AI:n koulutusdataa etsitään nyt kirjahyllyistä
Tekoäly-yhtiöiden datanhimo on saanut uuden, yllättävän kohteen: painetut kirjat, etenkin ennen vuotta 2022 julkaistut teokset. Uusimpien raporttien mukaan osa yrityksistä ja niitä palvelevista datavälittäjistä etsii nimenomaan ihmisten kirjoittamaa tekstiä, jota nykyiset kielimallit eivät ole vielä päässeet jäljentämään omaksi aineistokseen.
Ajatus on yhtiöiden näkökulmasta teknisesti ymmärrettävä. Kun verkko täyttyy yhä enemmän koneen tuottamasta sisällöstä, mallien koulutusdata uhkaa muuttua kehänä, jossa tekoäly syöttää itseään omilla teksteillään. Tämän vuoksi jotkut toimijat hakevat aineistoa paperilta, jossa on edelleen “puhdasta” ihmiskieltä, huolellisesti editoitua tekstiä ja pitkäjänteisesti tuotettua tietoa. Silloin katse kohdistuu kirjoihin, joita on pidetty luotettavina, tiiviinä ja laadukkaina.
Tilanne kuulostaa ensin vain tavalliselta digitoinnilta, mutta käytäntö on paljon rajumpi. Raporttien mukaan laajamittaisessa skannauksessa kirjojen selkämykset leikataan auki, sivut erotellaan toisistaan ja paperiset alkuperäiskappaleet tuhotaan nopeamman käsittelyn vuoksi. Näin syntyy digitaalinen aineisto, mutta samalla katoaa fyysinen kirja. Monessa tapauksessa menetys on lopullinen.
Harvinaiset niteet joutuvat koneiden syöttöön
Huoli kasvaa erityisesti siksi, että kaikki skannattavat teokset eivät ole mitä tahansa vanhoja painoksia. Osa kirjoista on niin harvinaisia, että niistä on jäljellä vain vähän kappaleita. Historian saatossa ne ovat selvinneet sodista, tulipaloista ja vuosisatojen käsittelystä, mutta nyt ne voivat kadota yhdellä tuotantolinjalla, jossa nopeus voittaa säilyttämisen.
Juuri tässä kohtaa keskustelu muuttuu kulttuuripoliittiseksi. Kun verkkosivun kopiointi ei vielä ole kulttuurituho, ainutlaatuisen fyysisen kirjan silppuaminen on jotain muuta. Kirja ei ole vain sisältöä. Se on myös esine, jossa näkyvät aika, painotekniikka, sidonta, omistushistoria ja usein koko aikakauden aineellinen jälki. Kun tällainen kappale tuhotaan, sitä ei voi enää palauttaa entiselleen.
Teknologian ystävät muistuttavat, että digitointi itsessään voi olla hyvä asia. Digitaaliset arkistot, hakutoiminnot ja laajamittainen tekstin saatavuus ovat tehneet tiedosta saavutettavampaa kuin koskaan. Silti tapa, jolla tämä aineisto kerätään, ratkaisee paljon. Jos digitointi tehdään tuhoamalla ainutlaatuisia kirjoja ilman kunnollista säilytystavoitetta, hyöty voi muuttua pysyväksi menetykseksi.
Moni lukija pohtii tässä vaiheessa myös omaa laitteiden käyttöään. Sama logiikka näkyy muuallakin kuin kirjamaailmassa: kun sisältöä muutetaan, pakataan ja siirretään pilveen, alkuperäisen merkitys helposti unohtuu. Jos haluat pitää puhelimesi tärkeimmät tiedostot tallessa, kannattaa vilkaista myös varmuuskopioinnin perusteet, sillä digitaalinen säilyminen vaatii aina suunnitelman.
Salassapito pitää asiakkaat piilossa
Raporttien mukaan käytäntöä ympäröi myös voimakas salassapito. Datavälittäjän kerrotaan käyttävän tiukkoja salassapitosopimuksia, joilla asiakasyritysten nimet pidetään piilossa. Se tekee kokonaisuudesta hankalan arvioida ulkopuolelta, koska kukaan ei näe tarkasti, mitä aineistoa tilataan, kuinka paljon kirjoja liikkuu ja missä mittakaavassa alkuperäisiä teoksia tuhoutuu.
Yrityksen omassa viestinnässä asiaa on kuvattu jopa sanoin, jotka pyrkivät pehmentämään vaikutelmaa. Tuhoamista on perusteltu digitaalisella säilyttämisellä, vaikka fyysinen lopputulos on päinvastainen. Tässä onkin koko kiistan ydin: onko tarkoitus säilyttää tieto vai vain käyttää sitä? Jos tavoite on ensisijaisesti mallin kouluttaminen, kulttuuriperintö jää helposti sivuseikaksi.
Salailu lisää epäluuloa myös siksi, että keskustelu tekoälyn datalähteistä on muutenkin kiristynyt. Kirjailijat, kustantajat ja tutkijat ovat viime vuosina kiistelleet siitä, mitä materiaalia saa käyttää mallien opettamiseen, millä ehdoilla ja kenen luvalla. Nyt keskusteluun on tullut uusi ulottuvuus: jos vanhat kirjat ostetaan, skannataan ja silputaan, kenellä on oikeus sanoa, että menetys on liian suuri?
Puhelimesta käsin katsottuna asia voi tuntua kaukaiselta, mutta datatalouden vaikutukset ulottuvat kaikkialle. Siksi kannattaa joskus tarkistaa myös perusasiat omasta laitteesta. Jos esimerkiksi selaimen välimuisti, tallennustila tai sovellusten hallinta mietityttää, tutustu puhelimen asetuksiin liittyviin vinkkeihin, joista on hyötyä arjessa ja tiedonhallinnassa.
Oikeusratkaisut eivät poista moraalista kysymystä
Yhdysvalloissa annettu oikeuden ratkaisu on antanut AI-yhtiöille ainakin osittaista selkänojaa. Tapaus koski skannattuja laillisesti hankittuja kirjoja, ja tuomioistuimen perustelujen mukaan tällainen käyttö voi joissain olosuhteissa kuulua fair use -periaatteen piiriin. Ratkaisussa painoi myös se ajatus, että yksi fyysinen kappale korvautui yhdellä digitaalisella kappaleella eikä massiivista jakelua syntynyt.
Oikeudellinen linja ei silti poista moraalista kysymystä. Kun kyseessä ovat erittäin harvinaiset teokset, yhdenkin kappaleen tuhoaminen voi olla kohtuuton hinta. Erityisen vaikeaksi asian tekee se, että osa kirjoista voi olla ainoita jäljellä olevia versioita tai lähes sellaisia. Silloin digitointi ei ole vain kopiointia vaan myös peruuttamatonta hävitystä.
Kritiikki ei kohdistu pelkästään tekoälyyn itseensä. Osa asiantuntijoista muistuttaa, että ongelma on myös siinä, miten nopeasti teknologinen hyöty on oppinut syrjäyttämään varovaisuuden. Kustannustehokkuus, automatisointi ja mittakaava ovat nykyisessä datataloudessa vahvoja sanoja. Kirjastot taas rakentuvat hitaudesta, huolenpidosta ja säilyttämisen etiikasta. Näiden maailmojen väliin syntyy helposti ristiriita.
Jos haluat lukea lisää siitä, miten puhelinverkot, laitteet ja digipalvelut muuttavat arkea, voit aloittaa myös Luurituki-sivuston etusivulta. Sieltä löytyy taustaa ja käytännön neuvoja, jos digipalvelujen käyttö herättää kysymyksiä.
Keskustelu voi vielä vaikuttaa lopputulokseen
Osa reaktioista on ollut suorasanaisia. Kritiikkiä on esitetty siitä, että kulttuurista puhutaan usein säilyttämisen arvoisena, mutta käytännössä sen arvo huomataan vasta, kun jotain on jo menetetty. Kun vanhoja kirjoja käsitellään vain datana, katoaa helposti ymmärrys siitä, miksi niiden fyysinen olemassaolo on tärkeä osa historiaa.
Tilanteessa on kuitenkin vielä liikkumavaraa. Julkinen huomio voi vaikuttaa siihen, millaisia ehtoja kirjankäsittelylle asetetaan, miten harvinaiset teokset erotetaan massasta ja milloin digitointi vaatii lempeämpiä menetelmiä. Kaikkea ei tarvitse skannata nopeasti. Kaikkea ei myöskään tarvitse purkaa auki, jos säilyttäminen on aidosti osa tavoitetta.
Teknologian kehitys ei pysähdy, mutta sen reittejä voidaan ohjata. Siksi kirjahyllyistä nouseva kiista on enemmän kuin yksittäinen kulttuuriuutinen. Se kertoo siitä, miten pitkälle tekoälykilpailu voi ulottua, kun mallien koulutusdataa etsitään kaikkialta ja samalla unohdetaan, että osa lähteistä on korvaamattomia.
Loppupäätelmä
Kirjojen tuhoaminen tekoälymallien kouluttamiseksi näyttää tehokkuudelta, mutta se voi päättyä pysyvään kulttuurihäviöön. Kiista ei koske vain tekniikkaa, vaan myös sitä, mitä pidämme säilyttämisen arvoisena aikana, jolloin dataa arvostetaan usein enemmän kuin sen lähdettä.
Keskeiset huomiot
- AI-yhtiöt hakevat yhä enemmän ihmisen kirjoittamaa, ennen vuotta 2022 julkaistua aineistoa koulutukseen.
- Osa digitointiprosesseista tuhoaa fyysiset kirjat kokonaan, kun selkämykset leikataan auki ja sivut skannataan erikseen.
- Erityinen huoli liittyy harvinaisiin niteisiin, joiden katoamista ei voi enää perua.
- Salassapito vaikeuttaa sitä, että ulkopuoliset näkevät, ketkä ostavat ja käsittelevät kirjoja.
- Oikeudelliset perustelut eivät poista keskustelua kulttuuriperinnön säilyttämisestä.
Lähteet
TechRadar Pro: “A cultural crime against humanity? AI firms are destroying ultra-rare books so nobody else can read them”
404 Media:n raportointi ISBNdb:n toiminnasta
TechRadar, uutis- ja taustasisältö aiheesta
Lähteet
Käytetty artikkelikuva
- Kuvan lähde: https://www.techradar.com/pro/a-cultural-crime-against-humanity-ai-firms-are-destroying-ultra-rare-books-so-nobody-else-can-read-them
- Kuvan URL: https://cdn.mos.cms.futurecdn.net/sAKNxTKFKv2WboLS6v4Zw7-1920-80.jpg
- Kuvan otsikko: AI-yhtiöiden kirjajahdissa katoaa harvinaista kulttuuriperintöä
- Kuvan alt-teksti: Ultra-rare books are being destroyed by AI
- Kuva on peräisin alkuperäisestä lähdeartikkelista.