AI శిక్షణలో ఉపయోగించిన సంగీతాన్ని The Atlantic బయటపెట్టింది

పబ్లిక్ ఇండెక్స్ AI సంగీత శిక్షణ డేటాను స్పష్టంగా కనిపించేలా చేస్తోంది

The Atlantic రూపొందించిన కొత్త శోధనీయ డేటాబేస్ AI పైప్‌లైన్‌లోని పెద్దగా అప్రకాశితమైన భాగాన్ని ప్రజా దృష్టికి తీసుకువస్తోంది: జనరేటివ్ సిస్టమ్‌లను శిక్షణ ఇవ్వడానికి ఉపయోగించిన సంగీత డేటాసెట్లు. The Verge ఈ ప్రాజెక్టుపై నివేదించిన ప్రకారం, Atlantic రిపోర్టర్ Alex Reisner AI సంగీత శిక్షణకు సంబంధించిన నాలుగు డేటాసెట్లను గుర్తించి, ప్రచురణ యొక్క AI Watchdog ప్రయత్నం ద్వారా వాటిని శోధించగలిగేలా చేశారు. దీని ఫలితం కేవలం సాంకేతిక వనరు మాత్రమే కాదు. ఇది కళాకారులు, హక్కుదారులు, పరిశోధకులు, మరియు ప్రజలకు పారదర్శకత సాధనం కూడా.

పరిమాణం మొదటి అద్భుతమైన అంశం. ఆ డేటాసెట్లలో రెండింటిలో వరుసగా సుమారు 12 మిలియన్ మరియు 9 మిలియన్ ట్రాక్‌లు ఉన్నాయి, కాగా మరి రెండు చిన్న సెట్‌లలో కూడా ఒక్కొక్కటిలో 100,000 కంటే ఎక్కువ పాటలు ఉన్నాయి. అంటే ఈ డేటాబేస్ అరుదైన శిక్షణ పదార్థాల చిన్న నమూనాను మాత్రమే చూపించడం లేదు. ఇది ప్రధాన కళాకారులు, అండర్‌గ్రౌండ్ యాక్ట్స్, మరియు ప్రయోగాత్మక సంగీతకారులను కవర్ చేసే, పరిశ్రమ స్థాయి ఆడియో రిఫరెన్స్‌ల సరఫరాను బయటపెడుతోంది.

ఆ డేటాసెట్లలో కనిపిస్తున్నట్లు నివేదించబడిన పేర్లు ఆ విస్తృతిని చూపిస్తాయి. The Verge ప్రకారం, శోధించగల ఎంట్రీల్లో Lady Gaga, Fred Again.., Radiohead, Aphex Twin, Wu-Tang Clan, Bruce Springsteen, మరియు Hainbach వంటి కళాకారులు ఉన్నాయి. సృష్టికర్తల కోసం, ఇది చర్చను సారాంశం నుంచి నిర్దిష్టతకు తీసుకువెళ్తుంది. AI మోడళ్లకు కాపీరైట్ కలిగిన లేదా వాణిజ్య నియంత్రణలో ఉన్న పదార్థం నుంచి నేర్చుకున్న అవకాశం ఉందా అనే వాదనలు, కళాకారులు తమ స్వంత పనిని వెతికే అవకాశం ఉన్నప్పుడు ఇకపై కేవలం సిద్ధాంతపరమైనవి కావు.

ఒక డేటాబేస్‌కి మించిన ప్రాధాన్యం

AI శిక్షణ వివాదాలు తరచుగా కనిపించడంపై ఆధారపడతాయి. మోడల్ డెవలపర్లు శిక్షణ ప్రక్రియలను విస్తృత పదాల్లో వివరించవచ్చు, కానీ సృష్టికర్తలకు తమ పని upstream డేటాలో ఉందా లేదా అని చూడడానికి సాధారణంగా ప్రాయోగిక మార్గం ఉండదు. శోధనీయ ఇండెక్స్ ఆ సమాచార ఖాళీని తగ్గిస్తుంది. ఇది ఏ ఒక్క మోడల్ ఎలా శిక్షణ పొందిందో స్వయంగా నిరూపించదు, అలాగే బాధ్యతను కూడా స్థాపించదు. కానీ అది కొన్ని డేటాసెట్లు ఉన్నాయని, పంపిణీ చేయబడ్డాయని, మరియు డెవలపర్లకు అందుబాటులో ఉన్నాయని ఆధారాలు ఇస్తుంది.

The Verge నివేదిక ప్రకారం, ఆ డేటాసెట్లు వేలసార్లు డౌన్‌లోడ్ అయ్యాయి. Google మరియు Stability వాటిని పరిశోధనా పత్రాలలో ఉపయోగించినట్లు ధృవీకరించాయని కూడా అది చెబుతోంది. ఇది ముఖ్యమైన విషయం, ఎందుకంటే ఇది ఆ డేటాసెట్లను ఆన్‌లైన్‌లో ఉపయోగించకుండా ఉన్న కేవలం ఒక ఆర్కైవ్‌గా కాకుండా, నిజమైన AI అభివృద్ధి కార్యకలాపాలకు అనుసంధానిస్తుంది. తుది downstream వినియోగాన్ని గుర్తించడం కష్టంగా ఉన్నా, పెద్ద AI కంపెనీలు ఈ పదార్థాలను పరిశోధనలో సూచించాయని ప్రజా ధృవీకరణ చర్చకు స్పష్టమైన పునాది ఇస్తుంది.

ఈ డేటాబేస్ సాధారణ సంభాషణలో తరచుగా మసకబారే ఒక తేడాను కూడా పదును చేస్తుంది: అందుబాటులో ఉండటం అనుమతి ఉన్నదానికి సమానం కాదు. డేటాసెట్లలో ఉన్న కొన్ని సంగీత వనరులు స్ట్రీమ్ చేయగలిగేవిగా లేదా ఇతరంగా ఆన్‌లైన్‌లో చేరువలో ఉన్నప్పటికీ, వాణిజ్య వినియోగానికి లైసెన్సింగ్ పరిమితులకు లోబడి ఉండవచ్చు. The Verge Free Music Archive డేటాసెట్‌ను ఉదాహరణగా పేర్కొంటూ, వ్యక్తిగత వినియోగానికి పనులు ఉచితంగా స్ట్రీమ్ చేయవచ్చని, కానీ వాణిజ్య అనువర్తనాలకు ప్రత్యేక లైసెన్సింగ్ అవసరం కావచ్చని చెబుతోంది.

ఇది AI ఆర్థిక వ్యవస్థలో ముఖ్యమైన విభజన రేఖ. డెవలపర్లు తరచుగా సాంకేతికంగా అందుబాటులో ఉన్న పదార్థం మరియు చట్టబద్ధంగా పెద్ద స్థాయిలో పునర్వినియోగించదగిన పదార్థం మధ్య సరిహద్దులో పనిచేస్తారు. సంగీతంలో, లైసెన్సింగ్ వ్యవస్థలు ఇప్పటికే సంక్లిష్టంగా మరియు విభజితంగా ఉన్నందున, ఆ తేడా మరింత కీలకంగా మారుతుంది.

సేకరణ విధానం కూడా వివాదంలో భాగమే

The Verge వివరించినట్టు Reisner నివేదిక, ప్రాక్టికల్‌గా ఈ డేటాసెట్లు ఎలా రూపొందించబడుతున్నాయో కూడా హైలైట్ చేస్తుంది. మూడు డేటాసెట్లు ప్యాకేజ్డ్ ఆడియో లైబ్రరీల రూపంలో కాకుండా, YouTube లేదా Spotify వంటి ప్లాట్‌ఫారమ్‌లలో హోస్ట్ చేసిన పాటల లింకుల జాబితాలుగా పంపిణీ చేయబడ్డాయి. ఆ తరువాత డెవలపర్లు అసలు ఆడియోను డౌన్‌లోడ్ చేయడానికి ఆటోమేటెడ్ టూల్‌లను ఉపయోగిస్తారు. ఆ టూల్‌లలో కొన్ని లాగిన్‌లు, ప్రకటనలు, మరియు ప్లాట్‌ఫారమ్ మెకానిజంలను దాటవేయగలవని వ్యాసం చెబుతోంది; ఇవి సాధారణంగా సృష్టికర్తలకు ఆదాయం లేదా సబ్‌స్క్రైబర్ యాక్టివిటీని సృష్టించేవి.

అది నిజమైతే, ఈ వివరాలు వివాదాన్ని కాపీరైట్‌కి మించి ప్లాట్‌ఫారమ్ గవర్నెన్స్ మరియు సేవా నిబంధనల అనుసరణ వైపు విస్తరిస్తాయి. శిక్షణ డేటా వివాదాలు తరచుగా fair use లేదా licensing అనే కోణంలో చెప్పబడతాయి, కానీ సేకరణ మార్గం కూడా ముఖ్యం. డెవలపర్లు ప్లాట్‌ఫారమ్ నియంత్రణలను దాటించే టూల్‌లపై ఆధారపడితే, వివాదం మోడళ్లు కాపీరైట్ కలిగిన పనుల నుంచి నేర్చుకోగలవా అన్నదానిపై మాత్రమే కాదు. ఆ మీడియాను హోస్ట్ చేసే సేవల సాంకేతిక మరియు ఒప్పంద నిబంధనలను సేకరణ ప్రక్రియే పట్టించుకోలేదా అన్నదానిపై కూడా ఉంది.

ఇది విధాన పరంగా ముఖ్యమైనది, ఎందుకంటే నియంత్రణాధికారులు మరియు కోర్టులు చివరికి AI శిక్షణను అనేక ఓవర్‌ల్యాపింగ్ దృక్కోణాలలో అంచనా వేయవచ్చు:

• సంగీతానికి అనుసంధానమైన కాపీరైట్ మరియు లైసెన్సింగ్ బాధ్యతలు.
• ఆడియో ఎలా పొందబడిందన్నదానికి సంబంధించిన సేవా నిబంధనల ఉల్లంఘనలు.
• AI వ్యవస్థలు పెద్ద స్థాయి వేతనరహిత సృజనాత్మక ఇన్‌పుట్‌తో లాభపడితే, పోటీ మరియు మార్కెట్ ప్రభావాలు.
• వాణిజ్య AI ఉత్పత్తులను నిర్మించే డెవలపర్లకు పారదర్శకత అంచనాలు.

The Atlantic యొక్క శోధనీయ ఇండెక్స్ ఈ ప్రశ్నలను తేల్చదు. అయితే వాటిని కేవలం ఊహాత్మకమని కొట్టిపారేయడం కష్టం చేస్తుంది.

AI పారదర్శకత చర్చలో ఒక మలుపు

ఈ ప్రాజెక్టు యొక్క పెద్ద ప్రాధాన్యం, పరిశీలన ఖర్చును తగ్గించడం. ఇలాంటి టూల్స్‌కు ముందు, తమ సంగీతం మోడల్ శిక్షణ వ్యవస్థల్లోకి వెళ్లిపోయిందని అనుమానించిన సృష్టికర్తలకు తనిఖీ చేయడానికి ప్రాయోగిక ఆధారం చాలా తక్కువగా ఉండేది. పరిశోధకులు మరియు జర్నలిస్టులు ఎకోసిస్టమ్‌లోని కొన్ని భాగాలను పరిశీలించగలిగినా, ప్రవేశ అడ్డంకి ఎక్కువగా ఉండేది. శోధనీయ ఇంటర్‌ఫేస్ ఆ డైనమిక్‌ను మార్చుతుంది, ఎందుకంటే ఇది సాంకేతిక డేటాసెట్ సాక్ష్యాన్ని నాన్-స్పెషలిస్టులకు అర్థమయ్యే రూపంలోకి మార్చుతుంది.

ఆ మార్పు అనేక downstream ప్రభావాలను కలిగించవచ్చు. కళాకారులు ఈ డేటాబేస్‌ను చట్టపరమైన దావాలు, లైసెన్సింగ్ చర్చలు, లేదా ప్రజా ప్రచారాలకు ఉపయోగించవచ్చు. పరిశోధకులు డేటాసెట్లు మరియు ప్రచురిత AI పనుల మధ్య సంబంధాలను మ్యాప్ చేయడానికి దీనిని ఉపయోగించవచ్చు. కంపెనీలు తాము ఏమి శిక్షణ ఇచ్చారో, ఏ చట్ట సిద్ధాంతం కింద ఇచ్చారో మరింత పత్రబద్ధం చేయాల్సిన ఒత్తిడిని ఎదుర్కొనవచ్చు. మరింత నిర్దిష్ట సాక్ష్యం సులభంగా అందుబాటులోకి వస్తే, విధాన నిర్దేశకులకు పరిశ్రమ సాధారణీకరణలపై ఆధారపడటం కష్టమవుతుంది.

ఇక్కడ సాంస్కృతిక కోణం కూడా ఉంది. AI చర్చలో సంగీతం అత్యంత కనిపించే యుద్ధభూముల్లో ఒకటిగా మారింది, ఎందుకంటే దాని ఫలితాలు భావోద్వేగపరంగా వెంటనే ప్రభావం చూపుతాయి మరియు దాని వెనుక ఉన్న శ్రమ వ్యక్తిగతమైనది. ఒక పాట కేవలం డేటా పాయింట్ కాదు. అది ప్రదర్శన, కూర్పు, అరేంజ్‌మెంట్, ప్రొడక్షన్, మరియు తరచుగా గుర్తింపు కూడా. లక్షలాది ట్రాక్‌లను శిక్షణ ఇన్‌పుట్‌లుగా ఇండెక్స్ చేయగలిగినప్పుడు, AI వ్యవస్థల పరిశ్రమ ఆకలి మరింత స్పష్టంగా కనిపిస్తుంది.

ప్రస్తుతం, ఈ డేటాబేస్‌కి అత్యంత తక్షణ విలువ సాక్ష్యాత్మకమైనదీ, పౌరసంబంధితమైనదీ. పెద్దగా ప్రజల దృష్టికి అందకుండా అభివృద్ధి చెందిన వ్యవస్థను పరిశీలించడానికి ఇది సృష్టికర్తలకు మార్గం ఇస్తుంది. AI శిక్షణపై చట్టపరమైన మరియు వాణిజ్య పోరాటాలు కొనసాగుతున్నప్పుడు, అలాంటి కనిపించగలగడం ఏ ఒక్క కోర్టు తీర్పు కంటే కూడా కీలకమై ఉండవచ్చు. AI మరియు సంగీతంపై వాదన ఇకపై కేవలం మోడళ్లు ఏమి రూపొందించగలవు అన్నదానిపై మాత్రమే కాదు. అవి అక్కడికి చేరడానికి ఏమి వినియోగించుకున్నాయి, మరియు ప్రజలకు అది తెలుసుకునే హక్కు ఉందా అన్నదానిపై కూడా ఎక్కువగా కేంద్రీకృతమవుతోంది.

ఈ వ్యాసం The Verge నివేదికపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.