Optar por no participar en conjuntos de datos de entrenamiento de IA

La mayoría de los grandes modelos de IA se entrenan con material recopilado de la web. Common Crawl publica enormes rastreos de la Internet pública, y se crearon conjuntos de datos de imágenes como LAION-5B, con alrededor de 5,850 millones de pares de imágenes y títulos, filtrándolos. LAION distribuye enlaces y títulos en lugar de archivos de imágenes, pero los modelos entrenados con él descargaron las imágenes de esos enlaces. Para comprobar si su trabajo aparece, Have I Been Trained de Spawning le permite buscar conjuntos de datos de LAION por texto o imagen. Cubre únicamente los conjuntos de datos que indexa; No hay forma de buscar los datos privados que utilizan muchas empresas. Las principales herramientas de prevención son: robots.txt. Muchas empresas de inteligencia artificial publican nombres de rastreadores que los sitios pueden bloquear, incluidos GPTBot (OpenAI), ClaudeBot (Anthropic), CCBot (Common Crawl), Applebot-Extended (Apple) y Google-Extended, que controla el uso en los modelos Gemini de Google sin eliminar un sitio de la búsqueda Google. Algunos hosts y CDN, como Cloudflare, ofrecen bloqueo de rastreadores de IA con un solo clic. Configuración de la plataforma. Servicios como LinkedIn y X han ofrecido configuraciones que controlan la capacitación sobre el contenido del usuario, y Meta ha ofrecido formularios de objeción en regiones con leyes de protección de datos más estrictas. Los sitios de arte como DeviantArt y ArtStation introdujeron etiquetas NoAI. Registros y reservas legales. El registro No entrenar de Spawning registra las opciones de exclusión que algunas empresas, incluida Stability AI para ciertos modelos, dijeron que respetarían. En la UE, la directiva de derechos de autor de 2019 permite a los titulares de derechos reservar derechos de extracción de textos y datos en formato legible por máquina, y la Ley de IA de la UE exige que los proveedores de modelos de propósito general respeten dichas reservas. Los límites son importantes. robots.txt es voluntario y no obligatorio. Las exclusiones no son retroactivas y los modelos capacitados no las olvidan. Las copias de su trabajo publicadas en otro lugar no están cubiertas por las reglas de su sitio. Bloquear rastreadores también puede reducir la visibilidad en la búsqueda impulsada por IA. La exclusión voluntaria reduce la exposición; no garantiza la exclusión.