ロッキーリナックス創設者、OpenWALDO立ち上げ

ロッキーリナックスの創設者でセントオーエス共同創設者のグレゴリー・カートザーは、AI訓練データに透明性と監査可能性をもたらすことを目的としたコミュニティ統治のオープンソースイニシアティブ「OpenWALDO」を立ち上げました。プロジェクトの完全な名前—Open Weights, Artifacts, Licenses, Data and Origins—は訓練データをオープンソースソフトウェア依存関係のように動作させるというその使命を反映しています。つまり、命名、レビュー可能、バージョン管理、帰属可能、検証可能な形にするものです。カートザーの企業インフラストラクチャ企業CIQに支援されたOpenWALDOは、カートザーが「AI業界における重大なギャップ」と呼ぶものに対処しています。オープンウェイトモデルとオープンソースAIコードがより一般的になった場合でさえ、訓練データは大部分が閉鎖的かつ未検査のままです。

技術的アプローチは3つのメカニズムを中心としています。メタデータのためのGitベースのレビュー、基礎データオブジェクトのためのコンテンツアドレス指定ストレージ、および訓練とリリースを通じて解決されたデータとモデルの系統を追跡するAI Bill of Materials（ABOM）です。独自の基盤モデルを構築するのではなく、OpenWALDOは共通のベースレイヤーを提供します。つまり、ライセンスされた来歴追跡済みの訓練コーパスで、モデルビルダーはこれを使用し、独自のデータで拡張し、自らの訓練実行に適用できます。この構造は、組織が基本的な訓練データセットの繰り返しるアセンブルに時間を費やすのではなく、差別化に資源を集中できるようにすることを意図しています。立ち上げ時に、OpenWALDOの公開コーパスは124 billionの参照トークンを75.1 millionのドキュメント全体でインデックス化しており、20のコーパスと1,051のシャードに整理され、18の宣言されたライセンス識別子を備えています。

タイミングは訓練データの来歴とライセンスに関する懸念の高まりを反映しています。MITが主導するData Provenance Initiativeが1,800以上のテキストデータセットを監査した結果、ライセンス情報は頻繁に省略されるか誤分類されており、70%を超えるライセンス省略率と50%を超えるエラー率がありました。OpenWALDOはまた品質問題に対処しています。他のAIシステムからの出力の再帰的訓練は、モデル崩壊として知られており、モデルのパフォーマンスを低下させます。訓練ソースの公開記録を維持することにより、開発者はより慎重に訓練材料を区別して選択できます。このプロジェクトはソフトウェア開発から馴染みのある実践を採用しています。公開レビュー、帰属可能な貢献、Developer Certificate of Origin署名オフ、データ取り込みからリリースまでの保持された来歴です。また、個人、研究者、機関、企業からの貢献者を受け入れ、CIQは管理ではなく商業的サポートを提供します。

カートザーはオープンソース哲学の観点からこのイニシアティブを位置付けました。「私は、オープンソースがユーザーをビルダーに、競合他社を協力者に、共有された問題を巨大な規模で動作する共有インフラストラクチャに変えるのを見ながら、キャリアを過ごしてきました。」彼は「Linuxは認定を受けて安全であることで勝利したのではありません。検査可能性、フォーク可能性、コミュニティ検証によって勝利しました。AIはその同じ特性を持っていません。OpenWALDOはそれをどのように構築するかです。」と主張しました。成功はOpenWALDOの高品質で法的に使用可能なデータの継続的供給を引き付ける能力、信頼されたレビューおよびガバナンスプロセスを確立する能力、そしてAI開発者がその来歴記録が十分な実用的価値を提供してモデル開発ワークフローの標準になると確信させる能力にかかります。