Nyílt forráskódú AI-adatbázist indít a CIQ — 167 milliárd tokent osztanak meg
A CIQ által támogatott OpenWALDO projekt célja egy közösen fejleszthető, átlátható AI-képzési adatkészlet létrehozása, amely a Linux sikerét követné.
A nyílt forráskódú elvek az AI-ban
Gregory Kurtzer, a CentOS és Rocky Linux alapítója, valamint a CIQ cég mögött álló szakember szerint a projekt az AI-modellek tervezésében is a nyílt forráskódú elveket kívánja meghonosítani. „Az elmúlt évtizedekben láttam, ahogy a nyílt forrás felhasználókból építőket, versenytársakból kollaboránsokat, és megosztott problémákból hatalmas infrastruktúrát faragott” — mondta Kurtzer. „Az OpenWALDO ezt a bizonyított modellt hozza el az AI-hoz.”
A CIQ szerint a zárt adatkészletek problémája, hogy nem lehet tudni, milyen jogokkal, milyen forrásból származó adatokkal képeztek egy adott modellt. Ez a bizonytalanság — írja a The Register — „megfertőzheti a modelleket, és kockázatot jelenthet az ügyfelek szoftverkönyvtáraira nézve”. Emellett a titokban végzett modellképzés rengeteg párhuzamos munkát és számítási erőforrást pazarol el.
Az adatkészlet összetétele
Az OpenWALDO csapata szerint egyetlen, megosztott nyilvános adatkészlet nemcsak a képzést tenné hatékonyabbá az iparágban, hanem minden adatjavítást a jövőbeli modellek is hasznosíthatnának. „Egy labor vagy vállalat vehet egy korpuszt és annak anyagjegyzékét ellenőrzött alapként, hozzáadhatja saját, bizalmas adatait, és egy tiszta, auditálható forrásvonal visszakövethetőségével szállíthatja le” — magyarázta a CIQ.
A zárt modellek magas árai és bizonytalan ROI-ja mellett az úgynevezett „nyílt AI-modellek” (nem tévesztendők össze az OpenAI modelljeivel) egyre népszerűbbek. Kínai nyílt súlyú modellek már felzárkóznak a ChatGPT és a Claude képességeihez, ami sok céget arra késztet, hogy megkérdőjelezzék a drága, nem kontrollálható és átláthatatlan AI-szolgáltatások megvásárlását. A nagy AI-laborok biztonsági és visszaélési kockázatokra figyelmeztettek a nyílt súlyú modellekkel kapcsolatban.
Kurtzer szerint a nyílt forráskódú szoftverek is hasonló aggályokkal néztek szembe. „A nyílt forrás már korábban is megnyerte ezt az érvet” — mondta, utalva azokra a kritikákra, miszerint a nyílt kód nem biztonságos és nem megbízható. „A Linux nem azért nyert, mert tanúsítottan biztonságos volt. Azért nyert, mert ellenőrizhető, elágaztatható és közösségileg validált volt.”
Az OpenWALDO jelenleg 167,3 milliárd referenciatokent tartalmazó adatkészlettel rendelkezik, amely kormányzati dokumentumokból, nyílt forráskódú tudományos cikkekből, levelezőlistákból és közkincsnek számító irodalomból származik.