Miles de autores firman una carta instando a los creadores de IA a dejar de robar libros
La importancia de la transparencia en los conjuntos de datos de IA
Los modelos de lenguaje como GPT-4 y Claude son poderosos y útiles, pero los datos en los que se entrenan son un secreto muy bien guardado. El Instituto Allen de Inteligencia Artificial (AI2) tiene como objetivo revertir esta tendencia con un nuevo y enorme conjunto de datos de texto que es gratuito y está abierto a la inspección.
Dolma, como se llama el conjunto de datos, está destinado a ser la base del modelo de lenguaje abierto planificado por el grupo de investigación, conocido como OLMo (Dolma es la abreviatura de "Data to feed OLMo's Appetite"). Según los investigadores de AI2, si el modelo está destinado a ser utilizado y modificado de forma gratuita por la comunidad de investigación de IA, también debería serlo el conjunto de datos que utilizan para crearlo.
El problema de la opacidad en los conjuntos de datos de IA
Aunque empresas como OpenAI y Meta publican algunas de las estadísticas vitales de los conjuntos de datos que utilizan para construir sus modelos de lenguaje, mucha de esa información se trata como propiedad exclusiva. Aparte de las consecuencias conocidas de desalentar el escrutinio y la mejora a gran escala, se especula que este enfoque cerrado se debe a que los datos no se obtuvieron de manera ética o legal: por ejemplo, que se incluyeron copias pirateadas de libros de muchos autores.
La iniciativa de AI2 para fomentar la transparencia
AI2 está desarrollando Dolma como una alternativa a esta opacidad. En un gráfico creado por AI2, se puede observar que los modelos más grandes y recientes solo proporcionan parte de la información que un investigador probablemente querría conocer sobre un conjunto de datos determinado. ¿Qué información se eliminó y por qué? ¿Qué se consideró texto de alta o baja calidad? ¿Se eliminaron adecuadamente los detalles personales?
AI2 y su modelo de lenguaje optimizado para la ciencia
Dolma de AI2 no es el primer intento de crear un conjunto de datos abierto, pero es el más grande hasta ahora (3 mil millones de tokens, una medida nativa de IA para el volumen de contenido) y, según afirman, el más sencillo en términos de uso y permisos. Utiliza la "Licencia ImpACT para artefactos de riesgo medio", de la cual se pueden ver los detalles aquí. Básicamente, requiere que los usuarios potenciales de Dolma:
- Proporcionen información de contacto y casos de uso previstos.
- Revelen cualquier creación derivada de Dolma.
- Distribuyan esas creaciones derivadas bajo la misma licencia.
- Se comprometan a no aplicar Dolma a áreas prohibidas, como la vigilancia o la desinformación.
Para aquellos que se preocupan de que, a pesar de los mejores esfuerzos de AI2, algunos de sus datos personales hayan llegado a la base de datos, hay un formulario de solicitud de eliminación disponible aquí. Es para casos específicos, no solo una solicitud general de "no me uses".
Acceso a Dolma y su importancia para la comunidad de investigación de IA
Si todo esto te parece bien, el acceso a Dolma está disponible a través de Hugging Face. AI2 espera que este enfoque abierto y transparente fomente la colaboración y el avance en el campo de la IA, alentando a otros a seguir su ejemplo y a proporcionar conjuntos de datos abiertos y accesibles para la comunidad de investigación.
Otras noticias • IA
Inteligencia artificial transforma podcasts con interacciones dinámicas y éticas
La inteligencia artificial está revolucionando los podcasts con herramientas como NotebookLM, que permiten interacciones más dinámicas. La nueva función "Modo Interactivo" facilita la participación de...
OpenAI nombra a Adebayo Ogunlesi en su junta directiva
OpenAI ha nombrado a Adebayo Ogunlesi, ejecutivo de BlackRock, como nuevo miembro de su junta directiva. Su experiencia en finanzas y compromiso con la ética...
Pryce Yebesi lanza Open Ledger para optimizar contabilidad empresarial
Pryce Yebesi, tras vender su empresa Utopia Labs a Coinbase, lanza Open Ledger, una plataforma de contabilidad automatizada. Su objetivo es ayudar a las empresas...
Apple se une a consorcio para desarrollar estándar UALink
Apple se une al Ultra Accelerator Link Consortium para desarrollar UALink, un estándar de conectividad para chips de IA en centros de datos. Esta colaboración...
ChatGPT introduce gestión de tareas y recordatorios personalizados
OpenAI ha lanzado una función de gestión de tareas en ChatGPT, permitiendo a los usuarios establecer recordatorios personalizados. Esta innovación mejora la interacción con la...
Biden impulsa centros de datos de IA con energías renovables
La orden ejecutiva de Biden permite a empresas de IA construir centros de datos en terrenos federales, exigiendo el uso de energías renovables. Esta estrategia...
Startups impulsan computación cuántica para revolucionar la tecnología
La computación cuántica, impulsada por startups como SEEQC, promete transformar la industria tecnológica al mejorar la eficiencia del procesamiento de datos. La colaboración con grandes...
Eliminación de frase sobre imparcialidad desata debate en inteligencia artificial
La eliminación de la frase sobre la imparcialidad política en el documento de OpenAI ha generado un intenso debate sobre el sesgo en la inteligencia...
Lo más reciente
- 1
Nelly revoluciona la atención sanitaria con su plataforma digital
- 2
Nvidia invierte en MetAI y revoluciona la automatización industrial
- 3
SEC demanda a Musk por falta de transparencia en Twitter
- 4
Sarla Aviation revoluciona movilidad urbana con taxis aéreos eléctricos
- 5
EE.UU. prohíbe vehículos conectados de China y Rusia por seguridad
- 6
Apuestas en redes sociales: el nuevo entretenimiento financiero
- 7
Meta acelera innovación en IA pese a críticas éticas