Um novo projeto quer construir dados abertos e partilhados para treino de IA que qualquer pessoa possa inspecionar
OpenWALDO é um conjunto de dados colaborativo que qualquer empresa poderia usar como uma base limpa e auditável para treinar modelos de IA. Neste momento é minúsculo. A ideia por trás dele não é.
Pontos-chave
- OpenWALDO, lançado por Gregory Kurtzer, fundador do CentOS e Rocky Linux, é um conjunto de dados partilhado e com licença aberta, destinado como fundação pública para treinar modelos de IA.
- O projeto é financiado pela CIQ, empresa de infraestrutura de IA de Kurtzer, e atualmente contém 167,3 mil milhões de tokens de referência extraídos de registos governamentais, artigos académicos e literatura de domínio público.
- Os modelos de IA de fronteira treinam tipicamente em dezenas de triliões de tokens, o que significa que o conjunto de dados atual do OpenWALDO é uma pequena fração do que os grandes modelos necessitam.
- A CIQ argumenta que dados de treino ocultos colocam as empresas em risco legal e de segurança, porque ninguém pode verificar que material protegido por direitos de autor ou restrito pode estar incorporado num modelo.
- Nenhuma empresa confirmou publicamente que treinou um modelo no OpenWALDO até agora; a CIQ não respondeu quando questionada.
A maioria dos modelos de IA é construída sobre segredos. Os dados utilizados para os ensinar o que dizer, como raciocinar e o que evitar quase nunca são divulgados às pessoas que compram e usam esses modelos. Um novo projeto chamado OpenWALDO, reportado pela primeira vez por The Register AI, quer mudar isso.
OpenWALDO significa Open Weights, Artifacts, Licenses, Data, Origins. O nome é extenso, mas a ideia é simples: construir um conjunto partilhado e publicamente inspecionável de dados de treino, o texto bruto e a informação que os modelos de IA aprendem, para que qualquer empresa ou investigador possa utilizá-lo como um ponto de partida verificado.
Por que é que dados ocultos de treino importam para empresas comuns?
Os dados de treino ocultos são uma responsabilidade, não apenas um problema filosófico. Se um modelo aprendeu com livros protegidos por direitos de autor, conversas de utilizadores raspadas, ou resultados de sistemas de IA rivais, as empresas que constroem produtos sobre esse modelo poderiam enfrentar exposição legal sem o saber.
A CIQ, a empresa de infraestrutura de IA por trás do OpenWALDO, colocou claramente: "Frequentemente, não há forma de saber que dados treinaram um modelo dado, sob que licença, ou com que consentimento."
Para um hospital a comprar uma ferramenta de IA, um escritório de advocacia a usar um assistente de IA, ou um retalhista a construir um chatbot de cliente, essa opacidade é um risco real. Não pode auditar aquilo que não consegue ver.
Existe também um problema de desperdício. Cada laboratório de IA a treinar o seu próprio modelo em segredo repete trabalho que outros já fizeram. Um único conjunto de dados partilhado e limpo, argumenta a equipa do OpenWALDO, permitiria que as empresas saltassem esforço duplicado e adicionassem os seus próprios dados privados em cima de uma linha de base verificada.
Como é que OpenWALDO se compara ao que os grandes laboratórios de IA usam?
A diferença é significativa neste momento. Veja os números:
| OpenWALDO | Modelo de fronteira típico | |
|---|---|---|
| Tamanho do conjunto de dados | 167,3 mil milhões de tokens | Dezenas de triliões de tokens |
| Tipos de fonte | Registos governamentais, artigos académicos, listas de distribuição, literatura de domínio público | Não divulgado |
| Transparência de licença | Totalmente aberta | Largamente desconhecida |
| Governança | Comunidade, código aberto | Fechada, proprietária |
Um token é aproximadamente três quartos de uma palavra em inglês, pelo que 167 mil milhões de tokens é uma grande biblioteca, mas ainda uma fração do que modelos como GPT-4 ou a série Llama da Meta consumiram durante o treino.
Kurtzer estabelece um paralelo direto com Linux, o sistema operativo de código aberto que agora alimenta a maioria dos servidores da internet. Os críticos uma vez chamaram o código de código aberto inseguro e indigno de confiança. Venceu mesmo assim, porque qualquer pessoa podia inspecionar, corrigir e melhorá-lo.
"Linux não venceu por ser certificado como seguro," disse Kurtzer. "Venceu por ser inspecionável, ramificável e validado pela comunidade."
Se OpenWALDO segue esse caminho ou desaparece silenciosamente é genuinamente incerto. O espaço de treino de IA de código aberto está cheio de boas intenções e fraca adoção.
A conclusão honesta: se o seu negócio depende de uma ferramenta de IA, pergunte ao seu fornecedor que dados a treinaram e se podem mostrar-lhe a licença para esses dados. Provavelmente não receberá uma resposta completa hoje. Mas colocar a questão coloca-o à frente da maioria dos compradores, e projetos como OpenWALDO existem precisamente porque essa questão merece uma resposta.
