PRŮVODCE společností

Odhlášení ze školicích datových sad AI

Tvůrci mohou omezit budoucí využití své práce pro školení AI tím, že zablokují prohledávače AI v souboru robots.txt, vypnou školicí oprávnění v nastavení platformy a zaregistrují se u opt-out služeb a mohou zkontrolovat některé veřejné datové sady pomocí vyhledávacích nástrojů.

Poslechněte si tento návodAI-vyprávěný · ~3 min

Na této stránce4 min čtení
  1. Přehled
  2. Hluboký ponor
  3. Real-World Implementace
  4. Budoucnost odhlášení ze školicích datových sad AI
  5. Uvedení do praxe
  6. Pokračujte v objevování
  7. Často kladené otázky

Přehled

Tato opatření většinou ovlivňují budoucí sběr společností, které se je rozhodnou respektovat; neodstraňují práci již proškoleným modelům.

Hluboký ponor

Většina velkých modelů umělé inteligence je trénována na materiálu shromážděném z webu. Common Crawl publikuje obrovské procházení veřejného internetu a datové sady obrázků, jako je LAION-5B, s přibližně 5,85 miliardami párů obrázků a titulků, byly vytvořeny jejich filtrováním. LAION distribuuje spíše odkazy a popisky než obrázkové soubory, ale modely, které s tím cvičily, stahovaly obrázky z těchto odkazů. Chcete-li zkontrolovat, zda se vaše práce objeví, Spawning's Have I Been Trained vám umožní prohledávat datové sady LAION podle textu nebo obrázku. Pokrývá pouze datové sady, které indexuje; neexistuje způsob, jak prohledávat soukromá data, která mnoho společností používá. Hlavní nástroje prevence jsou: robots.txt. Mnoho společností s umělou inteligencí zveřejňuje názvy prohledávačů, které mohou weby blokovat, včetně GPTBot (OpenAI), ClaudeBot (Anthropic), CCBot (Common Crawl), Applebot-Extended (Apple) a Google-Extended, které řídí použití v modelech ZXQXZQAIX a4QXZXQAIU a4 z vyhledávání Google. Někteří hostitelé a CDN, jako například Cloudflare, nabízejí blokování prohledávače AI jedním kliknutím. Nastavení platformy. Služby jako LinkedIn a X nabídly nastavení kontrolující školení o uživatelském obsahu a Meta nabídlo formuláře námitek v regionech se silnějšími zákony na ochranu údajů. Umělecké weby jako DeviantArt a ArtStation zavedly značky NoAI. Matriky a právní výhrady. Registr Do Not Train zaznamenává výjimku, kterou některé společnosti, včetně Stability AI pro určité modely, uvedly, že budou respektovat. V EU směrnice o autorských právech z roku 2019 umožňuje držitelům práv vyhradit si práva na dolování textů a dat ve strojově čitelné podobě a zákon EU o umělé inteligenci vyžaduje, aby poskytovatelé univerzálních modelů takové výhrady respektovali. Důležité jsou limity. robots.txt je dobrovolný a nevynucuje se. Opt-out nejsou zpětné a vyškolené modely nezapomínají. Na kopie vaší práce zveřejněné jinde se pravidla vašeho webu nevztahují. Blokování prohledávačů může také snížit viditelnost při vyhledávání pomocí AI. Odhlášení snižuje expozici; nezaručuje vyloučení.

Real-World Implementace

Ilustrátorka prohledává obrázky svého portfolia na Have I Been Trained, najde několik v LAION-5B a přidá je do registru Spawning's Do Not Train, protože ví, že to zavazuje pouze společnosti, které to dodržují.

Fotograf, který provozuje svůj vlastní web, přidá pravidla robots.txt, která zakazují GPTBot, CCBot, ClaudeBot a Google-Extended, přičemž Googlebot nechá povolený, aby se jeho stránky stále zobrazovaly ve výsledcích vyhledávání.

Autor na LinkedIn vypne nastavení, které umožňuje použití jejích dat k trénování generativních modelů umělé inteligence, a poznamenává, že to neruší minulé použití.

Malý vydavatel v EU přidává na své stránky strojově čitelnou rezervaci práv na text a dolování dat a podmínky použití, přičemž se spoléhá na výjimku z autorských práv EU, která držitelům práv umožňuje odhlásit se.

Budoucnost odhlášení ze školicích datových sad AI

Roste tlak na signály odhlášení, které jsou standardizované a právně smysluplné, spíše než rozptýlené mezi názvy prohledávačů a nabídkami platforem. Standardizační orgány a průmyslové skupiny pracují na sdílených slovnících pro preference používání AI a pravidla EU nutí poskytovatele, aby dokumentovali, jak respektují rezervace. Licenční dohody mezi společnostmi zabývajícími se umělou inteligencí a vydavateli naznačují, že se vytváří trh pro data se souhlasem, i když většinou pro velké držitele práv. Soudní spory ohledně školení o dílech chráněných autorským právem mohou v některých zemích změnit výchozí pravidla. Jednotliví tvůrci by prozatím měli považovat opt-outs za částečnou ochranu a pravidelně kontrolovat nastavení, protože je platformy mění.

Uvedení do praxe

Proč na tom záleží

  • Riziko a bezpečnost. Katastrofické a každodenní škody AI závisí na tom, kdo rozumí rizikům a kdo může jednat.
  • Jasnější rozhodnutí. Veřejná a odborná gramotnost určuje, zda je silná bezpečnostní politika politicky možná.
  • Prorážením humbuku. Jasná vysvětlení snižují zachytávání humbukem, PR v laboratoři a vágní etické divadlo.

Pozor na

  • Zacházení s existenčním rizikem jako sci-fi, zatímco schopnosti kombinují.
  • Matoucí bezpečnost povrchových produktů se zarovnáním pod vysokou autonomií.
  • Neanglické a neodborné publikum ponechává pouze nekvalitní zdroje.

Další kroky

  1. Oddělte rizika poškození produktu, nesprávného použití a ztráty kontroly/nesouladu.
  2. Zeptejte se, jaké důkazy by změnily váš pohled na časové osy a závažnost.
  3. Upřednostňujte primární zdroje a konkrétní hodnocení před marketingovými tvrzeními.
  4. Identifikujte jednu akční cestu: kariéru, politiku, financování nebo dovednosti – nejen povědomí.

Pokračujte v objevování

Newsletter zdarma

Získejte denní přehled o AI

Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.

Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.

Otestujte se

Take the Opting Out of AI Training Datasets quiz

Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.

Spustit kvíz

Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte

Často kladené otázky

Co je odhlášení ze školicích datových sad AI?

Tvůrci mohou omezit budoucí využití své práce pro školení AI tím, že zablokují prohledávače AI v souboru robots.txt, vypnou školicí oprávnění v nastavení platformy a zaregistrují se u opt-out služeb a mohou zkontrolovat některé veřejné datové sady pomocí vyhledávacích nástrojů. Tato opatření většinou ovlivňují budoucí sběr společností, které se je rozhodnou respektovat; neodstraňují práci již proškoleným modelům.

Co vlastně datová sada LAION-5B distribuuje?

LAION poskytuje adresy URL a titulky. Modeloví trenéři stáhli obrázky z těchto odkazů.

Co dělá blokování Google-Extended v robots.txt?

Google-Extended je kontrolní token pro trénink AI. Zablokováním zůstane indexování vyhledávání nedotčené.

Jaké je hlavní omezení odhlášení po proškolení modelu?

Výjimky ovlivňují budoucí výběr společností, které je respektují. Minulé školení se nevrací.

Proč blokování prohledávačů v souboru robots.txt vašeho vlastního webu plně nechrání vaši práci?

robots.txt je požadavek, který dobře vychované prohledávače následují, a vztahuje se pouze na web, který jej publikuje.

Co vám umožňuje nástroj Už jsem byl vyškolen?

Prohledává datové sady, které indexuje. Nemůže vidět soukromá tréninková data používaná mnoha společnostmi.