Generator muzyki AI Suno padł ofiarą ataku, który ujawnił pobieranie danych z YouTube Music i innych platform. Wytwórnie płytowe pozywają firmę.

Źródło zdjęcia: TechCrunch
Generator muzyki AI Suno padł ofiarą hakera, który ujawnił, jak firma może nielegalnie pobierać dane treningowe z YouTube Music, Deezer i innych platform. Atak ujawniono w raporcie 404 Media.
Haker wykorzystał atak na łańcuch dostaw, aby uzyskać dostęp do danych logowania pracownika, co pozwoliło mu na wgląd w kod źródłowy pokazujący, jak Suno rzekomo pobierało dekady materiałów audio z różnych platform cyfrowych.
Suno wcześniej przyznało, że trenuje swoje modele AI na „publicznie dostępnych plikach muzycznych” w otwartym internecie, argumentując, że może używać materiałów chronionych prawem autorskim w ramach doktryny dozwolonego użytku. Jest to jednak subiektywny wyjątek w prawie autorskim, który nie ma jednoznacznej interpretacji prawnej.
Według głównych wytwórni płytowych aktywnie pozywających Suno, celowe omijanie zabezpieczeń YouTube przeciwko pobieraniu danych jest nielegalne zgodnie z Digital Millennium Copyright Act (DMCA). Takie działania naruszają również regulamin serwisu YouTube.
Problem nie ogranicza się tylko do Suno. Google, spółka macierzysta YouTube, również stoi w obliczu podobnych zarzutów naruszenia praw autorskich ze strony różnych głównych wydawców książek. Pokazuje to szerszy trend prawnych wyzwań, z jakimi mierzy się branża AI w kwestii trenowania modeli na chronionych materiałach.
Konkurencyjna firma Udio także została oskarżona o pobieranie danych z YouTube, co sugeruje, że praktyki te mogą być powszechne wśród twórców narzędzi AI do generowania muzyki.
Incydent w Suno podkreśla rosnące napięcia między rozwojem technologii AI a ochroną praw autorskich w erze cyfrowej.

Brytyjski startup rozszerza ofertę o Roleplay Sessions — platformę do ćwiczenia trudnych rozmów biznesowych z AI, które ocenia wydajność pracowników.

Xi Jinping ogłosił powstanie WIKO z siedzibą w Szanghaju. Rosja, Brazylia i RPA wśród członków założycielskich nowej struktury zarządzania AI.

Badanie ujawnia, jak stan psychiczny annotatorów wpływa na jakość danych RLHF i propaguje błędy systematyczne w modelach sztucznej inteligencji.