Bokhandlare misstänker att artificiell intelligens-bolag slaktar sällsynta böcker för snabbare skanning

Bokhandlare som säljer sällsynta böcker säger att de misstänker att företag som utvecklar artificiell intelligens köper in ovanliga titlar och sedan plockar isär dem fysiskt för att skynda på inskanning till träningsdata. Ars Technica beskriver ett arbetssätt som enligt säljarna går ut på att riva ut sidor, beskära dem, skanna och därefter kasta pappret. Det framställs som det snabbaste och billigaste sättet att göra längre texter maskinläsbara, i en kapplöpning där utvecklarna vill säkra så högkvalitativt språk som möjligt som råvara.

Hur inskanningen går till är inte en detaljfråga, utan visar vilken avvägning marknaden redan gör: hastighet och mängd går före bevarande. Det finns metoder som inte förstör böckerna, men de är långsammare och dyrare och kan dessutom ge egna kvalitetsproblem. Ars Technica påpekar att Google för många år sedan tog patent på en icke-förstörande metod, men att studier ändå har funnit brister som förvrängning från böjda sidor och missade uppslag. När man talar om ”miljontals titlar” blir sådana friktioner rena kostnadsposter som företag kan vilja slippa, särskilt om böckerna är svåra att hantera och om fel i inskanningen kan tolereras när syftet är statistisk träning snarare än arkivmässig exakthet.

Skillnaden i drivkrafter blir tydligast i Internet Archives inskanningsverksamhet, som Ars Technica återvänder till via tidigare dokumentation av deras arbetsflöde. Arkivet behandlar inskanning som ett hantverk: varsam hantering, upprepade kontroller och system som stoppar processen om en sida hoppas över eller en bild blir suddig. Personal har beskrivit hur de använder rena, torra händer för att vända ömtåliga blad och rutiner för att fånga upp utvik och bilagor, med målet att nå det de kallar noll fel. Artikeln noterar också att arkivet prövade automatiserade kommersiella skannrar, bland annat med vakuumdrivna armar som vänder sidor, men att de fungerade dåligt på spröda eller sällsynta volymer.

Om företag faktiskt plockar isär böcker är kostnaden inte begränsad till själva inskanningen. Marknaden för sällsynta böcker bygger på proveniens, skick och knapphet; när fysiska exemplar tas bort för att skapa privata datamängder flyttas värde från ett föremål som kan säljas vidare, lånas ut eller skänkas, till en digital tillgång som kan användas obegränsat inne i en modell. Ars Technica rapporterar att bokälskare och säljare oroar sig för att detta sker i större skala än de få anekdoterna antyder, men artikeln pekar inte ut några specifika företag som förstör böcker.

Det billigaste arbetsflödet som beskrivs är samtidigt det minst återställbara. När sidorna väl rivits ut och kastats finns ”datamängden” kvar, men boken gör det inte.

Ars Technicas skildring avslutas med en detalj från Internet Archives inskanningsgolv: en fotpedal som lyfter skannerglaset, en sida i taget.