Billedgenererende kunstig intelligens som Stable Diffusion er trænet på enorme samlinger af billeder skrabet fra nettet. Her har jeg gennemgået to af de store, LAION og COYO, og fundet millioner af danske billeder. Søg dit eget domæne nedenfor, se hvor mange af dine billeder der ligger i datasættene, og klik ind og se dem.
Gennemgangen er i gang. Tallene vokser, efterhånden som jeg arbejder mig gennem datasættet.
Tallene her dækker to af de største åbne billeddatasæt, begge sammensat af par af billede og billedtekst skrabet fra det åbne net. LAION (i den rensede udgave Re-LAION) er grundlaget for blandt andre Stable Diffusion. COYO-700M er et tilsvarende datasæt på cirka 747 millioner billeder, bygget af KakaoBrain til at træne billed- og sprogmodeller. At de samme danske billeder optræder i flere uafhængige datasæt viser, hvor bredt materialet cirkulerer. De to datasæt er flettet sammen her, og billeder, der optræder i begge, tælles kun én gang.
Billederne er indsamlet og indekseret fra det åbne net, og en stor del er ophavsretligt beskyttet materiale fra medier, museer, gallerier, fotografer og virksomheder. Rettighedshaverne er så vidt vides ikke blevet spurgt, om deres billeder måtte bruges til at træne kunstig intelligens. Datasættet består af links til billederne og beskrivelser af dem. Selve billedfilerne ligger uden for datasættet. Om den brug er lovlig, er omstridt og afgøres i øjeblikket i flere retssager, blandt andre Getty Images mod Stability AI.
Billeddata har intet kunstnerfelt, kun en billed-URL og en billedtekst. Det rene danske signal er derfor, at billedets adresse ligger på et dansk domæne, altså slutter på .dk. Det er den metode, der ligger bag listen her. Det fanger danske mediers, museers, gallerier, fotografers, butikkers og virksomheders billeder, men ikke nødvendigvis danske kunstnere udgivet på udenlandske sites.
Gå til fanen Domæner og søg dit eget domæne, for eksempel dr.dk, dit galleri eller din virksomhed. Tallet ud for domænet er det fulde antal billeder fundet. Klik på domænet for at se billederne. For domæner med rigtig mange billeder vises et udsnit i galleriet, mens det viste antal altid er det fulde antal.
Previewet hentes direkte fra billedets oprindelige adresse, altså via et link, ikke ved at jeg gemmer en kopi på dette site. En del billeder vises derfor ikke, enten fordi de er fjernet fra nettet, eller fordi adressen er http og din browser blokerer den på en https-side. Det ændrer ikke, at billedet var i datasættet. Klik på et felt for at åbne den oprindelige kilde.
I sagen Getty Images mod Stability AI er det lagt til grund, at billeder skrabet via LAION blev brugt til at træne Stable Diffusion. Samme mekanik gælder for danske billeder, der lå åbent på nettet.