How Do Data Owners Say No? A Case Study of Data Consent Mechanisms in Web-Scraped Vision-Language AI Training Datasets
Cette étude révèle que les pipelines actuels de collecte de données pour l'entraînement des modèles d'IA vision-langage ne respectent pas pleinement les consentements des propriétaires, comme en témoignent les nombreuses indications de droits d'auteur, les interdictions de scraping dans les conditions d'utilisation et les filigranes présents dans le jeu de données DataComp.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
🎨 Le Titre : "Comment les propriétaires disent 'Non' ?"
Imaginez que l'Internet est une immense bibliothèque publique où des milliards de gens ont laissé des dessins, des photos et des histoires. Récemment, des intelligences artificielles (IA) comme Midjourney ou DALL-E ont décidé de lire et copier tout ce qui se trouvait dans cette bibliothèque pour apprendre à dessiner elles-mêmes.
Le problème ? Beaucoup de propriétaires de ces dessins n'ont pas dit "Oui, vous pouvez copier". Certains ont même écrit "Non, c'est interdit !" sur leurs œuvres. Cette étude, menée par des chercheurs de Princeton, Washington et d'autres universités, se demande : Est-ce que les IA respectent vraiment ces "Non" ?
🔍 L'Enquête : Une Inspection de la "CommonPool"
Les chercheurs ont pris un échantillon géant de données appelé CommonPool (qui contient 12,8 milliards de paires image-texte) et ont joué au détective avec deux types de loupe :
1. La loupe "Détail de l'objet" (Niveau Échantillon)
Ils ont regardé chaque image individuellement pour voir si le propriétaire avait laissé un message :
- Le panneau "Propriété" (Copyright) : Ont-ils écrit "© Moi, 2025" sur l'image ou dans le texte ?
- La signature cachée (Métadonnées) : L'image contient-elle des informations techniques cachées disant "Ce fichier appartient à..." ?
- Le filigrane (Watermark) : Y a-t-il un logo ou un texte transparent posé sur l'image pour dire "C'est à moi" ?
🔎 Ce qu'ils ont découvert :
- Environ 122 millions d'images dans cette bibliothèque ont un signe indiquant qu'elles sont protégées par le droit d'auteur.
- Le gros problème : Les IA actuelles sont comme des aveugles. Elles utilisent des outils pour détecter les filigranes, mais ces outils sont très mauvais. C'est comme essayer de trouver une aiguille dans une botte de foin avec un aimant rouillé. Les IA manquent la plupart des filigranes, même ceux qui sont très visibles pour un humain.
2. La loupe "Règles de la Maison" (Niveau Site Web)
Au lieu de regarder l'image, ils ont regardé le site web où l'image était hébergée. Chaque site a un panneau d'entrée avec des règles (les "Conditions d'utilisation" ou ToS) et un petit fichier technique appelé robots.txt qui dit aux robots : "Vous pouvez entrer" ou "Interdit d'entrer".
🔎 Ce qu'ils ont découvert :
- Sur les 50 sites les plus populaires d'où viennent les images, 60 % ont des règles qui disent explicitement : "Interdit de copier nos données pour entraîner des IA".
- Pourtant, les IA continuent de copier ces données. C'est comme si un gardien de musée disait "Interdit de prendre des photos" et que des robots continuaient à prendre des photos parce qu'ils ne lisent pas les panneaux.
🤖 Le Problème de la "Chaine de Responsabilité"
L'étude pointe un problème de communication très étrange, un peu comme un jeu de téléphone défectueux :
- Le Propriétaire (l'artiste) met son image sur son site avec un panneau "Interdit".
- Le Collecteur (comme DataComp) ne prend que l'adresse web (l'URL) de l'image, pas l'image elle-même, et la met dans une liste.
- L'Utilisateur (celui qui entraîne l'IA) télécharge la liste et va chercher l'image sur le site original.
Le piège : Souvent, les images sont hébergées sur des serveurs géants (comme Amazon AWS) qui servent de "camion de livraison". Le panneau "Interdit" est sur la maison de l'artiste, mais le camion de livraison n'a pas le panneau. L'IA regarde le camion et pense : "Ah, pas d'interdiction, je peux prendre !"
De plus, les règles changent avec le temps. Un site peut dire "Oui" en 2020, puis "Non" en 2024. Mais les IA utilisent des listes de données vieilles de plusieurs années, ignorant les nouveaux "Non".
💡 La Conclusion et les Solutions
Les chercheurs disent : "C'est un chaos."
- Les propriétaires utilisent des moyens différents pour dire "Non" (panneaux, filigranes, règles cachées).
- Les IA ne respectent aucun de ces moyens de manière cohérente.
- Il n'y a pas de langage universel pour dire "Je ne veux pas que mon art serve à entraîner une IA".
Leur appel à l'action :
Ils proposent de créer une règle unique et claire (un "langage universel") que tous les propriétaires peuvent utiliser pour dire "Oui" ou "Non" spécifiquement pour l'entraînement des IA.
- L'idée idéale : Passer d'un système où l'on doit dire "Non" (Opt-out) à un système où l'on doit demander "Oui" (Opt-in). C'est comme si, au lieu de mettre un panneau "Interdit" sur chaque porte, on demandait à chaque visiteur de signer un formulaire avant d'entrer dans la maison.
En résumé : Aujourd'hui, les IA volent des données en ignorant les panneaux d'interdiction. Cette étude montre qu'il est urgent de créer un système plus respectueux, où les artistes ont vraiment leur mot à dire sur l'utilisation de leur travail.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.