LAION hat mit dem Big Video Dataset (BVD) einen der bisher größten offen zugänglichen Videodatensätze für die KI-Forschung veröffentlicht. Der Datensatz umfasst 1,3 Milliarden Video-URLs aus CommonCrawl, von denen 80 Millionen Videos mit insgesamt zehn Millionen Stunden Laufzeit heruntergeladen wurden. Daraus wurden 55 Millionen Clips mit automatisch erzeugten Beschreibungen für Video und Audio sowie 300 Millionen Einzelbilder extrahiert.
Ein Großteil der Videos kommt von YouTube in englischer Sprache. | Bild: LAION
Laut dem Paper übertreffen Modelle, die auf BVD trainiert wurden, vergleichbare Modelle, die auf dem bisherigen Referenzdatensatz InternVid trainiert wurden, um bis zu 2,1 Prozentpunkte auf gängigen Video-Text-Benchmarks. Dabei werden Video, Audio und Text gemeinsam gelernt, also etwa welche Bildinhalte zu welchen Beschreibungen oder Geräuschen passen.
LAION gibt den Datensatz ausschließlich für Forschungszwecke frei, nicht für kommerzielle Nutzung. Rechtlich dürfte sich der Verein dabei auf ein Urteil des Landgerichts Hamburg stützen können, das LAION 2024 die Sammlung urheberrechtlich geschützter Inhalte für nichtkommerzielle Forschung erlaubte. Die Organisation fordert Nutzer auf, die Rechte und das Urheberrecht der Inhalte-Ersteller zu respektieren. Datensatz und Code stehen der Forschung offen zur Verfügung.
Amazon kauft große Mengen gedruckter Bücher, scannt sie als KI-Trainingsdaten und zerstört sie dabei. Das enthüllte eine Untersuchung von 404 Media, die einen AirTag in eine Lieferung seltener Bücher platzierte und quer durch die USA verfolgte.
Endstation war ein Amazon-Lager in Las Vegas, wo das Team VGT3 arbeitet, dessen Logo ein Tyrannosaurus rex mit Buch zeigt. Mitarbeiter berichten, dass sie Buchrücken abschneiden, um schneller zu scannen, wobei das Exemplar zerstört wird. Amazon nutzt solche Daten für seine Nova-Modelle. Ein Sprecher sagte, man kaufe Bücher über kommerzielle Kanäle, um Produkte zu verbessern.
Buchhändler vermuten, dass KI-Firmen systematisch jedes Buch anhand der ISBN-Nummern scannen wollen. Gedruckte Texte sind wertvoll, weil sie oft nicht online stehen und vor 2022 frei von KI-Text sind.
Ähnlich ging bereits das Unternehmen Anthropic vor: Durch eine Klage von Buchautoren wurde dessen 'Project Panama' bekannt, bei dem Anthropic Bücher auf Marktplätzen kaufte, die Buchrücken abschnitt und die Werke digitalisierte. Der zuständige Richter entschied, dass dieses Scannen als 'Fair Use' gelte und keine Urheberrechtsverletzung darstelle, unter anderem weil das gedruckte Original dabei zerstört und somit nicht kopiert und weiterverkauft werde.
Die Unternehmen verwandeln damit teils seltene Bücher in privates Trainingskapital, indem es die oft unwiederbringlichen Originale zerstört und ihr Wissen aus dem frei zugänglichen Raum in die geschlossenen KI-Modelle eines einzelnen Konzerns überführt.
Anthropic muss Buchautoren in einem Vergleich 1,5 Milliarden US-Dollar zahlen. Ein US-Bundesgericht in San Francisco genehmigte den Vergleich, nachdem Anthropic zwischen 2021 und 2022 Bücher aus den Piraterie-Datenbanken LibGen und PiLiMi heruntergeladen hatte. Von den rund 482.460 gelisteten Werken wurden 91,3 Prozent beansprucht, pro Werk fließen etwa 3000 Dollar, das Vierfache des gesetzlichen Mindestschadenersatzes. Anthropic muss die Piraterie-Dateien vernichten. Es ist der größte Urheberrechtsvergleich in der Geschichte von Sammelklagen.
Das Geld zahlt Anthropic allerdings nur für das Herunterladen aus illegaler Quelle, nicht für das KI-Training selbst. Richter Alsup hatte in einer früheren Entscheidung festgestellt, dass KI-Training mit legal beschafften Büchern "spektakulär transformativ" sei und unter Fair Use falle. Das heißt: Urheberrechtlich geschützte Daten werden beim Training so stark verändert, dass das Copyright nicht greift. Piraterie hingegen bleibt rechtswidrig.
Amazon Web Services schließt seinen Crowdsourcing-Dienst Mechanical Turk ab dem 30. Juli 2026 für Neukunden. Das geht aus den AWS Service Availability Updates hervor. Bestandskunden können den Dienst weiter nutzen, er wechselt aber in den Wartungsmodus ohne neue Funktionen. Betroffen sind auch SageMaker Ground Truth und Amazon Augmented AI, die ab demselben Datum für Neukunden schließen.
Amazon startete Mechanical Turk 2005 unter dem Motto "Artificial Artificial Intelligence": Menschen erledigten gegen Bezahlung kleine Aufgaben, die für Maschinen schwer waren. 2018 versuchte AWS, die Plattform als Werkzeug zur Datenannotation für KI-Training im Rahmen von SageMaker neu zu positionieren. Eine Studie zeigte 2023, dass viele Crowdworker selbst Sprachmodelle nutzten, was die Plattform als Quelle menschlicher Daten schwächte.
Heute setzen KI-Labore eher auf spezialisierte Anbieter wie Scale AI oder Surge AI mit geprüften Experten, die schwierige Grenzfälle korrigieren und beurteilen.
