Quels sites a bien pu aspirer ChatGPT pour développer son intelligence ? OpenAI pourrait être amené à répondre à cette question importante une fois que l'AI Act, la régulation européenne sur l'intelligence artificielle, sera adoptée. Selon le Wall Street Journal, le Parlement européen prévoit d'obliger les créateurs d'IA génératives à révéler quels contenus couverts par le droit d'auteur ont servi à entraîner leurs technologies.
Dans la version préliminaire du projet de régulation, il est question que les entreprises publient « un résumé suffisamment détaillé » des contenus exploités. Si elle venait être entérinée — il reste encore de multiples étapes à passer pour l'AI Act —, cette obligation pourrait donner une nouvelle arme aux ayants droit. Des médias et des artistes ont ouvert un front pour obtenir une compensation en contrepartie de l'utilisation de leurs œuvres par des modèles génératifs.
À défaut de savoir quelles bases de données exploitent ChatGPT, un secret bien gardé par OpenAI, le Washington Post a analysé la base C4 de Google qui est l'une des sources de LLaMA de Meta et d'autres grands modèles de langage. Dans cet instantané de 15 millions de sites web, la base de données de brevets de Google et Wikipédia sont les deux références les plus importantes (respectivement 0,46 % et 0,19 %). Les catégories les plus représentées sont le business/industrie (16 %), les nouvelles technologies (15 %), la presse (13 %), le divertissement (11 %) et les sciences (9 %). L'infographie du Washington Post vaut le coup d'œil et il y a même un moteur de recherche pour voir si votre site fait partie de l'ensemble.
Bien que la base C4 soit déjà énorme (environ 750 Go), les modèles de langage utilisent des quantités de données encore plus faramineuses. GPT-3, le moteur de ChatGPT, a été entrainé au départ avec 40 fois plus de données.
L'AI Act, ou comment l'Europe cherche à réguler l'intelligence artificielle
