Destructive scanning: digitalizzare sacrificando il libro
Dorso tagliato, rilegatura rimossa e pagine acquisite una a una: un metodo rapido ed efficiente, ma del tutto irreversibile
Qualche settimana fa Anthropic, la società che sviluppa Claude, è finita al centro di una battaglia legale con l’accusa di aver utilizzato migliaia di libri piratati per addestrare i propri modelli di intelligenza artificiale. La vicenda si è chiusa con un accordo da 1,5 miliardi di dollari, ma ha fatto emergere una questione ancora più interessante: da dove possono prendere i testi le aziende che hanno bisogno di enormi quantità di contenuti per addestrare l’IA?
Secondo quanto emerso dal caso, le società di intelligenza artificiale non possono procurarsi illegalmente copie pirata dei libri. Possono invece acquistare regolarmente i volumi cartacei, digitalizzarli e utilizzare i testi ottenuti per l’addestramento dei propri modelli. La differenza è sostanziale: il libro di partenza è stato acquistato legalmente e la copia digitale ne prende il posto, anziché aggiungersi a quella fisica.
È qui che entra in gioco il destructive scanning. Il libro viene smontato, il dorso viene tagliato, la rilegatura rimossa e le singole pagine vengono scannerizzate. In questo modo possono essere alimentate rapidamente in scanner automatici e trasformate in file digitali, sui quali successivamente è possibile effettuare il riconoscimento del testo. È un procedimento efficiente, ma irreversibile: alla fine il volume originale non è più utilizzabile.
Questa possibilità rende i libri una fonte particolarmente preziosa per chi sviluppa modelli di intelligenza artificiale. Non contengono soltanto enormi quantità di testo, ma soprattutto contenuti pubblicati prima della diffusione su larga scala dell'IA generativa. Per questo possono assumere un valore ancora maggiore i volumi pubblicati prima del 2022, quando strumenti come ChatGPT non erano ancora entrati nell'uso quotidiano di milioni di persone.
Per i contenuti più recenti esiste infatti un problema nuovo: il cosiddetto “AI slop”, cioè la crescente quantità di testi prodotti interamente o parzialmente con sistemi di intelligenza artificiale. Se questi contenuti vengono utilizzati per addestrare nuove generazioni di modelli, aumenta il rischio che l'IA finisca per imparare da materiale già prodotto dall'IA, anziché da testi originariamente scritti da esseri umani. Da questo punto di vista, una vecchia biblioteca cartacea può diventare qualcosa di sorprendentemente moderno: una riserva di dati prodotti prima dell'esplosione dell'intelligenza artificiale generativa.
