Récemment, l'entreprise d'intelligence artificielle Anthropic a attiré l'attention du public grâce à sa méthode unique de numérisation des livres. Selon un rapport de Ars Technica, une publication étrangère, Anthropic a dépensé plusieurs millions de dollars pour acheter de nombreux livres imprimés afin d'entraîner son assistant IA Claude, et les a transformés en fichiers numériques en les démontant et en les numérisant. Après ce processus, les livres originaux ont été directement jetés.
Les documents judiciaires révèlent qu'Anthropic a embauché Tom Turvey en février 2024. Il avait auparavant participé aux opérations liées au projet Google Books, chargé de « récupérer des livres du monde entier ». Cette action visait clairement à s'inspirer du modèle reconnu comme légitime par le tribunal dans le processus de numérisation des livres par Google.
Le juge William Alsup a jugé que la méthode de numérisation d'Anthropic constituait une utilisation raisonnable, car ces livres avaient été achetés légalement et étaient immédiatement détruits après la numérisation, les fichiers numériques n'étant utilisés qu'en interne et ne circulant pas en dehors. Il a souligné que cette conversion pouvait être considérée comme un traitement numérique « d'économie d'espace », présentant une caractéristique de « transformation » dans le cadre de l'utilisation raisonnable. Cependant, certaines pratiques de contrefaçon antérieures ont eu un impact sur sa légitimité.
Le développement d'IA nécessite une grande quantité de données textuelles de qualité. La construction d'un grand modèle linguistique implique l'entrée de milliards de mots dans un réseau neuronal pour établir des relations entre les mots et les concepts. La qualité des données influence directement la précision des sorties du modèle, donc de nombreuses entreprises d'IA ont besoin d'obtenir rapidement du contenu publié de haute qualité, sans vouloir perdre de temps dans des négociations de licence.
Le principe de « première vente » aux États-Unis permet aux acheteurs de gérer librement les livres physiques qu'ils possèdent, rendant l'achat de livres une solution légale « détournée ». Cependant, Anthropic a initialement choisi d'éviter les problèmes de droits d'auteur, voire parfois utilisé des e-books contrefaits. Après avoir pris en compte les implications juridiques, l'entreprise a commencé à rechercher des solutions plus sécurisées, finalement décide d'acheter des livres d'occasion pour obtenir des textes d'entraînement de haute qualité et simplifier le processus d'autorisation.
Afin d'accélérer le processus de numérisation, Anthropic a adopté une méthode de « numérisation destructive », achetant en grande quantité des livres, les déballant, les coupant et les numérisant en masse en fichiers PDF lisibles par les machines, un processus qui a coûté plusieurs millions de dollars. Bien que des technologies de numérisation non destructrices soient désormais matures, comme les méthodes développées par Internet Archive permettant de conserver les livres originaux, la méthode choisie par Anthropic a suscité un large débat.
Points clés :
📚 Anthropic a dépensé plusieurs millions de dollars pour acheter des livres physiques, puis les a transformés en fichiers numériques en les démontant et en les numérisant, pour entraîner son assistant IA Claude.
⚖️ Le juge a jugé que sa méthode de numérisation constituait une utilisation raisonnable, car les livres avaient été achetés légalement et détruits après la numérisation.
🔄 L'entraînement d'IA nécessite une grande quantité de données textuelles de qualité ; Anthropic a accéléré le processus de numérisation des livres grâce à une « numérisation destructive ».