4 分で読了
2 views

Foregrounding Artist Opinions: A Survey Study on Transparency, Ownership, and Fairness in AI Generative Art

(アーティストの意見を前面に出す:生成AIアートにおける透明性・所有権・公正性に関する調査研究)

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近「生成AIがアートを奪う」とかニュースで見ますが、正直何が問題なのかよく分かりません。これって要するにうちのデザイン部門に影響ある話ですか?

AIメンター拓海

素晴らしい着眼点ですね!大丈夫、要点を先に3つでお伝えしますよ。1)無断で作品を学習に使われる問題、2)誰が成果物の“所有権”を持つか、3)現場のアーティストやデザイナーへの経済的影響、です。簡単に言えば、仕組みとルール作りの問題なんですよ。

田中専務

なるほど。で、論文では何を調べたんですか?現場の意見を聞いたってことですか。それって、専門家の意見と違って何か特別なんでしょうか。

AIメンター拓海

素晴らしい着眼点ですね!この研究は459人のアーティストにアンケートを取り、彼らが感じる「透明性」「所有権」「公正な対価」について意見を集めたものです。第三者や企業側の主張ではなく、実際に作品を作る当事者の生の声を前面に出している点が一番の特徴ですよ。

田中専務

ええと、これって要するに、アーティストの許可なくネット上の作品を機械に食わせて学習させると、作った人に報酬が回らないし、仕事が減るぞという話ですか?

AIメンター拓海

その通り、要するにそういうことです。ただし完全に二分できる話でもなく、利点もあるのですよ。生成AIはデザイナーの作業を補助して生産性を上げる可能性がある一方で、訓練データの扱いが適切でないと既存の仕事や収益分配に負の影響が出るのです。

田中専務

うちのような製造業で使う場合、どう判断すればいいですか。投資対効果や現場の納得が鍵ですが、その辺の見極めが難しいのです。

AIメンター拓海

大丈夫、一緒にやれば必ずできますよ。判断の軸は三つです。1)データの出所が明確か、2)生成物の権利帰属がどうなるか、3)現場や取引先に与える経済的影響をどう分配するかです。これらをチェックリスト化すれば投資判断が容易になりますよ。

田中専務

分かりました。最後に、論文の結論を私の言葉で言うとどうなりますか。現場で使えるよう端的にお願いします。

AIメンター拓海

素晴らしい着眼点ですね!短くまとめると、アーティストの大多数は「自分の作品が学習に使われるなら開示が必要であり、生成物の権利はモデル作成者に無条件で帰属すべきではない」と考えています。だから事前合意と報酬設計を伴う運用が不可欠だ、という結論です。

田中専務

分かりました。自分の言葉で言うと、要は「誰の作品を使ってモデルを作ったのかを明確にして、成果に対する報酬や権利のルールを事前に作らないと、現場が損をする」ということですね。これなら部長にも説明できます。

監修者

阪上雅昭(SAKAGAMI Masa-aki)
京都大学 人間・環境学研究科 名誉教授

論文研究シリーズ
前の記事
AIの多様なアイデアを引き出すプロンプト技法 — Prompting Diverse Ideas: Increasing AI Idea Variance
次の記事
プロットエージェント:物理と機械学習を組み合わせたタンパク質発見
(ProtAgents: Protein discovery by combining physics and machine learning)
関連記事
生物情報学における部分リストの代数的比較
(Algebraic Comparison of Partial Lists in Bioinformatics)
ユーザー行動とコストの読み取り:AI支援プログラミングのモデリング
(Reading Between the Lines: Modeling User Behavior and Costs in AI-Assisted Programming)
マイクロアレイデータの複雑性評価指標「depth」の提案
(How complex is the microarray dataset? A novel data complexity metric for biological high-dimensional microarray data)
矮小銀河UKS 2323-326の恒星集団解析
(STELLAR POPULATIONS OF THE DWARF GALAXY UKS 2323-326 IN THE SCULPTOR GROUP)
ハードウェア対応並列プロンプトデコーディング
(Hardware-Aware Parallel Prompt Decoding for Memory-Efficient Acceleration of LLM Inference)
PDDLFuse:多様な計画ドメインを生成するツール
(PDDLFuse: A Tool for Generating Diverse Planning Domains)
この記事をシェア

有益な情報を同僚や仲間と共有しませんか?

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
(Black hole/quantum machine learning correspondence)
生成AI検索における敏感なユーザークエリの分類と分析
(Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System)
DiReDi:AIoTアプリケーションのための蒸留と逆蒸留
(DiReDi: Distillation and Reverse Distillation for AIoT Applications)

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に!
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む