Současné postupy v oblasti umělé inteligence by mohly umožnit vznik nové generace pirátů autorských práv

Nová výzkumná spolupráce mezi Huawei a akademickou sférou naznačuje, že většina nejvýznamnějších současných výzkumů v oblasti umělé inteligence a strojového učení by mohla být vystavena žalobám, jakmile se stane komerčně prominentní, protože datové sady, které umožňují průlomové výsledky, jsou distribuovány s neplatnými licencemi, které nedodržují původní podmínky veřejných domén, ze kterých byla data získána.

V podstatě to má dva téměř nevyhnutelné možné výsledky: že velmi úspěšné, komerčně využívané algoritmy umělé inteligence, které jsou známy tím, že používají takové datové sady, se stanou budoucími cíli oportunismu patentových trollů, jejichž autorská práva nebyla respektována, když byla jejich data skenována; a že organizace a jednotlivci budou moci použít tyto stejné právní zranitelnosti, aby protestovali proti nasazení nebo šíření technologií strojového učení, které považují za nepřijatelné.

Článek paper je nazvaný Mohu použít tuto veřejně dostupnou datovou sadu pro vytvoření komerčního softwaru pro umělou inteligenci? Nejspíše ne a je spoluprací mezi Huawei Canada a Huawei China, společně s York University ve Spojeném království a University of Victoria v Kanadě.

Pět ze šesti (populárních) otevřených datových sad není právně využitelných

Pro výzkum autoři požádali oddělení Huawei, aby vybrala nejžádoucí otevřené datové sady, které by chtěly využít v komerčních projektech, a vybrala šest nejžádanějších datových sad z odpovědí: CIFAR-10 (podmnožina datové sady 80 milionů malých obrázků, která byla stažena pro ‘urážlivé termíny’ a ‘urážlivé obrázky’, i když její deriváty se stále používají); ImageNet; Cityscapes (která obsahuje výhradně originální materiál); FFHQ; VGGFace2, a MSCOCO.

Pro analýzu, zda vybrané datové sady jsou vhodné pro právní využití v komerčních projektech, autoři vyvinuli novou pipeline pro stopování řetězce licencí, pokud to bylo možné, pro každou sadu, i když často museli použít webové archivní snímky, aby našli licence z již neplatných domén, a v některých případech museli “odhadnout” stav licence z nejbližší dostupné informace.

Architektura pro systém stopování původu vyvinutý autory. Zdroj: https://arxiv.org/pdf/2111.02374.pdf

Autoři zjistili, že licence pro pět ze šesti datových sad ‘obsahují rizika spojená s alespoň jedním komerčním kontextem’:

‘[My] pozorujeme, že kromě MS COCO, žádná z vyšetřovaných licencí nepovoluje praktikům právo komerčně využívat model umělé inteligence vyškolovaný na datech nebo dokonce výstup vyškolovaného modelu umělé inteligence. Takový výsledek také efektivně zabraňuje praktikům využívat předem vyškolované modely, které byly vyškolovány na těchto datech. Veřejně dostupné datové sady a modely umělé inteligence, které jsou předem vyškolovány na nich, jsou široce používány komerčně.’ *

Autoři dále poznamenávají, že tři ze šesti vyšetřovaných datových sad by mohly navíc vést k porušení licence v komerčních produktech, pokud je datová sada upravena, protože pouze MS-COCO umožňuje to.

Ve případě CIFAR-10 původní kompilátoři nevytvořili žádný konvenční typ licence, pouze požadovali, aby projekty, které používají datovou sadu, zahrnuly citaci původní práce, která doprovázela vydání datové sady, což představuje další překážku pro stanovení právního postavení dat.

Další, pouze datová sada CityScapes obsahuje materiál, který je výhradně vygenerován původci datové sady, spíše než “kurátorský” (skenovaný) z internetových zdrojů, s CIFAR-10 a ImageNet, které používají více zdrojů, z nichž každý by musel být prozkoumán a stopován zpět, aby se stanovila jakákoli forma autorských práv (nebo dokonce smysluplná disclaimer).

Žádné východisko

Existují tři faktory, na které se komerční společnosti v oblasti umělé inteligence zdají spoléhat, aby je chránily před žalobami kolem produktů, které používají autorská práva z datových sad bez povolení, pro výcvik algoritmů umělé inteligence. Žádný z nich nezajišťuje spolehlivou dlouhodobou ochranu:

1: Laissez Faire národní zákony
Ačkoli vlády po celém světě jsou povinny uvolnit zákony kolem skenování dat, aby se nezačaly zpožďovat v závodě směrem k výkonné umělé inteligenci (která závisí na velkých objemech reálných dat, pro která by pravidelná autorská práva a licencování byla nereálná), pouze Spojené státy nabízejí plnou imunitu v tomto ohledu, pod doktrínou Fair Use – politika, která byla ratifikována v roce 2015 s závěrem případu Authors Guild v. Google, Inc., který potvrdil, že searchový gigant mohl volně přijímat autorská práva materiál pro svůj projekt Google Books bez obvinění z porušení autorských práv.

Pokud se politika doktríny Fair Use někdy změní (tj. v reakci na další precedensní případ zahrnující dostatečně silné organizace nebo korporace), pravděpodobně by to bylo považováno za a priori stav z hlediska využívání current copyright-infringing databází, chránící předchozí použití; ale ne ongoing použití a vývoj systémů, které byly umožněny prostřednictvím autorská práva materiál bez dohody.

To ставí současnou ochranu doktríny Fair Use na velmi dočasném základě a mohlo by potenciálně, v takovém scénáři, vyžadovat, aby zavedené, komerčně využívané algoritmy strojového učení přestaly fungovat v případech, kdy jejich původ byl umožněn autorská práva materiálem – i v případech, kdy modelové váhy se nyní zabývají výhradně povoleným obsahem, ale byly vyškolovány na (a učiněny užitečnými) nelegálně zkopírovaným obsahem.

Mimo Spojené státy, jak autoři poznamenávají v novém článku, politiky jsou obecně méně shovívavé. Spojené království a Kanada pouze osvobozují použití autorská práva dat pro nekomerční účely, zatímco zákon EU o textu a datové těžbě (který nebyl zcela nahrazen nedávnými návrhy pro formální regulaci umělé inteligence) také vylučuje komerční využití pro systémy umělé inteligence, které nesplňují požadavky autorských práv původních dat.

Tato poslední úprava znamená, že organizace může dosáhnout velkých věcí s cizími daty, až do – ale ne včetně – bodu, kdy z nich udělá peníze. V tomto okamžiku by produkt buď byl právně vystaven, nebo by musely být uzavřeny dohody s doslova miliony držitelů autorských práv, z nichž mnozí jsou nyní nedosažitelní kvůli měnícímu se charakteru internetu – nemožný a nezvladatelný úkol.

2: Caveat Emptor
V případech, kdy porušující organizace doufají, že odkážou vinu, nový článek také poznamenává, že mnoho licencí pro nejpopulárnější otevřené datové sady automaticky osvobozují sebe sama proti jakýmkoli nárokům na porušení autorských práv:

‘Například licence ImageNet vyžaduje, aby praktici osvobodili tým ImageNet proti jakýmkoli nárokům vyplývajícím z použití datové sady. Datové sady FFHQ, VGGFace2 a MS COCO vyžadují, aby datová sada, pokud je distribuována nebo upravena, byla prezentována pod stejnou licencí.’

Efektivně to nutí ty, kteří používají otevřené datové sady, aby absorbovali vinu za použití autorská práva materiál, tváří v tvář budoucí žalobě (i když to nemusí nutně chránit původní kompilátory v případě, kdy je současná atmosféra “bezpečného přístavu” narušena).

3: Imunita prostřednictvím nejasnosti
Kolaborativní povaha komunity strojového učení činí obtížným využít firemní okultismus k zakrytí přítomnosti algoritmů, které profitovaly z porušování autorských práv datových sad. Dlouhodobé komerční projekty často začínají v otevřených prostředích FOSS, kde je použití datových sad věcí záznamu, na GitHubu a dalších veřejně přístupných fórech, nebo kde byly počátky projektu publikovány v předtisku nebo recenzovaných článcích.

I když tomu tak není, inverze modelu je stále více schopná odhalit typické charakteristiky datových sad (nebo dokonce explicitně vyprodukovat některé zdrojového materiálu), buď poskytující důkaz samo o sobě, nebo dostatečné podezření z porušení autorských práv, aby umožnilo soudem nařízený přístup k historii vývoje algoritmu a detailům datových sad použitých v tomto vývoji.

Závěr

Článek popisuje chaotické a ad hoc použití autorská práva materiál, získaného bez povolení, a série licenčních řetězců, které, logicky sledované zpět k původnímu zdroji dat, by vyžadovaly jednání s tisíci držitelů autorských práv, jejichž práce byla prezentována pod záštitou webů s širokou škálou licenčních podmínek, mnohé z nich vylučující odvozená komerční díla.

Autoři uzavírají:

‘Veřejně dostupné datové sady jsou široce používány pro vytvoření komerčního softwaru pro umělou inteligenci. Můžete tak učinit, pouze pokud licence spojená s veřejně dostupnou datovou sadou poskytuje právo to udělat. Nicméně, není snadné ověřit práva a povinnosti stanovené v licenci spojené s veřejně dostupnými datovými sadami. Protože, někdy je licence buď nejasná nebo potenciálně neplatná.’

Další nová práce, nazvaná Building Legal Datasets, vydaná 2. listopadu z Centre for Computational Law na Singapore Management University, také zdůrazňuje potřebu, aby vědci v oblasti dat rozpoznali, že “divoký západ” éra ad hoc sběru dat se blíží ke konci, a odráží doporučení článku Huawei, aby přijali přísnější návyky a metodologie, aby zajistili, že použití datových sad neexponuje projekt právním důsledkům, jak se kultura mění v čase, a jak se současné globální akademické aktivity v sektoru strojového učení snaží získat komerční návratnost za roky investic. Autor poznamenává*:

‘[The] sbírka legislativy týkající se datových sad strojového učení je nastavena na růst, uprostřed obav, že současné zákony nabízejí nedostatečné ochrany. Návrh EU Artificial Intelligence Act, pokud a kdy bude schválen, by významně změnil krajinný pohled na umělou inteligenci a governance dat; další jurisdikce mohou následovat s vlastními akty. ‘

* Moje konverze inline citací na hypertextové odkazy