Une enquête vient de montrer que les géants de la high-tech — Nvidia, Salesforce mais aussi Apple1 et bien d'autres — utilisent une base de données pour l'IA qui a été entraînée sur des vidéos YouTube sans l'accord des créateurs.
La base de données ne se base pas sur les vidéos directement, mais sur les transcriptions de ces dernières, sous la forme de sous-titres dans différentes langues. La co-enquête entre Wired et Proof News montre que la base contient des textes issus de plus de 48 000 chaînes, pour 173 536 vidéos.
On trouve dans la liste des vidéos éducatives issues du MIT ou d'Hardware mais aussi d'émissions comme The Late Show With Stephen Colbert, Last Week Tonight With John Oliver ou Jimmy Kimmel Live. De nombreux vidéastes connus sont aussi de la partie, de Marques Brownlee à PewDiePie ou MrBeast. Les données en question se trouvent dans la base de données The Pile, collectée par EleutherAI. Cet ensemble de données de près de 900 Go est open source et souvent employé pour entraîner des IA et les sous-titres ne représentent qu'une petite partie des données.
Selon Wired, ce n'est pas la seule base de données qui emploie des vidéos YouTube : Google emploierait les données de YouTube (qui lui appartient) et OpenAI aurait aussi utilisé YouTube pour entraîner Sora. Qui plus est, l'intégration de sous-titres dans la base de données sans autorisation peut poser des soucis : plus de 12 000 des vidéos employées ont été supprimées depuis l'intégration.
Dans tous les cas, cette histoire met encore en avant un problème récurrent avec l'entraînement des IA : la provenance des données. Imaginez, peut-être qu'un jour une IA nous proposera de nous abonner à Nord VPN… Pour ceux que ça intéresse, la base de données a été construite en 2020 (donc les transcriptions sont parfois anciennes) et Proof News propose un outil pour chercher dans les vidéos en question.
-
Au moins avec OpenELM. ↩︎
