Omvangrijke dataset nieuwsbedrijven voor Nederlands AI-taalmodel GPT-NL
TNO en de leden van NDP Nieuwsmedia slaan de handen ineen voor de verdere ontwikkeling van GPT-NL, het eerste grootschalige Nederlandse AI-taalmodel dat volledig wordt getraind op rechtmatig verkregen data. De leden van NDP Nieuwsmedia stellen een omvangrijk deel van het archief van nieuwsartikelen van meer dan 30 landelijke en regionale nieuwstitels beschikbaar om het taalmodel verder te trainen.
De verwachting is dat hiermee in één klap de hoeveelheid hoogwaardige Nederlandse data waarop het model wordt getraind, verdubbelt. Ook persbureau ANP sluit zich aan bij het collectief. Het is wereldwijd de eerste keer dat nieuwsuitgevers op deze manier samenwerken met een organisatie die een AI-model ontwikkelt.
Daarmee ondersteunen Nederlandse nieuwsuitgevers de gezamenlijke ambitie van GPT-NL en de Nederlandse overheid om een taalmodel te realiseren dat een benchmark neerzet hoe om te gaan met nieuwsartikelen in AI-systemen. Daarbij zijn er strikte afspraken gemaakt die voorkomen dat de artikelen via technische weg uit het model kunnen worden gehaald. Als het model op de markt wordt gebracht zullen uitgevers een passende vergoeding ontvangen.
GPT-NL is een initiatief van non-profitorganisaties TNO, NFI en SURF en biedt een verantwoord alternatief voor bestaande taalmodellen. Het model is ontwikkeld voor Nederland op basis van hoogwaardige Nederlandse data. In tegenstelling tot sommige internationale modellen, die ‘een kopie van het internet’ gebruiken als trainingsmateriaal, gaat GPT-NL zorgvuldig en ethisch te werk bij het verzamelen van auteursrechtelijk beschermde data en worden diegene die met hun content bijdragen ook daarvoor beloond. Hiermee voldoet het aan de Europese wet- en regelgeving zoals de AI-Act. Het taalmodel wordt ontwikkeld voor specifieke taken: samenvatten, versimpelen en het extraheren van informatie uit tekst.
Dankzij de samenwerking met NDP Nieuwsmedia – de branchevereniging van private nieuwsuitgevers zoals DPG Media, Mediahuis, Erdee Mediagroep en de Groene Amsterdammer –en aansluiting van persbureau ANP krijgt het model toegang tot een omvangrijk aantal artikelen bestaande uit meer dan 20 miljard ‘tokens’. Deze artikelen bestrijken meerdere thema’s — van politiek en economie tot zorg en wetenschap — en vormen een rijke bron voor het trainen van GPT-NL. Tokens zijn kleine stukjes tekst die een AI-model gebruikt om taal te verwerken en begrijpen. Dat kan een woord, een deel van een woord, of zelfs een leesteken zijn.
