CONCLUSIONES CLAVE
- GPTBot de OpenAI es un rastreador web diseñado para recopilar datos de sitios web públicos, que luego se utilizan para entrenar y mejorar modelos de IA como GPT-4 y ChatGPT.
- Algunos de los sitios web más grandes de Internet están bloqueando GPTBot porque accede y utiliza contenido con derechos de autor sin permiso ni compensación a los creadores.
- Si bien los sitios web pueden usar herramientas como robots.txt para intentar bloquear GPTBot, no hay garantías de que OpenAI cumpla, lo que les da control sobre el acceso a datos con derechos de autor.
En agosto de 2023, OpenAI, la potencia de inteligencia artificial a la que se le atribuye el desarrollo de ChatGPT, anunció GPTBot, un rastreador web diseñado para recorrer la web y recopilar datos.
Poco después de ese anuncio, algunos de los sitios web más importantes de Internet bloquearon el acceso del bot a su sitio web. Pero ¿por qué? ¿Qué es GPTBot de OpenAI? ¿Por qué los sitios web más importantes le tienen miedo y por qué intentan bloquearlo?
¿Qué es GPTBot de OpenAI?
GPTBot es un rastreador web creado por OpenAI para buscar en Internet y recopilar información para los objetivos de desarrollo de IA de OpenAI. Está programado para rastrear sitios web públicos y enviar los datos a los servidores de OpenAI. OpenAI luego usa estos datos para entrenar y mejorar sus modelos de IA, con el objetivo de construir sistemas de inteligencia artificial cada vez más avanzados. Para construir modelos de IA sofisticados como GPT-4 o sus productos derivados como ChatGPT, los rastreadores web son casi indispensables.
Para entrenar un modelo de IA se necesita una enorme cantidad de datos, y una de las formas más eficaces de recopilarlos es mediante la implementación de herramientas como los rastreadores web. Los rastreadores pueden explorar la web de forma sistemática, seguir enlaces para indexar grandes volúmenes de páginas web y extraer datos clave como texto, imágenes y metadatos que coincidan con un patrón predefinido.
Estos datos pueden estructurarse y alimentarse a modelos de IA para entrenar sus capacidades de procesamiento de lenguaje natural o de generación de imágenes o para entrenarlos para otras tareas de IA. En otras palabras, los rastreadores web recopilan los datos que permiten que herramientas como ChatGPT o DALL-E hagan lo que hacen.
Los rastreadores web no son un concepto nuevo. Probablemente haya millones de ellos rastreando los miles de millones de sitios web disponibles en Internet hoy en día. Y han existido desde al menos principios de los años 90. GPTBot es solo uno de esos rastreadores propiedad de OpenAI. Entonces, ¿qué está causando la controversia en torno a este rastreador web en particular?
¿Por qué los grandes sitios tecnológicos bloquean GPTBot?
Según Business Insider, algunos de los sitios web más importantes de Internet están bloqueando activamente el rastreador de OpenAI en su sitio web. Entonces, si el objetivo final de GPTBot es promover el desarrollo de la IA, ¿por qué algunos de los sitios más importantes de Internet, algunos de los cuales se han beneficiado de una forma u otra de la IA, están en contra de él?
Pues bien, la cuestión es la siguiente: desde el resurgimiento de las tecnologías de inteligencia artificial generativa en 2022, se han producido numerosos debates sobre el derecho de las empresas de inteligencia artificial a utilizar, casi sin límites, datos procedentes de Internet, una parte importante de los cuales está protegida legalmente por derechos de autor. No hay leyes claras que regulen cómo estas empresas recopilan y utilizan los datos para su propio beneficio.
Básicamente, los rastreadores como GPTBot rastrean la web, capturan el trabajo creativo de las personas en forma de texto, imágenes u otras formas de medios y lo usan con fines comerciales sin obtener ningún permiso, licencia o compensación a los creadores originales.
Es un lejano oeste y las empresas de inteligencia artificial están acaparando todo lo que pueden. Los grandes sitios web como Quora, CNN, The New York Times, Business Insider y Amazon no están muy contentos de que estos rastreadores estén recopilando su contenido protegido por derechos de autor, por lo que OpenAI puede obtener beneficios económicos a costa de ellos.
Por eso, estos sitios están implementando “robots.txt”, un método que existe desde hace décadas para bloquear los rastreadores web. IA abiertaGPTBot obedecerá las instrucciones para rastrear o evitar el rastreo de sitios web según las reglas incluidas en robots.txt, un pequeño archivo de texto que indica a los rastreadores web cómo comportarse en un sitio. Si tiene un sitio propio y le gustaría evitar que GPTBot recopile sus datos, aquí le mostramos cómo puede evitar que los rastreadores de OpenAI rastreen su sitio web.
¿Pueden los sitios web realmente detener GPTBot?
Si bien los rastreadores como GPTBot son indispensables para recopilar las enormes cantidades de datos necesarias para entrenar sistemas de IA avanzados, existen preocupaciones válidas en torno a los derechos de autor y el uso justo que no se pueden ignorar.
Por supuesto, existen herramientas sencillas como robots.txt que se pueden utilizar para protegerse de esto, pero si GPTBot obedece las instrucciones de este archivo es una decisión que queda a criterio exclusivo de OpenAI. No hay garantías de que lo hagan y no hay una forma inmediata e infalible de saber si lo han hecho. En la lucha por mantener a GPTBot alejado de los datos protegidos por derechos de autor, OpenAI tiene las de ganar, al menos por ahora.
Apoya nuestro trabajo ❤️
Si te ha gustado este artículo, considera dejar una propina para ayudarnos a seguir publicando contenido de calidad.
