Consent in Crisis: The Rapid Decline of the AI Data Commons - Archive ouverte HAL
Communication Dans Un Congrès Année : 2024

Consent in Crisis: The Rapid Decline of the AI Data Commons

Shayne Longpre
  • Fonction : Auteur
Robert Mahari
  • Fonction : Auteur
Ariel Lee
  • Fonction : Auteur
Campbell Lund
  • Fonction : Auteur
Hamidah Oderinwale
  • Fonction : Auteur
William Brannon
  • Fonction : Auteur
Nayan Saxena
  • Fonction : Auteur
Naana Obeng-Marnu
  • Fonction : Auteur
Tobin South
  • Fonction : Auteur
Cole Hunter
  • Fonction : Auteur
Kevin Klyman
  • Fonction : Auteur
Christopher Klamm
  • Fonction : Auteur
Hailey Schoelkopf
  • Fonction : Auteur
Nikhil Singh
  • Fonction : Auteur
Manuel Cherep
  • Fonction : Auteur
Ahmad Anis
  • Fonction : Auteur
An Dinh
  • Fonction : Auteur
Caroline Chitongo
  • Fonction : Auteur
Da Yin
  • Fonction : Auteur
Deividas Mataciunas
  • Fonction : Auteur
Diganta Misra
  • Fonction : Auteur
Emad Alghamdi
  • Fonction : Auteur
Enrico Shippole
  • Fonction : Auteur
Jianguo Zhang
  • Fonction : Auteur
Joanna Materzynska
  • Fonction : Auteur
Kun Qian
  • Fonction : Auteur
Kush Tiwary
  • Fonction : Auteur
Lester Miranda
  • Fonction : Auteur
Manan Dey
  • Fonction : Auteur
Minnie Liang
  • Fonction : Auteur
Mohammed Hamdy
  • Fonction : Auteur
Niklas Muennighoff
  • Fonction : Auteur
Seonghyeon Ye
  • Fonction : Auteur
Seungone Kim
  • Fonction : Auteur
Shrestha Mohanty
  • Fonction : Auteur
Vipul Gupta
  • Fonction : Auteur
Vivek Sharma
  • Fonction : Auteur
Vu Minh Chien
  • Fonction : Auteur
Xuhui Zhou
  • Fonction : Auteur
Yizhi Li
  • Fonction : Auteur
Caiming Xiong
  • Fonction : Auteur
Luis Villa
  • Fonction : Auteur
Stella Biderman
  • Fonction : Auteur
Hanlin Li
  • Fonction : Auteur
Daphne Ippolito
  • Fonction : Auteur
Sara Hooker
  • Fonction : Auteur
Jad Kabbara
  • Fonction : Auteur
Sandy Pentland
  • Fonction : Auteur

Résumé

General-purpose artificial intelligence (AI) systems are built on massive swathes of public web data, assembled into corpora such as C4, RefinedWeb, and Dolma. To our knowledge, we conduct the first, large-scale, longitudinal audit of the consent protocols for the web domains underlying AI training corpora. Our audit of 14,000 web domains provides an expansive view of crawlable web data and how codified data use preferences are changing over time. We observe a proliferation of AI-specific clauses to limit use, acute differences in restrictions on AI developers, as well as general inconsistencies between websites' expressed intentions in their Terms of Service and their robots.txt. We diagnose these as symptoms of ineffective web protocols, not designed to cope with the widespread re-purposing of the internet for AI. Our longitudinal analyses show that in a single year (2023-2024) there has been a rapid crescendo of data restrictions from web sources, rendering ~5%+ of all tokens in C4, or 28%+ of the most actively maintained, critical sources in C4, fully restricted from use. For Terms of Service crawling restrictions, a full 45% of C4 is now restricted. If respected or enforced, these restrictions are rapidly biasing the diversity, freshness, and scaling laws for general-purpose AI systems. We hope to illustrate the emerging crises in data consent, for both developers and creators. The foreclosure of much of the open web will impact not only commercial AI, but also non-commercial AI and academic research.
Fichier principal
Vignette du fichier
2052_Consent_in_Crisis_The_Rap.pdf (693.93 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04824161 , version 1 (17-12-2024)

Identifiants

Citer

Shayne Longpre, Robert Mahari, Ariel Lee, Campbell Lund, Hamidah Oderinwale, et al.. Consent in Crisis: The Rapid Decline of the AI Data Commons. NEURIPS 2024 - Thirty-Eighth Annual Conference on Neural Information Processing Systems, Dec 2024, Vancouver (CA), Canada. ⟨hal-04824161⟩
0 Consultations
0 Téléchargements

Altmetric

Partager

More