Google heeft voor 10 miljoen dollar een deel van de failliete boedel van Spirit Airlines gekocht. De Amerikaanse budgetluchtvaartmaatschappij beschikte over ongeveer 100 miljoen e-mails en 500 miljoen gesprekken op Microsoft Teams. Google wil de gegevens gebruiken om zijn producten en AI-modellen te verbeteren.
De aankoop past in de groeiende zoektocht van technologiebedrijven naar grote hoeveelheden menselijke tekst. AI-bedrijven hebben die teksten nodig om hun modellen te trainen. Google concurreert daarbij met onder meer OpenAI en Anthropic, die eveneens steeds grotere datasets verzamelen.
Schaarste aan betrouwbare trainingsdata
Teksten die door mensen zijn geschreven, worden belangrijker nu het internet volloopt met door AI gegenereerde inhoud. Wanneer nieuwe AI-modellen vooral worden getraind met synthetische teksten, kunnen de resultaten bij volgende trainingsrondes achteruitgaan. Dat verschijnsel staat bekend als model collapse.
Daarom zijn oudere bestanden gewild, vooral materiaal van vóór 2022. In dat jaar werd ChatGPT breed beschikbaar. E-mails en zakelijke gesprekken uit die periode kunnen voor AI-bedrijven waardevol zijn, omdat ze niet speciaal voor het trainen van een model zijn geschreven.
Ook boeken van vóór 2022 worden op grote schaal opgekocht. Bedrijven kopen soms honderdduizenden exemplaren tegelijk, laten de inhoud digitaliseren en vernietigen de fysieke boeken daarna. Daarbij kunnen ook zeldzame werken terechtkomen in partijen die voor AI-training zijn samengesteld.
De Amerikaanse wetgeving maakt het volgens de berichtgeving mogelijk om aangekochte boeken voor training te gebruiken, terwijl het zonder toestemming kopiëren van een bestaande online boekendatabase niet is toegestaan. Dat heeft geleid tot een markt waarin opkopers grote partijen tweedehandsboeken verzamelen.
Ook Nederlandse antiquariaten krijgen dergelijke aanvragen. Een Haarlemse boekhandelaar ontving vanuit het buitenland een bestelling van 3000 Engelstalige boeken, gesorteerd op ISBN-nummer. De handelaar noemde de praktijk tegenover een Britse krant ‘een soort barbarij’, omdat boeken na het scannen mogelijk door de papiervernietiger gaan.
De aankoop van Spirit Airlines laat zien dat techbedrijven niet alleen openbare websites en boeken gebruiken om trainingsmateriaal te verzamelen. Ook de digitale archieven van failliete ondernemingen kunnen een bron van grote hoeveelheden tekst worden.
