Omvangrijke dataset nieuwsbedrijven voor Nederlands AI-taalmodel GPT-NL

Nederlandse nieuwsuitgevers leveren omvangrijke verzameling artikelen voor training AI-taalmodel

De leden van NDP Nieuwsmedia hebben zich aangesloten voor de verdere ontwikkeling van GPT-NL. Zij stellen een omvangrijk deel van het archief van nieuwsartikelen van meer dan 30 landelijke en regionale nieuwstitels beschikbaar om het taalmodel verder te trainen. 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.

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. 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. We verwachten dat hiermee de hoeveelheid hoogwaardige, Nederlandse tekst in de trainingsdataset wordt verdubbeld.

Nieuwsartikelen en AI
Niet alleen vormt deze dataset een rijke bron voor het trainen van GPT-NL, de leden van het NDP ondersteunen zo ook de ambitie om een taalmodel te realiseren dat een benchmark neerzet hoe om te gaan met nieuwsartikelen in AI-systemen. Er zijn 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 de dataproviders een passende vergoeding ontvangen.

"AI-innovatie kan dus ook op een ethische, verantwoorde manier tot stand komen."

Voorzitter van NDP Nieuwsmedia Rien van Beemen: “Internationale modellen van Big Tech zijn zonder toestemming en vergoeding massaal getraind met de artikelen van nieuwssites. De samenwerking tussen de leden van NDP Nieuwsmedia en TNO laat zien dat het ook anders kan. We scheppen met deze beweging een precedent waarmee we de positie van de journalistiek in Nederland op termijn verstevigen. AI-innovatie kan dus ook op een ethische, verantwoorde manier tot stand komen, zónder grootschalig onrechtmatig gebruik van het werk van onze journalisten. Met deze stap geven we die ontwikkeling een impuls.”

Manager Science & Technology bij TNO en grondlegger GPT-NL, Selmar Smit: “We zijn trots op deze samenwerking. De leden van NDP Nieuwsmedia leveren niet alleen hoogwaardige data, maar geven ook een krachtig signaal af: door samenwerking kan AI verantwoord worden ontwikkeld, met respect voor auteursrecht en publieke waarden.”

Het model wordt momenteel getraind op Snellius. In het vierde kwartaal van 2025 wordt het model verder verbeterd en het eerste gebruik ervan voorbereid. Tijdens de dataverzameling zijn afspraken gemaakt in overeenstemming met dataproviders. De zogeheten Content Board is de vertegenwoordiging van de organisaties die zelf data aanleveren voor GPT-NL.

Over GPT-NL
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.