Saltar al contenido

IA

Amazon empezó vendiendo libros. Ahora guillotina los raros para su IA

Amazon compraría libros raros, les cortaría el lomo y escanearía las páginas para alimentar sus modelos. Un rastreador llevó a 404 Media hasta unas instalaciones en Las Vegas con un dinosaurio de logo.

Foto de portada: Asivechowdhury / CC BY-SA 4.0

TL;DR

  1. 404 Media siguió la pista de un libro raro hasta VGT3, la instalación de Amazon en Las Vegas.
  2. Cortan los lomos, escanean las páginas y el texto alimenta el entrenamiento de IA de Amazon.
  3. El texto anterior a 2022 es oro: ningún LLM pudo haberlo escrito.

Qué pasó

Según 404 Media, Amazon está comprando grandes cantidades de libros raros, cortándoles el lomo y escaneando las páginas para generar datos de entrenamiento para sus modelos de IA. El medio escondió un rastreador dentro de un libro raro, y el ejemplar acabó en unas instalaciones de Amazon en Las Vegas.

El sitio se llama VGT3. Su logo es un dinosaurio agarrando un libro. No nos lo hemos inventado, y siendo sinceros, no habríamos sido capaces.

La respuesta de Amazon a 404 Media fue breve. La empresa dice que compra libros por canales comerciales normales para mejorar sus productos y servicios. No negó la práctica, y los coleccionistas se quedan preguntándose cuántos ejemplares raros terminan en un escáner en lugar de en una estantería.

Por qué importa

Los modelos de lenguaje tienen hambre, y el internet abierto se está quedando sin sobras. Según el resumen de TechCrunch, empresas como Amazon necesitan cantidades enormes de texto, y sus LLM ya han absorbido lo que pudieron encontrar online. En el caso de Anthropic, según se ha informado, eso incluyó libros pirateados.

Así que la caza se traslada al mundo offline. Los libros raros y descatalogados son difíciles de encontrar en internet, lo que los convierte en una fuente fresca de datos de entrenamiento muy codiciados.

Hay también un ángulo de calidad. Nada publicado antes de 2022 puede haber sido escrito por un LLM. Y eso importa porque entrenar con texto generado por IA arriesga un "colapso del modelo", en el que la calidad de los resultados se degrada después de que el modelo ingiera demasiado material escrito por máquinas.

El papel viejo es ahora una cadena de suministro de datos limpios.

Lo incómodo es la destrucción. Cortar el lomo es la forma de escanear un libro rápido, y el resultado es un objeto raro que ya no es un libro. La información presenta esto como compras por canales comerciales normales, así que el debate va menos de legalidad y más de qué estamos dispuestos a triturar por un modelo.

La historia se apoya en un reportaje fiable y una breve declaración de Amazon, así que los detalles sobre la escala y los títulos afectados siguen siendo escasos.

Qué hacer con esto

  • Sigue el rastro de los datos.Cuando un proveedor presuma de modelo nuevo, pregunta de dónde salió el texto de entrenamiento y si alguien consultó a sus dueños.
  • Valora tus archivos.Si guardas material descatalogado o anterior a 2022, ten en cuenta que el texto limpio escrito por humanos ahora tiene un atractivo real para quienes construyen IA.
  • Atento a la pelea por el origen.La procedencia de los datos se está convirtiendo en el argumento central del entrenamiento de IA, así que fíjate en cómo responden las empresas.
  • Piénsalo antes de vender.Si comercias con libros raros, comprueba qué piensa hacer el comprador con ellos antes de que le quite el lomo.

Ciao, sapiens. Abraza un libro de bolsillo mientras aún tenga lomo.