Numérisation destructrice : numériser en sacrifiant le livre

Il y a quelques semaines, Anthropic, l'entreprise derrière Claude, s'est retrouvée au coeur d'un procès. On l'accusait d'avoir utilisé des milliers de livres piratés. Ces livres auraient servi à entraîner ses modèles d'IA. L'affaire s'est réglée pour 1,5 milliard de dollars. Mais elle soulève une question encore plus intéressante. Où trouver tous les textes nécessaires pour entraîner l'IA ?

D'après cette affaire, les entreprises d'IA ne peuvent pas se procurer illégalement des livres piratés. En revanche, elles peuvent acheter des livres papier. Elles peuvent ensuite les numériser et entraîner leurs modèles. La différence compte : le livre original a été acheté légalement. Sa version numérique remplace l'exemplaire papier. Elle ne vient pas s'y ajouter.

C'est là qu'intervient la numérisation destructive. On démonte le livre, on coupe son dos. On retire la reliure, puis on scanne chaque page. Les pages passent alors rapidement dans des scanners automatiques. Elles deviennent des fichiers numériques, prêts pour la reconnaissance de texte. C'est efficace, mais irréversible : le livre original devient inutilisable.

Voilà pourquoi les livres intéressent tant les développeurs d'IA. Ils contiennent énormément de texte. Mais surtout, leur contenu précède souvent l'essor de l'IA générative. Les livres publiés avant 2022 peuvent donc valoir davantage. À l'époque, ChatGPT n'était pas encore utilisé quotidiennement. Des millions de personnes l'utilisent aujourd'hui.

Avec les contenus récents, un nouveau problème apparaît. On l'appelle "AI slop". Ce terme désigne les textes produits, entièrement ou partiellement, par l'IA. Si on entraîne de nouveaux modèles avec ces textes, le risque augmente. L'IA apprend alors à partir de contenus déjà générés par l'IA. Elle apprend moins à partir de textes écrits par des humains. Une vieille bibliothèque peut donc devenir étonnamment moderne. Elle conserve des données antérieures à l'explosion de l'IA générative.