Αυτοματοποίηση της Προστασίας Πνευματικών Δικαιωμάτων σε Εικόνες που Γεννιούνται από τον AI

Όπως συζητήθηκε την περασμένη εβδομάδα, ακόμη και τα βασικά μοντέλα που βρίσκονται πίσω από δημοφιλείς γεννητικούς συστήματα AI μπορούν να παράγουν περιεχόμενο που παραβιάζει πνευματικά δικαιώματα, λόγω ανεπαρκούς ή μη συγχρονισμένης επιμέλειας, καθώς και της παρουσίας πολλών εκδόσεων της ίδιας εικόνας στα δεδομένα εκπαίδευσης, οδηγώντας σε υπερπροσαρμογή, και αυξάνοντας τη πιθανότητα αναγνώρισης αναπαραγωγών.

Παρά τις προσπάθειες να κυριαρχήσουν στον χώρο του γεννητικού AI, και την αυξανόμενη πίεση να μειωθούν οι παραβιάσεις πνευματικών δικαιωμάτων, μεγάλες πλατφόρμες όπως το MidJourney και το DALL-E της OpenAI συνεχίζουν να αντιμετωπίζουν προκλήσεις στην πρόληψη της ακούσιας αναπαραγωγής προστατευμένου με πνευματικά δικαιώματα περιεχομένου:

Η ικανότητα των γεννητικών συστημάτων να αναπαράγουν προστατευμένα δεδομένα εμφανίζεται τακτικά στα μέσα ενημέρωσης.

Όπως новые μοντέλα εμφανίζονται, και καθώς τα κινέζικα μοντέλα κερδίζουν κυριαρχία, η καταστολή του προστατευμένου υλικού στα μοντέλα είναι ένα δυσχερές πρόβλημα· στην πραγματικότητα, ο ηγέτης της αγοράς OpenAI δήλωσε πέρυσι ότι είναι ‘αδύνατο’ να δημιουργηθούν αποτελεσματικά και χρήσιμα μοντέλα χωρίς προστατευμένα δεδομένα.

Προηγούμενο Έργο

Σχετικά με την ακούσια γεννήση προστατευμένου υλικού, η ερευνητική σκηνή αντιμετωπίζει μια παρόμοια πρόκληση με αυτή της ένταξης πορνογραφικού και άλλου μη κατάλληλου υλικού στα δεδομένα πηγής: θέλουμε το όφελος της γνώσης (δηλ. σωστό ανθρώπινο ανατομία, που ιστορικά ήταν βασισμένο σε μελέτες γυμνού) χωρίς την ικανότητα να την αποκτήσουμε.

Ομοίως, οι δημιουργοί μοντέλων θέλουν το όφελος του τεράστιου εύρους προστατευμένου υλικού που βρίσκεται στα υπερκείμενα σύνολα, όπως το LAION, χωρίς το μοντέλο να αναπτύσσει την ικανότητα να παραβιάζει πνευματικά δικαιώματα.

Αγνοώντας τους ηθικούς και νομικούς κινδύνους της απόπειρας να κρύψουν τη χρήση προστατευμένου υλικού, η φιλτράρισή του για την δεύτερη περίπτωση είναι σημαντικά πιο δύσκολο. Το μη κατάλληλο υλικό συχνά περιέχει ξεχωριστά χαμηλού επιπέδου潜在 χαρακτηριστικά που επιτρέπουν μια αυξανόμενη αποτελεσματική φιλτράρισή του χωρίς να απαιτούν άμεσες συγκρίσεις με πραγματικά υλικά. Από την άλλη πλευρά, τα 潜在 εμβύθυσή που ορίζουν εκατομμύρια προστατευμένα έργα δεν μειώνονται σε ένα σύνολο εύκολα αναγνωρίσιμων σημάτων, καθιστώντας την αυτοματοποιημένη ανίχνευση πολύ πιο σύνθετη.

CopyJudge

Η ανθρώπινη κρίση είναι ένα σπάνιο και ακριβό αγαθό, τόσο στην επιμέλεια των συνόλων δεδομένων όσο και στη δημιουργία φίλτρων και συστημάτων ασφαλείας που σχεδιάζονται για να διασφαλίσουν ότι το υλικό με πνευματικά δικαιώματα δεν παραδίδεται στους χρήστες των API-βασισμένων πυλών όπως το MidJourney και η ικανότητα δημιουργίας εικόνων του ChatGPT.

Για αυτόν τον λόγο, μια νέα ακαδημαϊκή συνεργασία μεταξύ της Ελβετίας, της Sony AI και της Κίνας προσφέρει CopyJudge – một αυτοματοποιημένο μέθοδο για την ορχήστρωση διαδοχικών ομάδων συνεργαζόμενων “δικαστών” που βασίζονται στο ChatGPT, οι οποίοι μπορούν να εξετάσουν τις εισαγωγές για σημάδια πιθανής παραβίασης πνευματικών δικαιωμάτων.

Το CopyJudge αξιολογεί διάφορες γεννήσεις AI που παραβιάζουν πνευματικά δικαιώματα. Πηγή: https://arxiv.org/pdf/2502.15278

Το CopyJudge προσφέρει αποτελεσματικά ένα αυτοματοποιημένο πλαίσιο που χρησιμοποιεί μεγάλες οπτικές-γλωσσικές μοντέλα (LVLMs) για να καθορίσει σημαντική ομοιότητα μεταξύ προστατευμένων εικόνων και εκείνων που παράγονται από μοντέλα διαχύσεως κειμένου-εικόνας.

Η προσέγγιση του CopyJudge χρησιμοποιεί ενισχυτική μάθηση και άλλες προσεγγίσεις για να βελτιώσει τις προτροπές που παραβιάζουν πνευματικά δικαιώματα και στη συνέχεια χρησιμοποιεί πληροφορίες από αυτές τις προτροπές για να δημιουργήσει νέες προτροπές που είναι λιγότερο πιθανό να προκαλέσουν εικόνες που παραβιάζουν πνευματικά δικαιώματα.

Αν και πολλά online γεννητικά συστήματα AI φιλτράρουν τις προτροπές των χρηστών για μη κατάλληλο υλικό, προστατευμένο υλικό, αναπαραγωγή πραγματικών προσώπων και διάφορα άλλα απαγορευμένα πεδία, το CopyJudge χρησιμοποιεί εξευγενισμένες “παραβιάζουσες” προτροπές για να δημιουργήσει “καθαρές” προτροπές που είναι λιγότερο πιθανό να προκαλέσουν απαγορευμένες εικόνες, χωρίς την πρόθεση να αποκλείσουν trực tiếp την υποβολή του χρήστη.

Αν και αυτή δεν είναι μια νέα προσέγγιση, προχωρά προς την απελευθέρωση των API-βασισμένων γεννητικών συστημάτων από την απλή άρνηση της εισαγωγής του χρήστη (τουλάχιστον επειδή αυτό επιτρέπει στους χρήστες να αναπτύξουν πίσω πόρτες σε απαγορευμένες γεννήσεις, μέσω πειραμάτων).

Μια πρόσφατη εκμετάλλευση (η οποία έχει κλείσει από τους dévelopers) επέτρεψε στους χρήστες να γεννήσουν πορνογραφικό υλικό στην πλατφόρμα Kling γεννητικού AI απλώς συμπεριλαμβάνοντας ένα nổi bật σταυρό ή σταυρό σε μια εικόνα-βίντεο ροής.

<img class=" wp-image-212910" src="https://www.unite.ai/wp-content/uploads/2025/02/kling-cross.jpg" alt="Σε μια επικαλύπτως που έκλεισε από τους dévelopers του Kling στα τέλη του 2024, οι χρήστες μπορούσαν να αναγκάσουν το σύστημα να παράγει απαγορευμένα βίντεο NSFW απλώς ζητώντας να είναι nổiβατο ένα σταυρό ή σταυρός στην αρχή του βίντεο. Αν και δεν υπάρχει καμία εξήγηση για το λόγο πίσω από αυτή την παλιά εκμετάλλευση, μπορούμε να φανταστούμε ότι ήταν σχεδιασμένο για να επιτρέψει 'αποδεκτές' θρησκευτικές χριστιανικές (αρσενικές) γυμνές αναπαραστάσεις σε αναπαραστάσεις σταυρώσεων· και ότι η επίκληση μιας εικόνας σταυρού είχε ως αποτέλεσμα την 'απελευθέρωση' ευρύτερου υλικού NSFW· αλλά μπορεί να μην το μάθουμε ποτέ! Πηγή: Discord

Παραδείγματα όπως αυτό τονίζουν την ανάγκη για καθαρισμό προτρόπων στα online γεννητικά συστήματα, όχι τουλάχιστον επειδή η μηχανική εξαφάνιση, όπου το ίδιο το μοντέλο βάσης τροποποιείται για να αφαιρεθεί το απαγορευμένο υλικό, μπορεί να έχει απρόσμενα αποτελέσματα στην τελική χρησιμότητα του μοντέλου.

Ζητώντας λιγότερο δραστικές λύσεις, το σύστημα CopyJudge μιμείται ανθρώπινες νομικές κρίσεις χρησιμοποιώντας AI για να σπάσει τις εικόνες σε βασικά στοιχεία όπως σύνθεση και χρώμα, για να φιλτράρει τα μη προστατευμένα μέρη και να συγκρίνει ότι μένει. Περιλαμβάνει επίσης μια AI-κίνητη μέθοδο για να điều chỉnh τις προτροπές και να τροποποιήσει την γεννήση εικόνων, βοηθώντας να αποφευχθούν προβλήματα πνευματικών δικαιωμάτων ενώ διατηρείται το δημιουργικό περιεχόμενο.

Πειραματικά αποτελέσματα, οι συγγραφείς διατηρούν, αποδεικνύουν την ισοδυναμία του CopyJudge με τις state-of-the-art προσεγγίσεις σε αυτήν την αναζήτηση, και δείχνουν ότι το σύστημα παρουσιάζει ανώτερη γενίκευση και ερμηνευσιμότητα, σε σύγκριση με προηγούμενες εργασίες.

Το νέο έγγραφο έχει τον τίτλο CopyJudge: Αυτοματοποιημένη Αναγνώριση και Μείωση Παραβίασης Πνευματικών Δικαιωμάτων σε Μοντέλα Διαχύσεως Κειμένου-Εικόνας, και προέρχεται από πέντε ερευνητές σε EPFL, Sony AI και το Πανεπιστήμιο Westlake της Κίνας.

Μέθοδος

Αν και το CopyJudge χρησιμοποιεί GPT για να δημιουργήσει κυλιόμενες δίκες αυτοματοποιημένων δικαστών, οι συγγραφείς τονίζουν ότι το σύστημα δεν είναι βελτιστοποιημένο για το προϊόν της OpenAI, και ότι οποιοδήποτε αριθμός εναλλακτικών Μεγάλων Οπτικών-Γλωσσικών Μοντέλων (LVLMs) θα μπορούσε να χρησιμοποιηθεί αντί για αυτό.

Στην πρώτη περίπτωση, το πλαίσιο αφαίρεσης-φιλτραρίσματος-συγκρίσεως των συγγραφέων απαιτείται για να αναλύσει τις πηγαίες εικόνες σε συνιστώσες μέρη, όπως φαίνεται στην αριστερή πλευρά του σχήματος παρακάτω:

Σχέδιο για την αρχική φάση της ροής εργασίας του CopyJudge.

Στη κάτω αριστερή γωνία βλέπουμε ένα φίλτρο που αναλύει τις εικόνες σε μια προσπάθεια να αναγνωρίσει χαρακτηριστικά που θα μπορούσαν να είναι φυσικά για ένα προστατευμένο έργο, αλλά τα οποία από μόνα τους θα ήταν πολύ γενικά για να θεωρηθούν ως παραβίαση.

Πολυάριθμα LVLMs χρησιμοποιούνται στη συνέχεια για να αξιολογήσουν τα φιλτραρισμένα στοιχεία – μια προσέγγιση που έχει αποδειχθεί αποτελεσματική σε έγγραφα όπως η προσφορά του CSAIL το 2023 Improving Factuality and Reasoning in Language Models through Multiagent Debate, και ChatEval, μεταξύ άλλων που αναγνωρίζονται στο νέο έγγραφο.

Οι συγγραφείς δηλώνουν:

‘[Εμείς] υιοθετούμε μια πλήρως συνδεδεμένη συγχρονική επικοινωνιακή προσέγγιση συζήτησης, όπου κάθε LVLM λαμβάνει τις [απαντήσεις] από τα [άλλα] LVLMs πριν από την अगलή κρίση. Αυτό δημιουργεί einen δυναμικό βρόχο ανατροφοδότησης που ενισχύει την αξιοπιστία και το βάθος της ανάλυσης, καθώς τα μοντέλα προσαρμόζουν τις αξιολογήσεις τους με βάση τις νέες εντυπώσεις που παρουσιάζονται από τους ομότιμούς τους.

‘Κάθε LVLM μπορεί να điều chỉnh την αξιολόγησή του με βάση τις απαντήσεις από τα άλλα LVLMs ή να την αφήσει αμετάβλητη.’

Πολυάριθμα ζευγάρια εικόνων που αξιολογούνται από ανθρώπους περιλαμβάνονται επίσης στη διαδικασία μέσω της few-shot in-context μάθησης’

Όταν οι “δίκες” στο βρόχο φτάσουν σε μια συναίνεση που βρίσκεται εντός του εύρους της αποδοχής, τα αποτελέσματα μεταφέρονται σε ένα “μετα-δικαστή” LVLM, το οποίο συνθέτει τα αποτελέσματα σε einen τελικό βαθμό.

Μείωση

Στη συνέχεια, οι συγγραφείς επικεντρώθηκαν στη διαδικασία μείωσης προτρόπων που περιγράφηκε νωρίτερα.

Το σχήμα του CopyJudge για την μείωση της παραβίασης πνευματικών δικαιωμάτων με την εξευγενισμό των προτρόπων και του.latent θορύβου. Το σύστημα điều chỉnh τις προτροπές επαναληπτικά, χρησιμοποιώντας ενισχυτική μάθηση για να τροποποιήσει τις.latent μεταβλητές καθώς οι προτροπές εξελίσσονται, ελπίζοντας να μειώσει τον κίνδυνο παραβίασης.

Οι δύο μέθοδοι που χρησιμοποιούνται για την μείωση προτρόπων ήταν η LVLM-βασισμένη έλεγχος προτρόπων, όπου αποτελεσματικές μη-παραβιάζουσες προτροπές αναπτύσσονται επαναληπτικά σεクラστερ GPT – μια προσέγγιση που είναι πλήρως “μαύρο κουτί”, απαιτώντας keine εσωτερική πρόσβαση στη δομή του μοντέλου; και μια ενισχυτική μάθηση-βασισμένη (RL-βασισμένη) προσέγγιση, όπου το αντάλλαγμα σχεδιάζεται για να τιμωρήσει τις εξόδους που παραβιάζουν πνευματικά δικαιώματα.

Δεδομένα και Τεστ

Για να δοκιμάσουν το CopyJudge, χρησιμοποιήθηκαν διάφορα σύνολα δεδομένων, συμπεριλαμβανομένων D-Rep, το οποίο περιέχει πραγματικές και ψευδείς ζευγάρια εικόνων που αξιολογούνται από ανθρώπους σε μια βαθμολογία 0-5.

Εξερεύνηση του συνόλου δεδομένων D-Rep στο Hugging Face. Αυτή η συλλογή ζευγαρώνει πραγματικές και γεννημένες εικόνες. Πηγή: https://huggingface.co/datasets/WenhaoWang/D-Rep/viewer/default/

Το σχήμα του CopyJudge θεωρεί τις εικόνες D-Rep που αξιολογούνται 4 ή περισσότερα ως παραδείγματα παραβίασης, με τα υπόλοιπα να κρατούνται ως μη-πνευματικά-δικαιώματα-σχετικά. Οι 4000 επίσημες εικόνες του συνόλου δεδομένων χρησιμοποιήθηκαν ως εικόνες δοκιμής. Επιπλέον, οι ερευνητές επέλεξαν και κατηγοριοποίησαν εικόνες για 10 διάσημους χαρακτήρες καρτούν από το Wikipedia.

Οι τρεις αρχιτεκτονικές διαχύσεως που χρησιμοποιήθηκαν για να γεννήσουν πιθανώς παραβιάζουσες εικόνες ήταν Stable Diffusion V2; Kandinsky2-2; και Stable Diffusion XL. Οι συγγραφείς επέλεξαν χειροκίνητα μια παραβιάζουσα εικόνα και μια μη-παραβιάζουσα εικόνα από κάθε μοντέλο, φτάνοντας σε 60 θετικά και 60 αρνητικά δείγματα.

Οι μεθοδοί αναφοράς που επιλέχθηκαν για σύγκριση ήταν: L₂ norm; Learned Perceptual Image Patch Similarity (LPIPS); SSCD; RLCP; και PDF-Emb. Για μετρικές, χρησιμοποιήθηκαν Ακρίβεια και F1 score ως κριτήρια για παραβίαση.

Το GPT-4o χρησιμοποιήθηκε για να πληρώσει τις εσωτερικές ομάδες συζήτησης του CopyJudge, χρησιμοποιώντας τρεις πράκτορες για το μέγιστο πέντε επαναλήψεις σε οποιαδήποτε υποβεβλημένη εικόνα. Τρεις τυχαίες εικόνες από κάθε βαθμολογία στο D-Rep χρησιμοποιήθηκαν ως ανθρώπινες πriors για τους πράκτορες να λάβουν υπόψη.

Αποτελέσματα παραβίασης για το CopyJudge στη πρώτη γύρο.

Από αυτά τα αποτελέσματα, οι συγγραφείς σχολιάζουν:

‘[Είναι] φανερό ότι οι παραδοσιακές μεθόδους ανίχνευσης αντιγραφής εικόνων παρουσιάζουν περιορισμούς στην αναγνώριση παραβίασης πνευματικών δικαιωμάτων. Η προσέγγισή μας υπερέχει σημαντικά τις περισσότερες μεθόδους. Για τη μεθοδολογία state-of-the-art, PDF-Emb, η οποία εκπαιδεύτηκε σε 36.000 δείγματα από το D-Rep, η απόδοσή μας στο D-Rep είναι ελαφρώς κατώτερη.

‘Ωστόσο, η κακή απόδοσή της στο σύνολο δεδομένων Cartoon IP και Artwork υπογραμμίζει την έλλειψη ικανότητας γενίκευσης, ενώ η μέθοδός μας παρουσιάζει εξαιρετικά αποτελέσματα σε όλα τα σύνολα δεδομένων.’

Οι συγγραφείς σημειώνουν επίσης ότι το CopyJudge παρέχει ένα “σχετικά” πιο ξεχωριστό όριο μεταξύ έγκυρων και παραβιάζουσων περιπτώσεων:

Πρόσθετα παραδείγματα από τις δοκιμαστικές γύρους, στο συμπληρωματικό υλικό του νέου εγγράφου.

Οι ερευνητές σύγκριναν τις μεθόδους τους με μια συνεργασία της Sony AI από το 2024 με τίτλο Αναγνώριση, Εξήγηση και Μείωση της Αναμνήσεως σε Μοντέλα Διαχύσεως. Αυτή η εργασία использовала ένα εξειδικευμένο μοντέλο Stable Diffusion με 200 αναμνησμένα (δηλ. υπερ-προσαρμοσμένα) εικόνες, για να προκαλέσει προστατευμένα δεδομένα κατά την εύρεση.

Οι συγγραφείς της νέας εργασίας βρήκαν ότι η δική τους μέθοδος μείωσης προτρόπων, σε σύγκριση με την προσέγγιση του 2024, ήταν σε θέση να παράγει εικόνες που είναι λιγότερο πιθανό να προκαλέσουν παραβίαση.

Αποτελέσματα μείωσης αναμνήσεως με το CopyJudge σε σύγκριση με την εργασία του 2024.

Οι συγγραφείς σχολιάζουν εδώ:

‘[Η μέθοδός μας] μπορεί να παράγει εικόνες που είναι λιγότερο πιθανό να προκαλέσουν παραβίαση, διατηρώντας μια συγκρίσιμη, ελαφρώς μειωμένη ταχύτητα αντιστοίχισης. Όπως φαίνεται [στην εικόνα παρακάτω], η μέθοδός μας αποφεύγει αποτελεσματικά τα μειονεκτήματα της [προηγούμενης] μεθόδου, συμπεριλαμβανομένης της αδυναμίας να μειώσει την αναμνήση ή να παράγει高度 deviated εικόνες.’

Σύγκριση των γεννημένων εικόνων και προτρόπων πριν και μετά την μείωση της αναμνήσεως.

Οι συγγραφείς έτρεξαν περαιτέρω δοκιμές σχετικά με την μείωση παραβίασης, μελετώντας ρητή και λανθασμένη παραβίαση.

Ρητή παραβίαση συμβαίνει όταν οι προτροπές αναφέρουν trực tiếp προστατευμένα υλικά, όπως ‘Γεννήστε μια εικόνα του Mickey Mouse’. Για να δοκιμάσουν αυτό, οι ερευνητές χρησιμοποίησαν 20 δείγματα καρτούν και έργων τέχνης, γεννώντας παραβιάζουσες εικόνες στο Stable Diffusion v2 με προτροπές που περιείχαν ρητά ονόματα ή εύθυνες.

Σύγκριση μεταξύ της μεθόδου Latent Control (LC) των συγγραφέων και της μεθόδου Prompt Control (PC) της προηγούμενης εργασίας, σε διάφορες παραλλαγές, χρησιμοποιώντας το Stable Diffusion για να δημιουργήσει εικόνες που απεικονίζουν ρητή παραβίαση.

Λανθασμένη παραβίαση συμβαίνει όταν μια προτροπή δεν περιέχει ρητές αναφορές πνευματικών δικαιωμάτων, αλλά vẫn οδηγεί σε μια παραβιάζουσα εικόνα λόγω某些 περιγραφικών στοιχείων – ένα σενάριο που είναι ιδιαίτερα σχετικό με εμπορικά μοντέλα κειμένου-εικόνας, τα οποία συχνά ενσωματώνουν συστήματα ανίχνευσης περιεχομένου για να αναγνωρίσουν και να αποκλείσουν προτροπές που σχετίζονται με πνευματικά δικαιώματα.

Για να εξετάσουν αυτό, οι συγγραφείς χρησιμοποίησαν τα ίδια δείγματα με την ρητή παραβίαση, αλλά γεννήθηκαν παραβιάζουσες εικόνες χωρίς ρητές αναφορές πνευματικών δικαιωμάτων, χρησιμοποιώντας το DALL-E 3 (αν και το έγγραφο σημειώνει ότι το μοντέλο είχε ένα ενσωματωμένο σύστημα ασφαλείας που απέρριψε ορισμένες προτροπές που ενεργοποιούσαν τα φίλτρα του).

Λανθασμένη παραβίαση χρησιμοποιώντας το DALLE-3, με βαθμολογία παραβίασης και CLIP.

Οι συγγραφείς δηλώνουν:

‘[Η μέθοδός μας] μπορεί να μειώσει σημαντικά την πιθανότητα παραβίασης, τόσο για ρητή όσο και για λανθασμένη παραβίαση, με μια ελαφρά μείωση του CLIP Score. Η βαθμολογία παραβίασης μετά τη μόνη Latent Control είναι σχετικά υψηλότερη από ότι μετά τον έλεγχο προτρόπων, επειδή η ανάκτηση μη-παραβιάζουσων Latent χωρίς αλλαγή της προτροπής είναι khá δύσκολη. Ωστόσο, μπορούμε ακόμα να μειώσουμε την βαθμολογία παραβίασης, διατηρώντας υψηλότερη ποιότητα αντιστοίχισης εικόνας-κειμένου.’

‘[Η εικόνα παρακάτω] δείχνει αποτελέσματα οπτικοποίησης, όπου μπορεί να παρατηρηθεί ότι αποφεύγουμε την παραβίαση πνευματικών δικαιωμάτων, διατηρώντας τις απαιτήσεις του χρήστη.’

Γεννημένες εικόνες πριν και μετά την μείωση της παραβίασης πνευματικών δικαιωμάτων.

Συμπέρασμα

Αν και η μελέτη παρουσιάζει μια υποσχόμενη προσέγγιση για την προστασία πνευματικών δικαιωμάτων σε εικόνες που γεννιούνται από τον AI, η εξάρτηση από μεγάλες οπτικές-γλωσσικές μοντέλα (LVLMs) για την ανίχνευση παραβίασης μπορεί να προκαλέσει ανησυχίες σχετικά με την προκατάληψη και τη συνεπή ανίχνευση, поскольку οι κρίσεις AI-κίνητες μπορεί να μην συμφωνούν πάντα με νομικά πρότυπα.

Πιθανότατα το πιο σημαντικό, το έργο αυτό υποθέτει επίσης ότι η επιβολή πνευματικών δικαιωμάτων μπορεί να αυτοματοποιηθεί, παρά τις πραγματικές νομικές αποφάσεις που συχνά περιλαμβάνουν υποκειμενικά και περιβαλλοντικά στοιχεία που ο AI μπορεί να δυσκολευτεί να ερμηνεύσει.

Στον πραγματικό κόσμο, η αυτοματοποίηση της νομικής συναίνεσης, ιδιαίτερα γύρω από την έξοδο από τον AI, φαίνεται ότι θα παραμείνει ένα αμφιλεγόμενο ζήτημα πολύ πέρα από αυτή τη στιγμή, και πολύ πέρα από το πεδίο που αντιμετωπίζεται σε αυτή τη δουλειά.

Πρώτη δημοσίευση την Δευτέρα, 24 Φεβρουαρίου 2025