Avec GPTBot, OpenAI lance un web crawler dédié à récupérer des données « depuis tout Internet », quand bien même les plaintes pour infraction à la vie privée et au droit d'auteur se multiplient contre les différents LLM déployés sur le marché.
Le 8 août, OpenAI a annoncé le lancement de GPTBot, un crawler dédié à « récupérer automatiquement des données depuis tout Internet ». Ce type de données, explique l’entreprise, doit servir à entraîner ses nouveaux modèles génératifs, « comme GPT-4 et GPT-5 ».
Breaking 🚨
— ChatGPT (@ChatGPT_0penAI) August 8, 2023
OpenAI just launched GPTBot, a web crawler designed to automatically scrape data from the entire internet.
This data will be used to train future AI models like GPT-4 and GPT-5!https://t.co/lpwUg1lo1R pic.twitter.com/84y9xWj8A9
En réaction, l’association Reporters Sans Frontières (RSF) a rapidement invité « tous les médias à configurer leurs sites pour éviter qu’OpenAI ne récupère leur contenu gratuitement ».
📣RSF invite les médias à configurer leurs sites d'information pour empêcher #OpenAI de récolter leurs contenus gratuitement. Les médias doivent être rétribués pour leur travail d'intérêt général dont les mastodontes de la #tech voudraient tirer profits à bons comptes. https://t.co/YclmgpSCoP
— RSF_Tech (@RSF_Tech) August 8, 2023
La documentation d'OpenAI prévoit l'exclusion de GPTBot
L’entreprise a indiqué dans sa documentation qu’il était possible de bloquer GPTBot, que ce soit via le protocole d’exclusion des robots (robots.txt) ou en bloquant son adresse IP.
OpenAI précise tout de même que, pour les sources qui ne présentent aucun accès soumis à paywall, ne fournissent pas d’ « informations personnelles identifiables » ou de textes allant à l’encontre des politiques de l'entreprise, « permettre à GPTBot d’accéder à votre site permet aux modèles d’IA de devenir plus précis et d’améliorer leurs capacités générales et leur sécurité ».
Elle fournit donc aussi des explications sur la manière de permettre à GPTBot de ne scraper qu'une partie d'un site web. Bloquer GPTBot ne permet pas de supprimer rétroactivement du contenu qui aurait déjà été récupéré et utilisé pour entraîner les versions existantes de ChatGPT.
... mais il s'agit de scraper alors qu'OpenAI est attaqué
L'annonce du lancement du crawler se fait dans un contexte particulier : de multiples plaintes ont été déposées contre différents constructeurs de grands modèles de langages, aussi bien pour infraction au droit d’auteur que de violation de la vie privée. OpenAI, qui a déjà été bloqué par l’Italie pour des questions de données personnelles avant d’être réaccepté, est ainsi visé par un recours collectif en Californie pour l’usage qu’il fait des données personnelles, et est aussi attaqué, de concert avec Meta, pour plagiat…
- Getty poursuit un éditeur d’algorithme en justice pour violation des droits d’auteurs
- Deux plaintes ont été adressées à la CNIL au sujet de ChatGPT
- Google attaquée en justice pour l’entraînement de Bard
Mouvement général de protection des contenus
Reporters Sans Frontières ne cache donc pas la nécessité, pour qui souhaiterait protéger sa production, d'utiliser l'outil fourni par OpenAI pour bloquer son crawler. Il ne s'agit pas de la première tentative de soustraction des contenus numériques de l'entraînement de modèles d'apprentissage machine, souligne The Verge : en 2022, un site comme DeviantArt avait mis au point sa propre tentative en créant un tag « NoAI ».
Plus récemment, des réseaux sociaux comme Twitter ou Reddit ont pris le parti de rendre payant l’accès à leurs API pour tirer profit des activités d’entraînement des constructeurs d’intelligences artificielles. Preuve que le sujet est complexe : ces décisions ont pu se faire au détriment des scientifiques, voire des utilisateurs.
- Quand les réseaux sociaux ferment l'accès à l'analyse de leurs données par les chercheurs
- Reddit : fronde contre le projet d'API payante
- Reddit : Après la fronde, la « normalisation » du réseau social ?
D'autres ont choisi une autre option, comme l'agence américaine Associated Press, qui a passé un accord avec OpenAI lui permettant de se servir de ses archives. Pour les éditeurs qui accepteraient le passage GPTBot sur leurs sites web, en revanche, OpenAI ne semble pas avoir prévu de contrepartie aux données récupérées.
