I – Robo y lavado de datos.

Captura de miles de millones de imágenes, videos, audios y textos personales o de obra protegida por derechos de autor y su compilación en datasets para su transformación con modelos de machine learning /deep learning. Sólo sus autorxs tienen derecho a hacer cualquier transformación de su obra o autorizar a terceros a hacerlo. Pero bajo la apariencia de non profits, las empresas hacen capturas de obras humanas y ceden su explotación comercial a otras, que los transforman para la generación algorítmica de derivados de las mismas. Esto constituye un robo a la propiedad intelectual protegida por derechos de autoría, seguida de un lavado de datos.

Data lavada | fragmento de Autoría y Autoencoders

La empresa LAION (Large-scale Artificial Intelligence Open Network) bajo la figura de non-profit obtuvo permisos para hacer raspaje de datos en internet (data scraping) como aparente método de investigación. A través de este procedimiento sistematizaron una base de datos usando un software llamado CLIP, que listó pares de imagen+texto a partir de la captura del exorbitante volumen de 5.8 mil millones de imágenes, cuyos derechos de propiedad intelectual pertenecen a sus creadores o a las personas que figuran en ellas. Pero LAION ha fungido como facilitador de esa data a terceros, como Stabiliti.AI, quien fuera una de las empresas que la financiara en primer lugar. 

“Stability AI creó el popular generador de IA de texto a imagen Stable Diffusion, financiando su desarrollo, por el grupo de investigación Machine Vision & Learning de la Universidad Ludwig Maximilian de Munich. En su informe del proyecto, los investigadores de LMU agradecen a Stability.AI por la “generosa donación computada” que lo hizo posible. Los conjuntos de datos masivos de texto+imagen utilizados para entrenar Stable Diffusion, Imagen de Google y el componente de texto a imagen de Make-A-Video tampoco fueron creados por Stability AI. Todos provenían de LAION, una pequeña organización sin fines de lucro registrada en Alemania. Stability AI también financia directamente los recursos informáticos de LAION.”

Mohammad Emad Mostaque es el fundador y CEO de Stability. AI, la empresa desarrolladora de Stable Diffusion. Pueden corroborar lo dicho en el párrafo anterior en sus propias palabras: “I funded LAION, underlying dataset for both Stable Diffusion and Craiyon.”

Emad Moustaque CEO y fundador de Stability AI y LAION

Así es como las big tech crean/financian organizaciones sin fines de lucro, con permiso para crear estos conjuntos de datos o modelos con “fines de investigación”. Esto les permitió eludir el reconocimiento de los derechos de autor en la captura inicial de los mismos. Los modelos de datos creados se ceden o venden a empresas con fines de lucro, que los monetizan en API. Estas API se venden a otras personas o grupos comerciales por miles de millones de dólares. 

Mike Scholtis publica en Facebook la evidencia de la toma de imágenes que hizo LAION de plataformas de obras de arte como Artstation y Pinterest

“Now I realize that many also like to share from ArtStation on Pinterest and the process is different on Pinterest. We (the users) not only share the image but upload it to the Pinterest server by sharing it.
(I don’t talk about uploading on Pinterest, I talk about sharing) So the source file is taken over.
https://i.pinimg.com/……..
Let’s see what the database has to say about it
i.pinimg.com = 1.043.949 image_counts !!!
cdnb.artstation.com = 3001 = image_counts
cdna.artstation.com = 3018 = image_counts

Sumamos aquí la lista de todos los dominios de donde LAION hizo minería o raspaje de datos para su base de datos inicial.

Originalmente, las FAQs de Stability I.A. incluían un punto que decía textual:

“Can artists opt-in or opt-out to include their work in the training data? There was no opt-in or opt-out for the LAION 5b model data. It is intended to be a general representation of the language-image connection of the Internet. In the future, for other models, we are building an opt-in and opt-out system for artists and others that services can use in partnership with leading organisations. This model learns from principles, so the outputs are not direct replicas of any single piece”.

A este punto ahora solo se accede a través de https://web.archive.org/web/20230201001440/https://stability.ai/faq porque fue eliminado del site. De hecho eliminaron toda la sección FAQs

Emad Moustaque about going behind firewallls to scrape more data from people.

Alianza entre LAION y Stable Horde para desarrollo de otro modelo generativo de imagen con esta misma base de datos.