L’addestramento dei sistemi di intelligenza artificiale richiede grandi volumi di testo, immagini, video e codice. Modelli come ChatGPT e Gemini utilizzano questo materiale per apprendere schemi, svolgere compiti e interagire con gli utenti. Tuttavia, la disponibilità di dati di alta qualità creati dagli esseri umani non cresce rapidamente quanto i modelli, spingendo le aziende tecnologiche a esplorare modalità sempre più ampie per ottenere informazioni.
I dati possono provenire da Internet, database pubblici o concessi in licenza, libri, articoli di giornale, articoli scientifici, partner commerciali, specialisti, interazioni degli utenti consentite dalle politiche dei servizi e materiale sintetico generato da altri sistemi di IA. Il processo comprende solitamente il pre-addestramento con grandi raccolte, il fine-tuning con dataset selezionati e l’allineamento basato sul feedback umano. I lavoratori valutano le risposte, classificano i contenuti e conducono test di sicurezza, mentre i prompt degli utenti, le conversazioni e i file caricati possono essere utilizzati a seconda delle impostazioni e delle politiche di ciascuna azienda.
Le scelte compiute durante l’addestramento influenzano ciò che un modello è in grado di fare, gli errori che può produrre e i pregiudizi che può riprodurre. Per i sistemi robotici, le aziende raccolgono anche registrazioni in prima persona realizzate con telecamere, telefoni cellulari o dispositivi indossabili mentre i lavoratori svolgono attività come piegare i vestiti, lavare i piatti e organizzare oggetti. Tesla, Figure AI e Agility Robotics stanno investendo in questo settore, mentre startup tra cui Micro1 e Objectways reclutano persone per registrare attività. Secondo quanto riportato, Scale AI ha raccolto più di 100.000 ore di questo tipo di materiale.
Queste registrazioni possono catturare abitazioni, persone presenti casualmente e altri dettagli dell’ambiente, creando interrogativi sulla privacy, sulla conservazione e sull’uso successivo dei dati. Creano inoltre un paradosso del lavoro: i lavoratori agiscono come sensori umani per insegnare alle macchine a svolgere attività che potrebbero eventualmente sostituire i loro stessi impieghi.
La carenza di materiale di alta qualità ha inoltre intensificato le controversie sulle opere protette da copyright. Anthropic ha scaricato e archiviato più di 482.000 libri ottenuti da biblioteche digitali pirata per addestrare Claude, dando luogo, secondo quanto riportato, a un accordo da 1,5 miliardi di dollari. Nel caso Kadrey v. Meta Platforms, Meta ha utilizzato libri di autori tra cui Sarah Silverman e Richard Kadrey provenienti dalla biblioteca pirata LibGen per addestrare LLaMA. Secondo l’avvocato Diogo Coletta, l’azienda avrebbe interrotto le trattative per le licenze dopo aver scoperto che la biblioteca pirata conteneva molti dei titoli discussi con gli editori.
L’avvocato Daniel Failla afferma che uno scopo innovativo non rende di per sé legale il modo in cui i dati sono stati ottenuti. L’accesso tecnico, sostiene, non dovrebbe essere confuso con l’autorizzazione legale.
Il lavoro umano rimane un’altra componente essenziale della catena di approvvigionamento dell’IA. I cosiddetti lavoratori fantasma classificano immagini, valutano risposte e moderano contenuti. Le indagini citate nel rapporto originale hanno rilevato che lavoratori in India esaminavano violenze estreme e abusi per lunghi periodi, mentre collaboratori coinvolti nei test di Google Gemini negli Stati Uniti hanno riferito di essere stati esposti a materiale disturbante senza adeguati avvertimenti, formazione o sostegno psicologico.
Gli obiettivi di produttività possono aumentare la pressione. Alcuni tester e addetti all’annotazione dei dati lavorano con timer da 10 a 15 minuti per attività complesse e quote fino a 12 revisioni all’ora. Tra le conseguenze riportate figurano attacchi d’ansia e attacchi di panico. Anche professionisti altamente qualificati, tra cui persone con lauree magistrali e dottorati in giornalismo, giurisprudenza e fisica, si sono rivolti al lavoro di addestramento dell’IA come occupazione temporanea o alternativa, spesso con una retribuzione inferiore e senza benefit né stabilità.
In Brasile, il mercato del micro-lavoro comprende l’annotazione di immagini per sistemi di veicoli autonomi, la revisione di esami medici e la registrazione di frasi ripetitive per assistenti virtuali come Alexa. Lo studio Microtrabalho no Brasil stima che gli addestratori di IA possano guadagnare in media tra 538 e 583 R$ al mese, ovvero circa 9,36 R$ all’ora. L’importo è inferiore alla metà del salario minimo brasiliano. La professoressa Dora Kaufman della PUC-SP descrive questa struttura come “taylorismo digitale”, nel quale i lavoratori svolgono piccole parti di un compito senza necessariamente conoscere il sistema più ampio a cui contribuiscono.
Le aziende sono state inoltre accusate di cercare di aggirare le restrizioni tecniche imposte dai siti web. Cloudflare ha identificato quelli che ha descritto come crawler nascosti utilizzati da Perplexity, insieme ad indirizzi IP variabili per apparire come normali browser. Secondo le accuse, il metodo mirava ad aggirare le direttive robots.txt e i blocchi applicati dai siti che non avevano autorizzato la raccolta automatizzata. Separatamente, sono emerse preoccupazioni sulla raccolta di informazioni personali e biometriche, compresi i profili dei social media e dati che possono rivelare i collegamenti tra individui e informazioni sui minori.
La ricerca di materiale creato dagli esseri umani si è estesa ai libri vecchi e fuori catalogo. Un’inchiesta di 404 Media ha riferito che Amazon gestisce una struttura a Las Vegas dove vengono acquistati libri rari, vecchi e fuori catalogo, talvolta tramite intermediari. Secondo quanto riportato, i libri vengono tagliati e scansionati ad alta velocità. Documenti di Anthropic presentati in tribunale hanno inoltre fatto riferimento al Project Panama, un’iniziativa mirata a scansionare i libri in modo distruttivo. Dopo la digitalizzazione delle pagine, il materiale rimanente viene inviato al riciclaggio.
La pratica è legata alle preoccupazioni secondo cui un uso eccessivo di contenuti generati dall’IA potrebbe degradare i modelli futuri. Il materiale creato dagli esseri umani prima dell’adozione diffusa dell’IA generativa è quindi considerato prezioso per mantenere la qualità dell’addestramento. Nel caso Bartz v. Anthropic, un tribunale degli Stati Uniti ha stabilito che acquistare legalmente un libro fisico e distruggerlo dopo averne creato una singola copia digitale per l’addestramento può rientrare nel fair use, a seconda delle circostanze.
Librai e storici hanno avvertito che la digitalizzazione non può riprodurre il valore storico di alcune opere fisiche. Note a margine, rilegature artigianali e altre caratteristiche possono andare perdute, mentre i file digitali rimangono nei database aziendali privati.
Le aziende continuano a cercare fonti di dati ampie e diversificate perché la potenza di calcolo non può compensare informazioni scadenti, incomplete o obsolete. Ciò è particolarmente importante per i sistemi specializzati utilizzati in medicina, diritto, finanza e industria, dove dati inaccurati possono contribuire a decisioni errate. Allo stesso tempo, le informazioni di alta qualità possono essere protette da obblighi di riservatezza, contratti, copyright o requisiti normativi.
Anche gli incentivi economici sono significativi. La capacità di calcolo può essere acquistata, ma le grandi raccolte di testi umani di alta qualità sono limitate e non possono espandersi rapidamente quanto la domanda. Concedere in licenza ogni opera di editori, case discografiche, giornali e autori può essere costoso e lento. Secondo Coletta, alcune aziende potrebbero quindi ritenere economicamente preferibile procedere e affrontare in seguito le controversie legali. L’incertezza è rafforzata dalla mancanza di decisioni definitive su diverse questioni e dalle differenze tra i Paesi, mentre gli autori possono avere difficoltà a dimostrare che le loro opere sono state incluse nei dati di addestramento di un modello.
Fonti: Canaltech.