On Tue, Feb 27, 2024 at 12:04:52PM +0100, Marco A. Calamari wrote:

Ma attenzione al fatto che, a leggi vigenti, tale obiettivo non è

raggiungibile per modelli a-la ChatGPT. Il motivo è che includono nei

loro dataset di training grandi parti del Web (solitamente ottenute via

crawling fatto in casa), che nessuna parte terza può legittimamente

redistribuire, dato che solo una piccolissima parte del Web è

disponibile sotto licenze libere.

Un appunto, nessuna azienda *europea* lo può fare.

Quelle americane, ad esempio, legalmente possono e lo fanno.

Ho l'impressione che parliamo di diritti diversi.

Io mi riferisco a quello di redistribuire i training dataset acquisiti

via web crawling (o simili). A mia conoscenza, non lo possono fare

nemmeno quelle americane e non lo fanno. E la ragione è abbastanza

ovvia: se fai web crawl recuperi pagine con milioni di detentori di

diritto d'autore diversi e sotto migliaia di licenze diverse, la maggior

parte delle quali non permette redistribuzione.

Se hai controesempi sono i benvenuti.

Credo tu ti riferisca al diritto di fare mining di tali pagine, ai fini

di machine learning, e su quello effettivamente la situazione tra EU e

US e abbastanza diversa. (Anche se la recente riforma del copyright

europea ha liberalizzato parecchio le cose anche qua da noi, per alcuni

use case.)

Poi nessuno acquisisce più dataset in proprio, tutti lo fanno tramite queste

 "aziende specializzate", in modo da avere comunque  un ulteriore schermo

 legale contro cause civili spicciole per diritto d'autore e proprietà

intellettuale.

Non ho una statistica esaustiva, ma per interazione diretta con gli

autori di LLM sia specifici per il codice che general purpose (a-la

ChatGPT), a me risulta il contrario. C'è molto crawling e mining in

proprio da parte dei grandi attori, in aggiunta a quello che dici tu, ma

che a mia conoscenza non è dominante negli LLM state-of-the-art.

Ciao