How Do Data Owners Say No? A Case Study of Data Consent Mechanisms in Web-Scraped Vision-Language AI Training Datasets
Diese Studie zeigt, dass aktuelle KI-Trainingsdatensätze wie DataComp die vielfältigen und oft ignorierten Einwilligungsmechanismen von Dateninhabern – von Urheberrechtsvermerken über Nutzungsbedingungen bis hin zu Wasserzeichen – nicht ausreichend berücksichtigen, was ethische Bedenken und rechtliche Risiken aufwirft.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als einen riesigen, unendlichen Bibliothekskeller vor, in dem Milliarden von Bildern und Geschichten lagern. In den letzten Jahren haben KI-Entwickler (die „Bibliothekare") angefangen, diesen Keller zu plündern, um daraus ihre eigenen „Super-Bücher" zu schreiben – also KI-Modelle, die Bilder malen oder Texte verstehen können.
Diese neue Studie von Forschern der Princeton University, der University of Washington und anderen ist wie ein Detektivbericht, der untersucht: „Haben die Bibliothekare wirklich gefragt, bevor sie die Bücher mitgenommen haben?"
Hier ist die Geschichte, einfach erklärt:
1. Das Problem: Die „Stille" im Keller
Die Forscher haben sich eine riesige Sammlung von Daten namens DataComp angesehen. Diese Sammlung enthält 12,8 Milliarden Bild-Text-Paare, die automatisch aus dem Internet gesammelt wurden.
Das Problem ist: Viele Menschen, die diese Bilder online gestellt haben, wollten gar nicht, dass eine KI sie lernt. Sie haben ihre „Nein"-Schilder aufgestellt, aber die KI-Bibliothekare haben sie entweder nicht gesehen oder ignoriert.
2. Die drei Arten, wie Eigentümer „Nein" sagen (und warum die KI sie überhört)
Die Forscher haben drei verschiedene Wege untersucht, wie Menschen ihren Willen ausdrücken. Man kann es sich wie drei verschiedene Arten von Warnschildern vorstellen:
Das Copyright-Schild (Der „Urheberrecht"-Stempel):
Viele Bilder haben unsichtbare oder sichtbare Hinweise, dass sie jemandem gehören (wie ein Stempel „© 2025" oder ein Wasserzeichen).- Die Entdeckung: Die Forscher fanden heraus, dass etwa 122 Millionen Bilder in dieser Sammlung solche Stempel tragen.
- Das Problem: Die KI-Scanner sind wie blinde Mäuse. Sie sehen diese Stempel oft nicht, besonders wenn sie als Wasserzeichen in das Bild selbst eingearbeitet sind. Die aktuellen Werkzeuge, um solche Wasserzeichen zu finden, sind so ungenau, als würde man versuchen, eine Nadel in einem Heuhaufen zu finden, indem man nur mit den Augen blinzelt.
Das Haus-Regelbuch (Die „Nutzungsbedingungen" / ToS):
Jede Website hat ein Regelbuch (Terms of Service). Manche sagen: „Du darfst unsere Bilder für KI-Training nutzen." Andere sagen: „Nein, verboten!"- Die Entdeckung: Bei den 50 beliebtesten Websites in der Sammlung stammen 60 % der Bilder von Seiten, die das Scrapen (das automatische Kopieren) explizit verboten haben.
- Das Problem: Die KI-Bibliothekare schauen oft nur auf die Bild-Datei selbst, nicht auf das Haus, in dem sie lagert. Sie lesen das Regelbuch der Website nicht.
Das „Bitte nicht stören"-Schild (Robots.txt):
Websites können eine digitale Liste namensrobots.txthinterlegen, auf der steht: „Bitte kommen Sie nicht herein, wenn Sie ein Roboter sind."- Die Entdeckung: Viele Seiten haben ihre Liste aktualisiert, um KI-Roboter (wie „GPTBot" oder „Claudebot") zu blockieren.
- Das Problem: Die KI-Bibliothekare nutzen oft einen anderen Roboter-Namen (oder keinen Namen), um die Liste zu umgehen. Es ist, als würde ein Gast an der Tür klingeln und sagen: „Ich bin der Postbote", obwohl er eigentlich ein Dieb ist. Die Tür öffnet sich trotzdem.
3. Der große Trick: Die „Adressen" sind falsch
Ein sehr wichtiger Punkt im Bericht ist, wie die Daten gesammelt wurden.
Stellen Sie sich vor, Sie wollen ein Bild von einem Künstler auf Instagram kaufen. Aber der Datensammler gibt Ihnen nicht die Adresse des Künstlers (die Instagram-Seite), sondern nur die Adresse des Lieferservice-Unternehmens (z. B. Amazon AWS oder ein CDN), das das Bild nur kurzzeitig anzeigt.
- Das Ergebnis: Wenn Sie versuchen, die Nutzungsbedingungen des Künstlers zu lesen, landen Sie bei Amazon. Amazon sagt: „Wir sind nur der Lieferant, lesen Sie die Regeln des Künstlers." Aber Sie haben die Adresse des Künstlers gar nicht mehr!
- Die Folge: Die KI-Entwickler können sich herausreden: „Wir haben nur die Adresse des Lieferers gesehen, wir wussten nicht, dass der Künstler es verboten hat."
4. Was bedeutet das für uns?
Die Forscher sagen: Das aktuelle System ist kaputt.
Es ist wie ein riesiger Basar, auf dem die Verkäufer (Künstler) schreien: „Nicht kaufen!", aber die Käufer (KI-Firmen) tun so, als würden sie nicht zuhören, weil sie nur die Ware sehen, nicht den Verkäufer.
Die Lösung?
Die Autoren schlagen vor, dass wir ein einheitliches „Einverständnis-System" brauchen.
- Statt dass jeder auf seiner eigenen Art „Nein" sagt (ein Wasserzeichen hier, ein Text da, eine Liste dort), brauchen wir einen globalen Standard.
- Wenn ein Künstler sagt „Nein", sollte das für alle KI-Systeme sofort sichtbar und unüberwindbar sein.
- Wir brauchen eine Kultur des „Opt-In" (man muss erst aktiv zustimmen), statt des aktuellen „Opt-Out" (man muss aktiv widersprechen, was die meisten gar nicht wissen, wie).
Fazit
Diese Studie ist ein Weckruf. Sie zeigt, dass die KI-Revolution auf einem Fundament aus Daten steht, das oft ohne die Erlaubnis der Eigentümer gebaut wurde. Es ist Zeit, die Regeln zu ändern, damit die KI nicht mehr auf dem Rücken der Kreativität anderer reitet, sondern mit deren Erlaubnis und Respekt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.