OpenAI dan Google Menranskrip Video dari YouTube untuk Melatih AI

OpenAI diberitakan telah melatih model kecerdasan buatan (AI) GPT-4 mereka menggunakan hasil transkripsi video yang diambil dari YouTube.

Hal itu terungkap lewat laporan The New York Times, yang menyebut OpenAI, Meta, dan Google sedang berupaya memaksimalkan jumlah data yang dapat mereka berikan ke AI mereka. Dan langkah yang dilakukan ketiga perusahaan ini, berpotensi menjerumuskan mereka ke dalam pelanggaran hak cipta.

Kabar tersebut muncul beberapa hari setelah CEO YouTube, Neal Mohan, mengatakan bahwa dugaan penggunaan video YouTube oleh OpenAI untuk melatih generator teks-ke-video barunya, Sora, akan melanggar kebijakan platform. Kata dia dalam sebuah wawancara dengan Bloomberg Originals, dikutip dari Engadget, Senin (8/4/2024).

Menurut New York Times, OpenAI menggunakan alat pengenalan ucapan Whisper untuk menyalin lebih dari satu juta jam video dan siniar yang tayang di YouTube, yang kemudian digunakan untuk melatih GPT-4.

Presiden OpenAI, Greg Brockman, dilaporkan termasuk di antara orang-orang di tim ini.

Juru Bicara Google, Matt Bryant, menyebut dalam aturan Google, pengambilan atau pengunduhan konten YouTube secara tidak sah adalah aktivitas yang tidak diperbolehkan.

Konon perusahaan tersebut tidak mengetahui adanya penggunaan semacam itu oleh OpenAI.

Namun laporan tersebut mengklaim, ada orang-orang di Google yang mengetahui, tetapi tidak mengambil tindakan terhadap OpenAI. Karena Google juga menggunakan video YouTube untuk melatih model AI mereka sendiri.

Google berkilah, mereka hanya melakukan hal ini kepada video dari pembuat konten yang telah menyetujui hal ini.

Sementara itu, Juru bicara OpenAI, Lindsay Held, mengatakan bahwa perusahaan perintis ChatGPT itu menyusun kumpulan data 'unik' untuk setiap modelnya. Guna membantu pemahaman mereka tentang dunia, dan mempertahankan daya saing penelitian globalnya.

Held menambahkan, OpenAI menggunakan berbagai sumber termasuk data yang tersedia untuk umum dan kemitraan, untuk data non-publik.

"Mereka juga sedang mempertimbangkan untuk menghasilkan data sintetisnya sendiri," ungkap OpenAI kepada The Verge melalui surel.

Artikel Times menyebut, pada 2021 OpenAI kehabisan persediaan data yang berguna dan mendiskusikan transkripsi video YouTube, siniar, dan buku audio setelah menghabiskan sumber daya lainnya. Pada saat itu, mereka telah melatih modelnya pada data yang mencakup kode komputer dari Github, database dan konten tugas sekolah dari Quizlet.

Sementara itu CEO YouTube, Neal Mohan, pada pekan ini mengatakan hal serupa, tentang kemungkinan OpenAI menggunakan YouTube dalam melatih model pembuatan video Sora.

Bryant mengatakan, Google mengambil 'tindakan teknis dan hukum' untuk mencegah penggunaan tidak sah tersebut 'bila mereka memiliki dasar hukum atau teknis yang jelas untuk melakukannya.'

Meta juga sedang menghadapi batasan ketersediaan data pelatihan yang berkualitas. Tim AI di Meta disebut-sebut sedang mendiskusikan penggunaan karya yang memiliki hak cipta 'yang tidak diizinkan', sambil berupaya mengejar OpenAI.

Setelah menelusuri hampir semua buku, esai, puisi, dan artikel berita berbahasa Inggris yang tersedia di internet, tampaknya Meta mempertimbangkan untuk mengambil langkah-langkah seperti membayar lisensi buku atau bahkan membeli penerbit besar secara langsung.

Google, OpenAI, dan dunia pelatihan AI yang lebih luas sedang bergulat dengan data pelatihan yang cepat menguap untuk model mereka, yang akan semakin baik jika semakin banyak data yang mereka serap.

Tulisan The Wall Street Journal pekan ini, berisi tentang perusahaan-perusahaan ini mungkin akan melampaui jumlah konten baru pada 2028.

Solusi yang paling mungkin untuk itu, yakni melatih data sintetis yang dibuat oleh model mereka sendiri. Solusi lainnya, dengan menggunakan apa pun yang mereka temukan, baik mereka memiliki izin atau tidak, walaupun ini adalah sesuatu yang rumit.