Microsoft trainiert neue KI-Modelle mit unlizenzierten Webdaten trotz gegenteiliger Versprechen

Microsoft hat seine neuen MAI-Modelle teilweise mit unlizenzierten Webdaten trainiert. Laut dem technischen Paper nutzte Microsoft unter anderem den bekannten Common-Crawl-Datensatz, wie Simon Willison bemerkte. Microsoft hatte zuvor behauptet, die neuen MAI-Modelle seien ausschließlich mit "Daten von Unternehmensqualität, sauber und kommerziell lizenziert" trainiert worden.

Microsoft beruft sich, wie andere KI-Unternehmen, die ebenfalls frei zugängliche Webdaten zum Training nutzen, wohl auf Fair Use. Im Paper selbst spricht Microsoft entsprechend von einer "Mischung aus öffentlich verfügbaren und lizenzierten, von Menschen erstellten Daten." Webseitenbetreiber könnten Crawler per robots.txt aussperren.

Damit verlagert das Unternehmen die Verantwortung für den Schutz der Inhalte auf die Betreiber, vergleichbar mit der Annahme, wer seine Tür nicht abschließe, sei prinzipiell mit einem Einbruch einverstanden. Die Fair-Use-Frage ist jedoch umstritten und wird vor Gerichten verhandelt.

Microsoft agiert also letztlich wie alle anderen KI-Unternehmen, stellt die eigenen Trainingsdaten aber zugleich als besonders "sauber" dar. Sind sie nicht.