対話型AIの学習に使われているGoogleのデータセット「C4」には4chanや白人至上主義者のサイトなど問題のあるコンテンツが大量に混入している

Metaが2023年2月に公開した大規模言語モデル「LLaMA」を始めとするAIのトレーニングには、Googleが作成した巨大データセット「Colossal Clean Crawled Corpus(C4)」が使用されています。C4は名前の通り「クリーン」なデータで構成されているはずですが、海外メディア・The Washington PostとAI研究者の分析により、このC4に有害なコンテンツが大量に紛れ込んでいることが発覚しました。 See the websites that make AI bots like ChatGPT sound so smart - Washington Post https://www.washingtonpost.com/technology/interactive/2023/ai-chatbot-learning/ OpenAIのChatGPTを皮切りに

[shaokuz]

綺麗なコンテンツだけでAIを育てよう！ってなんか子育てでたびたび炎上する感じのネタっぽいな

[paravola]

（SNSもウクライナ支援でネオナチの検閲を解除したけど、そこだけ取り除くの無理では。互いに交流してるのに）白人至上主義者の...

[misshiki]

“Googleが作成した巨大データセット「Colossal Clean Crawled Corpus(C4)」は名前の通り「クリーン」なデータで構成されているはずですが、...有害なコンテンツが大量に紛れ込んでいることが発覚”

[yuj9482390]

じゃあポリコレ汚染されるのは良いのか？

[shunkeen]

有害、無害の判定は、コンテンツモデレーションAIの役割な気がする。対話型AIに、コンテンツモデレーションまで、オールインワンでやらせたい感じ？

[hinonono]

誤りのない無菌状態で育てたら、誤情報でもカルトでもなんでも受け入れるしかできない情弱ニワカが生まれるんじゃない？原始人が転生してきたぐらいのとんでもないのが。

[xx9xx91024]

問題のないコンテンツをまず屏風から出してください

[buhoho]

「4c​​han.org(433万9889位)」大量に入ってるとは？「GIGAZINEは35万9741位でした」