LAION veröffentlicht 10 Millionen Stunden Video für Open AI Research
Der Big Video Dataset ruft 80 Millionen Videos aus CommonCrawl ab, mit maschinell geschriebenen Untertiteln für Bild und Ton. Es dient nur der Recherche und die Urheberrechtsfrage steht direkt darunter.
LAION, die deutsche gemeinnützige Organisation, die vor allem für den Bilddatensatz hinter Stable Diffusion bekannt ist, hat den Big Video Dataset veröffentlicht, eine der größten offenen Videosammlungen, die jemals für die KI-Forschung veröffentlicht wurden. Das Team begann mit 1,3 Milliarden Video-URLs, die in CommonCrawl, einem öffentlichen Archiv des Internets, gefunden wurden, lud 80 Millionen dieser Videos mit einer Gesamtlänge von rund 10 Millionen Stunden herunter, schnitt sie dann in 55 Millionen Clips und extrahierte 300 Millionen Standbilder. Das meiste Material stammt von YouTube und ist größtenteils auf Englisch.
Die interessante Technik steckt in den Etiketten. Anstatt sich auf die Beschreibung zu verlassen, die ein Mensch zufällig geschrieben hat, verwendete das Team eine inhaltsbasierte Szenenerkennung, um Clipgrenzen zu finden, und generierte dann automatisch Untertitel sowohl für die Bilder als auch für den Ton. Durch das Training dieser Kombination lernt ein Modell, welche Bilder zu welchen Wörtern und zu welchen Tönen passen, und das alles auf einmal. Dem Begleitpapier zufolge schlagen auf BVD trainierte Modelle vergleichbare Modelle, die auf dem älteren InternVid-Datensatz trainiert wurden, bei Standard-Video-zu-Text-Benchmarks um bis zu 2,1 Prozentpunkte. Der Datensatz und der Code sind frei verfügbar und nur für Forschungszwecke freigegeben.
Was hier eigentlich vor sich geht: Jedes leistungsfähige KI-Modell basiert auf einem Stapel von Trainingsdaten, und bei Videos war dieser Stapel größtenteils privat. Google, OpenAI und ByteDance trainieren Videomodelle auf Material, das niemand außerhalb dieser Unternehmen einsehen kann. Das macht es unabhängigen Forschern unmöglich, zu überprüfen, was eingegangen ist, ein Ergebnis zu reproduzieren oder eine Verzerrung der Studie festzustellen. Offene Datensätze beheben dieses Problem und sind auch die einzige Möglichkeit, mit der ein Universitätslabor überhaupt konkurrieren kann. Der unangenehme Teil ist die rechtliche Grundlage. LAION verweist auf ein Urteil des Landgerichts Hamburg aus dem Jahr 2024, das es ihm erlaubte, urheberrechtlich geschützte Bilder für nichtkommerzielle Recherchen zu sammeln, und fordert die Nutzer auf, die Rechte der Urheber zu respektieren. Dabei handelt es sich um eine Forschungsausnahme, nicht um eine Erlaubnis, weshalb die Veröffentlichung nur für Forschungszwecke erfolgt. Ersteller, deren Videos hier aufgeführt sind, wurden nicht gefragt, und es gibt keine praktische Möglichkeit, 80 Millionen Mal danach zu fragen.
Was das für Sie bedeutet: Wenn Sie etwas über KI lernen, ist dies eine seltene Gelegenheit, sich das Rohmaterial statt das fertige Produkt anzusehen. Allein die Diagramme zur Zusammensetzung der Datensätze sind aufschlussreich: Wenn man sieht, wie stark eine Plattform und eine Sprache dominieren, erklärt sich viel darüber, warum sich Videomodelle so verhalten, wie sie es tun. Wenn Sie ein Forscher sind, ist dies eine seriöse Ressource und der Artikel ist wegen der Untertitelungsmethode lesenswert. Wenn Sie Ihren Lebensunterhalt mit dem Erstellen von Videos verdienen, ist die ehrliche Zusammenfassung, dass Ihre Arbeit durchaus hier zu finden sein könnte, dass die Veröffentlichung auf nicht-kommerzielle Forschung beschränkt ist und dass die Grenze zwischen Forschungskorpus und kommerziellem Schulungsset historisch gesehen schmal war. Für Sie ändert sich heute nichts, aber es lohnt sich zu wissen, auf welchem Boden Sie stehen.
Quellen
Quellen: https://projects.laion.ai/bvd/
Ein KI-Copyright-Bot hat ein beliebtes Open-Source-Spiel von Google Play entfernt
Luanti, eine kostenlose Voxel-Spieleplattform, die in Schulen verwendet wird, wurde aufgrund einer DMCA-Mitteilung, die von einem KI-Erkennungsunternehmen im Namen von Microsoft eingereicht wurde, aus dem Play Store entfernt. Das Gleiche geschah im Jahr 2023.
