Τρέχουσες Πρακτικές του AI Μπορεί να Ενεργοποιούν μια Νέα Γενιά Δικαστικών Τρολ

Μια νέα ερευνητική συνεργασία μεταξύ της Huawei και της ακαδημαϊκής κοινότητας υποδηλώνει ότι ένα μεγάλο μέρος των πιο σημαντικών τρεχουσών ερευνών στον τομέα του τεχνητού νοημοσύνης και της μηχανικής μάθησης μπορεί να εκτεθεί σε δικαστικές διαμάχες μόλις γίνει εμπορικά προεξέχουσα, επειδή τα σύνολα δεδομένων που κάνουν τις καινοτομίες δυνατές διανέμονται με άκυρες άδειες που δεν σέβονται τους αρχικούς όρους των δημόσιων τομέων από τους οποίους προέρχονται τα δεδομένα.

Επίδραση, αυτό έχει δύο σχεδόν αναπόφευκτες πιθανές εξελίξεις: ότι πολύ επιτυχημένα, εμπορικά αλγόριθμοι AI που είναι γνωστοί ότι έχουν χρησιμοποιήσει τέτοια σύνολα δεδομένων θα γίνουν οι μελλοντικοί στόχοι των ευκαιριακών δικαστικών τρολ των οποίων τα πνευματικά δικαιώματα δεν σέβονταν όταν τα δεδομένα τους συλλέχθηκαν· και ότι οι οργανισμοί και τα άτομα θα μπορέσουν να χρησιμοποιήσουν αυτές τις ίδιες νομικές ευπαθειές για να διαμαρτυρηθούν για την ανάπτυξη ή τη διάδοση τεχνολογιών μηχανικής μάθησης που βρίσκουν αμφισβητούμενες.

Το έγγραφο έχει τον τίτλο Μπορώ να χρησιμοποιήσω αυτό το δημόσια διαθέσιμο σύνολο δεδομένων για να κατασκευάσω εμπορικό λογισμικό AI; Πιθανότατα όχι, και είναι μια συνεργασία μεταξύ της Huawei Canada και της Huawei China, μαζί με το Πανεπιστήμιο του Γιορκ στο Ηνωμένο Βασίλειο και το Πανεπιστήμιο της Βικτώριας στον Καναδά.

Πέντε από τα Έξι (Πоп) Ανοικτά Σύνολα Δεδομένων Δεν Είναι Νομικά Χρήσιμα

Για την έρευνα, οι συγγραφείς ζήτησαν από τα τμήματα της Huawei να επιλέξουν τα πιο επιθυμητά ανοικτά σύνολα δεδομένων που θα ήθελαν να εκμεταλλευτούν σε εμπορικά προγράμματα, και επέλεξαν τα έξι πιο запητημένα σύνολα δεδομένων από τις απαντήσεις: CIFAR-10 (ένα υποσύνολο του συνόλου δεδομένων 80 εκατομμύρια μικρές εικόνες, από τότε που ανακλήθηκε για ‘απρεπείς όρους’ και ‘απρεπείς εικόνες’, αν και οι παραγόμενοι του προηγούμενου συνόλου δεδομένων εξακολουθούν να υπάρχουν); ImageNet; Cityscapes (που περιέχει αποκλειστικά πρωτότυπο υλικό); FFHQ; VGGFace2, και MSCOCO.

Για να αναλύσουν εάν τα επιλεγμένα σύνολα δεδομένων ήταν κατάλληλα για νομική χρήση σε εμπορικά προγράμματα, οι συγγραφείς ανέπτυξαν μια νέα διαδικασία για να ανατρέξουν την αλυσίδα αδειών όσο το δυνατόν για κάθε σύνολο, αν και συχνά έπρεπε να καταφύγουν σε λήψεις αρχείων ιστού για να εντοπίσουν άδειες από πλέον-expired τομείς, και σε ορισμένες περιπτώσεις έπρεπε να ‘υποθέσουν’ την κατάσταση της άδειας από τις πλησιέστερες διαθέσιμες πληροφορίες.

Αρχιτεκτονική για το σύστημα ανίχνευσης προέλευσης που αναπτύχθηκε από τους συγγραφείς. Πηγή: https://arxiv.org/pdf/2111.02374.pdf

Οι συγγραφείς βρήκαν ότι οι άδειες για πέντε από τα έξι σύνολα δεδομένων περιέχουν κινδύνους που συνδέονται με τουλάχιστον μία εμπορική χρήση:

‘Παρατηρούμε ότι, εκτός από το MS COCO, καμία από τις μελετημένες άδειες δεν επιτρέπει στους πρακτικούς το δικαίωμα να εμπορευματοποιήσουν ένα μοντέλο AI που εκπαιδεύτηκε στα δεδομένα ή ακόμη και την έξοδο του εκπαιδευμένου μοντέλου AI. Ένα τέτοιο αποτέλεσμα αποτρέπει επίσης τους πρακτικούς από το να χρησιμοποιήσουν προ-εκπαιδευμένα μοντέλα που εκπαιδεύτηκαν σε αυτά τα σύνολα δεδομένων. Δημόσια διαθέσιμα σύνολα δεδομένων και μοντέλα AI που είναι προ-εκπαιδευμένα σε αυτά χρησιμοποιούνται ευρέως εμπορικά.’ *

Οι συγγραφείς σημειώνουν επίσης ότι τρία από τα έξι μελετημένα σύνολα δεδομένων θα μπορούσαν να οδηγήσουν σε παραβίαση της άδειας σε εμπορικά προϊόντα εάν το σύνολο δεδομένων τροποποιηθεί,既然 μόνο το MS-COCO επιτρέπει这一點. Ωστόσο, η επέκταση δεδομένων και υποσύνολα και υπερσύνολα των επιρροών συνόλων δεδομένων είναι μια κοινή πρακτική.

Στην περίπτωση του CIFAR-10, οι αρχικοί συντάκτες δεν δημιούργησαν καμία συμβατική μορφή άδειας, απλώς απαιτώντας ότι τα έργα που χρησιμοποιούν το σύνολο δεδομένων να περιλαμβάνουν μια αναφορά στην αρχική εργασία που συνόδευε την κυκλοφορία του συνόλου δεδομένων, παρουσιάζοντας ένα επιπλέον εμπόδιο στην καθιέρωση του νομικού καθεστώτος των δεδομένων.

Επιπλέον, μόνο το σύνολο δεδομένων CityScapes περιέχει υλικό που παράγεται αποκλειστικά από τους δημιουργούς του συνόλου δεδομένων, αντί να ‘συντηρείται’ (σκραπ) από πηγές δικτύου, με το CIFAR-10 και το ImageNet να χρησιμοποιούν πολλές πηγές, каждая από τις οποίες θα πρέπει να ερευνetai και να αναζητηθεί για να καθιερωθεί οποιοδήποτε είδος μηχανισμού πνευματικών δικαιωμάτων (ή ακόμη και μια σημαντική παραίτηση).

Δεν Υπάρχει Έξοδος

Υπάρχουν τρεις παράγοντες που οι εμπορικές εταιρείες AI φαίνεται να βασίζονται για να τις προστατεύσουν από τις νομικές διαμάχες γύρω από προϊόντα που έχουν χρησιμοποιήσει πνευματικά δικαιώματα από σύνολα δεδομένων ελεύθερα και χωρίς άδεια, για να εκπαιδεύσουν αλγόριθμους AI. Κανένας από αυτούς δεν προσφέρει μεγάλη (ή οποιαδήποτε) αξιόπιστη μακροπρόθεσμη προστασία:

1: Εθνικοί Νόμοι Laissez Faire
Αν και οι κυβερνήσεις σε όλο τον κόσμο είναι υποχρεωμένες να χαλαρώσουν τους νόμους γύρω από τη συλλογή δεδομένων σε μια προσπάθεια να μην μείνουν πίσω στη διεκδίκηση του performant AI (το οποίο βασίζεται σε υψηλά όγκους πραγματικών δεδομένων για τα οποία η τακτική συμμόρφωση με τα πνευματικά δικαιώματα και τις άδειες θα ήταν ακατόρθωτη), μόνο οι Ηνωμένες Πολιτείες προσφέρουν πλήρη ασφάλεια σε这一方面, υπό την Δοctrine της Δίκαιης Χρήσης – μια πολιτική που επικυρώθηκε το 2015 με την ολοκλήρωση της Authors Guild v. Google, Inc., η οποία επιβεβαίωσε ότι η εταιρεία αναζήτησης θα μπορούσε να καταναλώσει ελεύθερα υλικό που προστατεύεται από πνευματικά δικαιώματα για το πρόγραμμα Google Books χωρίς να κατηγορηθεί για παραβίαση.

Αν η πολιτική της Δοctrine της Δίκαιης Χρήσης αλλάξει ποτέ (π.χ. ως απάντηση σε μια άλλη ορόσημο περίπτωση που涉及 αρκετά ισχυρά οργανισμού ή εταιρειών), θα θεωρηθεί ως α priori κατάσταση όσον αφορά την εκμετάλλευση των τρεχουσών πνευματικών δικαιωμάτων-παραβατικών βάσεων δεδομένων, προστατεύοντας την προηγούμενη χρήση· αλλά όχι συνεχιζόμενη χρήση και ανάπτυξη συστημάτων που ενεργοποιήθηκαν μέσω πνευματικά δικαιώματα-παραβατικών υλικών χωρίς συμφωνία.

Αυτό ставει την τρέχουσα προστασία της Δοctrine της Δίκαιης Χρήσης σε μια πολύ προσωρινή βάση, και θα μπορούσε potenciálně, σε αυτή τη περίπτωση, να απαιτήσει από καθιερωμένα, εμπορικά αλγόριθμοι μηχανικής μάθησης να σταματήσουν να λειτουργούν σε περιπτώσεις όπου οι ρίζες τους ήταν ενεργοποιημένες από πνευματικά δικαιώματα-παραβατικά υλικά – ακόμη και σε περιπτώσεις όπου το μοντέλο βαρών τώρα ασχολείται αποκλειστικά με επιτρεπόμενο περιεχόμενο, αλλά εκπαιδεύτηκαν σε (και έγιναν χρήσιμοι από) παράνομα αντιγραμμένα υλικά.

Εκτός των ΗΠΑ, όπως οι συγγραφείς σημειώνουν στην καινούργια εργασία, οι πολιτικές είναι γενικά λιγότερο εύκολες. Η 영국 και ο Καναδάς αποζημιώνουν μόνο τη χρήση πνευματικά δικαιωμάτων υλικών για μη εμπορικούς σκοπούς, ενώ ο νόμος του Ευρωπαϊκού Κοινοβουλίου για την Εξόρυξη Κειμένου και Δεδομένων (ο οποίος δεν έχει完全 αντικατασταθεί από τις πρόσφατες προτάσεις για πιο формική ρύθμιση AI) εξαιρεί επίσης την εμπορική εκμετάλλευση για συστήματα AI που δεν συμμορφώνονται με τις απαιτήσεις πνευματικών δικαιωμάτων των αρχικών δεδομένων.

Αυτές οι τελευταίες διατάξεις σημαίνουν ότι ένας οργανισμός μπορεί να πετύχει μεγάλα πράγματα με τα δεδομένα άλλων, μέχρι – αλλά όχι συμπεριλαμβανομένου – του σημείου της κέρδους από αυτά. Σε αυτό το στάδιο, το προϊόν θα ήταν είτε νομικά εκτεθειμένο, είτε θα χρειαζόταν να συναφθούν διατάξεις με εκατομμύρια κατόχους πνευματικών δικαιωμάτων, πολλοί από τους οποίους είναι τώρα ανιχνεύσιμοι λόγω της μεταβαλλόμενης φύσης του διαδικτύου – μια αδύνατη και μη-απαιτούμενη προοπτική.

2: Caveat Emptor
Στις περιπτώσεις όπου οι παραβάτες οργανισμοί ελπίζουν να αναβάλουν την ευθύνη, η καινούργια εργασία επίσης σημειώνει ότι πολλές άδειες για τα πιο δημοφιλή ανοικτά σύνολα δεδομένων αυτο-αποζημιώνουν τους εαυτούς τους έναντι οποιασδήποτε αξίωσης που προκύπτει από τη χρήση του συνόλου δεδομένων:

‘Για παράδειγμα, η άδεια του ImageNet απαιτεί από τους πρακτικούς να αποζημιώσουν την ομάδα ImageNet έναντι οποιασδήποτε αξίωσης που προκύπτει από τη χρήση του συνόλου δεδομένων. Τα σύνολα δεδομένων FFHQ, VGGFace2 και MS COCO απαιτούν το σύνολο δεδομένων, εάν διανεμηθεί ή τροποποιηθεί, να παρουσιαστεί με την ίδια άδεια.’

Επίδραση, αυτό αναγκάζει εκείνους που χρησιμοποιούν FOSS σύνολα δεδομένων να απορροφήσουν την ενοχή για τη χρήση πνευματικά δικαιώματα-παραβατικών υλικών, αντιμετωπίζοντας τη μελλοντική δικαστική διαμάχη (αν και δεν προστατεύει απαραίτητα τους αρχικούς συντάκτες σε μια περίπτωση όπου το τρέχον κλίμα ‘ασφαλής limani’ είναι διαταραγμένο).

3: Indemnity Through Obscurity
Η συνεργατική φύση της κοινότητας μηχανικής μάθησης καθιστά σχετικά δύσκολο να χρησιμοποιηθεί η εταιρική occultism για να αποκρύψει την παρουσία αλγορίθμων που έχουν επωφεληθεί από πνευματικά δικαιώματα-παραβατικά σύνολα δεδομένων. Μακροπρόθεσμες εμπορικές εργασίες συχνά ξεκινούν σε ανοικτά περιβάλλοντα FOSS όπου η χρήση συνόλων δεδομένων είναι ένα ζήτημα εγγραφής, στο GitHub και άλλα δημόσια προσιτά φόρουμ, ή όπου οι ρίζες του έργου έχουν δημοσιευθεί σε preprint ή peer-αναθεωρημένα έγγραφα.

Ακόμη και όπου αυτό δεν είναι η περίπτωση, model inversion είναι πάντα ικανότερο να αποκαλύπτει τα τυπικά χαρακτηριστικά των συνόλων δεδομένων (ή ακόμη και συναρτήσει κάποιο από το αρχικό υλικό), είτε παρέχοντας απόδειξη στο ίδιο, είτε αρκετή υποψία παραβίασης για να ενεργοποιήσει δικαστική πρόσβαση στην ιστορία της ανάπτυξης του αλγορίθμου και τις λεπτομέρειες των συνόλων δεδομένων που χρησιμοποιήθηκαν σε αυτήν την ανάπτυξη.

Συμπέρασμα

Το έγγραφο απεικονίζει μια χαοτική και ad hoc χρήση πνευματικά δικαιώματα-παραβατικών υλικών που λαμβάνονται χωρίς άδεια, και μια σειρά από αλυσίδες αδειών που, εάν ακολουθηθούν λογικά όσο το δυνατόν μακριά, θα απαιτούσαν διαπραγματεύσεις με χιλιάδες κατόχους πνευματικών δικαιωμάτων των οποίων το έργο παρουσιάστηκε υπό την αιγίδα ιστότοπων με ποικιλία αδειών, πολλές από τις οποίες αποκλείουν παράγωγα εμπορικά έργα.

Οι συγγραφείς καταλήγουν στο συμπέρασμα:

‘Δημόσια διαθέσιμα σύνολα δεδομένων χρησιμοποιούνται ευρέως για να κατασκευάσουν εμπορικό λογισμικό AI. Μπορείτε να το κάνετε εάν [και] μόνο εάν η άδεια που συνδέεται με το δημόσια διαθέσιμο σύνολο δεδομένων παρέχει το δικαίωμα να το κάνετε. Ωστόσο, δεν είναι εύκολο να επιβεβαιώσετε τα δικαιώματα και τις υποχρεώσεις που παρέχονται στην άδεια που συνδέεται με τα δημόσια διαθέσιμα σύνολα δεδομένων. Επειδή, đôi και η άδεια είναι είτε ασαφής είτε πιθανώς άκυρη.’

Μια άλλη καινούργια εργασία, με τίτλο Κατασκευή Νομικών Συνόλων Δεδομένων, που κυκλοφόρησε στις 2 Νοεμβρίου από το Κέντρο Υπολογιστικού Δικαίου στο Singapore Management University, επίσης τονίζει την ανάγκη για τους επιστήμονες δεδομένων να αναγνωρίσουν ότι η ‘άγρια δυστυχία’ εποχή της ad hoc συλλογής δεδομένων έρχεται σε κλείσιμο, και αντανακλά τις συστάσεις του εγγράφου της Huawei να υιοθετήσουν πιο αυστηρές συνήθειες και μεθοδολογίες για να διασφαλίσουν ότι η χρήση συνόλων δεδομένων δεν εκθέτει ένα έργο σε νομικές επιπτώσεις καθώς η κουλτούρα αλλάζει με την πάροδο του χρόνου, και καθώς η τρέχουσα παγκόσμια ακαδημαϊκή δραστηριότητα στον τομέα της μηχανικής μάθησης αναζητά εμπορική απόδοση σε χρόνια επένδυσης. Ο συγγραφέας παρατηρεί*:

‘[Το] σώμα της νομοθεσίας που επηρεάζει τα σύνολα δεδομένων ML είναι σε εξέλιξη, εν μέσω ανησυχιών ότι οι τρέχουσες νόμοι προσφέρουν ανεπαρκείς προστασίες. Το σχέδιο AIA [Ευρωπαϊκό Νομοσχέδιο για την Τεχνητή Νοημοσύνη], εάν και όταν ψηφιστεί, θα αλλάξει σημαντικά το τοπίο διακυβέρνησης AI και δεδομένων· άλλες δικαιοδοσίες μπορεί να ακολουθήσουν με τα δικά τους Νομοσχέδια. ‘

* Η μετατροπή μου των εσωτερικών αναφορών σε υπερσυνδέσμους