Ouvrir le menu principal

MacGeneration

Recherche

Une base de données pour l'IA, employée notamment par Apple, contient des vidéos YouTube

Pierre Dandumont

mardi 16 juillet 2024 à 21:30 • 9

Ailleurs

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.

La base de données contient des dizaines de milliers de sous-titres de vidéos. Image YouTube.

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.

La base de données date de 2020. Image YouTube.

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.

Rejoignez le Club iGen

Soutenez le travail d'une rédaction indépendante.

Rejoignez la plus grande communauté Apple francophone !

S'abonner

GPT-OSS : OpenAI publie un nouveau modèle open source qui peut tourner localement sur votre Mac

20:21

• 13


La bêta 5 est disponible pour iOS 26, iPadOS 26, macOS 26, watchOS 26...

19:30

• 38


Des Crocs aux couleurs de Windows XP pour les 50 ans de Microsoft

17:40

• 19


WWDC 2025 : des avancées qui vont faire le bonheur des gestionnaires de parcs Apple

17:05

• 19


Le Beelink Mate mini se décline pour le Mac Studio : 80 Gb/s et deux SSD pour ajouter 16 To de stockage

16:30

• 7


Alors que GPT-5 ne devrait plus tarder, OpenAI revoit certaines règles de ChatGPT

15:40

• 34


Une flopée de supports pour Mac mini M4 en promotion, avec prises USB, lecteurs de cartes et emplacement M.2 pour SSD

15:23

• 15


iPhone 17 : le mardi 9 septembre se précise pour la conférence Apple

14:50

• 16


Promo : le clavier MX Keys Mini à seulement 79,99 € (-33 %), une bonne alternative au Magic Keyboard

14:15

• 6


Les nouvelles icônes de macOS Tahoe continuent de créer la polémique

14:00

• 72


Tesla accorde 29 milliards de dollars d’actions à Elon Musk pour l’« inciter à rester »

13:30

• 68


TSMC licencie des employés soupçonnés d’avoir divulgué des informations sur la production de puces 2 nm

12:30

• 3


Astuce : utiliser Exporter pour faire une sauvegarde du contenu de l’app Notes

12:00

• 18


Linux améliore sa compatibilité avec le HFS et le FireWire… qu'Apple abandonne

10:55

• 7


Cloudflare accuse Perplexity de moissonner les sites web bloquant l’accès aux bots IA

10:25

• 18


Tim Cook promet une feuille de route “incroyable”, comme chaque année

09:52

• 31