Az AI-cégek éveken át úgy kezelték az internetet, mint egy kifogyhatatlan tanítóadat-raktárt. Most ott tartunk, hogy már a saját termékeik miatt keresnek tisztább forrást. Az ISBNdb régi, nyomtatott könyveket kínál nagy tételben modellfejlesztőknek, mert a 2022 előtt megjelent kötetekben még biztosan nincs generatív AI-val írt szöveg. A szolgáltatásra a 404 Media július 21-i cikke hívta fel a figyelmet.
A helyzet abszurditása elég erős: az internetet elöntő AI-szöveg már azoknak is gond, akik az AI-t fejlesztik. Ha egy új modellt korábbi modellek válaszain tanítanak, a hibák, az ismétlődő fordulatok és a kitalált állítások is bekerülhetnek a következő körbe. Ezt szokták adatszennyezésnek nevezni. A súlyosabb, több generáción át felhalmozódó romlást gyakran modell-összeomlásként írják le, bár nem minden szintetikus adat káros, és ellenőrzött példákkal célzottan is lehet tanítani.
Ezer könyvnél kezdődik a bevásárlás
Az ISBNdb ajánlata nem néhány ritka kötet felkutatásáról szól. A szolgáltatásról szóló beszámolók szerint az alsó határ ezer könyv, a felső pedig akár egymillió. A megrendelő megadhat témát, nyelvet, kiadási évet és más bibliográfiai feltételeket, a közvetítő pedig használtkönyv-kereskedőktől szerzi be az állományt. A vevők kilétét szigorú titoktartás védi.
Ez utóbbi miatt fontos a fék: abból, hogy egy kereskedőnél szokatlanul nagy vagy furcsán összeválogatott rendelés jelenik meg, még nem bizonyítható, melyik AI-cég áll mögötte. Spanyol és német antikváriusok is beszámoltak hirtelen felvásárlásokról, de a végső megrendelő nevét ők sem látták. Maga az üzleti modell valós, a mostani névtelen vásárlók azonosítása viszont egyelőre következtetés.
A kereskedők beszámolóiban ugyanaz a minta tér vissza: rövid idő alatt sok, egymástól látszólag független cím fogy el, a vevő pedig kevéssé érzékeny az árra. Ez nem a hagyományos gyűjtői viselkedés, mert egy gyűjtő rendszerint szerzőt, kiadást vagy állapotot keres. Egy adatkészlethez viszont maga a szöveg számít. A különbség azért fontos, mert a készletmozgás gyanússá teheti a vásárlást, de a háttérben álló céget továbbra sem nevezi meg.
A könyv azért értékes, mert szerkesztett és datálható
Egy nyomtatott kötetnél ismert a szerző, a kiadó és a megjelenés éve. A szöveg általában átesett szerkesztésen, egy szakkönyv pedig olyan szűk területet is részletesen lefedhet, amelyről kevés jó minőségű weboldal készült. A kisebb nyelvek, helytörténeti munkák, régi kézikönyvek és kifutott szakkönyvek ezért különösen érdekesek lehetnek egy fejlesztőnek. A 2022 előtti dátum közben egyszerű eredetjelző: ezek a könyvek még a ChatGPT nyilvános rajtja előtt jelentek meg.
A fizikai példányok feldolgozása ipari méretben kevésbé romantikus. A gyors szkenneléshez gyakran levágják a gerincet, majd külön lapokként etetik be az oldalakat a gépbe. Az eredeti kötet ezt nem éli túl. A módszer nem puszta feltételezés: a Project Panama periratai szerint az Anthropic milliós nagyságrendben vásárolt, szétszedett és digitalizált könyveket a Claude tanításához.
Az Anthropic-ügyben a bíróság a jogszerűen megvett könyvek ilyen digitalizálását átalakító felhasználásnak tekintette. Ez nem általános engedély minden AI-s tanításra. A kalózforrásból származó könyvtárak, a szerzői engedély és a modellekben használt másolatok kérdése külön jogi vita maradt. A mostani közvetítői szolgáltatás éppen azért vonzó, mert számlával igazolható fizikai példányból indul.
A tisztább adat ára eltűnő könyv is lehet
Egy gyakori tankönyv vagy filléres regény egyetlen példányának elvesztése aligha változtat meg egy könyvtári gyűjteményt. Más a helyzet a kis példányszámú szakmunkákkal, helyi kiadványokkal és olyan nyelvek könyveivel, amelyekből kevés példány maradt forgalomban. Az antikvárius azt látja, hogy valaki fizet; azt már nem feltétlenül, hogy a könyv egy raktárban végzi, vagy a gerincét levágják egy szkenner kedvéért.
Az ISBNdb a saját kommunikációjában is elismeri, hogy a könyvek megsemmisítésének rossz a megítélése, ezért a diszkréciót külön szolgáltatásként kezeli. Ettől a legérdekesebb kérdés még nyitva marad: mely cégek vásárolnak most, milyen könyveket keresnek, és mi történik a ritka példányokkal a digitalizálás után? Amíg a vevőket titoktartás fedi, erre nincs ellenőrizhető, név szerinti válasz.
A történet közben világosan mutatja az AI-adatéhség következő szakaszát. A könnyen elérhető webet már teleszórták a modellek saját mondatai, ezért felértékelődött minden, aminek biztosan emberi és dátumozható az eredete. A régi könyv így egyszerre lett kulturális tárgy és nyersanyag. Hogy a kettő közül melyik marad belőle, azt most többnyire olyan vevők döntik el, akik a nevüket sem adják a rendeléshez.
