Ein neues Projekt will offene, gemeinsam genutzte KI-Trainingsdaten aufbauen, die jeder überprüfen kann
OpenWALDO ist ein von der Gemeinschaft erstellter Datensatz, den jedes Unternehmen als saubere, überprüfbare Grundlage zum Trainieren von KI-Modellen nutzen könnte. Derzeit ist er noch klein. Die dahinter stehende Idee ist es nicht.
Wichtige Punkte
- OpenWALDO, gestartet von Gregory Kurtzer, dem Gründer von CentOS und Rocky Linux, ist ein gemeinsamer, offen lizenzierter Datensatz, der als öffentliche Grundlage zum Trainieren von KI-Modellen gedacht ist.
- Das Projekt wird von CIQ, Kurtzers KI-Infrastruktur-Unternehmen, finanziert und enthält derzeit 167,3 Milliarden Referenz-Token aus Regierungsunterlagen, wissenschaftlichen Arbeiten und gemeindfreien Werken.
- Frontier-KI-Modelle trainieren typischerweise mit zig Billionen Token, was bedeutet, dass OpenWALDOs aktuelle Datenbank nur einen Bruchteil dessen darstellt, was große Modelle benötigen.
- CIQ argumentiert, dass versteckte Trainingsdaten Unternehmen rechtlichen und Sicherheitsrisiken aussetzen, weil niemand überprüfen kann, welches urheberrechtlich geschützte oder eingeschränkte Material in einem Modell enthalten sein könnte.
- Kein Unternehmen hat bislang öffentlich bestätigt, ein Modell auf OpenWALDO trainiert zu haben; CIQ antwortete nicht, als es gefragt wurde.
Die meisten KI-Modelle basieren auf Geheimnissen. Die Daten, anhand derer sie lernen, was sie sagen sollen, wie sie denken und was sie vermeiden sollten, werden denjenigen, die diese Modelle kaufen und nutzen, fast nie offengelegt. Ein neues Projekt namens OpenWALDO, erstmals von The Register AI berichtet, will das ändern.
OpenWALDO steht für Open Weights, Artifacts, Licenses, Data, Origins. Der Name ist etwas sperrig, aber die Idee ist einfach: eine gemeinsame, öffentlich überprüfbare Sammlung von Trainingsdaten aufbauen, die rohen Texte und Informationen, aus denen KI-Modelle lernen, damit jedes Unternehmen oder jeder Forscher sie als überprüften Ausgangspunkt nutzen kann.
Warum sind geheime Trainingsdaten für normale Unternehmen wichtig?
Verborgene Trainingsdaten sind eine Haftpflicht, nicht nur ein philosophisches Problem. Wenn ein Modell aus urheberrechtlich geschützten Büchern gelernt hat, ausgescrapte Nutzerkonversationen oder Ausgaben konkurrierender KI-Systeme enthält, könnten Unternehmen, die Produkte auf Basis dieses Modells entwickeln, ohne ihr Wissen rechtlichen Problemen ausgesetzt sein.
CIQ, das hinter OpenWALDO stehende KI-Infrastruktur-Unternehmen, drückt es deutlich aus: „Es gibt oft keine Möglichkeit zu erkennen, welche Daten ein bestimmtes Modell trainiert haben, unter welcher Lizenz oder mit welcher Zustimmung."
Für ein Krankenhaus, das ein KI-Tool kauft, eine Anwaltskanzlei, die einen KI-Assistenten nutzt, oder einen Einzelhändler, der einen Kunden-Chatbot entwickelt, ist diese Intransparenz ein echtes Risiko. Sie können nicht überprüfen, was Sie nicht sehen können.
Es gibt auch ein Verschwendungsproblem. Jedes KI-Labor, das sein eigenes Modell heimlich trainiert, wiederholt Arbeiten, die andere bereits geleistet haben. Ein einziger, gemeinsamer, sauberer Datensatz würde es Unternehmen nach Meinung des OpenWALDO-Teams ermöglichen, duplizierte Bemühungen zu sparen und ihre eigenen privaten Daten auf eine überprüfte Grundlage aufzubauen.
Wie schneidet OpenWALDO im Vergleich zu dem ab, was große KI-Labore nutzen?
Die Lücke ist derzeit erheblich. Sehen Sie sich die Zahlen an:
| OpenWALDO | Typisches Frontier-Modell | |
|---|---|---|
| Datensatzgröße | 167,3 Milliarden Token | Zig Billionen Token |
| Quellentypen | Regierungsunterlagen, wissenschaftliche Arbeiten, Mailing-Listen, gemeindfreie Literatur | Nicht offengelegt |
| Lizenztransparenz | Vollständig offen | Weitgehend unbekannt |
| Governance | Gemeinschaft, Open Source | Geschlossen, proprietär |
Ein Token entspricht ungefähr drei Vierteln eines englischen Wortes, also sind 167 Milliarden Token eine große Bibliothek, aber dennoch ein Bruchteil dessen, was Modelle wie GPT-4 oder Metas Llama-Serie während des Trainings verbrauchten.
Kurtzer zieht eine direkte Parallele zu Linux, dem Open-Source-Betriebssystem, das mittlerweile die meisten Internet-Server antreibt. Kritiker nannten Open-Source-Code einmal unsicher und unzuverlässig. Es hat dennoch gewonnen, weil jeder ihn überprüfen, korrigieren und verbessern konnte.
„Linux hat nicht dadurch gewonnen, dass es als sicher zertifiziert wurde", sagte Kurtzer. „Es hat dadurch gewonnen, dass es überprüfbar, abspaltbar und von der Gemeinschaft validiert ist."
Ob OpenWALDO diesem Weg folgt oder leise verblasst, ist wirklich ungewiss. Der Open-Source-KI-Trainingsbereich ist voll von guten Absichten und geringer Akzeptanz.
Die ehrliche Erkenntnis: Falls Ihr Geschäft von einem KI-Tool abhängt, fragen Sie Ihren Anbieter, welche Daten es trainiert haben und ob er Ihnen die Lizenz für diese Daten zeigen kann. Wahrscheinlich werden Sie heute keine vollständige Antwort erhalten. Aber die Frage zu stellen, bringt Sie gegenüber den meisten Käufern in Vorteil, und Projekte wie OpenWALDO existieren genau deshalb, weil diese Frage eine Antwort verdient.
