Salesforce під загрозою колективного позову за використання піратських даних для штучного інтелекту XGen

Salesforce стикається з колективним позовом щодо ймовірних незаконних даних для навчання ШІ

Нове колективне позовне провадження в федеральному суді Сан-Франциско звинуватило програмного гіганта Salesforce у тому, що він побудував свої моделі штучного інтелекту XGen на піратській бібліотеці книг, а потім прибрав посилання на ці джерела, коли виникли питання.

Позов, поданий у середу авторами Е. Моллі Танзер та Дженніфер Гілмор, оснований на Законі про авторське право, що стверджує про триваюче порушення, стверджуючи, що Salesforce `продовжує це робити, зберігаючи, копіюючи, використовуючи та обробляючи набори даних, що містять копії позивачевих... під авторським правом охоронюваних книг`.

У позові йдеться, що Salesforce.INC `піратував сотні тисяч авторських книг для розробки своєї серії великих мовних моделей XGen`, покладаючись на `сумнозвісні набори даних RedPajama і The Pile`, які включають корпус книг, відомий як Books3, що містить понад 196 000 книг, скопійованих з приватного трекера Bibliotik.

У документі зазначається, що Salesforce спочатку перерахував `RedPajama-Books` серед своїх джерел навчання, коли запустив XGen у червні 2023 року, а інженер компанії безпосередньо зв`язав користувачів GitHub з обома наборами даних.

Проте до вересня, як стверджується, Salesforce виключив ці посилання зі свого веб-сайту та замінив їх на невизначені описи `даних природної мови`, отриманих з `публічно доступних джерел`.

Платформа Hugging Face, що розміщує Books3, видалила набір даних наступного місяця, посилаючись на скарги щодо авторських прав, повідомляє позов.

Позов стверджує, що Salesforce використовував The Pile для навчання своїх моделей CodeGen у 2022 році, а потім комерціалізував технологію через свою платформу Agentforce AI, включаючи модель XGen-Sales, випущену у жовтні 2024 року.

Два місяці потому Salesforce, як стверджується, очистив свої розкриття, видаливши діаграми та посилання на `RedPajama-Books` і замінивши їх на невизначену мову про `суміш публічно доступних даних`, перш ніж заявити у грудні 2023 року, що його моделі використовують `законно сумісний набір даних` без згадки про RedPajama.

Ішита Шарма, партнер компанії Fathom Legal, заявила Decrypt, що авторам потрібно `довести реальну фінансову шкоду, а не просто те, що їхні книги були використані для навчання`, зазначивши, як суддя Вiнс Чабрiя нещодавно відхилив подібні претензії проти Meta, визнавши, що `просто стверджувати `наша робота була використана` недостатньо`.

Нещодавні рішення були на користь OpenAI та Anthropic у подібних справах, з ухвалами суддів, які визнали, що автори не змогли довести ринкову шкоду, хоча один з них критикував Anthropic за підтримку `постійної бібліотеки піратських книг`.

«Використання публічних наборів даних, таких як RedPajama чи The Pile, автоматично не стирає навмисне порушення», сказала Шарма, додавши,«якщо вони знали або ігнорували, що авторські твори були включені, суди все ще можуть визнати це безхатьком».

«Якщо ШІ не може відтворити частини оригінальної роботи, то самі ваги моделі не вважаються порушенням авторського права», – додала вона.

У позові згадуються заяви генерального директора Salesforce Марка Беніоффа, який сказав інтерв`юеру Bloomberg у січні 2024 року, що компанії ШІ `вкрали` дані для навчання і що `усі дані для навчання були вкрадені`.

Автори прагнуть колективної сертифікації для всіх власників авторських прав у США, чиї твори були використані з жовтня 2022 року, вимагаючи законних збитків, знищення порушуючих копій, повернення прибутків, декларації про навмисне порушення та гонорарів адвокатів.