A The New York Times és a The Daily News azt állítja, hogy az OpenAI eltitkolt bizonyítékokat a ChatGPT szerzői jogi perében, amelyben a jogtulajdonosok azt kifogásolják, hogy az OpenAI generatív modelljeit a lapok újságcikkeinek felhasználásával képezték, és a modell visszaadta e tartalmakat felhasználói válaszokban. A per több mint két éve zajlik.
Az újságok szerint az OpenAI a nyomozati eljárás során azt állította, hogy nem képes átvizsgálni saját képzési korpuszát, illetve hogy a ChatGPT beszélgetési naplók (chat logok) előkerítése, feldolgozása és személyes adatoktól való megtisztítása túl nagy technikai terhet és adatvédelmi kockázatot jelentene.
Mit tártak fel a bevallott részletek szerint?
A lapok közlése szerint egy áprilisi, bírósági határozat alapján készült meghallgatáson (depozícióban) az OpenAI adatvédelmi mérnöke, Vinnie Monaco elismerte, hogy a cég belső kereséseket és értékeléseket végzett a képzési korpuszában a szerzői jog által védett újságcikkek felkutatására.
Monaco vallomása szerint az OpenAI a New York Times perét megelőzően már felépített egy belső, körülbelül 78 millió darab, személyes adatoktól megtisztított (de-identified) ChatGPT-beszélgetést tartalmazó adatbázist, amelyet arra használtak, hogy felmérjék, mennyire sérthetik meg mások műveit. Ezen felül a cég állítólag létrehozott egy úgynevezett „Bloom” szűrőt, amely a közlések szerint egy „Project Giraffe” nevű eszközkészlet része, és a rendszer kimeneteiben előforduló „regurgitációt” (visszaadást) észlelte és rögzítette, röviddel a per beadását követően.
Vita a bírósági felfedezési eljárás körül
A felperesek eredetileg 120 millió chatlogból kértek mintát; az OpenAI-val folytatott egyeztetés nyomán ez a szám 20 millióra csökkent. Az OpenAI végül a bíróságnak tavaly decemberben benyújtotta a 20 milliós mintát, azonban a felperesek szerint a dokumentumok annyira el voltak titkosítva (pirossal kitakarva), hogy a bíróság kifejezése szerint a mintát „használhatatlannak” minősítették. A felperesek azt is állítják, hogy az OpenAI milliárdokat meghaladó számú ChatGPT-kimenetet törölt a per indítása után — ezzel megsértve a bíróság által elrendelt adatelőírást (preservation order) — és hogy a kért mintában több millió logot helyettesítettek.
A felperesek álláspontja szerint mindez azt mutatja, hogy az OpenAI szükségtelenül megnehezítette a saját maga által korábban összegyűjtött információk beszerzését.
A felperesek kérelmei a bírósághoz
A The New York Times és a The Daily News most azt kérik a bíróságtól, hogy büntesse meg az OpenAI-t a bizonyítékok visszatartásáért és a felfedezési eljárás megakadályozásáért. Konkrét kérelmeik között szerepel, hogy:
- akadályozzák meg, hogy az OpenAI a 20 milliós chatlog-mintát bizonyítékként felhasználja, mivel szerintük megbízhatatlan;
- fogadja el a bíróság tényként, hogy a ChatGPT-naplók jelentős mértékű regurgitációt és a felperesek tartalmának beágyazódását mutatnák;
- tiltsa meg az OpenAI számára azt az állítást, hogy a benyújtott chatlogok nem mutatnak lényeges regurgitációt;
- kötelezze az OpenAI-t a felperesek jogi költségeinek megtérítésére az elmaradt bizonyítékok felkutatása miatt.
Ian B. Crosby, a felperesek vezető jogi képviselője nyilatkozatában azt mondta: „Ha az OpenAI valóban úgy vélte volna, hogy ügyfeleink újságírásának másolása fair use és jogszerű, akkor nem rejtené el az igazságot arról, hogy megtette.”
OpenAI reagálása
Az OpenAI szóvivője, Drew Pusateri tagadta a vádakat, és azt állította, hogy a Times megpróbál hozzáférni magánfelhasználói beszélgetésekhez, amint a lap ügye meggyengül. Pusateri közlése szerint: „Ahogy a Times ügye gyengül és kénytelen volt visszavonni egyes állításokat ellenünk, továbbra is azon vannak, hogy olyan személyek magánéletébe hatoljanak, akiknek semmi közük az ügyhöz, és ehhez nyilvánvalóan hamis vádakat emelnek. Mi folytatjuk felhasználóink adatvédelmének és a jól bevált fair use elvek védelmét.”
Miért fontos ez?
A per és a mostani bizonyítékokra vonatkozó vádak alapvetően a nagy nyelvi modellek képzéséhez használt források átláthatóságáról, a szerzői jog érvényesítéséről és a felhasználói adatok védelméről szóló kérdéseket érintik. Ha bármelyik fél állításai bizonyosodnak be, az befolyásolhatja a jövőbeni adatkezelési gyakorlatokat, a felfedezési eljárás szabályozását és a jogi felelősséget AI-modellek tréningjével kapcsolatban.
A bíróság döntéseiről és a további fejleményekről a per előrehaladtával várhatóan újabb részletek derülnek ki.
