Publicação

Perspetivas sobre Copyright e plágio, no contexto de Generative Artificial Intelligence

Detalhes bibliográficos
Resumo:	Embora a Inteligência Artificial para a geração de conteúdos, ou Generative AI (GAI), tenha décadas de maturidade, é na década de 2020 que atinge uma massa crítica tal, que não é fácil identificar sectores de atividade em que não tenha aplicações e implicações. Este artigo apresenta duas primeiras perspetivas, aparentemente contrárias às opiniões mais populares - conforme aferido por análise de sentimento em rede social -, sobre dois problemas que ganharam visibilidade com a massificação de sistemas de GAI e de Machine Learning (ML): O problema da atribuição de copyright para trabalhos por estes sistemas; Aplicações para controlo de plágio, por ML. O sentimento presente parece ser que: Trabalhos por sistemas de GAI não podem ser protegidos por copyright, porque tal atribuição só está disponível para autores humanos, facto corroborado em casos como o do fotógrafo David Slater e o auto-retrato de uma símio com o seu equipamento, que levou o United States Copyright Office a recordar que “trabalhos por … entidades não-humanas não são elegíveis para protecção”. A deteção de plágio atingiu níveis de disponibilidade e aceitação tais, que ferramentas baseadas em AI, para Learning Management Systems (LMSs), são agora confiadas por muitos educadores. A nossa perspetiva está desalinhada destas opiniões dominantes, podendo ser resumida assim: Na realidade, há proteção de copyright para qualquer trabalho humano com um mínimo de criatividade atribuível, pelo que ferramentas de GAI que assistam o processo são legítimas, pois o simples esforço de identifica-las, selecioná-las e aplica-las em partes da criação deverá satisfazer os requisitos, com precedentes em casos como a protecção concedida a diretórios de conteúdos, como listas telefónicas: no caso “Feist Publications, Inc. vs. Rural Telephone Service Co., Inc.”, escreve-se explicitamente que “... seleção e arranjo … constituem esforço criativo mínimo”. Quanto à deteção de “plágio” por ferramentas de AI, na realidade a expressão comummente refere-se à deteção de similaridades, e não ao radical do termo, que é o não reconhecimento de trabalho alheio. Assim, quanto à mensuração de quanto é que um trabalho é copiado; em particular, se trabalhos de texto são produzidos por sistemas de GAI, no limite essa deteção é impossível e tais soluções são não confiáveis. É quase paradoxal que sejam técnicas de GANs (Generative Adversarial Networks) a, simultaneamente, justificar a confiança em soluções para este propósito, e também a justificarem a perspetiva de que não há solução, a prazo. Uma GAN é, na sua essência, a oposição entre um sistema gerador e um sistema avaliador ou discriminador. O avaliador tem “vasto” conhecimento de determinados trabalhos, como textos ou fotografias verdadeiras; o gerador começa por produzir lixo aleatório, que o discriminador detetará facilmente como uma falsidade. Ao longo da oposição, ambas as partes vão melhorando, a gerar e a detetar falsidades, mas a partir de certa iteração, o expectável é que o gerador produza conteúdos indistinguíveis da realidade. Assim, a mesma abordagem que constitui solução para a deteção, é solução para derrotar-se a si própria.
Autores principais:	Marques, Artur
Outros Autores:	Madeira, Filipe
Assunto:	Resumo
Ano:	2023
País:	Portugal
Tipo de documento:	artigo
Tipo de acesso:	acesso aberto
Instituição associada:	Instituto Politécnico de Santarém
Idioma:	português
Origem:	Revista UIIPS

Descrição
Resumo:	Embora a Inteligência Artificial para a geração de conteúdos, ou Generative AI (GAI), tenha décadas de maturidade, é na década de 2020 que atinge uma massa crítica tal, que não é fácil identificar sectores de atividade em que não tenha aplicações e implicações. Este artigo apresenta duas primeiras perspetivas, aparentemente contrárias às opiniões mais populares - conforme aferido por análise de sentimento em rede social -, sobre dois problemas que ganharam visibilidade com a massificação de sistemas de GAI e de Machine Learning (ML): O problema da atribuição de copyright para trabalhos por estes sistemas; Aplicações para controlo de plágio, por ML. O sentimento presente parece ser que: Trabalhos por sistemas de GAI não podem ser protegidos por copyright, porque tal atribuição só está disponível para autores humanos, facto corroborado em casos como o do fotógrafo David Slater e o auto-retrato de uma símio com o seu equipamento, que levou o United States Copyright Office a recordar que “trabalhos por … entidades não-humanas não são elegíveis para protecção”. A deteção de plágio atingiu níveis de disponibilidade e aceitação tais, que ferramentas baseadas em AI, para Learning Management Systems (LMSs), são agora confiadas por muitos educadores. A nossa perspetiva está desalinhada destas opiniões dominantes, podendo ser resumida assim: Na realidade, há proteção de copyright para qualquer trabalho humano com um mínimo de criatividade atribuível, pelo que ferramentas de GAI que assistam o processo são legítimas, pois o simples esforço de identifica-las, selecioná-las e aplica-las em partes da criação deverá satisfazer os requisitos, com precedentes em casos como a protecção concedida a diretórios de conteúdos, como listas telefónicas: no caso “Feist Publications, Inc. vs. Rural Telephone Service Co., Inc.”, escreve-se explicitamente que “... seleção e arranjo … constituem esforço criativo mínimo”. Quanto à deteção de “plágio” por ferramentas de AI, na realidade a expressão comummente refere-se à deteção de similaridades, e não ao radical do termo, que é o não reconhecimento de trabalho alheio. Assim, quanto à mensuração de quanto é que um trabalho é copiado; em particular, se trabalhos de texto são produzidos por sistemas de GAI, no limite essa deteção é impossível e tais soluções são não confiáveis. É quase paradoxal que sejam técnicas de GANs (Generative Adversarial Networks) a, simultaneamente, justificar a confiança em soluções para este propósito, e também a justificarem a perspetiva de que não há solução, a prazo. Uma GAN é, na sua essência, a oposição entre um sistema gerador e um sistema avaliador ou discriminador. O avaliador tem “vasto” conhecimento de determinados trabalhos, como textos ou fotografias verdadeiras; o gerador começa por produzir lixo aleatório, que o discriminador detetará facilmente como uma falsidade. Ao longo da oposição, ambas as partes vão melhorando, a gerar e a detetar falsidades, mas a partir de certa iteração, o expectável é que o gerador produza conteúdos indistinguíveis da realidade. Assim, a mesma abordagem que constitui solução para a deteção, é solução para derrotar-se a si própria.