En la actualidad, la industria de la inteligencia artificial recurre cada vez más a libros impresos publicados antes de 2022 como material de entrenamiento, argumentando que estas obras preexistían a la era de los contenidos generados por IA y, por tanto, ofrecen conjuntos de datos más limpios y fiables. Sin embargo, este enfoque plantea preguntas sensibles sobre la preservación cultural y la ética de la digitalización masiva.

Informes de diversos medios han señalado operaciones de escaneo a gran escala que involucran la separación de páginas y, en algunos casos, la destrucción de copias físicas para acelerar la creación de conjuntos de datos destinados a entrenar grandes modelos de lenguaje. Estas prácticas han generado críticas crecientes, especialmente cuando los libros escaneados son raros o de alto valor histórico, pues una vez destruidos, los fondos impresos podrían perderse de forma irreversible.

El valor de los libros previos a 2022 como material de entrenamiento

Medios como 404 Media han informado que proveedores como ISBNdb entregan libros en formato físico a desarrolladores de IA que buscan material escrito por humanos y no contaminado por salidas de chatbots modernos. La premisa es que los libros publicados antes de 2022 ofrecen conjuntos de datos más limpios, ya que no contienen texto generado por modelos de lenguaje contemporáneos. Estos volúmenes suelen ser descritos como “densos, editados y autoritativos”, en contraste con el contenido de Internet cada vez más saturado de material generado por máquinas de calidad incierta.

Otra razón citada es evitar lo que se conoce como colapso del modelo: con el tiempo, los sistemas de IA pueden degradar la calidad si se alimentan repetidamente con contenido sintético de modelos anteriores. Además, algunos defensores sostienen que obras impresas antiguas pueden ayudar a evitar técnicas de desinformación o envenenamiento de datos deliberado mediante documentos modificados previamente para engañar a los sistemas de IA.

Destrucción y preservación: dilemas éticos y legales

Las operaciones de escaneo plantean dilemas sobre la preservación cultural. En algunos casos, las máquinas de escaneo de alta velocidad requieren que se retire el lomo de los libros para alimentar las páginas a través de los escáneres. Este proceso, descrito por algunos informes, puede destruir la edición física original, reduciendo el costo y el tiempo necesarios para la digitalización, pero a costa de la pérdida física de obras potentially irreemplazables.

ISBNdb reconoce las preocupaciones reputacionales asociadas y, al mismo tiempo, mantiene acuerdos de confidencialidad con sus clientes. Se ha informado que la empresa sugiere a los clientes describir el proceso como una forma de preservación digital, más que como destrucción de la colección física.

La discusión pública también se ve influida por consideraciones legales. En una sentencia reciente de Estados Unidos sobre Anthropic, se argumentó que escanear libros vendidos legalmente para entrenamiento de IA podría constituir uso razonable en circunstancias específicas, especialmente cuando una copia legal reemplaza a otra durante el proceso de escaneo. Sin embargo, las interpretaciones legales varían y la práctica continúa siendo objeto de debate entre bibliotecas, editoriales y desarrolladores de IA.

Entre los críticos, se destaca que, a diferencia de contenidos disponibles en la web o publicaciones modernas, obras históricas excepcionalmente escasas no pueden ser reproducidas fácilmente si sus copias físicas desaparecen. La preocupación es que la erosión de estas fuentes podría convertirse en una pérdida cultural irreparable que tenga efectos duraderos en el patrimonio humano.

Si no se genera una mayor conciencia y regulación, esta “desaparición silenciosa” de libros irreemplazables podría ser percibida como un hito cultural de nuestra era, recordado más por su ausencia que por su preservación.

from Latest from TechRadar https://ift.tt/g4x18BG
via IFTTT IA