„Amazon“ superka senas knygas ir dalį jų supjausto: kodėl dirbtiniam intelektui staiga prireikė tekstų iš laikų prieš DI bumą

Naudotų knygų pardavėjai pradėjo pastebėti keistą dalyką: kažkas vienu metu užsako šimtus ar net tūkstančius labai skirtingų knygų, pernelyg nesidera dėl kainos ir, regis, visai nesirūpina tuo, ar leidinys retas, senas, gražiai įrištas ar turi kolekcinę vertę. Žurnalistų tyrimas atvedė iki „Amazon“ objekto Las Vegase, kur, kaip teigiama, dalis šių knygų supjaustomos, nuskenuojamos ir paverčiamos skaitmeniniais duomenimis.

Priežastis skamba paradoksaliai: kuo daugiau internete atsiranda dirbtinio intelekto sukurtų tekstų, tuo vertingesnės gali tapti knygos, išleistos dar tada, kai generatyvinio DI beveik niekas nenaudojo. Senas popierinis leidinys tokiu atveju tampa savotišku garantu, kad jame esantį tekstą parašė žmogus.

Būtent todėl iki 2022 metų išleistos knygos technologijų bendrovėms gali būti ypač patrauklios. Jos yra didžiulis žmogaus parašytos kalbos archyvas, kurio dar nespėjo užtvindyti dirbtinio intelekto generuojamas turinys.

Viskas prasidėjo nuo keistų užsakymų knygynuose

Apie neįprastą situaciją pradėta kalbėti po to, kai naudotų knygų pardavėjai pastebėjo staigų didelių užsakymų šuolį. Įprastai žmogus ieško konkretaus autoriaus, leidimo, temos ar kolekcijos. Šiuo atveju užsakymų pobūdis buvo kitoks: perkama daug, knygos labai įvairios, o kaina, regis, nebuvo pagrindinis kriterijus.

Vien liepą vienas pardavėjas per naudotų knygų prekybos platformą gavo maždaug 1000 knygų užsakymą. Tai jau nebeatrodė kaip paprasto skaitytojo ar kolekcininko pirkinys.

Žurnalistai nutarė patikrinti, kur tokios knygos iškeliauja. Pardavėjas sutiko į vieną siuntą įdėti sekimo įrenginį. Knyga pradėjo kelionę per JAV ir galiausiai atsidūrė „Amazon“ objekte Las Vegase.

Iš pradžių toks maršrutas kėlė daugiau klausimų nei atsakymų. Kodėl senas ar retas leidinys turėtų keliauti į vietą, susijusią su technologijų milžine?

Atsakymas pradėjo ryškėti iš darbuotojų pasakojimų internete.

Knygai nupjaunama nugarėlė – tada ją galima skenuoti daug greičiau

Tyrime minimas „Amazon“ padalinys, žymimas kodu VGT3. Internete žmonės, prisistatantys ten dirbančiais darbuotojais, darbo pobūdį apibūdino gana paprastai: knygos priimamos, registruojamos, pjaustomos ir skenuojamos.

Vienas iš darbuotojų rašė, kad objekte knygos tiesiog skenuojamos, o dalis žmonių užsiima jų pjaustymu.

Kodėl apskritai reikia sugadinti knygą?

Atsakymas labai praktiškas. Jei knygos nugarėlė pašalinama ir visi puslapiai tampa atskiri, juos galima daug greičiau praleisti per automatinius skenerius. Nebereikia atsargiai vartyti kiekvieno puslapio, prispausti atverstos knygos ar saugoti įrišimo.

Technologiniu požiūriu tai efektyvu. Knygos požiūriu rezultatas gerokai liūdnesnis – leidinys po tokio proceso faktiškai sunaikinamas kaip knyga.

Darbuotojų pasakojimuose minima ir tam tikra darbo seka. Pirmiausia nuskenuojamas brūkšninis kodas arba ISBN numeris, pagal kurį galima tiksliai nustatyti leidinį, o tada skaitmeninamas jo turinys.

Tai leidžia manyti, kad procesas nėra atsitiktinis popieriaus skenavimas. Kiekvienas tekstas gali būti susiejamas su konkrečia knyga, jos leidimu ir bibliografiniais duomenimis.

Kodėl dirbtiniam intelektui senos knygos dabar tokios vertingos

Čia ir prasideda įdomiausia istorijos dalis.

Pirmaisiais generatyvinio dirbtinio intelekto plėtros metais internetas buvo milžiniškas tekstų šaltinis. Tinklalapiai, forumai, enciklopedijos, straipsniai, knygos ir kita viešai prieinama medžiaga tapo itin vertinga kuriant kalbos modelius.

Tačiau internetas labai sparčiai keičiasi. Jame daugėja tekstų, kuriuos parašė ne žmogus, o kitas dirbtinio intelekto modelis.

Atsiranda problema: jeigu naują dirbtinį intelektą vis daugiau mokysime iš seno dirbtinio intelekto sukurtos medžiagos, modeliai pradės mokytis iš savo pačių kopijų.

Šis reiškinys dažnai siejamas su vadinamąja modelio degradacijos arba „modelio žlugimo“ problema. Paprastai tariant, kai sistemos vis daugiau mokomos iš sintetinės, kitų modelių sugeneruotos informacijos, gali pradėti mažėti duomenų įvairovė, atsirasti daugiau pasikartojimų ir iškraipymų.

Todėl tekstas, apie kurį patikimai žinoma, kad jį parašė žmogus, tampa vis vertingesnis.

Ir čia senos knygos turi didžiulį pranašumą. Jeigu romanas, vadovėlis, atsiminimai ar mokslinė knyga išleisti 1985, 1997 ar 2010 metais, nėra klausimo, ar didžiąją teksto dalį parašė generatyvinis DI.

Tokie leidiniai tampa savotiška laiko kapsule – žmogaus kalbos, minčių ir stiliaus archyvu iš laikotarpio iki dabartinio dirbtinio intelekto bumo.

Dar vertingesnės knygos, kurių internete apskritai nėra

Nemaža dalis populiarių knygų jau seniai suskaitmenintos. Jas galima rasti elektroninėse bibliotekose, leidėjų duomenų bazėse ar kitose skaitmeninėse platformose.

Tačiau milijonai senesnių leidinių vis dar egzistuoja tik popieriuje.

Tai gali būti mažais tiražais leistos knygos, regioniniai leidiniai, senos techninės instrukcijos, mokslinės monografijos, vietinės istorijos leidiniai ar tekstai mažiau paplitusiomis kalbomis.

DI kūrėjui tokia knyga gali būti vertingesnė nei eilinis internete milijonus kartų perpublikuotas tekstas, nes joje yra informacijos ir kalbos pavyzdžių, kurių skaitmeninėje erdvėje beveik nėra.

Todėl tyrimą atlikę žurnalistai atkreipė dėmesį, kad tarp perkamų leidinių pasitaiko ne tik masinės literatūros. Domimasi ir knygomis, kurios išleistos nedideliais tiražais ar parašytos retesnėmis kalbomis.

Būtent čia istorija tampa gerokai nepatogesnė.

Knygų pardavėjui retas leidinys gali būti istorinis daiktas. Jis gali turėti vertę dėl savo amžiaus, tiražo, autoriaus, įrišimo, savininkų istorijos ar net dėl to, kad kitų egzempliorių išlikę labai mažai.

Duomenis renkančiai įmonei svarbiausia gali būti visai kas kita – kas parašyta jo puslapiuose.

Kai tekstas nuskenuotas, fizinis daiktas savo pagrindinę funkciją technologinei sistemai jau atliko.

Vieniems tai duomenys, kitiems – nebeatkuriamas daiktas

Čia susiduria du visiškai skirtingi požiūriai.

Technologijų įmonei sena knyga gali būti keli šimtai puslapių kokybiško žmogaus sukurto teksto. Kuo retesnis tekstas internete, tuo jis potencialiai įdomesnis.

Kolekcininkui, bibliotekininkui ar knygų pardavėjui tas pats leidinys gali būti kultūros objektas, kurio neįmanoma atkurti vien PDF failu.

Nuskenavus 1970 metais mažyčiu tiražu išleistą knygą jos tekstas gali būti išsaugotas skaitmeniniu formatu, tačiau originalus egzempliorius su savo popieriumi, įrišimu, spaudos ypatybėmis ir istorija gali būti prarastas visam laikui.

Tyrimo autoriai konkrečių retų leidinių pavadinimų neatskleidė, tačiau kalbinti pardavėjai būtent tai ir akcentavo – piniginė tokių knygų vertė nėra vienintelis dalykas, kurį jos turi.

Kai kurios jų turi istorinę, intelektinę ar net sentimentalią reikšmę.

Panašus metodas jau buvo atsidūręs teisme

Knygų pirkimas ir jų sunaikinimas skaitmeninimo metu nėra visiškai nauja tema DI pramonėje.

Panašus procesas jau buvo minimas teisinėje byloje, susijusioje su dirbtinio intelekto bendrove „Anthropic“. Joje nagrinėtas didelio masto fizinių knygų pirkimas, skenavimas ir panaudojimas modeliams mokyti.

Šioje istorijoje viena detalė buvo itin svarbi: bendrovė fizines knygų kopijas teisėtai įsigydavo, jas nuskenuodavo, o vėliau originalus sunaikindavo, užuot kūrusi papildomas fizines kopijas.

Teismuose tokios aplinkybės tapo dalimi platesnės diskusijos apie tai, kada kūrinių skaitmeninimas ir naudojimas dirbtinio intelekto mokymui gali būti laikomas teisėtu.

Tai kartu parodo, kodėl technologijų bendrovėms gali būti patrauklus būtent fizinių egzempliorių pirkimas. Įsigyta popierinė knyga suteikia ne tik tekstą – ji gali tapti ir svarbia teisinės strategijos dalimi.

Tačiau autorių teisių klausimas DI srityje tebėra vienas sudėtingiausių ir labiausiai ginčijamų, todėl vienos bylos sprendimo negalima automatiškai pritaikyti kiekvienai kitai situacijai.

„Amazon“ patvirtino, kad knygas perka, bet į visus klausimus neatsakė

Pati „Amazon“ žurnalistams patvirtino, kad knygų iš tiesų perka.

Bendrovės teigimu, jos įsigyjamos įprastais komerciniais kanalais ir naudojamos kuriant bei tobulinant produktus ir paslaugas, kuriais naudojasi klientai.

Tačiau tai neatsakė į svarbiausius tyrimo iškeltus klausimus.

Bendrovė išsamiai nepaaiškino, kodėl skenavimo metu knygos pjaustomos, kokio masto yra ši veikla, kiek panašių objektų veikia ir kas po skenavimo nutinka fiziniams leidiniams. Taip pat liko klausimų, kaip įmonė vertina kritiką dėl potencialiai retų knygų sunaikinimo.

Todėl šiuo metu galima gana aiškiai pasakyti tik tiek: „Amazon“ knygas perka savo produktų ir paslaugų kūrimui bei tobulinimui, o žurnalistų tyrimas rodo, kad bent dalis leidinių patenka į skenavimo infrastruktūrą, kur fizinė knyga gali būti išardoma tam, kad jos turinį būtų galima kuo greičiau suskaitmeninti.

Keistas paradoksas: kuo daugiau turime DI, tuo vertingesnės tampa senos žmogaus parašytos knygos

Prieš kelerius metus galėjo atrodyti, kad senų popierinių knygų vertė technologijų pasaulyje tik mažės. Viskas keliama į internetą, bibliotekos skaitmeninamos, o informaciją vis dažniau skaitome ekranuose.

Dabar vyksta beveik priešingas procesas.

Būtent todėl, kad internete sparčiai daugėja dirbtinio intelekto sukurto turinio, tekstai iš laikotarpio iki generatyvinio DI bumo gali tapti vis vertingesni.

Sena knyga staiga yra ne tik knyga. Ji yra patvirtintas žmogaus kalbos pavyzdys. Tam tikrais atvejais – tekstas, kurio niekur kitur skaitmeniniu formatu apskritai nėra.

Ir čia slypi didžiausias šios istorijos paradoksas: technologija, kuri žada pakeisti tai, kaip rašome ir ieškome informacijos, dabar gali būti priversta atsigręžti į milijonus senų, dulkėtų popierinių puslapių, kad išmoktų vieno dalyko, kurio internete darosi vis sunkiau rasti – teksto, apie kurį galima neabejoti, kad jį iš tiesų parašė žmogus.

Šaltinis: https://www.404media.co/we-tracked-a-shipment-of-rare-books-it-ended-at-an-amazon-ai-training-facility/