Amazon ostaa harvinaisia kirjoja, leikkaa selkämykset irti ja skannaa sisällön tekoälylle

Ennen kaikkea verkkokirjakauppana tunnetuksi tullut Amazon hankkii nyt suuria määriä vanhoja ja vaikeasti löydettäviä kirjoja. Niiden sivut irrotetaan nopeaa digitointia varten, jolloin alkuperäinen teos tuhoutuu.

Amazon aloitti toimintansa verkkokirjakauppana vuonna 1995. Nyt yhtiö on päätynyt erikoiseen asemaan: se ostaa suuria määriä harvinaisia painettuja kirjoja, leikkaa niiden sidokset irti ja skannaa sivut digitaaliseksi aineistoksi.

TechCrunch kertoo 404 Median tutkimuksesta, jossa vanhojen kirjojen myyjä sai Biblio-markkinapaikan kautta poikkeuksellisen suuren, noin tuhannen teoksen tilauksen. Koska ostaja pysyi salassa ja valikoima vaikutti tekoäly-yhtiölle päätyvältä aineistolta, yhteen kirjoista piilotettiin Apple AirTag -paikannin.

Kirjan matka päättyi Amazonin varastolle

Paikannin kulki kirjan mukana Yhdysvaltojen halki ja päätyi lopulta Amazonin varastolle Las Vegasiin. Laitoksessa toimiva VGT3-tiimi käyttää tunnuksenaan kirjaa pitelevää dinosaurusta.

404 Median löytämien työntekijäkuvausten perusteella laitokseen vastaanotetaan suuria kirjatoimituksia digitointia varten. Osa työntekijöistä poistaa kirjojen selkämykset ja sidokset, minkä jälkeen irralliset sivut voidaan syöttää nopeasti skannauslaitteisiin.

Menetelmä on tehokas mutta peruuttamaton. Sidottua teosta ei voida palauttaa alkuperäiseen muotoonsa sen jälkeen, kun selkämys on leikattu pois ja sivut erotettu toisistaan. Erityisen ongelmallista tämä on silloin, jos kyseessä on harvinainen, loppuunmyyty tai vain muutamina kappaleina säilynyt painos.

Amazon ei suoraan vahvistanut tekoälykoulutusta

Amazon kertoi 404 Medialle ostavansa kirjoja kaupallisten kanavien kautta kehittääkseen asiakkaiden käyttämiä tuotteita ja palveluita. Yhtiö ei vastauksessaan täsmentänyt, mitä tuotteita kehitetään tai mihin skannattua tekstiä käytetään.

TechCrunch ja 404 Media tulkitsevat toiminnan liittyvän tekoälyn koulutusaineiston keräämiseen. Tätä tukevat ostojen mittakaava, toisistaan poikkeavien kirjojen valikoima, laitoksen työntekijöiden kuvaukset sekä tekoäly-yhtiöiden kasvava tarve saada käyttöönsä verkon ulkopuolella olevaa tekstiä. Amazonin lausunto jättää käyttötarkoituksen silti muodollisesti avoimeksi.

Vanha painettu teksti on tekoälylle erityisen arvokasta

Suurten kielimallien kehittäminen vaatii valtavia määriä kirjoitettua aineistoa. Helposti saatavilla oleva verkkoteksti on jo pitkälti hyödynnetty, minkä lisäksi internetissä on vuosi vuodelta enemmän tekoälyn itsensä tuottamaa sisältöä.

Harvinaiset ja loppuunmyydyt kirjat tarjoavat tekstiä, jota ei välttämättä löydy verkosta lainkaan. Ennen generatiivisen tekoälyn läpimurtoa julkaistujen teosten kohdalla voidaan myös olla varmoja, ettei alkuperäinen sisältö ole kielimallin kirjoittamaa.

Jos malli koulutetaan yhä enemmän muiden tekoälyjen tuottamalla aineistolla, seurauksena voi olla niin sanottu mallin romahtaminen. Tällä tarkoitetaan kehitystä, jossa tuotosten monipuolisuus ja laatu vähitellen heikkenevät, kun malli oppii alkuperäisen ihmisaineiston sijaan sen epätäydellisistä jäljitelmistä.

Amazon ei ole ensimmäinen kirjoja pilkkova tekoäly-yhtiö

Myös Claude-tekoälystä tunnetun Anthropicin on paljastunut hankkineen miljoonia painettuja kirjoja. Niiden sidokset poistettiin, sivut skannattiin ja alkuperäiset kappaleet hävitettiin digitoinnin jälkeen.

Tuhoava skannaus voi olla yritykselle nopein ja halvin tapa muuttaa kirja koneellisesti käsiteltäväksi tekstiksi. Kirjakauppiaiden ja kulttuuriperinnön näkökulmasta jokainen hävitetty harvinainen kappale on kuitenkin pois fyysisten teosten rajallisesta määrästä. Digitaalinen tekstitiedosto säilyttää sanat, mutta ei alkuperäisen kirjan sidontaa, materiaaleja, merkintöjä tai muuta esinehistoriaa.