How Do Data Owners Say No? A Case Study of Data Consent Mechanisms in Web-Scraped Vision-Language AI Training Datasets
تتقصى هذه الورقة البحثية مجموعة بيانات "DataComp"، وهي مجموعة بيانات ضخمة للرؤية واللغة، لتكشف أن جزءاً كبيراً من محتواها المستخلص من الويب ينتهك موافقة مالكي البيانات من خلال إشعارات حقوق الطبع والنشر، وشروط الخدمة التقييدية، والعلامات المائية، مما يكشف عن فجوات حرجة في ممارسات جمع البيانات الحالية للذكاء الاصطناعي والحاجة الملحة لإطار عمل موحد للموافقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل الإنترنت كمكتبة ضخمة وعالمية حيث يمكن لأي شخص أن يدخل ويأخذ كتاباً من الرف. في السنوات الأخيرة، حاولت شركات الذكاء الاصطناي (AI) بناء "أدمغة خارقة" عبر قراءة مليارات هذه الكتب (الصور والنصوص) دفعة واحدة. هم يسمون هذه العملية "الكشط" (Scraping).
هذه الورقة البحثية تشبه تقرير محقق يبحث فيما إذا كان الأشخاص الذين كتبوا تلك الكتب (أصحاب البيانات) قد قالوا بالفعل: "يمكنكم قراءة كتابي لبناء روبوتكم".
إليك قصة ما وجده الباحثون، مقسمة إلى مفاهيم بسيطة:
١. المكتبة الكبيرة مقابل كتاب وصفات الذكاء الاصطناائي
نظر الباحثون في مجموعة بيانات ضخمة ومحددة تسمى CommonPool. فكر في هذا ليس كصندوق من الصور، بل كـ بطاقة وصفة عملاقة تسرد فقط العنوان (URL) لمكان تخزين الصورة على الإنترنت، مع وصف قصير لها.
- المشكلة: يقوم صُناع الذكاء الاصطناعي بتنزيل بطاقة الوصفة هذه. هم لا يملكون الصور الفعلية بعد. وللحصول على الصور، يتعين عليهم العودة إلى عناوين الإنترنت المدرجة في البطاقة وتنزيلها بأنفسهم.
- التشبيه: تخيل أن أميناً للمكتبة يسلمك قائمة بـ ١٢ مليار عنوان لمنازل. يقول لك الأمين: "إليك قائمة بالمنازل؛ اذهب واطرق الأبواب والتقط صورة لما يوجد بداخلها". الأمين لم يسأل أصحاب المنازل عما إذا كان ذلك مسموحاً؛ لقد أعطاك القائمة فحسب.
٢. لافتات "الرجاء عدم الإزعاج" (موافقة البيانات)
سأل الباحثون: "كيف يخبر أصحاب المنازل الذكاء الاصطناعي بالتوقف؟" بحثوا عن ثلاثة أنواع من اللافتات:
- إشعار حقوق الطبع والنشر (علامة "©"): تماماً كما يحتوي الكتاب على صفحة حقوق الطبع والنشر، تحتوي العديد من الصور على رمز "©" صغير أو علامة مائية تقول "ملكية جين دو".
- النتيجة: وجدوا أن حوالي ١٢٢ مليون صورة في هذه المكتبة الضخمة تحمل هذه العلامات. وغالباً ما يتجاهلها صُناع الذكاء الاصطناعي.
- العلامة المائية (الحبر غير المرئي): يضع العديد من الفنانين علامات مائية مرئية أو غير مرئية على فنهم لإثبات ملكيتهم له.
- النتيجة: أدوات الذكاء الاصطناعي الحالية سيئة جداً في رصد هذه العلامات. الأمر يشبه محاولة العثور على إبرة في كومة قش وأنت ترتدي نظارات معصوبة العينين. يعتقد الذكاء الاصطناعي أن استخدامه للصورة آمن، لكنها في الواقع مسروقة.
- سياج "ممنوع التعدي" (Robots.txt وشروط الخدمة): كل موقع إلكتروني لديه سياج رقمي. بعضها يقول: "يمكنك النظر، لكن لا تأخذ شيئاً". وبعضها يقول: "يمكنك التقاط صور، ولكن فقط إذا كنت طالباً أو باحثاً، وليس روبوتاً".
- النتيجة: فحص الباحثون أفضل ٥٠ موقعاً قدمت أكبر عدد من الصور. ٦٠٪ منها كانت لديها أسوار تقول: "يمنع الكشط!" ومع ذلك، تجاوزها صُناع الذكاء الاصطناعي مباشرة.
٣. شاحنة التوصيل "العمياء"
هذا هو الجزء المعقد الذي يجعل الأمر كابوساً قانونياً وأخلاقياً.
يقول صُناع الذكاء الاصطناعي: "نحن لم نسرق الصور؛ لقد قمنا فقط بتنزيل قائمة عناوين من أرشيف عام (CommonCrawl)".
- التشبيه: تخيل سائق شاحنة توصيل يترك قائمة عناوين لطاقم بناء. يذهب الطاقم إلى تلك المنازل ويبدأ في أخذ الطوب.
- الواقع: يدعي سائق شاحنة التوصيل (منسق مجموعة البيانات): "أنا لم آخذ الطوب؛ أنا فقط أعطيتكم القائمة". لكن طاقم البناء (مستخدم الذكاء الاصطناعي) هو من يقتحم المنازل فعلياً.
- الخلل: لأن القائمة تعطي فقط عنوان الصورة (والذي قد يكون على خادم عام مثل سحابة أمازون)، غالباً لا يستطيع صُناع الذكاء الاصطناعي رؤية لافتة "ممنوع التعدي" الخاصة بصاحب المنزل الحقيقي. إنهم ينظرون إلى الباب الخطأ.
٤. ثغرة "الاستخدام العادل"
يجادل بعض شركات الذكاء الاصطناعي قائلين: "نحن نتعلم فقط من الكتب؛ وهذا استخدام عادل".
- الحجة المضادة: تشير الورقة إلى أنه حتى لو كان "التعلم" مقبولاً، فإن كيفية الحصول على الكتب أمر مهم. إذا سرقت الكتب من مكتبة تقول "يمنع التصوير"، فإن "تعلمك" مبني على كذبة.
- القضايا القانونية: تذكر الورقة أن المحاكم تقرر حالياً ما إذا كان هذا مقبولاً. بعض القضاة يقولون: "رب care التعلم استخداماً عادلاً، ولكن ربما ليس من الاستخدام العادل سرقة الكتب من مكتبة قالت صراحة 'لا'".
٥. الحل: "لغة موافقة" موحدة
في الوقت الحالي، الإنترنت عبارة عن فوضى من اللغات المختلفة لقول "لا".
- البعض يكتب "لا" على الصورة (العلامة المائية).
- البعض يضع لافتة على الموقع الإلكتروني (شروط الخدمة).
- البعض يضع لافتة على البوابة (Robots.txt).
- البعض يضع لافتة في البيانات الوصفية (بيانات EXIF).
صُناع الذكاء الاصطناعي يستمعون إلى لغة واحدة فقط ويتجاهلون البقية.
توصية الورقة البحثية:
نحن بحاجة إلى لافتة "ممنوع الدخول" عالمية يتفق عليها الجميع.
- للمبدعين: طريقة بسيطة وواضحة لقول: "لا تستخدموا فني للتدريب على الذكاء الاصطناعي".
- لصُناع الذكاء الاصطناعي: قاعدة تنص على: "إذا رأيت هذه اللافتة، يجب عليك التوقف. لا أعذار".
- فكرة "الاشتراك الاختياري" (Opt-In): بدلاً من افتراض أن الجميع يريد استخدام بياناتهم ما لم يقلوا "لا" (الانسحاب الاختياري - Opt-Out)، تقترح الورقة أنه يجب افتراض أن الناس لا يريدون استخدام بياناتهم ما لم يقولوا "نعم" صراحة (الاشتراك الاختياري - Opt-In).
الخلاصة
لقد أصبح الإنترنت هو المكون الرئيسي لبناء الذكاء الاصطناعي الحديث. ولكن الباحثين وجدوا أن جزءاً ضخماً من تلك المكونات تم أخذه دون سؤال الطهاة (المالكين) عن الإذن.
النظام الحالي يشبه طباخاً يدخل حياً سكنياً، ويأخذ المكونات من ثلاجات الناس لأنهم لم يغلقوا أبوابهم صراحة، ثم يدعي: "أنا لم أسرق؛ لقد أخذت فقط ما كان متاحاً". تجادل هذه الورقة بأننا بحاجة إلى التوقف وطلب الإذن قبل البدء في الطبخ.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.