Ha valaha felmerült benned, hogy egy zene-generáló MI „miből tanul”, most először van egy olyan, bárki által böngészhető térkép, ami konkrét dalcímekig lemegy. És a lista nem kicsi: milliós nagyságrendű.

Mi történt

Négy, MI-modellek tanítására használt zenei adathalmaz (dataset) került a nyilvánosság elé úgy, hogy kereshető formában is elérhetővé vált. Kettő ezek közül kifejezetten óriási: nagyjából 12 millió, illetve 9 millió tracket tartalmaz. A másik két csomag jóval kisebb, de még így is bőven 100 ezer dal fölötti mennyiségről beszélünk.

A letöltési számok alapján ezek az adathalmazok nem „poros archívumok”: ezreket értek el. A felhasználók pontos köre nem visszakövethető, de kutatási publikációkban a Google és a Stability is megerősítette, hogy használt belőlük. A csavar, hogy a „szabadon hozzáférhető” nem egyenlő azzal, hogy szabadon felhasználható: például vannak olyan források, ahol a zene személyes streamelésre ingyenes, de kereskedelmi felhasználásra (és tipikusan ide sorolható egy termékbe épített MI) licencet kér.

Miért fontos

A dataset olyan az MI-nek, mint a tankönyv és a gyakorlófüzet együtt: amin gyakorol, az formálja, hogy milyen mintákat tanul meg. Itt viszont nem csak arról van szó, hogy „fent van a neten”. Három adathalmaz állítólag nem magát a hangfájlt tartalmazza, hanem linklistát YouTube- és Spotify-tartalmakhoz. A tényleges audio beszerzéséhez automatizáló eszközöket használnak, amelyek képesek átugrani belépést, hirdetéseket és olyan mechanizmusokat, amelyek bevételt vagy feliratkozót hozhatnának az alkotóknak — ezek az eszközök tipikusan sértik a platformok felhasználási feltételeit. Magyarán: a tréningadat útja sokszor nem „egy ZIP letöltése”, hanem egy ipari méretű „leszívás”, ami közben kikerüli a terjesztési szabályokat.

Mire figyelj

  1. Mit tekintenek majd jogszerű tréningadatnak? A „nyilvánosan elérhető” és a „felhasználható MI-tanításhoz” közti határvonal még mindig vitatott, és várhatóan egyre több konkrét esetben dől el.
  2. Hogyan változik a platformok védekezése? Ha a tömeges letöltés hirdetés- és belépéskerüléssel történik, az technikailag és szerződésesen is ütközhet a szabályokba; ebből jöhetnek szigorítások és új detektálási módszerek.
  3. Mennyire lesz átlátható a jövőben a tréningadat? Az, hogy most dalcímekig lehet keresni (Lady Gagától Radioheaden át Aphex Twinig), precedenst teremt: egyre több szereplő fogja kérni, hogy legalább a források listája legyen ellenőrizhető — még akkor is, ha a teljes adat nem publikus.

A The Atlantic AI Watchdog keresője azért érdekes, mert nem elméleti vitát ad, hanem konkrét neveket és hivatkozásokat: ettől a tréningadat kérdése hirtelen nagyon is kézzelfoghatóvá válik.