北内 啓

日本にもデータアノテーションを手掛ける企業は数多く存在しますが、顧客企業のビジネス課題を解決するのに必要なデータをアノテーションするケースがほとんどです。 ただ、日本でもLLMの品質向上に必要な教師データを作ろうという取り組みはあります。たとえば理研の関根先生が中心となって、LLMを開発する企業などとの共同研究という形で日本語のインストラクションデータ（質問とその回答のデータ）を作成するプロジェクトを進めています。 この記事で言及されているScale AIのような企業と比べると作成しているデータの規模はまだ小さいのですが、日本におけるLLM開発にとって重要な取り組みなので期待しています。 https://www.youtube.com/watch?v=a1oi1dNBUKU https://liat-aip.sakura.ne.jp/wp/ 海外企業は大規模AIモデルのためのデータをあらゆる手段で収集しています。記事中に以下の記載がありますが、 > 今や、YouTubeの文字起こしをデータ化するという権利的に「グレー」な手法がまかり通り 最近のWSJのインタビューで、テキストから動画を生成できるSoraの学習にYouTubeの動画を使ったかと聞かれたOpenAIのミラ・ムラティCTOが顔をしかめて「分からない」と言葉を濁す場面が話題になりました（以下の動画の4:23あたりから）。 https://youtu.be/mAUpxN-EIgU?si=n7WFhCqtEW5osG2I&t=263 これに対しYouTubeのニール・モーハンCEOは、OpenAIがSoraの学習にYouTube動画を使ったとすれば違反だと答えています。 https://www.itmedia.co.jp/news/articles/2404/05/news098.html 大規模AIモデル開発の熾烈な戦いは当面続きそうです。