De basismodellen van OpenAI, waaronder de modellen waarop ChatGPT draait, worden ontwikkeld met behulp van drie belangrijke informatiebronnen: (1) informatie die openbaar beschikbaar is op internet, (2) informatie waartoe we toegang krijgen via samenwerking met derden en (3) informatie die onze gebruikers, menselijke trainers en onderzoekers aanleveren of genereren.
De ontwikkeling van basismodellen zoals die in ChatGPT verloopt in verschillende fasen, waaronder het voorbereiden van trainingsdata, pre-training en post-training. Ook na ingebruikname worden de modellen voortdurend geëvalueerd en verbeterd. In deze fasen kunnen verschillende soorten informatie worden gebruikt voor uiteenlopende doelen, waaronder het verbeteren van de prestaties, betrouwbaarheid en veiligheid van modellen.
Dit artikel geeft een overzicht van de informatie die we gebruiken om deze modellen te ontwikkelen, hoe we die informatie verzamelen en gebruiken in overeenstemming met de privacywetgeving, en welke waarborgen we gedurende het hele trainingsproces toepassen. Wil je weten hoe we informatie van gebruikers van onze diensten verzamelen en gebruiken, en hoe je kunt voorkomen dat je ChatGPT-gesprekken worden gebruikt om onze modellen te verbeteren? Raadpleeg dan ons privacybeleid en het artikel hoe je gegevens worden gebruikt om modelprestaties te verbeteren.
Wat is ChatGPT en hoe werkt het?
ChatGPT is een dienst op basis van kunstmatige intelligentie die je via internet of een app kunt gebruiken. Je kunt ChatGPT voor allerlei taken gebruiken: informatie ordenen en samenvatten, hulp bij vertalen, programmeren, onderzoek en analyse, taken met meerdere stappen uitvoeren met verschillende tools, afbeeldingen analyseren of genereren, creatieve inspiratie en ideeën opdoen en andere dagelijkse bezigheden. ChatGPT is ontworpen om vragen en instructies van gebruikers te begrijpen en erop te reageren door patronen te leren uit grote hoeveelheden informatie, waaronder tekst, afbeeldingen, audio en video.
Tijdens de training analyseert het model verbanden in deze gegevens, zoals hoe woorden doorgaans samen in een bepaalde context voorkomen. Dat inzicht gebruikt het vervolgens om bij het genereren van een antwoord steeds het meest waarschijnlijke volgende woord te voorspellen. Tekst kan worden omgezet in kleinere eenheden, ook wel "tokens" genoemd, die hele woorden, delen van woorden of leestekens kunnen vertegenwoordigen. Tokens zijn de bouwstenen van de tekst die het model verwerkt. Op vergelijkbare wijze leren modellen die andere soorten content genereren, zoals afbeeldingen, patronen in de relaties tussen pixels onderling en met bijbehorende bijschriften in de trainingsdata.
Tijdens het leerproces van het model (ook wel "training" genoemd) kan het model bijvoorbeeld de opdracht krijgen om een zin aan te vullen, zoals: "In plaats van linksaf te slaan, ging ze ___." Aan het begin van de training zijn de antwoorden grotendeels willekeurig. Maar naarmate het model meer tekst verwerkt en daarvan leert, wordt het beter in het herkennen van patronen en het voorspellen van het meest waarschijnlijke volgende woord. Dit proces wordt voor miljoenen zinnen herhaald om het begrip van het model te verfijnen en de nauwkeurigheid te verbeteren.
Omdat er meerdere aannemelijke manieren zijn om een zin aan te vullen, zoals "In plaats van linksaf te slaan, ging ze rechtsaf", "rond" of "terug", speelt toeval een inherente rol in de manier waarop het model reageert. Daardoor kan dezelfde vraag op verschillende momenten verschillende antwoorden opleveren.
Machinelearningmodellen bestaan uit grote verzamelingen getallen, ook wel "gewichten" of "parameters" genoemd, en code die deze getallen interpreteert en gebruikt. Deze modellen slaan geen kopieën op van de gegevens waarmee ze worden getraind en bewaren die ook niet. In plaats daarvan worden tijdens het leren de parameterwaarden van een model telkens iets aangepast om de herkende patronen weer te geven. In het eerdere voorbeeld ging het model van het voorspellen van willekeurige woorden naar nauwkeurigere voorspellingen. Dat gebeurde niet door de trainingszinnen op te slaan, maar door de interne parameters aan te passen. Het model bewaart geen kopieën van de zinnen, afbeeldingen of audio die het tijdens de training verwerkt. ChatGPT doet niet aan "kopiëren en plakken" uit zijn trainingsdata. Dat is vergelijkbaar met hoe een docent na uitgebreide studie concepten kan uitleggen door de verbanden tussen ideeën te begrijpen, zonder het oorspronkelijke materiaal uit het hoofd te leren of woordelijk te reproduceren. Bij het genereren van een antwoord op een verzoek van een gebruiker gebruikt het model deze aangeleerde gewichten om nieuwe content te voorspellen en te maken.
Welke soorten informatie worden gebruikt om ChatGPT te trainen?
Voor openbaar beschikbare internetcontent gebruiken we alleen informatie die vrij en open toegankelijk is op internet. Het kan hierbij gaan om openbare webpagina's, forums, blogs, berichten en andere openbaar beschikbare online content. Als je bijvoorbeeld deelneemt aan een openbaar online discussieforum of een openbare blog of een ander openbaar bericht plaatst, kunnen we die openbaar toegankelijke content gebruiken om modellen te trainen. We nemen echter maatregelen om de verwerking van persoonsgegevens tijdens ons trainingsproces te beperken. Bij het verzamelen van openbaar beschikbare internetcontent verzamelen we niet bewust gegevens uit bronnen waarvan bekend is dat ze achter een betaalmuur staan, of van het darkweb. Daarnaast gebruiken we filters om materiaal te verwijderen waarvan we niet willen dat onze modellen leren, zoals haatzaaiende uitingen, seksueel expliciete content, sites die persoonsgegevens bundelen en spam. De resterende informatie wordt vervolgens gebruikt om onze modellen te trainen.
Website-eigenaren kunnen bepalen of openbaar beschikbare content op hun sites toegankelijk is voor trainingsdoeleinden. Daarvoor kunnen ze standaardmiddelen zoals robots.txt gebruiken om GPTBot te blokkeren. GPTBot kan openbaar beschikbare content crawlen om onze modellen te helpen trainen. We bieden richtlijnen waarmee website-eigenaren kunnen bepalen hoe hun sites en content met onze AI-systemen interageren.
We gebruiken ook informatie van externe partners om onze modellen te helpen trainen en verbeteren. Dit kan informatie omvatten uit datasets waartoe we toegang krijgen via overeenkomsten met derden, evenals informatie die menselijke trainers en onderzoekers aanleveren of genereren, voor zover ons beleid en onze overeenkomsten dit toestaan. Dit helpt de kwaliteit, veiligheid en prestaties van onze modellen te verbeteren. Deze bronnen kunnen, afhankelijk van de dataset, tekst, afbeeldingen, audio, video of andere soorten gegevens bevatten.
Ook gebruiken we in sommige trainingsprocessen steeds vaker synthetische data. We kunnen bijvoorbeeld informatie en onze modellen gebruiken om synthetische prompts, meertalige voorbeelden of ander trainingsmateriaal te genereren. Synthetische data kunnen de prestaties van modellen helpen verbeteren, onder meer door trainingsdata aan te vullen op gebieden waar gegevens schaars of onevenwichtig verdeeld zijn. Ze kunnen ook bijdragen aan ontwikkelmethoden die de privacy beter beschermen.
Worden persoonsgegevens gebruikt om ChatGPT te trainen?
Een aanzienlijk deel van de online content bevat informatie over mensen. Daardoor kunnen onze trainingsdata onbedoeld ook persoonsgegevens bevatten. We nemen echter maatregelen om de verwerking van persoonsgegevens tijdens ons trainingsproces te beperken.
We gebruiken trainingsdata om de capaciteiten van het model te ontwikkelen, zoals voorspelling, redenering en probleemoplossing. We gebruiken ze niet om profielen van personen op te bouwen, contact met hen op te nemen of advertenties op hen af te stemmen.
In sommige gevallen kunnen modellen leren van persoonsgegevens om te begrijpen hoe elementen zoals namen en adressen in taal functioneren, of om publieke figuren en bekende entiteiten te herkennen. Dit helpt het model om nauwkeurigere antwoorden te genereren die beter bij de context passen.
Hoe worden persoonsgegevens tijdens de training beschermd?
We nemen actief maatregelen om de verwerking van persoonsgegevens tijdens de training te beperken. Zo sluiten we bronnen uit waarvan bekend is dat ze grote hoeveelheden persoonsgegevens bundelen, gebruiken we filters om de hoeveelheid persoonsgegevens in het trainingsproces te beperken en nemen we maatregelen om dubbele content op te sporen en te verwijderen. Daarmee verkleinen we het risico dat trainingsdata worden herhaald. Daarnaast trainen we onze modellen om niet in te gaan op verzoeken om privégegevens of gevoelige informatie over personen.
Hoelang we informatie bewaren
We bewaren informatie in trainingsdata alleen zolang dat redelijkerwijs nodig is voor de doeleinden die in dit artikel en ons privacybeleid worden beschreven. Daaronder vallen de ontwikkeling en verbetering van onze modellen en daarmee samenhangend wetenschappelijk onderzoek. We beoordelen periodiek of het nog nodig is om informatie te bewaren. De bewaartermijn verschilt per soort informatie en is afhankelijk van het gebruik ervan. Bij het bepalen van de bewaartermijn houden we rekening met factoren zoals het doel waarvoor we de informatie verwerken, de hoeveelheid, aard en gevoeligheid ervan, het mogelijke risico op schade door ongeoorloofd gebruik of ongeoorloofde verstrekking, en onze wettelijke verplichtingen.
Hoe voldoet de ontwikkeling van ChatGPT aan de privacywetgeving?
We gebruiken trainingsinformatie op rechtmatige wijze. Onze basismodellen maken allerlei nuttige toepassingen mogelijk, waaronder toegankelijkheidstools, klantenondersteuning, softwareontwikkeling, gepersonaliseerd onderwijs en wetenschappelijk onderzoek. Deze mogelijkheden zijn afhankelijk van grote hoeveelheden trainingsdata, waaronder openbaar beschikbare informatie en informatie van externe partners. We passen gedurende het hele trainingsproces waarborgen toe, waaronder maatregelen om de verwerking van persoonsgegevens tijdens de training te beperken en risico's te verminderen, zoals beschreven in dit artikel. Voor het verzamelen en gebruiken van persoonsgegevens in trainingsinformatie baseren we ons op gerechtvaardigde belangen onder privacywetgeving zoals de AVG. Daaronder valt het trainen en verbeteren van onze modellen voor gebruikers en de samenleving als geheel, in lijn met onze missie om ervoor te zorgen dat kunstmatige algemene intelligentie iedereen ten goede komt. Dit wordt nader toegelicht in ons privacybeleid. We hebben een gegevensbeschermingseffectbeoordeling uitgevoerd om te helpen waarborgen dat we deze informatie rechtmatig en verantwoord verzamelen en gebruiken.
Wanneer informatie kan worden gedeeld of overgedragen
We "verkopen" geen persoonsgegevens en verstrekken persoonsgegevens uit trainingsdata alleen in de beperkte omstandigheden die in ons privacybeleid worden beschreven. We kunnen bijvoorbeeld informatie delen met gelieerde ondernemingen, leveranciers en dienstverleners die de ontwikkeling, het testen en de verbetering van onze modellen ondersteunen. We kunnen ook informatie verstrekken als we er te goeder trouw van overtuigd zijn dat dit nodig is om aan een wettelijke verplichting te voldoen of om de rechten en veiligheid van onszelf, onze gebruikers, medewerkers of het publiek te beschermen, zoals beschreven in ons privacybeleid.
Omdat onze infrastructuur wereldwijd is verspreid, kunnen persoonsgegevens in trainingsdata worden verwerkt in landen buiten de EER, Zwitserland of het Verenigd Koninkrijk (waaronder de Verenigde Staten). In dat geval passen we passende waarborgen toe, zoals adequaatheidsbesluiten of standaardcontractbepalingen, zoals beschreven in ons privacybeleid.
Je rechten en hoe je die kunt uitoefenen
We reageren op bezwaren en soortgelijke verzoeken om rechten uit te oefenen. Doordat ChatGPT taal leert, kunnen de antwoorden soms persoonsgegevens bevatten van mensen over wie op meerdere plekken op het openbare internet persoonsgegevens staan (bijvoorbeeld publieke figuren). Personen in bepaalde rechtsgebieden kunnen via ons privacy-portaal bezwaar maken tegen de verwerking van hun persoonsgegevens door onze modellen of verzoeken indienen om andere rechten van betrokkenen uit te oefenen. Je kunt deze rechten ook uitoefenen door contact op te nemen via dsar@openai.com.
Om je verzoek te kunnen beoordelen en beantwoorden, hebben we voldoende informatie nodig om te begrijpen op welke persoonsgegevens het betrekking heeft. Vermeld bijvoorbeeld je naam, relevante URL's, concrete voorbeelden van modeloutput of andere details die helpen het probleem vast te stellen. In sommige gevallen kunnen we je vragen om je identiteit te verifiëren of te bevestigen dat de informatie over jou gaat voordat we actie kunnen ondernemen. Meer informatie over het indienen van deze verzoeken, waaronder praktische tips en uitleg over de beoordeling, vind je in ons artikel in het helpcentrum over het verwijderen van persoonsgegevens uit ChatGPT. We beoordelen verzoeken volgens de toepasselijke privacywetgeving en reageren binnen de geldende wettelijke termijnen.
Houd er rekening mee dat sommige rechten op grond van de privacywetgeving niet absoluut zijn. We kunnen bijvoorbeeld niet altijd aan een verzoek voldoen als we de relevante informatie niet kunnen verifiëren, als het verzoek geen betrekking heeft op persoonsgegevens die OpenAI verwerkt, als er een uitzondering van toepassing is of als we een andere rechtmatige reden hebben om het verzoek niet in te willigen. Verzoeken worden per geval beoordeeld. Daarbij kunnen privacyrechten worden afgewogen tegen andere belangrijke belangen, zoals de vrijheid van meningsuiting en het algemeen belang.
We streven er echter naar de bescherming van persoonsgegevens voorop te stellen en aan alle toepasselijke privacywetgeving te voldoen. Als je vindt dat we een kwestie niet naar behoren hebben afgehandeld, heb je het recht een klacht in te dienen bij je lokale toezichthouder.
Meer informatie over hoe OpenAI omgaat met persoonsgegevens die we van of over jou verzamelen wanneer je onze website, applicaties en diensten gebruikt, vind je in ons privacybeleid.