학습 데이터 확보와 라이선싱, 데이터 품질과 합성 데이터에 관한 소식.
-
숨겨둔 에어태그가 밝혀낸 아마존의 희귀 도서 파쇄 실태
탐사매체 404미디어가 희귀 서적에 에어태그를 몰래 넣어 추적한 결과, 라스베이거스의 아마존 AI 학습시설 'VGT3'로 연결됐다고 17일 보도했다. 이 시설 노동자들은 책을 뜯어 스캔한 뒤 폐기하며, 문에는 책을 집어삼키는 티라노사우루스 로고까지 붙어 있었다. 아마존은 "고객이 쓰는 제품과 서비스 개선을 위해 상업 채널로 책을 구매한다"는 원론적 입장만 냈다.
-
책 팔던 아마존, 이제는 AI 학습을 위해 희귀 서적을 파쇄한다
테크크런치는 404미디어의 추적을 인용해 한때 책을 팔던 아마존이 이제 AI 모델 학습을 위해 희귀 서적을 파쇄하고 있다고 17일 보도했다. 온라인에 이미 공개된 텍스트를 다 써버린 상황에서, 희귀 서적은 다른 AI 기업들이 접근하기 어려운 고유한 학습 데이터를 제공한다는 점에서 가치가 크다. 2022년 이전 발행물은 AI가 만든 텍스트로 오염되지 않아 모델 붕괴 위험을 피할 수 있다는 점도 강점으로 꼽힌다.
-
슬랙·메일·녹음까지 싹쓸이...AI 데이터 고갈에 '사내 기록' 몸값 폭등
인터넷에 공개된 데이터를 사실상 소진한 AI 기업들이 슬랙 대화, 화상회의 녹화, 이메일, 코드 변경 기록 같은 기업 내부 기록을 새로운 학습 데이터원으로 사들이기 시작했다. 데이터 중개업체 프로테제는 올해 거래액이 최소 1억 달러로, 지난해 3000만 달러 대비 3배 이상 늘었고 거래액의 25~30%를 수수료로 받는다. AI 에이전트 스타트업 웜리는 허브스팟 인수 합의 8일 만에 데이터 기업 머코어로부터 슬랙·깃허브·구글 드라이브·회의 녹취록을 요구하는 최대 30만 달러 제안을 받았지만 거절했다.
-
트위치 콘텐츠, 수년간 아마존 AI 학습에 쓰였다 — 이제는 거부할 수 있다
트위치가 스트리머와 시청자의 콘텐츠를 아마존 AI 학습에 쓰는 것을 거부할 수 있는 옵트아웃 설정을 오늘 공개했다. 방송·VOD·클립·채팅·채널 이미지까지 학습에 쓰일 수 있고, 별도로 끄지 않으면 기본값은 자동 동의다. 아마존이 2014년 트위치를 인수한 뒤 최소 2년 넘게 이 콘텐츠로 AI를 학습시켰다는 사실은 2024년에야 임원의 발언으로 처음 확인됐다.
-
AI 에이전트를 키우려면 믿을 수 있는 데이터가 먼저다
AI 에이전트가 자율적으로 판단하려면 회사 데이터 전반에 접근해야 하는데, 구글 클라우드와 함께 진행한 데이터·기술 임원 300명 설문에서 기업이 AI에 열어준 데이터는 평균 45%에 그쳤다. 데이터 접근이 70% 이상인 '선도 기업'은 100%가 에이전트의 판단을 신뢰했지만, 30% 이하인 '후진 기업'은 전체 평균 신뢰도가 50% 수준에 머물렀다. 후진 기업의 66%는 낡은 시스템이 확장을 막고 있다고 답했다.
-
AI 스크래퍼에 맞서는 새 무기, 글꼴이 등장했다
디자이너 두 명이 만든 글꼴 'ShieldFont'는 데이터 포이즈닝 방식으로 학습 데이터를 오염시킨다 — 사람에게는 정상적으로 보이지만 AI 스크래퍼에는 뜻이 뒤바뀐 문장을 보여주는 식이다. 리게처(글자 결합 표시)를 이용해 평균적으로 페이지 단어의 24.5%, 핵심 단어의 45.8%를 다른 뜻의 단어로 바꿔치기하고, 실제 스크래퍼 파이프라인 6개를 대상으로 테스트한 결과 90% 이상의 페이지가 품질 필터에서 걸러졌다. 다만 스크래퍼가 화면을 그대로 캡처해 광학문자인식(OCR)으로 읽으면 이 방어는 무력화된다.