Wikipedia는 AI 개발자에게 봇 스크레이퍼를 막기 위해 데이터를 제공하고 있습니다.

위키피디아의 AI 데이터 스크래핑 관리 전략

위키피디아는 위키미디어 재단을 통해 AI 데이터 스크래핑이 서버에 미치는 영향을 관리하기 위한 적극적인 조치를 취하고 있습니다. 수요일, 그들은 구글 소유의 데이터 과학 및 머신 러닝 전용 플랫폼인 캐글(Kaggle)과 협력하여 베타 데이터셋을 출시한다고 발표했습니다. 이 데이터셋은 "영어와 프랑스어로 된 구조화된 위키피디아 콘텐츠"를 포함하며, AI 훈련 목적에 특화되어 있습니다.

캐글에서 이제 이용 가능한 이 데이터셋은 AI 개발자를 염두에 두고 제작되었으며, 기계가 읽을 수 있는 기사 데이터에 접근하는 과정을 단순화합니다. 여기에는 연구 요약, 짧은 설명, 이미지 링크, 정보 상자 데이터, 다양한 기사 섹션이 포함됩니다. 중요한 점은 이 데이터가 공개적으로 라이선스가 부여되었으며, 오디오 파일과 같은 비텍스트 요소나 참조를 포함하지 않아 모델링, 미세 조정, 벤치마킹과 같은 AI 사용 사례에 최적화되어 있습니다.

위키미디어의 접근 방식은 위키피디아 콘텐츠를 잘 구조화된 JSON 형식으로 제공하며, 이는 AI 개발자들에게 전통적인 스크래핑이나 원시 기사 텍스트 파싱 방식에 비해 더 매력적인 옵션이 되기를 바랍니다. 이 조치는 AI 봇이 대역폭 소모로 인해 위키피디아 서버에 가중된 부담을 줄이기 위한 대응책의 일환입니다.

이미 위키미디어는 구글 및 인터넷 아카이브와 같은 거대 기업들과 콘텐츠 공유 계약을 체결했습니다. 그러나 캐글과의 파트너십은 이 데이터를 소규모 기업과 독립 데이터 과학자들에게 더 쉽게 접근할 수 있게 하여 위키피디아 콘텐츠의 도달 범위와 유용성을 확대할 것으로 기대됩니다.

캐글이 제공하는 것

캐글의 파트너십 리드인 브렌다 플린(Brenda Flynn)은 위키미디어의 데이터를 호스팅하는 것에 대해 열정을 표명했습니다. "머신 러닝 커뮤니티가 도구와 테스트를 위해 찾는 곳으로서, 캐글은 위키미디어 재단의 데이터를 호스팅하게 되어 매우 기쁩니다,"라고 그녀는 말했습니다. 캐글의 역할은 이 데이터를 단순히 접근 가능하게 유지하는 것뿐만 아니라 머신 러닝 커뮤니티에 적합하고 유용하게 만드는 데 중요합니다.

위키피디아의 이 전략적 움직임은 서버 부담을 완화할 뿐만 아니라 AI 및 머신 러닝 커뮤니티와 보다 구조화되고 유익한 관계를 촉진하는 것을 목표로 합니다.