Как ИИ учится на данных: объяснение обучения на фоне скандала с политикой скрейпинга Meta

Почему это в новостях прямо сейчас

16 октября 2026 года The Register сообщил, что пересмотренные коммерческие условия обслуживания Meta, которые вступят в силу 30 октября, предоставят компании право использовать автоматизированное программное обеспечение — описанное в условиях как включающее веб-скрейперы, ботов, роботов, пауков, краулеры и агентов пользователей — для доступа, индексирования, кеширования, анализа, сбора, получения или краулинга веб-сайтов, связанных с деловыми клиентами. Эти клиенты включают всех, кто размещает объявления Facebook, продает продукты через инструменты Meta, управляет Страницей или Группой для бизнеса, или использует агентов WhatsApp и Messenger AI, категорию, которую Meta назвала охватывающей примерно один миллион предприятий.

Условия гласили, что собранный контент может использоваться в различных целях, включая предоставление, разработку, улучшение, исследование, обучение и поддержку продуктов Meta. Президент и генеральный директор News/Media Alliance Даниэль Кофи назвала пункт «возмутительным и вероятно незаконным», утверждая, что он позволяет Meta отказать предприятиям в доступе к аудитории, если они не примут широкие условия сбора данных, сообщил The Register. Профессор права Университета Санта-Клары Эрик Голдман высказал процессуальные опасения по поводу того, что Meta вносит изменения в существующие отношения с клиентами без подлинной возможности отказа, и указал на историю Meta в области споров о конфиденциальности.

Столкнувшись с критикой, Meta пересмотрела формулировку. TechCrunch сообщил 17 октября, что компания удалила слово «обучение» из списка разрешенных использований и ограничила указанные цели рекламой и деловыми продуктами, а не всеми продуктами Meta. Представитель Meta заявил, что условия краулинга применяются только к рекламным и деловым продуктам компании и что изменение не изменило способ использования веб-краулеров Meta.

Даже после редактирования юристы сказали журналистам, что более широкое разрешение на краулинг остается в силе. По данным mediacopilot.ai, профессор права Корнельского университета Джеймс Гриммельманн заявил, что условия технически позволили бы Meta зарегистрировать учетные данные, которые видят больше сайта, чем анонимный посетитель, в то время как адвокат Loevy & Loevy Мэтт Тоpic сказал, что материал, поставленный на кон, может быть стоит многие миллионы долларов на лицензионном рынке. Ученый Висконсинского университета Бенджамин Собель сравнил эту договоренность с концепцией антимонопольного связывания, поскольку использование деловых инструментов Meta потребует принятия условий сбора данных.

Как модели искусственного интеллекта на самом деле учатся на данных

Отдельно от спора Meta механика обучения ИИ последовательна в большинстве современных систем. По данным объяснителя, опубликованного компанией по работе с ИИ Mercor, тренировочные данные — это набор примеров, которые изучает модель, каждый пример сдвигает внутренние числовые параметры модели. Модель делает прогноз, сравнивает его с правильным ответом в наборе данных, измеряет полученную ошибку и корректирует свои параметры, чтобы сократить эту ошибку — цикл повторяется на миллионах примеров.

Объяснитель Mercor различает помеченные данные, где люди предоставляют правильный ответ или категорию, от непомеченных данных, где модель должна самостоятельно выводить закономерности. Он также отделяет структурированные данные (таблицы, базы данных) от неструктурированных данных, таких как текст, изображения, аудио и видео. Многие современные большие языковые модели объединяют оба подхода: начальная фаза предварительного обучения на огромных объемах непомеченного текста или изображений создает общую способность, за которой следует тонкая настройка на меньших, помеченных наборах данных для формирования поведения, зависящего от задачи.

Откуда берутся сырые материалы

По данным того же объяснителя, тренировочные данные поступают из трех каналов: общественные наборы данных и репозитории, сделанные доступными для общего исследования, собственные данные, такие как внутренние записи компании, и аннотация человеком, где оплачиваемые работники помечают сырой материал для создания контролируемых примеров. Крупномасштабный веб-скрейпинг — автоматизированный краулинг общедоступных страниц — это один из наиболее распространенных способов, которыми компании собирают категорию открытых наборов данных в масштабе, требуемом современными моделями, что является причиной того, почему объем разрешений на краулинг любой компании, как в случае Meta, имеет прямое отношение к тому, сколько открытого веб-сайта может законно питать систему ИИ.

Почему дебаты о скрейпинге важны помимо Meta

Спор о формулировке Meta иллюстрирует два повторяющихся источника трения в практике данных ИИ: может ли условия обслуживания компании переопределять технические сигналы отказа, такие как файл robots.txt веб-сайта, и может ли корпоративное отношение, которое дает компании доступ к аудитории платформы, также использоваться для извлечения контента этого предприятия для обучения без отдельной оплаты или согласия. Как сообщала Nieman Lab, передано mediacopilot.ai, что большинство новостных организаций поддерживают по крайней мере один деловой счет Meta, что означает, что охват статьи может распространиться на большую часть индустрии новостей, несмотря на то, что она была сформулирована вокруг деловых клиентов, а не издателей конкретно.

Meta не отрицала, что ее краулеры могут получить доступ к контенту, связанному с деловыми счетами; ее позиция, как указана TechCrunch, состоит в том, что уточненные условия не изменяют существующее поведение краулинга. Юристы, цитируемые в сообщении, сказали, что остается неясным в судебном разбирательстве, является ли такой язык условий обслуживания подлежащим исполнению в отношении третьих сторон или в отношении ограничений robots.txt, оставляя практические границы пункта неразрешенными по мере приближения даты вступления в силу 30 октября.