Masalah Plagiarisme: Bagaimana Model AI Generatif Menghasilkan Konten Berhak Cipta

Kemajuan pesat dalam AI generatif telah memicu kegembiraan tentang potensi kreatif teknologi ini. Namun, model-model kuat ini juga menimbulkan risiko yang mengkhawatirkan seputar reproduksi konten berhak cipta atau plagiarisme tanpa atribusi yang tepat.

Bagaimana Jaringan Saraf Menyerap Data Pelatihan

Sistem AI modern seperti GPT-3 dilatih melalui proses yang disebut transfer learning. Mereka mengonsumsi dataset besar yang diambil dari sumber publik seperti situs web, buku, makalah akademis, dan lain-lain. Misalnya, data pelatihan GPT-3 mencakup 570 gigabyte teks. Selama pelatihan, AI mencari pola dan hubungan statistik dalam kumpulan data yang besar ini. Ia mempelajari korelasi antara kata, kalimat, paragraf, struktur bahasa, dan fitur lainnya.

Hal ini memungkinkan AI untuk menghasilkan teks atau gambar baru yang kohesif dengan memprediksi urutan yang mungkin mengikuti input atau prompt tertentu. Namun, ini juga berarti model-model ini menyerap konten tanpa memperhatikan hak cipta, atribusi, atau risiko plagiarisme. Sebagai hasilnya, AI generatif dapat tidak sengaja menghasilkan kalimat atau paragraf yang identik dengan konten berhak cipta dari korpus pelatihan mereka.

Contoh-Contoh Plagiarisme AI

Kekhawatiran tentang plagiarisme AI muncul secara menonjol sejak 2020 setelah rilis GPT.

Penelitian terbaru telah menunjukkan bahwa model bahasa besar (LLM) seperti GPT-3 dapat menghasilkan kalimat yang identik dengan konten berhak cipta dari data pelatihan mereka tanpa kutipan (Nasr et al., 2023; Carlini et al., 2022). Misalnya, gugatan oleh The New York Times mengungkapkan bahwa perangkat lunak OpenAI menghasilkan artikel The New York Times yang hampir identik (The New York Times, 2023).

Temuan-temuan ini menunjukkan bahwa beberapa sistem AI generatif mungkin menghasilkan output plagiarisme yang tidak diinginkan, yang berisiko melanggar hak cipta. Namun, prevalensi masih tidak pasti karena sifat “black box” dari LLM. Gugatan The New York Times berpendapat bahwa output tersebut merupakan pelanggaran, yang dapat memiliki implikasi besar bagi pengembangan AI generatif. Secara keseluruhan, bukti menunjukkan bahwa plagiarisme adalah masalah bawaan dalam model jaringan saraf besar yang memerlukan kewaspadaan dan pengawasan.

Kasus-kasus ini mengungkapkan dua faktor kunci yang mempengaruhi risiko plagiarisme AI:

1. Ukuran model – Model yang lebih besar seperti GPT-3.5 lebih rentan menghasilkan kalimat yang identik dengan konten berhak cipta dibandingkan dengan model yang lebih kecil. Dataset pelatihan yang lebih besar meningkatkan paparan terhadap konten berhak cipta.
2. Data pelatihan – Model yang dilatih pada data internet yang diambil atau karya berhak cipta (bahkan jika dilisensikan) lebih rentan melakukan plagiarisme dibandingkan dengan model yang dilatih pada dataset yang dipilih dengan hati-hati.

Namun, mengukur langsung prevalensi output plagiarisme adalah sulit. Sifat “black box” dari jaringan saraf membuatnya sulit untuk sepenuhnya melacak hubungan antara data pelatihan dan output model. Tingkat kemungkinan sangat bergantung pada arsitektur model, kualitas dataset, dan formulasi prompt. Namun, kasus-kasus ini mengkonfirmasi bahwa plagiarisme AI terjadi secara tidak ragu, yang memiliki implikasi hukum dan etika yang kritis.

Sistem Deteksi Plagiarisme yang Muncul

Sebagai respons, peneliti telah mulai mengembangkan sistem AI untuk mendeteksi teks dan gambar yang dihasilkan oleh model versus yang dibuat oleh manusia. Misalnya, peneliti di Mila mengusulkan GenFace yang menganalisis pola linguistik yang menunjukkan teks yang ditulis oleh AI. Startup Anthropic juga mengembangkan kemampuan deteksi plagiarisme internal untuk AI konversasional Claude.

Namun, alat-alat ini memiliki keterbatasan. Dataset pelatihan yang besar dari model seperti GPT-3 membuatnya sulit untuk menentukan sumber asli dari konten yang diplesetkan, jika tidak mustahil. Teknik yang lebih kuat akan diperlukan karena model generatif terus berkembang pesat. Sampai saat itu, tinjauan manual tetap penting untuk menyaring output AI yang potensial diplesetkan atau melanggar sebelum digunakan secara publik.

Praktik Terbaik untuk Mengurangi Plagiarisme AI Generatif

Berikut adalah praktik terbaik yang dapat diadopsi oleh pengembang AI dan pengguna untuk meminimalkan risiko plagiarisme:

Untuk pengembang AI:

• Teliti sumber data pelatihan untuk menghindari konten berhak cipta atau lisensi tanpa izin yang tepat.
• Kembangkan prosedur dokumentasi data dan pelacakan provenance yang ketat. Catat metadata seperti lisensi, tag, pembuat, dan lain-lain.
• Implementasikan alat deteksi plagiarisme untuk menandai konten berisiko tinggi sebelum dirilis.
• Berikan laporan transparansi yang merinci sumber data pelatihan, lisensi, dan asal output AI ketika kekhawatiran muncul.
• Izinkan pembuat konten untuk mengopt-out dari dataset pelatihan dengan mudah. Patuhi permintaan penghapusan atau pengecualian dengan cepat.

Untuk pengguna AI:

• Periksa output dengan teliti untuk mengidentifikasi kalimat atau paragraf yang mungkin diplesetkan atau tidak memiliki atribusi sebelum digunakan secara luas.
• Hindari memperlakukan AI sebagai sistem kreatif yang sepenuhnya otonom. Pastikan tinjauan manusia untuk memeriksa konten akhir.
• Pilih AI yang membantu kreativitas manusia daripada menghasilkan konten baru secara utuh. Gunakan model untuk memparafrasekan atau menghasilkan ide daripada menciptakan konten dari awal.
• Konsultasikan ketentuan layanan dan kebijakan konten dari penyedia AI sebelum menggunakan. Hindari model yang tidak transparan.
• Berikan atribusi sumber dengan jelas jika konten berhak cipta muncul dalam output akhir meskipun upaya terbaik untuk menghindarinya. Jangan sajikan karya AI sebagai karya asli sepenuhnya.
• Batasi berbagi output secara pribadi atau rahasia sampai risiko plagiarisme dapat dievaluasi dan diatasi lebih lanjut.

Peraturan yang lebih ketat tentang data pelatihan mungkin juga diperlukan karena model generatif terus berkembang. Ini bisa melibatkan memerlukan persetujuan dari pembuat sebelum karya mereka ditambahkan ke dataset. Namun, tanggung jawab terletak pada pengembang dan pengguna untuk menerapkan praktik AI yang etis yang menghormati hak cipta pembuat konten.

Plagiarisme dalam Midjourney’s V6 Alpha

Setelah membatasi prompt, beberapa peneliti dapat menghasilkan gambar yang hampir identik dengan film, acara TV, dan screenshot game video yang dilindungi hak cipta, kemungkinan termasuk dalam data pelatihan Midjourney’s V6 model.

Gambar yang Dihasilkan oleh Midjourney yang Mirip dengan Adegan dari Film dan Game Terkenal

Eksperimen-eksperimen ini lebih lanjut mengkonfirmasi bahwa bahkan sistem AI visual yang canggih dapat melakukan plagiarisme konten yang dilindungi tanpa disadari jika sumber data pelatihan tidak diawasi. Ini menekankan kebutuhan akan kewaspadaan, pengawasan, dan pengawasan manusia ketika menggelar model generatif secara komersial untuk membatasi risiko pelanggaran.

Respon Perusahaan AI terhadap Konten Berhak Cipta

Garisan antara kreativitas manusia dan AI semakin kabur, menciptakan pertanyaan hak cipta yang kompleks. Karya yang menggabungkan input manusia dan AI mungkin hanya dapat dilindungi hak cipta dalam aspek yang dilakukan sepenuhnya oleh manusia.

Kantor Hak Cipta AS baru-baru ini menolak hak cipta untuk sebagian besar aspek dari sebuah novel grafis AI-manusia, menyatakan bahwa karya seni AI bukanlah karya manusia. Ini juga mengeluarkan pedoman yang mengecualikan sistem AI dari ‘penulis’. Pengadilan federal menguatkan sikap ini dalam kasus hak cipta karya seni AI.

Sementara itu, gugatan mengklaim bahwa AI generatif melakukan pelanggaran, seperti Getty v. Stability AI dan seniman v. Midjourney/Stability AI. Namun, tanpa ‘penulis’ AI, beberapa orang mempertanyakan apakah klaim pelanggaran berlaku.

Sebagai respons, perusahaan AI besar seperti Meta, Google (GOOGL ), Microsoft (MSFT ), dan Apple (AAPL ) berpendapat bahwa mereka tidak perlu memiliki lisensi atau membayar royalti untuk melatih model AI pada data berhak cipta.

Berikut adalah ringkasan dari argumen kunci dari perusahaan AI besar dalam menanggapi potensi aturan hak cipta AS baru seputar AI, dengan kutipan:

Meta berpendapat mengenakan lisensi sekarang akan menyebabkan kekacauan dan memberikan sedikit manfaat bagi pemegang hak cipta.

Google mengklaim pelatihan AI analog dengan tindakan non-pelanggaran seperti membaca buku (Google, 2022).

Microsoft memperingatkan mengubah hukum hak cipta bisa merugikan pengembang AI kecil.

Apple ingin mendaftarkan hak cipta kode yang dihasilkan AI yang dikendalikan oleh pengembang manusia.

Secara keseluruhan, sebagian besar perusahaan menentang mandat lisensi baru dan meremehkan kekhawatiran tentang sistem AI yang mereproduksi karya yang dilindungi tanpa atribusi. Namun, sikap ini kontroversial mengingat gugatan hak cipta AI dan debat terbaru.

Jalur untuk Inovasi AI Generatif yang Bertanggung Jawab

Karena model generatif yang kuat ini terus berkembang, mengatasi risiko plagiarisme adalah kritis untuk penerimaan mainstream. Pendekatan multi-prong diperlukan:

• Reformasi kebijakan seputar transparansi data pelatihan, lisensi, dan persetujuan pembuat.
• Teknologi deteksi plagiarisme yang lebih kuat dan tata kelola internal oleh pengembang.
• Kesadaran pengguna yang lebih besar tentang risiko dan kepatuhan terhadap prinsip etika AI.
• Preseden hukum yang jelas dan kasus hukum seputar masalah hak cipta AI.

Dengan pengawasan yang tepat, kreativitas yang dibantu AI dapat berkembang secara etis. Namun, risiko plagiarisme yang tidak terkendali bisa merusak kepercayaan publik secara signifikan. Mengatasi masalah ini secara langsung adalah kunci untuk mewujudkan potensi kreatif AI generatif yang besar sambil menghormati hak cipta pembuat. Mencapai keseimbangan yang tepat akan memerlukan konfrontasi langsung dengan blind spot plagiarisme yang melekat pada sifat jaringan saraf. Namun, dengan melakukan hal itu, model-model kuat ini tidak akan merusak kejeniusan manusia yang mereka tuju untuk meningkatkan.