OpenAI, GPT-4’ü eğitmek için YouTube videolarını kullandı!

OpenAI, GPT-4’ün eğitiminde YouTube’u kullandı

Geçtiğimiz Eylül 2022’de OpenAI, konuşma tanıma ve transkripsiyona yönelik yapay zeka modeli Whisper’ı tanıttı. New York Times'ın raporuna göre Whisper, YouTube videolarındaki sesleri yazıya dökerek GPT-4’ü daha akıllı hale getirecek yeni konuşma metinleri oluşturdu. OpenAI’ın Whisper’ı kullanarak 1 milyon saatten fazla videonun transkripsiyonunu yaptığı bildiriliyor. Times, OpenAI başkanı Greg Brockman'ın kullanılan videoların toplanmasında bizzat çalıştığını yazıyor.

Bu haberin YouTube CEO'su Neal Mohan’ın geçtiğimiz günlerde verdiği bir röportajdan sonra gelmesi dikkat çekici. Mohan, röportajda OpenAI'ın yeni metinden video oluşturucusu Sora'yı eğitmek için YouTube videolarını kullandıysa bunun platformun politikalarının açık ihlali olacağını söylemişti.

Google sözcüsü Matt Bryant, yaptığı açıklamada, Google kuralları uyarınca YouTube içeriğinin izinsiz olarak kazınması ya da indirilmesinin yasak olduğunu ve OpenAI’ın böyle bir kullanıma giriştiğinden de haberdar olmadıklarını söyledi. Öte yandan OpenAI ise bunun yasal olarak tartışmalı bir konu olduğunu ancak yine de “adil kullanım” alanına girdiğine inanıyordu. Ek olarak Google da Gemini gibi yapay zekalarını eğitmek için sınırlı YouTube içeriğini kullandığını kabul ediyor, ancak bunlar onayı alınmış içerik üreticilerin videolarını kapsıyor.

Veri, yeni altın oldu

Wikipedia ve Reddit gibi sitelerin bulunduğu internet yıllarca sonsuz bir veri kaynağı olarak kullanıldı. Ancak yapay zeka geliştikçe, teknoloji şirketleri daha fazla veriye aç hale geldi, artık bu sitelerdeki veriler tüketildi. Her gün arama sorguları ve sosyal medya gönderileri üreten milyarlarca kullanıcısı olan Google ve Meta, gizlilik yasaları ve kendi politikaları nedeniyle yapay zeka için bu içeriğin çoğundan yararlanamıyordu. Ancak geçtiğimiz aylar ve yıllarda yapılan değişikliklerle bazı içeriklerin eğitim verisi olarak kullanılmasının önü açıldı.

Bununla birlikte teknoloji şirketlerinin internetteki yüksek kaliteli verileri 2026 yılına kadar tüketmesi bekleniyor. Yani şirketler veriyi üretildiğinden daha hızlı kullanmaya başlıyor. Teknoloji şirketleri yeni verilere o kadar aç ki bazıları "sentetik" bilgi geliştiriyor. Sentetik verileri insanlar tarafından oluşturulan organik veriler değil, bizzat yapay zeka tarafından üretilen (ses, görsel, metin ve kodlar) verileri içeriyor. Başka bir deyişle, sistemler kendi ürettikleri verilerden öğreniyorlar.