Data Sharing with a Generative AI Competitor
Boaz Taitler, Omer Madmon, Moshe Tennenholtz and Omer Ben-Porat
随着GenAI平台的增长,他们对来自竞争提供商的内容的依赖,加上对替代数据源的访问,为数据共享决策带来了新的挑战。 在本文中,我们提供了一个内容创建公司与GenAI平台之间的数据共享模型,该平台还可以从第三方专家那里获得内容。 这种交互被建模为Stackelberg游戏:该公司首先决定其专有数据集中有多少与GenAI共享,GenAI随后决定从外部专家那里获得多少额外数据。 他们的公用事业依赖于用户流量,货币转账以及从外部专家获取额外数据的成本。 我们描述了游戏的独特子游戏完美平衡,并揭示了一个令人惊讶的现象:该公司可能愿意支付GenAI分享公司自己的数据,从而导致代价高昂的数据共享均衡。 我们进一步描述了帕累托改善数据价格的一组,并表明只有当公司支付共享数据时才会进行这种改进。 最后,我们研究如何设定价格以优化不同的设计目标,例如促进公司数据共享,专家数据采集或两者的平衡。 我们的研究结果揭示了在GenAI时代塑造数据共享伙伴关系的经济力量,并为寻求设计有效数据交换机制的平台、监管机构和政策制定者提供指导。
As GenAI platforms grow, their dependence on content from competing providers, combined with access to alternative data sources, creates new challenges for data-sharing decisions. In this paper, we provide a model of data sharing between a content creation firm and a GenAI platform that can also acquire content from third-party experts. The interaction is modeled as a Stackelberg game: the firm first decides how much of its proprietary dataset to share with GenAI, and GenAI subsequently determin...