Darimana Asal Pengetahuan AI? Sumber Data Pelatihan, Kontroversi, dan Hal-Hal yang Perlu Anda Ketahui
Mengapa AI tampaknya tahu segalanya? Apa yang dibacanya? Apakah postingan saya juga digunakan untuk melatihnya? Memahami sumber data pelatihan dan kontroversinya akan membuat Anda lebih mengerti cara menggunakan AI.
AI memiliki pengetahuan yang sangat luas, mulai dari ilmu pengetahuan hingga geografi, sehingga pertanyaan pertama yang muncul adalah: darimana asal pengetahuan itu? Siapa yang membacakan semua itu untuknya? Jawabannya terkait dengan perang sumber daya terbesar di industri AI, dan juga terkait dengan setiap teks yang kita posting di internet.
Kesimpulan terlebih dahulu
Pengetahuan model bahasa besar berasal dari: pengambilan data dari halaman web secara besar-besaran, buku dan artikel ilmiah, kode sumber, konten yang dibeli dengan izin (berita, forum), serta label dan umpan balik manusia pada tahap selanjutnya. Konten yang Anda posting di internet mungkin sudah ada di dalam data pelatihan model tersebut. Sengketa hak cipta dan etika terkait hal ini masih menjadi perdebatan global dan masih dalam proses pengadilan.
Sumber utama sekaligus
| Sumber | Konten | Tingkat sengketa |
|---|---|---|
| Pengambilan data web (seperti Common Crawl) | Blog, forum, berita, Wikipedia | Tinggi — sebagian besar tanpa izin |
| Buku dan artikel ilmiah | Sumber utama pengetahuan mendalam | Tinggi — banyak kasus pelanggaran hak cipta |
| Kode sumber terbuka | Kode dari platform seperti GitHub | Sedang — sengketa terkait lisensi |
| Konten berizin | Berita dari perusahaan berita, Reddit, dll. | Rendah — diperoleh dengan membayar |
| Umpan balik manusia (RLHF) | Penilaian jawaban oleh pekerja | Rendah — tetapi kondisi kerja menjadi perhatian |
Mengapa ada kehebohan?
Inti sengketa dapat diringkas dalam satu kalimat: perusahaan AI menggunakan karya seluruh umat manusia untuk melatih produk yang menghasilkan uang, tetapi para pencipta tidak menerima bayaran. The New York Times menggugat OpenAI, perusahaan rekaman menggugat platform musik AI, dan seniman mengajukan gugatan terhadap perusahaan pembuat gambar... Pengadilan di berbagai negara sedang menentukan apakah menggunakan konten terbuka untuk melatih AI dianggap sebagai penggunaan yang wajar. Sementara itu, semakin banyak media yang memilih untuk "jika tidak bisa mengalahkan, maka bayar", dengan langsung menjual konten mereka kepada perusahaan AI. Hasil pertempuran ini akan menentukan model bisnis kreatif di masa depan.
Apakah data saya juga digunakan untuk pelatihan?
Sangat mungkin: blog, postingan forum, dan postingan media sosial yang Anda buat secara terbuka semua berada dalam jangkauan pengambilan data. Mengenai percakapan Anda dengan AI: sebagian besar layanan secara default mungkin menggunakan data tersebut untuk memperbaiki model, tetapi semua layanan menyediakan opsi untuk menonaktifkannya (misalnya, ChatGPT dapat menonaktifkan penggunaan data untuk pelatihan, dan versi perusahaan secara default tidak menggunakan data untuk pelatihan). Jangan membagikan informasi sensitif kepada AI, dan tutup pengaturan yang perlu ditutup — detail lebih lanjut dapat dilihat di apakah aman memberikan data kepada AI.
Arti sebenarnya bagi pengguna
Memahami sumber data, Anda akan lebih memahami "watak" AI: ia sangat pandai dalam topik yang banyak dibahas di internet (teknologi, konten berbahasa Inggris), tetapi lemah dalam pengetahuan yang kurang populer, lokal, atau baru (jadi AI akan berbicara dengan serius tentang hal yang tidak benar); pandangannya mencerminkan bias data pelatihan. Mengetahui apa yang dibaca AI untuk "bertumbuh", Anda akan tahu kapan harus meragukan informasi yang diberikannya.
Pertanyaan yang Sering Diajukan
Apakah AI akan menggunakan percakapan saya dengannya untuk pelatihan?
Sebagian besar layanan konsumen secara default mungkin menggunakan percakapan untuk memperbaiki model, tetapi biasanya menyediakan opsi untuk menonaktifkannya; layanan perusahaan biasanya secara default tidak digunakan untuk pelatihan. Data sensitif sebaiknya tidak dimasukkan dan periksa pengaturan privasi.
Apakah menggunakan konten terbuka untuk melatih AI sudah sah?
Masih dalam proses persidangan dan legislasi di seluruh dunia, belum ada keputusan yang pasti: beberapa kasus penting sedang berlangsung di Amerika, Uni Eropa mengharuskan pengungkapan sumber data pelatihan, Jepang relatif lebih longgar. Saat ini, trennya adalah menuju izin berbayar.