AI प्रशिक्षणासाठी वापरल्या जाणाऱ्या संगीताचा शोधण्यायोग्य डेटाबेस 'द अटलांटिक'ने जाहीर केला

जनरेटिव्ह AI प्रशिक्षणातील पारदर्शकतेची तफावत एका महत्त्वपूर्ण शोधपत्रकारिता प्रयत्नामुळे आता दूर झाली आहे. The Atlantic ने एक सार्वजनिक, शोधण्यायोग्य डेटाबेस लाँच केला आहे, जो कृत्रिम बुद्धिमत्ता (AI) मॉडेल्सद्वारे वापरल्या जाणाऱ्या कॉपीराइट असलेल्या संगीताच्या अवाढव्य प्रमाणाचे प्रदर्शन करतो.

अवाढव्य डेटासेट्सचा पर्दाफाश: लाखो गाण्यांचा उलगडा

शोधपत्रकार अलेक्स रीसनर यांनी सध्या AI संगीत प्रशिक्षणाचा कणा म्हणून काम करणाऱ्या चार मुख्य डेटासेट्सची ओळख पटवली आहे. या रिपॉझिटरीजचे प्रमाण थक्क करणारे आहे: दोन डेटासेट्समध्ये अनुक्रमे १.२ कोटी (12 million) आणि ९० लाख (9 million) ट्रॅक्स आहेत, तर दोन लहान संचांमध्ये प्रत्येकी १,००,००० पेक्षा जास्त गाणी आहेत.

हा खुलासा AI उद्योगातील एका प्रणालीगत समस्येकडे लक्ष वेधतो, जिथे मूळ निर्मात्यांच्या स्पष्ट परवानगीशिवाय मोठ्या प्रमाणात मीडिया सामग्री प्रशिक्षणासाठी एकत्रित केली जाते. हा डेटाबेस कोणालाही या संग्रहांमध्ये शोध घेण्याची परवानगी देतो, ज्यामध्ये लेडी गागा, ब्रूस स्प्रिंगस्टीन आणि रेडिओहेड यांसारख्या मुख्य प्रवाहातील आयकॉन्सपासून ते हाइनबॅक (Hainbach) सारख्या प्रायोगिक संगीतकार आणि अपेक्स ट्विन (Aphex Twin) सारख्या इलेक्ट्रॉनिक कलाकारांपर्यंत विविध संगीत कलाकारांचा समावेश आहे.

तांत्रिक त्रुटी: प्लॅटफॉर्मच्या संरक्षणांना बगल देणे

हा शोध AI डेव्हलपर्सनी प्रशिक्षणासाठी डेटा मिळवण्यासाठी वापरलेल्या एका प्रगत तांत्रिक पर्यायाचा (workaround) पर्दाफाश करतो. यातील बहुतेक डेटासेट्समध्ये थेट ऑडिओ फाइल्स नसून YouTube आणि Spotify सारख्या प्लॅटफॉर्मवरील लिंक्सच्या याद्या आहेत.

या लिंक्सचे उपयुक्त प्रशिक्षण डेटा मध्ये रूपांतर करण्यासाठी, डेव्हलपर्स थेट ऑडिओ डाउनलोड करण्यासाठी डिझाइन केलेली ऑटोमेटेड स्क्रॅपिंग टूल्स (scraping tools) वापरतात. ही साधने विशेषतः लॉगिन बायपास करण्यासाठी, जाहिराती वगळण्यासाठी आणि सबस्क्रिप्शन मॉडेल्स आणि पेवॉल (paywalls) सारख्या यंत्रणांना बगल देण्यासाठी तयार केली गेली आहेत, ज्या यंत्रणा निर्मात्यांना त्यांच्या कामातून कमाई करण्यास मदत करतात. जरी हे डेटासेट्स इंटरनेटवर "उपलब्ध" असले, तरी डेटा काढण्याची ही पद्धत वारंवार होस्टिंग प्लॅटफॉर्मच्या सेवा अटींचे (terms of service) उल्लंघन करते आणि कलाकारांचे संरक्षण करण्यासाठी असलेल्या डिजिटल राइट्स मॅनेजमेंट (DRM) ला कमकुवत करते.

उद्योगावरील परिणाम आणि AI वॉचडॉग

The impact of this data ingestion is not theoretical; major industry players have already acknowledged its use. Both Google and Stability AI have confirmed the utilization of these datasets in their official research papers. This confirmation underscores a growing tension between the rapid advancement of multimodal AI and the legal frameworks governing intellectual property.

By hosting this information on The Atlantic’s "AI Watchdog" site, the publication is providing a critical tool for developers, legal experts, and artists to track how their intellectual property is being utilized. This move shifts the conversation from speculation to empirical evidence, providing the necessary groundwork for upcoming copyright litigation and regulatory debates regarding fair use in the age of machine learning.

Key Takeaways

• Massive Scale of Ingestion: AI training datasets contain millions of tracks, including two massive sets of 12 million and 9 million songs.
• Circumvention of Terms: Developers use automated tools to bypass YouTube and Spotify protections, effectively stripping creators of ad revenue and subscription fees.
• Corporate Accountability: Major AI entities, including Google and Stability AI, have verified the use of these datasets in their published research.