نشرهای خبری مانند گاردین و نیویورک تایمز دسترسی به آرشیوهای دیجیتال را به دلیل نگرانی از اینکه این آرشیوها میتوانند به عنوان راهی برای خزیدن رباتهای هوش مصنوعی عمل کنند، مورد بررسی قرار میدهند. این اقدامات در حالی انجام میشود که این نشریات به دنبال محافظت از محتوای خود در برابر شرکتهای هوش مصنوعی هستند.
اینترنت آرشیو به عنوان بخشی از ماموریت خود برای حفظ وب، از خزنده هایی استفاده میکند که از صفحات وب عکس میگیرند. بسیاری از این عکسها از طریق ابزار عمومی آن، ماشین زمان (Wayback Machine) قابل دسترسی هستند. با این حال، با خزیدن رباتهای هوش مصنوعی در وب برای جمعآوری دادههای آموزشی برای مدلهای خود، تعهد اینترنت آرشیو به دسترسی آزاد به اطلاعات، کتابخانه دیجیتال آن را به یک مسئولیت بالقوه برای برخی از نشرهای خبری تبدیل کرده است.
گاردین برای جلوگیری از اینکه شرکتهای هوش مصنوعی محتوای خود را از طریق مخزن بیش از یک تریلیون عکس صفحه وب اینترنت آرشیو جمعآوری کنند، دسترسی اینترنت آرشیو به مقالات منتشر شده را محدود کرده است. این ناشر گامهایی را برای حذف خود از APIهای اینترنت آرشیو و فیلتر کردن صفحات مقالات خود از رابط URL ماشین زمان برداشته است. صفحات اصلی منطقهای، صفحات موضوعی و سایر صفحات فرود گاردین همچنان در ماشین زمان ظاهر خواهند شد.
مایکل نلسون، دانشمند کامپیوتر و استاد دانشگاه آلداین، معتقد است که اینترنت آرشیو و سرویسهای مشابه مانند Common Crawl، اغلب توسط "بدها" مانند OpenAI مورد استفاده قرار میگیرند. او خاطرنشان میکند که در تلاش برای جلوگیری از کنترل توسط مدلهای زبانی بزرگ (LLM)، این "خوبها" قربانی میشوند. نشریات خبری در حال حاضر در تلاش هستند تا محتوای خود را از شرکتهای هوش مصنوعی محافظت کنند.
مشاهده مطلب اصلی