40% dintre conținuturile online sunt generate de inteligențele artificialeea noastră”

Noile articole generate de inteligența artificială au depășit pentru o scurtă perioadă numărul celor scrise de oameni pe internet, însă în prezent cele două categorii se află la niveluri comparabile, conform unui nou raport realizat de o companie specializată în optimizarea pentru motoarele de căutare, menționat de un site de informații.

Experții sunt îngrijorați de mult timp că, dacă materialele online create de AI vor deveni predominante, modelele lingvistice de amploare ar putea să intre în colaps din cauza supraîncărcării cu date generate artificial.

Un raport european din 2022 a estimat că până în anul 2026, 90% din conținutul de pe internet va fi produs de inteligența artificială.

Analiza realizată de firma Graphite asupra a 65.000 de adrese URL postate între 2020 și 2025 evidențiază o creștere bruscă a procentului de articole generate de AI după lansarea chatbot-ului ChatGPT în 2023.

Pentru această cercetare, compania a utilizat un instrument special pentru detectarea conținutului creat de AI, numit Surfer, pentru a analiza un eșantion aleatoriu de pagini dintr-o bază de date open source cunoscută sub denumirea de Common Crawl, care conține peste 300 de miliarde de pagini web. Această bază de date are o vechime de aproape două decenii și adaugă lunar între 3 și 5 miliarde de noi pagini.

Identificarea diferenței între conținutul pentru oameni și cel pentru mașini este dificilă.

De asemenea, companiile care produc conținut ar putea descoperi că materialele generate de AI nu sunt favorizate de motoarele de căutare sau de sistemele de răspuns ale chatbot-urilor, conform unui al doilea raport de la aceeași firmă.

Specialiștii au afirmat pentru site-ul de știri că, în condițiile actuale, nu se poate face o estimare precisă a proporției de conținut realizat de AI, având în vedere instrumentele și definițiile utilizate momentan.

Deși Common Crawl nu acoperă întregul web, acesta reprezintă una dintre cele mai mari surse de date pentru antrenarea modelelor de limbaj de mare amploare.

Sursa articol