Pittsburgh — InkDesign News — Pesquisas recentes de machine learning realizadas na Carnegie Mellon University destacam os impactos da inteligência artificial generativa na utilização de materiais protegidos por direitos autorais e suas implicações econômicas.
Contexto da pesquisa
Um capítulo elaborado por pesquisadores da Carnegie Mellon University integra um relatório divulgado pelo US Copyright Office, no qual se discute o papel econômico da AI generativa no processamento de grandes volumes de dados, muitos dos quais incluem obras protegidas por direitos autorais. A questão central da pesquisa envolve o equilíbrio entre o estímulo à inovação cultural e científica e o acesso a obras existentes, aspectos fundamentais nas políticas de direitos autorais.
Método proposto
A investigação avalia o impacto do treinamento de modelos generativos com dados proprietários no incentivo comercial e intrínseco para a criação de novas obras. A AI generativa é tratada como um mecanismo que assimila trabalhos prévios para produzir conteúdos inéditos, comparável ao processo criativo humano. O estudo sugere que a imposição de licenças para uso dos dados de treinamento pode ser uma estratégia viável para equilibrar direitos e acesso, apesar de desafios relacionados à transparência e fiscalização.
“Um dos objetivos do copyright é facilitar a inovação cultural e científica, o que requer equilibrar as recompensas econômicas para os produtores de obras criativas com seu acesso a trabalhos existentes durante o processo criativo.”
(“One of the goals of copyright is to facilitate cultural and scientific innovation, which requires balancing the economic rewards that can be captured by producers of creative works with their ability to access existing works as part of the creative process.”)— Michael D. Smith, Professor de Tecnologia da Informação e Política Pública, Carnegie Mellon University
Resultados e impacto
O estudo mostra que o uso de dados protegidos para treinar algoritmos generativos pode alterar incentivos econômicos para criadores humanos. A exigência de que os titulares de direitos optem por não disponibilizar seus trabalhos para treinamento — prática adotada pela União Europeia — transfere o ônus da ação para os detentores das obras, intensificando desafios legais e operacionais. O relatório também destaca a escassez de instrumentos políticos eficazes para lidar com essas questões no contexto atual.
“Poucos instrumentos de política disponíveis combatem os incentivos de titulares de direitos para limitar ainda mais o acesso público às suas obras em resposta à ingestão.”
(“There are few available policy instruments to combat incentives for holders of copyrights to further limit public access to their works in response to ingestion.”)— Rahul Telang, Professor de Sistemas de Informação e Gestão, Carnegie Mellon University
Este estudo contribui para o debate acadêmico e regulatório sobre como a AI generativa pode ser integrada no ecossistema criativo respeitando direitos autorais, com enfoque em modelos de licenciamento e políticas mais adaptadas. Pesquisas futuras devem avaliar métricas específicas de desempenho dos modelos treinados com e sem restrições para melhor compreender os impactos gerados.
Veja mais em: Machine Learning | Deep Learning
Fonte: (TechXplore – Machine Learning & AI)
