Tech Giants Use YouTube Subtitles for AI Training Without Permission

Cryptopolitan · 2024-07-16T22:53:05.000Z

Apple, Nvidia, and Anthropic have been found to be using YouTube subtitles to train AI models, which is against YouTube policies. A report by Proof News and Wired showed that such firms had used a dataset of the transcripts from thousands of YouTube videos without properly acquiring the license to do so. Also Read: UK watchdog launches probe into Microsoft’s AI talent acquisition The study revealed that Apple, Nvidia, and Anthropic used the YouTube Subtitles dataset. This dataset consists of transcripts from 173,536 YouTube videos from 48,000 channels. The videos include educational channels like Khan Academy and MIT, news channels like The Wall Street Journal, and top creators like MrBeast and Marques Brownlee. Popular YouTubers react to data exploitation Marques Brownlee, a popular YouTuber, commented on the issue on X. He said, “Apple has gathered data for AI from other firms. One of them collected a lot of data/transcripts from YouTube videos, including mine. ” While Apple may not have scraped the data directly, and Brownlee pointed out that this problem will persist. The “YouTube Subtitles” dataset was developed by EleutherAI and published in 2020. It contains 5. 7GB of data, which includes subtitles from the YouTube videos that have been removed from the platform. According to YouTube’s terms and conditions, accessing videos by “automated means” is prohibited. The existence of subtitles from removed videos only adds to the issue, raising questions about privacy and copyright infringement. Salesforce, an organization also implicated in the probe, has also admitted to having used said dataset. “The Pile dataset referred to in the research paper was trained in 2021 for academic and research purposes. The dataset was publicly available and released under a permissive license.” Salesforce spokesperson However, the use of YouTube content without permission is still controversial to this date. In April, YouTube CEO Neal Mohan said that using YouTube videos, transcripts, or clips for AI training is a “clear violation” of the policies. However, according to the New York Times, OpenAI used a million hours of YouTube videos to train its GPT-4 model. Legal battles erupt over AI companies’ use of internet content The issue of AI corporations using content from the internet without authorization has increased after the launch of ChatGPT. Additionally, content creators are suing Stability AI and Midjourney for allegedly scraping copyrighted works without permission. YouTube’s owner, Google, faced class-action lawsuits regarding similar claims, stating that legal actions of this kind threaten the basis of generative AI. In an interview with The Wall Street Journal, OpenAI’s CTO Mira Murati did not elaborate on whether the company used videos from social media platforms to train this new model. Microsoft AI CEO Mustafa Suleyman stated that content on the open web had been considered fair use since the 1990s based on what he called the “social contract.”

Descobriu-se que Apple, Nvidia e Anthropic usam legendas do YouTube para treinar modelos de IA, o que vai contra as políticas do YouTube. Um relatório da Proof News e da Wired mostrou que essas empresas usaram um conjunto de dados de transcrições de milhares de vídeos do YouTube sem adquirir a licença adequada para fazê-lo. 
Leia também: Watchdog do Reino Unido lança investigação sobre aquisição de talentos de IA da Microsoft
O estudo revelou que Apple, Nvidia e Anthropic usaram o conjunto de dados de legendas do YouTube. Este conjunto de dados consiste em transcrições de 173.536 vídeos do YouTube de 48.000 canais. Os vídeos incluem canais educacionais como Khan Academy e MIT, canais de notícias como The Wall Street Journal e criadores importantes como MrBeast e Marques Brownlee. 
YouTubers populares reagem à exploração de dados
Marques Brownlee, um popular YouTuber, comentou sobre o assunto no X. Ele disse: “A Apple coletou dados para IA de outras empresas. Um deles coletou muitos dados/transcrições de vídeos do YouTube, inclusive os meus. ” Embora a Apple possa não ter coletado os dados diretamente, Brownlee apontou que esse problema persistirá.
O conjunto de dados “Legendas do YouTube” foi desenvolvido pela EleutherAI e publicado em 2020. Ele contém 5,7 GB de dados, que incluem legendas de vídeos do YouTube que foram removidos da plataforma. 
De acordo com os termos e condições do YouTube, é proibido acessar vídeos por “meios automatizados”. A existência de legendas de vídeos removidos só aumenta a questão, levantando questões sobre privacidade e violação de direitos autorais.
A Salesforce, organização também implicada na investigação, também admitiu ter usado o referido conjunto de dados. 
“O conjunto de dados Pile mencionado no artigo de pesquisa foi treinado em 2021 para fins acadêmicos e de pesquisa. O conjunto de dados estava disponível publicamente e lançado sob uma licença permissiva.”
Porta-voz da Salesforce 
No entanto, o uso de conteúdo do YouTube sem permissão ainda é controverso até hoje. Em abril, o CEO do YouTube, Neal Mohan, disse que usar vídeos, transcrições ou clipes do YouTube para treinamento de IA é uma “violação clara” das políticas. No entanto, de acordo com o New York Times, a OpenAI usou um milhão de horas de vídeos do YouTube para treinar seu modelo GPT-4. 
Batalhas legais eclodem sobre o uso de conteúdo da Internet por empresas de IA
A questão das empresas de IA que usam conteúdo da Internet sem autorização aumentou após o lançamento do ChatGPT. Além disso, os criadores de conteúdo estão processando Stability AI e Midjourney por supostamente copiarem obras protegidas por direitos autorais sem permissão. O proprietário do YouTube, Google, enfrentou ações judiciais coletivas relacionadas a reivindicações semelhantes, afirmando que ações legais desse tipo ameaçam a base da IA ​​generativa. 
Em entrevista ao The Wall Street Journal, Mira Murati, CTO da OpenAI, não detalhou se a empresa usou vídeos de plataformas de mídia social para treinar esse novo modelo. O CEO da Microsoft AI, Mustafa Suleyman, afirmou que o conteúdo da web aberta era considerado uso justo desde a década de 1990, com base no que ele chamou de “contrato social”. 

Gigantes da tecnologia usam legendas do YouTube para treinamento de IA sem permissão

Explore mais do Criador

Últimas Notícias