Un nuevo proyecto quiere construir datos abiertos y compartidos para entrenar IA que cualquiera pueda inspeccionar
OpenWALDO es un conjunto de datos financiado por la comunidad que cualquier empresa podría usar como base limpia y auditable para entrenar modelos de IA. Por ahora es minúsculo. La idea detrás de él no lo es.
Puntos clave
- OpenWALDO, lanzado por Gregory Kurtzer, fundador de CentOS y Rocky Linux, es un conjunto de datos compartido y con licencia abierta destinado como base pública para entrenar modelos de IA.
- El proyecto está financiado por CIQ, la empresa de infraestructura de IA de Kurtzer, y actualmente contiene 167.3 mil millones de tokens de referencia extraídos de registros gubernamentales, artículos académicos y literatura de dominio público.
- Los modelos de IA de última generación típicamente se entrenan con decenas de billones de tokens, lo que significa que el conjunto de datos actual de OpenWALDO es una pequeña fracción de lo que los modelos grandes necesitan.
- CIQ argumenta que los datos de entrenamiento ocultos ponen a las empresas en riesgo legal y de seguridad, porque nadie puede verificar qué material protegido por derechos de autor o restringido puede estar integrado en un modelo.
- Ninguna empresa ha confirmado públicamente entrenar un modelo en OpenWALDO; CIQ no respondió cuando se le preguntó.
La mayoría de los modelos de IA se construyen en secreto. Los datos utilizados para enseñarles qué decir, cómo razonar y qué evitar casi nunca se divulgan a las personas que compran y usan esos modelos. Un nuevo proyecto llamado OpenWALDO, reportado por primera vez por The Register AI, quiere cambiar eso.
OpenWALDO significa Open Weights, Artifacts, Licenses, Data, Origins (Pesos Abiertos, Artefactos, Licencias, Datos, Orígenes). El nombre es algo complicado, pero la idea es directa: construir un conjunto compartido e inspeccionable públicamente de datos de entrenamiento, el texto e información sin procesar de los que aprenden los modelos de IA, para que cualquier empresa o investigador pueda usarlo como punto de partida verificado.
¿Por qué importan los datos de entrenamiento secretos para los negocios ordinarios?
Los datos de entrenamiento ocultos son una responsabilidad, no solo un problema filosófico. Si un modelo aprendió de libros protegidos por derechos de autor, conversaciones extraídas de usuarios, o resultados de sistemas de IA rivales, los negocios que construyen productos sobre ese modelo podrían enfrentar exposición legal sin saberlo.
CIQ, la firma de infraestructura de IA detrás de OpenWALDO, lo expresó claramente: "A menudo no hay forma de saber qué datos entrenaron un modelo dado, bajo qué licencia, o con qué consentimiento".
Para un hospital que compra una herramienta de IA, un despacho de abogados que usa un asistente de IA, o un minorista que construye un chatbot de cliente, esa opacidad es un riesgo real. No se puede auditar lo que no se puede ver.
También hay un problema de desperdicio. Cada laboratorio de IA que entrena su propio modelo en secreto repite trabajo que otros ya han hecho. Un único conjunto de datos compartido y limpio, argumenta el equipo de OpenWALDO, permitiría a las empresas evitar esfuerzos duplicados y agregar sus propios datos privados sobre una base verificada.
¿Cómo se compara OpenWALDO con lo que usan los grandes laboratorios de IA?
La brecha es significativa en este momento. Véase los números:
| OpenWALDO | Modelo de última generación típico | |
|---|---|---|
| Tamaño del conjunto de datos | 167.3 mil millones de tokens | Decenas de billones de tokens |
| Tipos de fuente | Registros gubernamentales, artículos académicos, listas de correo, literatura de dominio público | No divulgados |
| Transparencia de licencia | Completamente abierto | Ampliamente desconocida |
| Gobernanza | Comunidad, código abierto | Cerrado, propietario |
Un token es aproximadamente tres cuartas partes de una palabra en inglés, entonces 167 mil millones de tokens es una biblioteca grande, pero sigue siendo una fracción de lo que modelos como GPT-4 o la serie Llama de Meta consumieron durante el entrenamiento.
Kurtzer traza un paralelismo directo con Linux, el sistema operativo de código abierto que ahora potencia la mayoría de los servidores de Internet. Los críticos alguna vez llamaron inseguro e indigno de confianza al código de código abierto. Ganó de todos modos, porque cualquiera podía inspeccionarlo, arreglarlo y mejorarlo.
"Linux no ganó por ser certificado seguro", dijo Kurtzer. "Ganó por ser inspeccionable, bifurcable y validado por la comunidad".
Si OpenWALDO sigue ese camino o se desvanece silenciosamente es genuinamente incierto. El espacio de entrenamiento de IA de código abierto está lleno de buenas intenciones y adopción limitada.
La conclusión honesta: si tu negocio depende de una herramienta de IA, pregunta a tu proveedor qué datos la entrenaron y si pueden mostrarte la licencia de esos datos. Probablemente no obtendrás una respuesta completa hoy. Pero hacer la pregunta te pone por delante de la mayoría de los compradores, y proyectos como OpenWALDO existen precisamente porque esa pregunta merece una respuesta.
