskräfte bewerten Antworten, klassifizieren Inhalte und führen Sicherheitstests durch, während Nutzeranfragen, Gespräche und hochgeladene Dateien je nach Einstellungen und Richtlinien des jeweiligen Unternehmens ebenfalls verwendet werden können.

Die während des Trainings getroffenen Entscheidungen beeinflussen, was ein Modell leisten kann, welche Fehler es möglicherweise erzeugt und welche Vorurteile es reproduzieren könnte. Für Robotiksysteme sammeln Unternehmen außerdem Aufnahmen aus der Ich-Perspektive, die mit Kameras, Mobiltelefonen oder tragbaren Geräten erstellt werden, während Arbeitskräfte Aufgaben wie das Zusammenlegen von Kleidung, Geschirrspülen und das Ordnen von Gegenständen ausführen. Tesla, Figure AI und Agility Robotics investieren in diesen Bereich, während Start-ups wie Micro1 und Objectways Menschen für die Aufzeichnung von Aufgaben anwerben. Berichten zufolge hat Scale AI mehr als 100.000 Stunden dieser Art von Material gesammelt.

Diese Aufnahmen können Wohnungen, unbeteiligte Personen und andere Details der Umgebung erfassen, wodurch Fragen zum Datenschutz, zur Speicherung und zur späteren Nutzung der Daten entstehen. Sie schaffen außerdem ein Paradox der Arbeit: Beschäftigte fungieren als menschliche Sensoren, um Maschinen beizubringen, Aufgaben auszuführen, die letztlich ihre eigenen Arbeitsplätze ersetzen könnten.

Der Mangel an hochwertigem Material hat auch Streitigkeiten über urheberrechtlich geschützte Werke verschärft. Anthropic lud mehr als 482.000 Bücher herunter, die aus digitalen Piratenbibliotheken stammten, und speicherte sie, um Claude zu trainieren, was zu einem Berichten zufolge 1,5 Milliarden Dollar schweren Vergleich führte. Im Fall Kadrey gegen Meta Platforms verwendete Meta Bücher von Autoren wie Sarah Silverman und Richard Kadrey aus der Piratenbibliothek LibGen, um LLaMA zu trainieren. Laut dem Anwalt Diogo Coletta stellte das Unternehmen Berichten zufolge die Lizenzverhandlungen ein, nachdem es entdeckt hatte, dass die Piratenbibliothek viele der Titel enthielt, über die es mit Verlagen verhandelte.

Der Anwalt Daniel Failla sagt, ein innovativer Zweck mache die Art und Weise, wie Daten beschafft wurden, nicht automatisch rechtmäßig. Technischer Zugriff, so argumentiert er, dürfe nicht mit rechtlicher Genehmigung verwechselt werden.

Menschliche Arbeitskraft bleibt ein weiterer wesentlicher Bestandteil der KI-Lieferkette. Sogenannte Geisterarbeiter klassifizieren Bilder, bewerten Antworten und moderieren Inhalte. In den im ursprünglichen Bericht zitierten Untersuchungen wurde festgestellt, dass Arbeitskräfte in Indien über lange Zeiträume extreme Gewalt und Missbrauch prüften, während Auftragnehmer, die an Tests von Google Gemini in den Vereinigten Staaten beteiligt waren, von der Konfrontation mit verstörendem Material ohne angemessene Warnung, Schulung oder psychologische Unterstützung berichteten.

Produktivitätsziele können den Druck noch erhöhen. Einige Tester und Datenannotatoren arbeiten bei komplexen Aufgaben mit Zeitvorgaben von 10 bis 15 Minuten und Quoten von bis zu 12 Prüfungen pro Stunde. Zu den berichteten Folgen gehören Angst- und Panikattacken. Hochqualifizierte Fachkräfte, darunter Menschen mit Master- und Doktorabschlüssen in Journalismus, Recht und Physik, haben sich ebenfalls der Arbeit am KI-Training als vorübergehender oder alternativer Beschäftigung zugewandt, häufig für geringere Bezahlung und ohne Zusatzleistungen oder Stabilität.

In Brasilien umfasst der Mikrotask-Markt die Kennzeichnung von Bildern für Systeme autonomer Fahrzeuge, die Prüfung medizinischer Untersuchungen und die Aufnahme sich wiederholender Sätze für virtuelle Assistenten wie Alexa. Die Studie Microtrabalho no Brasil schätzt, dass KI-Trainer durchschnittlich zwischen 538 und 583 R$ pro Monat oder ungefähr 9,36 R$ pro Stunde verdienen können. Der Betrag liegt unter der Hälfte des brasilianischen Mindestlohns. Professorin Dora Kaufman von der PUC-SP beschreibt diese Struktur als „digitalen Taylorismus“, bei dem Arbeitskräfte kleine Teile einer Aufgabe ausführen, ohne unbedingt das größere System zu kennen, das sie unterstützen.

Unternehmen wurde außerdem vorgeworfen, technische Beschränkungen zu umgehen, die von Websites verhängt wurden. Cloudflare identifizierte sogenannte versteckte Crawler, die Perplexity verwendet haben soll, sowie wechselnde IP-Adressen, um wie gewöhnliche Browser zu erscheinen. Die Methode sollte angeblich robots.txt-Anweisungen und Sperren zu umgehen, die von Websites eingerichtet wurden, die keine automatisierte Sammlung genehmigt hatten. Unabhängig davon sind Bedenken hinsichtlich der Erfassung persönlicher und biometrischer Informationen aufgekommen, darunter Profile in sozialen Medien und Daten, die Verbindungen zwischen Personen sowie Informationen über Minderjährige offenlegen können.

Die Suche nach von Menschen erstelltem Material hat sich auf alte und nicht mehr aufgelegte Bücher ausgeweitet. Eine Untersuchung von 404 Media berichtete, dass Amazon in Las Vegas eine Einrichtung betreibt, in der seltene, alte und nicht mehr im Katalog geführte Bücher gekauft werden, teilweise über Vermittler. Die Bücher werden Berichten zufolge zerschnitten und mit hoher Geschwindigkeit eingescannt. In Gerichtsunterlagen von Anthropic wurde außerdem auf Project Panama verwiesen, eine Initiative zum zerstörerischen Einscannen von Büchern. Nachdem die Seiten digitalisiert wurden, wird das übrig gebliebene Material zum Recycling geschickt.

Die Praxis steht im Zusammenhang mit der Sorge, dass ein übermäßiger Einsatz von KI-generierten Inhalten künftige Modelle beeinträchtigen könnte. Von Menschen erstelltes Material, das vor der weitverbreiteten Einführung generativer KI produziert wurde, gilt daher als wertvoll, um die Trainingsqualität zu erhalten. Im Fall Bartz gegen Anthropic stellte ein US-amerikanisches Gericht fest, dass der rechtmäßige Kauf eines physischen Buches und dessen Zerstörung nach der Erstellung einer einzigen digitalen Kopie für Trainingszwecke je nach Umständen als angemessene Nutzung gelten kann.

Buchhändler und Historiker haben davor gewarnt, dass die Digitalisierung den historischen Wert mancher physischer Werke nicht wiedergeben kann. Randnotizen, handgefertigte Einbände und andere Merkmale könnten verloren gehen, während die digitalen Dateien in privaten Unternehmensdatenbanken verbleiben.

Unternehmen verfolgen weiterhin große und vielfältige Datenquellen, weil Rechenleistung schlechte, unvollständige oder veraltete Informationen nicht ausgleichen kann. Dies ist besonders für spezialisierte Systeme in Medizin, Recht, Finanzwesen und Industrie wichtig, wo ungenaue Daten zu fehlerhaften Entscheidungen beitragen können. Gleichzeitig können hochwertige Informationen durch Vertraulichkeit, Verträge, Urheberrecht oder regulatorische Anforderungen geschützt sein.

Auch die wirtschaftlichen Anreize sind erheblich. Rechenkapazität kann gekauft werden, doch große Sammlungen hochwertiger menschlicher Texte sind begrenzt und lassen sich nicht so schnell wie die Nachfrage erweitern. Die Lizenzierung jedes Werks von Verlagen, Plattenfirmen, Zeitungen und Autoren kann teuer und langsam sein. Laut Coletta könnten einige Unternehmen daher zu dem Schluss kommen, dass es wirtschaftlich vorteilhafter ist, voranzuschreiten und sich später mit Rechtsstreitigkeiten auseinanderzusetzen. Die Unsicherheit wird durch das Fehlen endgültiger Entscheidungen zu mehreren Fragen und durch Unterschiede zwischen Ländern verstärkt, während Autoren möglicherweise Schwierigkeiten haben nachzuweisen, dass ihre Werke in den Trainingsdaten eines Modells enthalten waren.

Quellen: Canaltech.