AI प्रशिक्षणात वापरलेले संगीत The Atlantic ने उघड केले

एक सार्वजनिक निर्देशांक AI संगीत प्रशिक्षण डेटा स्पष्टपणे समोर आणतो

The Atlantic ने तयार केलेला नवीन शोधता येणारा डेटाबेस AI पाइपलाइनमधील बराचसा अपारदर्शक भाग सार्वजनिक नजरेसमोर आणत आहे: जनरेटिव्ह सिस्टीम्सना प्रशिक्षित करण्यासाठी वापरले जाणारे संगीत डेटासेट. The Verge च्या या प्रकल्पावरील वार्तांकनानुसार, Atlantic चे रिपोर्टर Alex Reisner यांनी AI संगीत प्रशिक्षणाशी संबंधित चार डेटासेट ओळखले आणि प्रकाशनाच्या AI Watchdog प्रयत्नांतर्गत ते शोधता येतील असे केले. याचा परिणाम केवळ एक तांत्रिक साधन नाही. हे कलाकार, हक्कधारक, संशोधक आणि जनतेसाठी पारदर्शकतेचे साधन आहे.

प्रमाण हा पहिला लक्षवेधी तपशील आहे. या डेटासेटपैकी दोनमध्ये अनुक्रमे सुमारे 12 दशलक्ष आणि 9 दशलक्ष ट्रॅक्स आहेत, तर इतर दोन लहान संचांमध्येही प्रत्येकी 100,000 पेक्षा जास्त गाणी आहेत. याचा अर्थ हा डेटाबेस एखाद्या दुर्मीळ प्रशिक्षण सामग्रीचा मर्यादित नमुना दाखवत नाही. तो ऑडिओ संदर्भांच्या औद्योगिक-स्तरावरील पुरवठ्याला उघड करतो, ज्यात प्रमुख कलाकार, अंडरग्राउंड अ‍ॅक्ट्स आणि प्रयोगशील संगीतकारांचा समावेश आहे.

त्या डेटासेटमध्ये आढळल्याचे सांगितले जाणारे नावे हा विस्तार अधोरेखित करतात. The Verge नुसार, शोधता येणाऱ्या नोंदींमध्ये Lady Gaga, Fred Again.., Radiohead, Aphex Twin, Wu-Tang Clan, Bruce Springsteen आणि Hainbach यांसारखे कलाकार समाविष्ट आहेत. निर्मात्यांसाठी, यामुळे चर्चा अमूर्ततेतून विशिष्टतेकडे जाते. एखाद्या AI मॉडेलने कॉपीराइट असलेल्या किंवा व्यावसायिकरीत्या नियंत्रित सामग्रीतून शिकले असेल का, हा प्रश्न आता केवळ सैद्धांतिक राहत नाही, जेव्हा कलाकारांना स्वतःचे काम शोधता येते.

एका डेटाबेसपलीकडे याचे महत्त्व

AI प्रशिक्षणाबाबतचे वाद बहुतेकदा दृश्यमानतेवर अवलंबून असतात. मॉडेल डेव्हलपर्स प्रशिक्षण प्रक्रियेचे वर्णन व्यापक भाषेत करू शकतात, पण निर्मात्यांकडे सहसा आपले काम अपस्ट्रीम डेटामध्ये आहे की नाही हे तपासण्याचा व्यावहारिक मार्ग नसतो. शोधता येणारा निर्देशांक ही माहितीतील दरी कमी करतो. तो स्वतःहून एखादे विशिष्ट मॉडेल कसे प्रशिक्षित झाले हे सिद्ध करत नाही, आणि जबाबदारीही ठरवत नाही. पण तो एवढे नक्की दाखवतो की काही डेटासेट अस्तित्वात होते, वितरित केले गेले, आणि डेव्हलपर्सना उपलब्ध होते.

The Verge च्या अहवालानुसार, ही डेटासेट्स हजारो वेळा डाउनलोड करण्यात आली आहेत. Google आणि Stability यांनी संशोधन पत्रांमध्ये त्यांचा वापर मान्य केल्याचेही त्यात सांगितले आहे. हे महत्त्वाचे आहे, कारण यामुळे ही डेटासेट्स इंटरनेटवर न वापरता पडून असलेल्या काल्पनिक संग्रहापेक्षा प्रत्यक्ष AI विकास कार्याशी जोडली जातात. अंतिम downstream वापराचा मागोवा घेणे कठीण असले तरी, मोठ्या AI कंपन्यांनी संशोधनात या सामग्रीचा संदर्भ घेतल्याची सार्वजनिक पुष्टी या चर्चेला ठोस आधार देते.

हा डेटाबेस सार्वजनिक संभाषणात अनेकदा धूसर होणारा एक फरकही स्पष्ट करतो: उपलब्धता म्हणजे परवानगी नाही. डेटासेटमध्ये समाविष्ट काही संगीत स्त्रोत ऑनलाइन स्ट्रीम करता येण्याजोगे किंवा अन्य प्रकारे उपलब्ध असू शकतात, तरीही व्यावसायिक वापरासाठी परवाना मर्यादांच्या अधीन राहू शकतात. The Verge ने Free Music Archive डेटासेटचे उदाहरण दिले आहे, जिथे काही कलाकृती वैयक्तिक वापरासाठी मोफत स्ट्रीम करता येतात, पण व्यावसायिक अनुप्रयोगांसाठी वेगळा परवाना लागतो.

हे AI अर्थव्यवस्थेतील एक महत्त्वाचे विभाजन आहे. डेव्हलपर्स अनेकदा तांत्रिकदृष्ट्या उपलब्ध पण मोठ्या प्रमाणावर कायदेशीररीत्या पुनर्वापर न होणाऱ्या सामग्रीच्या सीमारेषेवर काम करतात. संगीतामध्ये, जिथे परवाना व्यवस्था आधीच गुंतागुंतीची आणि विखुरलेली आहे, तिथे हा फरक विशेषतः निर्णायक ठरतो.

संकलनाची यंत्रणा हा वादाचा भाग आहे

The Verge नुसार वर्णन केलेल्या Reisner यांच्या रिपोर्टिंगमध्ये हेही दिसते की हे डेटासेट्स प्रत्यक्षात कसे तयार होतात. तीन डेटासेट्स पॅक केलेल्या ऑडिओ लायब्ररी म्हणून नव्हे, तर YouTube किंवा Spotify सारख्या प्लॅटफॉर्मवर होस्ट केलेल्या गाण्यांच्या लिंकच्या याद्यांच्या रूपात वितरित केले जातात. मग डेव्हलपर्स प्रत्यक्ष ऑडिओ डाउनलोड करण्यासाठी स्वयंचलित साधने वापरतात. लेखात म्हटले आहे की अशी काही साधने लॉगिन, जाहिराती, आणि प्लॅटफॉर्म यंत्रणा बायपास करू शकतात, जी अन्यथा निर्मात्यांसाठी उत्पन्न किंवा सबस्क्राइबर क्रियाकलाप निर्माण करत असती.

जर हे खरे असेल, तर हा तपशील वादाचा व्याप कॉपीराइटपलीकडे नेऊन प्लॅटफॉर्म गव्हर्नन्स आणि सेवा-शर्तींच्या अनुपालनाकडे वळवतो. प्रशिक्षण डेटावरील वाद अनेकदा fair use किंवा licensing या चौकटीत मांडले जातात, पण संकलनाचा मार्गही महत्त्वाचा असतो. डेव्हलपर्स जर प्लॅटफॉर्म नियंत्रणांना चुकवणाऱ्या साधनांवर अवलंबून असतील, तर वाद हा केवळ मॉडेल्सना कॉपीराइट असलेल्या कृतींमधून शिकता येते का यावर राहत नाही. तो या प्रक्रियेमुळे त्या माध्यमांचे होस्ट करणाऱ्या सेवांच्या तांत्रिक आणि करारात्मक नियमांकडे दुर्लक्ष होते का, याबद्दलही आहे.

धोरणासाठी हे महत्त्वाचे आहे, कारण नियामक आणि न्यायालये अखेरीस AI प्रशिक्षणाचे मूल्यमापन अनेक एकमेकांवर येऊन मिसळणाऱ्या दृष्टीकोनांतून करू शकतात:

• संगीताशी संबंधित कॉपीराइट आणि परवाना जबाबदाऱ्या.
• ऑडिओ कसा मिळवला जातो याशी संबंधित सेवा-शर्तींचे उल्लंघन.
• AI प्रणाली मोठ्या प्रमाणावर विनामूल्य सर्जनशील इनपुटचा फायदा घेत असल्यास स्पर्धा आणि बाजार परिणाम.
• व्यावसायिक AI उत्पादने तयार करणाऱ्या डेव्हलपर्सकडून अपेक्षित पारदर्शकता.

The Atlantic चा शोधता येणारा निर्देशांक हे प्रश्न सोडवत नाही. मात्र तो त्यांना केवळ तर्कवितर्क म्हणून नाकारणे कठीण करतो.

AI पारदर्शकता चर्चेतील एक वळण

या प्रकल्पाचे मोठे महत्त्व म्हणजे तो तपासणीचा खर्च कमी करतो. अशा साधनांपूर्वी, आपले संगीत मॉडेल प्रशिक्षण प्रणालींमध्ये गेले असावे असा संशय असलेल्या निर्मात्यांकडे तपासणीसाठी फारसा व्यावहारिक आधार नव्हता. संशोधक आणि पत्रकार परिसंस्थेच्या तुकड्यांचा तपास करू शकत होते, पण प्रवेशाची अडचण जास्त होती. शोधता येणारे इंटरफेस हे गतीमान बदलते, कारण ते तांत्रिक डेटासेट पुरावा नॉन-स्पेशालिस्टसाठी वाचनीय स्वरूपात रूपांतरित करते.

त्या बदलाचे अनेक downstream परिणाम होऊ शकतात. कलाकार हा डेटाबेस कायदेशीर दावे, परवाना वाटाघाटी किंवा सार्वजनिक मोहिमांसाठी वापरू शकतात. संशोधक त्याचा वापर डेटासेट्स आणि प्रकाशित AI कामांमधील संबंध मॅप करण्यासाठी करू शकतात. कंपन्यांवर त्यांनी काय प्रशिक्षित केले आणि कोणत्या कायदेशीर सिद्धांताखाली केले, याची नोंद ठेवण्याचा दबाव वाढू शकतो. आणि अधिक विशिष्ट पुरावा सहज उपलब्ध झाल्यावर धोरणकर्त्यांना उद्योगाच्या सर्वसाधारण विधानांवर अवलंबून राहणे कठीण जाऊ शकते.

इथे सांस्कृतिक पैलूही आहे. AI वादात संगीत सर्वात दृश्यमान रणभूमींपैकी एक बनले आहे, कारण आउटपुट भावनिकदृष्ट्या त्वरित असतात आणि त्यामागील श्रम वैयक्तिक असतात. एक गाणे केवळ एक डेटा बिंदू नसते. ते सादरीकरण, रचना, मांडणी, निर्मिती, आणि अनेकदा ओळखही असते. जेव्हा लाखो ट्रॅक्स प्रशिक्षण इनपुट म्हणून अनुक्रमित करता येतात, तेव्हा AI प्रणालींची औद्योगिक भूक अधिक स्पष्टपणे दिसते.

सध्या, या डेटाबेसचे सर्वात तातडीचे मूल्य पुराव्यात्मक आणि नागरी आहे. दीर्घकाळ सार्वजनिक नजरेपासून दूर विकसित झालेल्या प्रणालीची तपासणी करण्याचा मार्ग तो निर्मात्यांना देतो. AI प्रशिक्षणावरील कायदेशीर आणि व्यावसायिक लढाया सुरू असताना, अशा प्रकारची दृश्यता कदाचित कोणत्याही एकाच न्यायालयीन निकालाइतकीच महत्त्वाची ठरेल. AI आणि संगीतावरील वाद आता फक्त मॉडेल्स काय निर्माण करू शकतात याबद्दल नाही. ते त्या टप्प्यापर्यंत पोहोचण्यासाठी त्यांनी काय वापरले, आणि जनतेला ते कधी कळायला हवे होते का, याबद्दलही अधिकाधिक आहे.

हा लेख The Verge च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.