Amazon river ut sjeldne bøker for å trene KI-modeller

Amazon har begynt å kjøpe opp store mengder sjeldne bøker, for deretter å fysisk ødelegge dem for å skanne innholdet. Ryggraden fjernes slik at sidene kan mates inn i digitale skannere for å skape nye datasett til selskapets store språkmodeller (LLM-er). En sporing utført av 404 Media avslørte at en sjelden bok utstyrt med sporing endte opp i Amazons anlegg VGT3 i Las Vegas. Anlegget identifiserer seg med et symbol av en dinosaur som holder en bok, noe som ironisk nok kontrasterer med praksisen. Behovet for enorme tekstmengder driver denne jakten. Internett er allerede grundig indeksert, og kilder som tidligere var utilgjengelige eller vanskelige å finne digitalt, blir nå ettertraktet. Sjeldne, utrykte bøker uten digital tilstedeværelse er spesielt verdifulle. Disse tekstene har en avgjørende fordel: de er garantert skrevet av mennesker. Ved å trene modeller på stadig mer AI-generert tekst, oppstår en risiko for «modellkollaps», der kvaliteten på modellens utdata gradvis forringes. Amazon forsvarer praksisen med at de «anskaffer bøker gjennom kommersielle kanaler for å forbedre produkter og tjenester kundene bruker». Dette understreker at tilgangen til unike, menneskeskapte data er kritisk i kappløpet om de beste KI-modellene. Denne utviklingen skaper en klar dynamikk av vinnere og tapere. KI-selskaper som Amazon får tilgang til uvurderlige og uerstattelige datasett, noe som gir dem et konkurransefortrinn. De kan utvikle mer robuste LLM-er som unngår fallgruven med AI-generert treningsdata. Den store taperen er den fysiske kulturarven og samlere, biblioteker og institusjoner som ivaretar sjeldne bøker. Ødeleggelsen av unike eksemplarer for digitalisering, selv om den skaper en digital kopi, fjerner et fysisk objekt som kan ha historisk eller artefaktisk verdi utover selve teksten. I tillegg bidrar praksisen til en sentralisering av historiske tekster hos et fåtall store teknologiselskaper. Dette kan på sikt begrense offentlig tilgang eller bestemme hvilke deler av kulturarven som blir digitalisert og dermed gjort allment tilgjengelig, basert på kommersielle interesser.