How Do Data Owners Say No? A Case Study of Data Consent Mechanisms in Web-Scraped Vision-Language AI Training Datasets
Deze studie toont aan dat data-eigenaren via diverse kanalen zoals copyrightkennisgevingen, watermerken en servicevoorwaarden hun toestemming voor AI-training beperken, maar dat huidige web-scraping-methoden deze signalen vaak negeren, wat ethische en juridische zorgen oproept.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Titel: Wie zegt "nee"? Een verhaal over AI, internet en de rechten van makers
Stel je voor dat het internet een gigantische, openbare bibliotheek is. In deze bibliotheek staan miljarden boeken (tekst) en schilderijen (afbeeldingen). Nu hebben we een nieuwe soort robot-kunstenaar (AI) die heel snel kan leren tekenen en schrijven. Om dit te kunnen, moet deze robot miljarden van die boeken en schilderijen "opeten" om te zien hoe mensen dingen doen.
Deze nieuwe studie, geschreven door onderzoekers van universiteiten als Princeton en de Universiteit van Washington, stelt een heel belangrijke vraag: Heeft de robot toestemming gekregen om al die dingen op te eten?
Hier is het verhaal van de studie, vertaald in simpele taal met een paar leuke vergelijkingen.
1. Het Probleem: De Robot die alles "leest"
Deze AI-modellen (zoals die welke foto's maken van teksten) zijn getraind op datasets genaamd CommonPool. Dit is een lijst met miljarden links naar plaatjes en teksten die van het internet zijn geplukt.
Het probleem is dat de makers van die plaatjes (de eigenaren) vaak niet hebben gezegd: "Jullie mogen mijn werk gebruiken om een robot te trainen." Soms zeggen ze zelfs heel duidelijk: "Nee, dat mag niet!" Maar de robot ziet dat niet, of negeert het.
2. De Drie Manieren waarop Mensen "Nee" Zeggen
De onderzoekers keken hoe mensen hun "nee" laten weten. Ze gebruikten drie verschillende methoden, alsof ze drie verschillende soorten sloten op een deur zoeken:
- Het Copyright-Verklaringetje (De Sticker):
Sommige mensen plakken een sticker op hun werk met een ©-teken of de tekst "Alle rechten voorbehouden".- De bevinding: De onderzoekers vonden dat er ongeveer 122 miljoen plaatjes in de AI-datasets zitten met zo'n sticker. De robot heeft deze vaak gemist.
- Het Watermerk (De Onzichtbare Handtekening):
Veel kunstenaars zetten een onzichtbaar of half-onzichtbaar teken in hun foto, zodat je weet dat het van hen is.- De bevinding: Dit is lastig. De onderzoekers ontdekten dat de AI die deze watermerken moet vinden, vaak faalt. Het is alsof je probeert een naald in een hooiberg te vinden, maar je kijkt met een bril die de hooiberg als een bos ziet. Ze schatten dat 9% tot 13% van de plaatjes watermerken heeft, maar de huidige technologie ziet ze niet goed.
- De Poortwachter (De Website-regels):
Elke website heeft een "Poortwachter" (een bestand genaamdrobots.txten een "Regelboek" genaamd Terms of Service). Hierin staat: "Robots mogen hier niet binnenkomen" of "Alleen voor persoonlijk gebruik, niet voor commerciële AI".- De bevinding: Dit is het grootste probleem. Van de top 50 populairste websites (waar de meeste plaatjes vandaan komen), zegt 60% in hun regels: "Nee, scrapen (automatisch plukken) is verboden." Toch heeft de AI-dataset deze plaatjes gewoon opgehaald.
3. De Grote Verwarring: Waarom gebeurt dit?
De onderzoekers leggen uit dat het systeem van het verzamelen van data een beetje kapot is, net als een postbezorger die brieven in een bus doet zonder te kijken op welk huisnummer ze horen.
- Het Adres-probleem: De datasets geven alleen de link naar het plaatje (bijvoorbeeld naar een server van Amazon), maar niet naar de originele website waar het plaatje eigenlijk staat.
- Vergelijking: Stel je voor dat je een briefje krijgt met het adres van een postbus in een ander land. Je denkt dat je de brief mag lezen, maar je vergeet dat de eigenaar van de inhoud op de originele website (in je eigen straat) had gezegd: "Mijn brieven zijn privé!" Omdat de dataset alleen de postbus-link heeft, zien ze die waarschuwing niet.
- De Verantwoordelijkheid: De mensen die de datasets maken (de curators) zeggen vaak: "Wij hebben alleen de lijst met links gemaakt, wij hebben de plaatjes niet zelf." Hierdoor schuiven ze de verantwoordelijkheid door naar de mensen die de AI daadwerkelijk gebruiken.
4. Wat zeggen de cijfers?
- 60% van de plaatjes van de grootste websites komt van plekken waar het verboden is om ze te plukken voor AI.
- 122 miljoen plaatjes hebben een copyright-sticker, maar de AI ziet ze niet.
- De huidige technologie om watermerken te vinden is nog niet goed genoeg; ze missen er veel.
5. De Oplossing: Een Eenduidige "Nee"-Knop
De onderzoekers concluderen dat we nu in een chaos zitten. Soms zegt een website "nee" in een tekst, soms in een regelbestand, en soms in een watermerk. De AI ziet dit niet als één groot "STOP"-bord.
Wat moet er gebeuren?
- Meer transparantie: De datasets moeten niet alleen de link naar het plaatje geven, maar ook de link naar de originele website, zodat je de regels van de eigenaar kunt lezen.
- Een universele taal: We hebben één groot, duidelijk systeem nodig (een soort "Nee-knop" voor AI) waar alle eigenaren hun toestemming (of weigering) in kunnen zetten.
- Opt-in in plaats van Opt-out: In plaats van dat mensen zelf moeten zeggen "Nee, doe het niet" (wat veel mensen niet doen), zouden we moeten uitgaan van: "Je mag het alleen gebruiken als je expliciet 'Ja' hebt gezegd."
Conclusie
Deze studie is als een wake-up call voor de AI-wereld. Het internet is geen vrij veld waar iedereen alles mag pakken. Er zijn eigenaren met rechten, en hun "nee" wordt momenteel genegeerd door de machines die ons leren tekenen en schrijven. Als we dit niet oplossen, riskeren we niet alleen juridische problemen, maar ook dat we de creativiteit van echte mensen uitbuiten zonder hen te respecteren.
Kortom: De robot moet leren luisteren naar de eigenaar van het huis, niet alleen naar de postbus.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.