GUIDA della Società

Rinunciare ai set di dati di addestramento dell'IA

I creatori possono ridurre l'uso futuro del proprio lavoro per l'addestramento dell'IA bloccando i crawler dell'IA in robots.txt, disattivando le autorizzazioni di addestramento nelle impostazioni della piattaforma e registrandosi presso i servizi di opt-out, e possono controllare alcuni set di dati pubblici con strumenti di ricerca.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina4 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro della rinuncia ai dataset di addestramento dell'IA
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

Queste misure influiscono principalmente sulla raccolta futura da parte delle aziende che scelgono di rispettarle; non rimuovono il lavoro dai modelli già addestrati.

Immersione profonda

Most large AI models are trained on material collected from the web. Common Crawl publishes huge crawls of the public internet, and image datasets such as LAION-5B, with about 5.85 billion image and caption pairs, were built by filtering them. LAION distributes links and captions rather than image files, but models trained with it downloaded the images from those links. To check whether your work appears, Spawning's Have I Been Trained lets you search LAION datasets by text or image. It covers only the datasets it indexes; there is no way to search the private data many companies use. The main prevention tools are: robots.txt. Many AI companies publish crawler names that sites can block, including GPTBot (OpenAI), ClaudeBot (Anthropic), CCBot (Common Crawl), Applebot-Extended (Apple) and Google-Extended, which controls use in Google's Gemini models without removing a site from Google Search. Some hosts and CDNs, such as Cloudflare, offer one-click AI crawler blocking. Platform settings. Services like LinkedIn and X have offered settings controlling training on user content, and Meta has offered objection forms in regions with stronger data protection law. Art sites such as DeviantArt and ArtStation introduced NoAI tags. Registries and legal reservations. Spawning's Do Not Train registry records opt-outs that some companies, including Stability AI for certain models, said they would honor. In the EU, the 2019 copyright directive allows rights holders to reserve text and data mining rights in machine-readable form, and the EU AI Act requires general-purpose model providers to respect such reservations. The limits are important. robots.txt is voluntary and not enforcement. Opt-outs are not retroactive, and trained models do not forget. Copies of your work reposted elsewhere are not covered by your site's rules. Blocking crawlers can also reduce visibility in AI-powered search. Opting out lowers exposure; it does not guarantee exclusion.

Implementazione nel mondo reale

Un'illustratrice cerca le immagini del suo portfolio su Have I Been Trained, ne trova diverse in LAION-5B e le aggiunge al registro Do Not Train di Spawning, sapendo che questo vincola solo le aziende che lo rispettano.

Un fotografo che gestisce il proprio sito aggiunge regole robots.txt che non consentono GPTBot, CCBot, ClaudeBot e Google-Extended, pur lasciando Googlebot consentito in modo che le sue pagine compaiano ancora nei risultati di ricerca.

Una scrittrice su LinkedIn disattiva l'impostazione che consente l'utilizzo dei suoi dati per l'addestramento di modelli di IA generativa e osserva che ciò non annulla l'utilizzo passato.

Un piccolo editore nell'UE aggiunge al proprio sito e ai termini di utilizzo una riserva di diritti di text and data mining leggibile dalle macchine, basandosi sull'eccezione al diritto d'autore dell'UE che consente ai titolari dei diritti di rinunciare.

Il futuro della rinuncia ai dataset di addestramento dell'IA

Cresce la pressione per segnali di rinuncia che siano standardizzati e legalmente significativi, piuttosto che sparsi tra nomi di crawler e menu delle piattaforme. Gli organismi di standardizzazione e i gruppi industriali stanno lavorando a vocabolari condivisi per le preferenze di utilizzo dell'IA, e le norme dell'UE stanno spingendo i fornitori a documentare come rispettano le riserve. Gli accordi di licenza tra aziende di IA ed editori suggeriscono che si sta formando un mercato per i dati con consenso, sebbene principalmente per i grandi titolari di diritti. Le cause legali sull'addestramento su opere protette da copyright potrebbero cambiare le regole predefinite in alcuni paesi. Per ora, i singoli creatori dovrebbero considerare le rinunce come una protezione parziale e controllare periodicamente le impostazioni, poiché le piattaforme le modificano.

Metterlo in pratica

Perché è importante

  • Rischio e sicurezza. I danni catastrofici e quotidiani dell’IA dipendono entrambi da chi comprende i rischi e da chi può agire.
  • Decisioni più chiare. L’alfabetizzazione pubblica e professionale determina la possibilità politica di una forte politica di sicurezza.
  • Tagliare il clamore. Spiegazioni chiare riducono la cattura da parte di montature pubblicitarie, PR di laboratorio e vaghi teatrini etici.

Attenzione

  • Trattare il rischio esistenziale come fantascienza mentre le capacità si aggravano.
  • Confondere la sicurezza del prodotto superficiale con l'allineamento in condizioni di elevata autonomia.
  • Lasciando il pubblico non inglese e non esperto solo con fonti di bassa qualità.

Prossimi passi

  1. Separare i rischi di danni al prodotto, uso improprio e perdita di controllo/disallineamento.
  2. Chiedi quali prove cambierebbero la tua opinione sulle tempistiche e sulla gravità.
  3. Preferire fonti primarie e valutazioni concrete alle affermazioni di marketing.
  4. Identifica un percorso d’azione: carriera, politica, finanziamenti o competenze, non solo consapevolezza.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Partecipa al quiz sulla rinuncia ai dataset di addestramento dell'IA

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Cos'è la rinuncia ai dataset di addestramento dell'IA?

I creatori possono ridurre l'utilizzo futuro del loro lavoro per l'addestramento dell'IA bloccando i crawler IA nel file robots.txt, disattivando le autorizzazioni di addestramento nelle impostazioni della piattaforma e registrandosi presso servizi di rinuncia, e possono controllare alcuni dataset pubblici con strumenti di ricerca. Queste misure influiscono principalmente sulla raccolta futura da parte delle aziende che scelgono di rispettarle; non rimuovono il lavoro dai modelli già addestrati.

Cosa distribuisce effettivamente il dataset LAION-5B?

LAION fornisce URL e didascalie. I formatori dei modelli hanno scaricato le immagini da quei link.

Cosa fa il blocco di Google-Extended nel file robots.txt?

Google-Extended è un token di controllo per l'utilizzo nell'addestramento dell'IA. Bloccarlo lascia intatta l'indicizzazione della ricerca.

Qual è il limite principale della rinuncia dopo che un modello è stato addestrato?

Le rinunce influiscono sulla raccolta futura da parte delle aziende che le onorano. L'addestramento passato non viene annullato.

Perché bloccare i crawler nel file robots.txt del proprio sito non protegge completamente il proprio lavoro?

robots.txt è una richiesta che i crawler ben educati seguono, e si applica solo al sito che lo pubblica.

Cosa ti permette di fare lo strumento Have I Been Trained di Spawning?

Cerca nei dataset che indicizza. Non può vedere i dati di addestramento privati utilizzati da molte aziende.