Uma investigação feita pelo jornal The Washington Post mostrou que a base de dados do Google usada no treinamento de modelos de inteligência artificial (IA) da própria empresa e de outras gigantes da tecnologia, como a Meta, continha arquivos piratas, sites pornográficos e fóruns extremistas.

O jornal americano destrinchou o arquivo chamado de C4, que tem conteúdos de 15 milhões de sites da internet aberta.

Com ajuda do Instituto Allen para Pesquisa em IA, o Post cruzou os dados com informações da plataforma de monitoramento da internet Similar Web para separar os links encontrados em categorias, como negócios, imprensa e cultura. Cerca de 5 milhões de endereços foram descartados da base por não estarem mais listados na internet.

A investigação encontrou fontes óbvias como a Wikipedia e a versão online de alguns dos principais meios jornalísticos ao redor do mundo.

No entanto, também identificou ao menos 28 sites retirados do ar pelo Departamento de Justiça dos Estados Unidos por infringir leis de propriedade intelectual —a biblioteca pirata b-ok.org ficou em 190º lugar na lista de importância entre as 10 milhões de referências.

Além de endereços que armazenavam material pirateado, sites pornográficos e fóruns extremistas também serviram de referência para a construção da C4, embora seus desenvolvedores afirmem que usaram filtros para retirar conteúdo ofensivo.

O Google foi procurado pela reportagem desde o dia 18, por email e telefone. Nesta quarta-feira (26), respondeu que está comprometido em desenvolver IA de maneira responsável. "Em 2018, o Google foi uma das primeiras empresas a publicar um conjunto de princípios de inteligência artificial." Esse material cita regras para nortear as pesquisas da empresa.

"Continuamos a fornecer educação e recursos para nossos pesquisadores, fazemos parceria com governos e organizações externas para desenvolver padrões e práticas recomendadas e trabalhamos com comunidades e especialistas para tornar a IA segura e útil", afirma o gigante das buscas.

Também questionada desde o dia 18, a Meta não se pronunciou.

A reportagem do Washington Post ainda encontrou dados de votação de eleitores do Colorado (40º lugar) e da Florida (73º lugar). Esses dados são públicos, mas sob tratamento malicioso podem representar risco aos portadores, e desrespeitar leis de proteção de dados pessoais nos EUA e no Brasil.

O treinamento de inteligências artificiais inclui diversas fontes como a C4. No desenvolvimento do GPT-3, tecnologia fundamental no desenvolvimento da IA geradora de texto ChatGPT, a startup OpenAI usou 40 vezes mais dados do que o disponível na base de dados do Google.

A OpenAI não revelou a quantidade de dados usada para treinar o GPT-4, modelo de inteligência artificial mais recente da startup, que tem apoio da Microsoft. O público está às escuras sobre as fontes usadas para treinar a tecnologia de mais sucesso entre as IAs geradoras.

Jornais, artistas e escritores têm contestado o uso sem consentimento de suas obras para treinar modelos de inteligência artificial. A emissora de jornalismo CNN e o jornal The Wall Street Journal publicaram artigos em defesa do pagamento de direitos autorais para desenvolver essa tecnologia.

A principal fonte do C4 é o repositório do Google de patentes solicitadas ao redor do mundo —Google Patents.

A base também armazena dados de 500 mil blogs pessoais e de campanhas de financiamento publicadas em sites de vaquinha, como Kickstarter e Patreon. Esses materiais podem tornar a IA mais eficiente em escrever textos publicitários, área em que já vem sendo aplicada.