Empresas de IA estarão a comprar e destruir milhões de livros para treinar modelos

A procura por dados de elevada qualidade para treinar modelos de Inteligência Artificial (IA) poderá estar a levar algumas empresas a comprar livros físicos em grandes quantidades, digitalizá-los e destruí-los de seguida.

À medida que os modelos de IA evoluem, cresce também a necessidade de dados fiáveis e produzidos por humanos. Com uma quantidade crescente de conteúdos gerados por IA disponível na Internet, considerados por muitos especialistas menos adequados para o treino de novos modelos, os livros impressos passaram a representar uma fonte particularmente valiosa de informação.

Segundo uma investigação da 404 Media, algumas empresas do setor estarão a adquirir grandes quantidades de livros em segunda mão através de intermediários, procurando manter estas operações longe da atenção pública.

Livros comprados, digitalizados e destruídos

O recurso a livros físicos para treinar modelos de IA não é propriamente uma novidade. Durante um processo judicial que envolveu a Anthropic, foi revelado que a empresa adquiriu milhões de livros para os digitalizar, recorrendo a empresas especializadas em digitalização de documentos.

Para acelerar o processo, muitas destas digitalizações são realizadas através de métodos destrutivos. Na prática, a lombada dos livros é removida para que cada página possa ser digitalizada por equipamentos industriais de alta velocidade, tornando impossível preservar o exemplar físico.

Embora esta técnica seja utilizada há vários anos em projetos de digitalização documental, a aplicação em larga escala para alimentar modelos de IA tem gerado um intenso debate.

Compras em massa despertam atenção no mercado

A investigação refere ainda que vários vendedores de livros usados registaram um aumento invulgar da procura nos últimos meses. Um dos livreiros ouvidos afirmou ter passado de cerca de 20 livros vendidos por semana para várias centenas, enquanto outros vendedores relataram padrões semelhantes.

Outro aspeto que chamou a atenção foi o facto de os compradores privilegiarem livros identificados por International Standard Book Number (ISBN), um código de identificação internacional para livros, composto por 13 dígitos que funcionam como o "bilhete de identidade" de uma obra literária, independentemente do autor, do género ou da temática.

Em muitos casos, também não demonstravam grande preocupação com o preço pedido pelas obras.

Entre a inovação e as questões éticas

Apesar de uma decisão judicial nos Estados Unidos ter considerado que, em determinadas circunstâncias, o treino de modelos de IA com livros legalmente adquiridos pode enquadrar-se no princípio de fair use, continuam por esclarecer várias questões legais e éticas.

Entre elas está a possível destruição de exemplares raros ou esgotados, bem como o facto de o conhecimento digitalizado passar a integrar bases de dados privadas, inacessíveis ao público.

Embora não exista evidência de que obras raras estejam a ser sistematicamente removidas de circulação, esta possibilidade tem alimentado o debate em torno da preservação do património cultural e do equilíbrio entre inovação tecnológica e acesso ao conhecimento.