Nykyiset tekoälykäytännöt voivat mahdollistaa uuden sukupolven tekijänoikeustrollien syntymän

Uusi tutkimusyhteistyö Huawei ja akateemisen yhteisön välillä osoittaa, että suuri osa tärkeimmistä nykyisistä tekoäly- ja koneoppimistutkimuksista saattaa altistua oikeudellisille haasteille, kun ne tulevat kaupallisesti merkittäviksi, koska niiden mahdollistavia tietokantoja jaetaan laittomilla lisensseillä, jotka eivät kunnioita alkuperäisten julkisesti saatavilla olevien verkkopalvelujen ehtoja, joista data on haettu.

Tämän seurauksena on kaksi melkein vääjäämätöntä mahdollista lopputulosta: hyvin menestyneet, kaupallistetut tekoälyalgoritmit, jotka on tiedetty käyttäneen tällaisia tietokantoja, tulevat tulevaisuudessa kohteiksi oikeudellisille haasteille, kun tekijänoikeuksia ei ole kunnioitettu, kun dataa kerättiin; ja organisaatiot ja yksityishenkilöt voivat käyttää näitä oikeudellisia heikkouksia vastustaakseen tekoälytekniikoiden käyttöä tai leviämistä, joita he pitävät epäilyttävinä.

Tutkimus julkaistiin otsikolla Voinko käyttää tätä julkisesti saatavilla olevaa tietokantaa kaupalliseen tekoälyohjelmistoon?, ja se on yhteistyöhön perustuva tutkimus Huawei Kanadan ja Huawei Kiinan, Yorkin yliopiston Iso-Britanniassa ja Victorian yliopiston Kanadassa välillä.

Viisi kuudesta (suositusta) avoimen lähdekoodin tietokannasta ei ole laillisesti käytettävissä

Tutkimuksessa pyydettiin Huaweiin kuuluvia osastoja valitsemaan heidän toivomansa avoimen lähdekoodin tietokannat, joita he haluaisivat hyödyntää kaupallisissa projekteissa, ja valittiin kuusi eniten toivottua tietokantaa: CIFAR-10 (osa 80 miljoonasta pikkukuvasta -tietokantaa, joka on vedetty pois ‘halventavien termejä’ ja ‘loukkaavia kuvia’ vuoksi, vaikka sen johdannaiset lisääntyvät); ImageNet; Cityscapes (joka sisältää vain alkuperäistä materiaalia); FFHQ; VGGFace2, ja MSCOCO.

Tutkijat kehittivät uuden prosessin jäljittääkseen lisenssien ketjun kunkin tietokannan osalta niin pitkälle kuin mahdollista, vaikka heidän oli usein turvauduttava verkkopalvelujen arkistoihin vanhojen, jo lopetettujen verkkopalvelujen lisenssejä varten, ja joissakin tapauksissa heidän oli “arvioitava” lisenssin tila lähimmän saatavilla olevan tiedon perusteella.

Arkkitehtuuri tutkijoiden kehittämälle jäljitysjärjestelmälle. Lähde: https://arxiv.org/pdf/2111.02374.pdf

Tutkijat totesivat, että viidellä kuudesta tietokannasta sisälsi riskejä, jotka liittyvät vähintään yhteen kaupalliseen käyttökontekstiin:

‘Havaitsemme, että lukuun ottamatta MS COCO:ta, mikään tutkituista lisensseistä ei anna käyttäjille oikeutta kaupallistaa tekoälymallia, joka on koulutettu tietokannan avulla, tai edes koulutetun tekoälymallin tulosta. Tämä estää käytännössä myös ennalta koulutettujen mallien käytön näiden tietokantojen kanssa. Julkisesti saatavilla olevat tietokannat ja niiden avulla koulutetut tekoälymallit ovat laajasti kaupallista käyttöä.’ *

Tutkijat huomauttavat myös, että kolmella kuudesta tutkitusta tietokannasta voi aiheutua lisenssirikkomuksia kaupallisissa tuotteissa, jos tietokantaa muokataan, koska vain MS-COCO sallii tämän. Tietokantojen muokkaaminen ja alijoukkojen ja ylijoukkojen käyttäminen ovat kuitenkin yleisiä käytäntöjä.

CIFAR-10:n kohdalla alkuperäiset kokoajat eivät luoneet mitään perinteistä lisenssimuotoa, vaan vaativat ainoastaan, että projektit, jotka käyttävät tietokantaa, sisälsivät viittauksen alkuperäiseen tutkimukseen, joka julkaistiin tietokannan julkaisun yhteydessä, mikä aiheuttaa edelleen esteitä oikeudellisen aseman määrittämiselle.

Lisäksi vain CityScapes-tietokanta sisältää aineistoa, jota ovat luoneet ainoastaan tietokannan alkuperäiset tekijät, eikä se ole “kuratoitu” (haettu) verkkolähteistä, kun taas CIFAR-10 ja ImageNet käyttävät useita lähteitä, joita jokaisen olisi tutkittava ja jäljitettävä, jotta voitaisiin määrittää tekijänoikeuksien mekanismi (tai edes merkittävä varoitus).

Ei Uloskäyntiä

On kolme tekijää, joihin kaupalliset tekoälyyritykset näyttävät turvautuvan suojelemaan itseään oikeudellisilta haasteilta, jotka liittyvät tuotteisiin, jotka ovat käyttäneet tekijänoikeudettomasti tietokantoja tekoälyalgoritmien kouluttamiseen. Mikään näistä tekijöistä ei tarjoa luotettavaa pitkäaikaista suojaa:

1: Laissez Faire Kansalliset Lakit
Vaikka hallitukset ympäri maailmaa pyrkivät lieventämään lakeja tietojen keräämisestä, jotta ne eivät jää jälkeen tekoälyn kehityksessä, joka riippuu suurista määristä aineistoa, jonka sääntely ja lisenssit olisivat epärealistisia, ainoastaan Yhdysvallat tarjoaa täydellisen suojan tässä suhteessa Reilun käytön oppaan nojalla – politiikka, joka vahvistettiin vuonna 2015 Authors Guild v. Google, Inc. -tapauksen päättymisen myötä, jossa vahvistettiin, että hakukonejätti voi vapaasti käyttää tekijänoikeuksien alaista materiaalia Google Books -projektissaan ilman, että sitä syytetään tekijänoikeusloukkauksesta.

Jos Reilun käytön oppaan politiikka muuttuu (esim. toisen merkittävän oikeustapauksen seurauksena, jossa on mukana riittävän voimakkaat organisaatiot tai yritykset), se olisi a priori -tila nykyisten tekijänoikeusloukkausten hyväksymisessä; mutta ei jatkuva käyttö ja kehitys järjestelmiä, jotka hyötyvät tekijänoikeudettomasti käytetystä materiaalista ilman sopimusta.

Tämä asettaa Reilun käytön oppaan nykyisen suojan hyvin epävarmaan jalustalle, ja voi vaatia vakiintuneita, kaupallisia tekoälyalgoritmeja lopettamaan toimintansa tapauksissa, joissa niiden alkuperä on peräisin tekijänoikeudettomasti käytetystä materiaalista – jopa tapauksissa, joissa mallin painot käsittelevät nyt ainoastaan sallittua sisältöä, mutta jotka on koulutettu ja tehty hyödyllisiksi laittomasti kopioitua materiaalia käyttämällä.

Yhdysvaltojen ulkopuolella, kuten tutkijat huomauttavat uudessa tutkimuksessa, politiikat ovat yleensä vähemmän myöntäviä. Iso-Britannia ja Kanada antavat vain vakuutuksen tekijänoikeudettomasti käytetyn aineiston käytölle ei-kaupallisiin tarkoituksiin, kun taas EU:n Tekstin ja datan kaivuulaki (jota ei ole kokonaan kumonnut viimeaikaiset ehdotukset virallisemmalle tekoälysääntelylle) sulkee myös kaupallisen hyödyntämisen tekoälyjärjestelmille, jotka eivät noudata alkuperäisen aineiston tekijänoikeusvaatimuksia.

Nämä järjestelyt tarkoittavat, että organisaatio voi saavuttaa suuria asioita muiden ihmisten aineistojen avulla, mutta ainoastaan siihen saakka, kunnes se alkaa tuottaa rahaa siitä. Tuossa vaiheessa tuote joko altistuu laillisesti, tai on tehtävä järjestelyjä kirjaimellisesti miljoonien tekijänoikeuksien haltijoiden kanssa, joista monet ovat jo nyt jäljittämättömiä internetin muuttuvan luonteen vuoksi – mahdoton ja kalliskustannuksellinen tavoite.

2: Caveat Emptor
Tapauksissa, joissa loukkaavat organisaatiot yrittävät siirtää syytöksiä, uusi tutkimus osoittaa myös, että monien suosituimpien avoimen lähdekoodin tietokantojen lisenssit suojaavat itseään itseään vastaan tekijänoikeusloukkausten vaatimusten tapahtuessa:

‘Esimerkiksi ImageNetin lisenssi edellyttää, että käyttäjät korvaavat ImageNet-tiimin kaikista vaatimuksista, jotka johtuvat tietokannan käytöstä. FFHQ-, VGGFace2- ja MS COCO -tietokannat vaativat, että tietokanta jaetaan tai muokataan saman lisenssin alaisuudessa.’

Käytännössä tämä pakottaa avoimen lähdekoodin tietokantoja käyttävät osapuolten ottamaan vastuun tekijänoikeusloukkausten käytöstä, kun oikeudelliset vaatimukset lopulta toteutuvat (vaikka se ei välttämättä suojaa alkuperäisiä kokoajia tapauksissa, joissa “turvapaikka” -ilmapiiri on vaarantunut).

3: Vakuutus Epäselvyyden kautta
Tekoälyyhteisön yhteistyöllinen luonne tekee siitä melko vaikeaa käyttää yrityssalaisuutta pyrittäessä peittämään algoritmiensa hyödyntämisen tekijänoikeudettomasti käytettyjä tietokantoja. Pitkäaikaiset kaupalliset projektit usein alkavat avoimista avoimen lähdekoodin ympäristöistä, joissa tietokantojen käyttö on asiakirjattu, GitHubissa tai muissa julkisesti saatavilla olevissa foorumeissa, tai joissa projektien alkuperä on julkaistu esitutkimuksena tai tieteellisessä aikakauslehdessä.

Vaikka tämä ei välttämättä olisi tapahtunut, mallin kääntäminen on yhä enemmän kykenevä paljastamaan tyypillisiä tietokantojen ominaisuuksia (tai jopa selkeästi tuottamaan joitakin alkuperäisiä lähteitä), joko tarjoamalla todisteita itsestään tai riittävän epäilyn aiheuttamaa epäilystä, jotta voitaisiin pyytää oikeudellisesti pääsyä algoritmin kehityshistoriaan ja tietokantojen käyttöön sen kehittämisessä.

Johtopäätös

Tutkimus kuvaa kaoottista ja epävirallista käyttöä tekijänoikeudettomasti hankittua materiaalia, sekä lisenssiketjuja, jotka, jos seurataan logiikkaa myöten alkuperäiseen aineiston lähdepaikkaan, vaatisivat neuvotteluja tuhansien tekijänoikeuksien haltijoiden kanssa, joiden työ oli esitetty verkkopalveluilla, joilla on monenlaisia lisenssiehtoja, monet joista estävät kaupallisen johdannaisen työn.

Tutkijat toteavat:

‘Julkisesti saatavilla olevat tietokannat ovat laajasti käytössä kaupallisen tekoälyohjelmiston kehittämisessä. Voit tehdä niin, jos ja vain, jos julkisesti saatavilla olevan tietokannan lisenssi antaa siihen oikeuden. On kuitenkin vaikea varmistaa oikeuksia ja velvollisuuksia, jotka liittyvät julkisesti saatavilla oleviin tietokantoihin, koska lisenssi on toisinaan epäselvä tai mahdollisesti mitätön.’

Uusi tutkimus, Building Legal Datasets, joka julkaistiin marraskuun 2. päivänä Singaporen johtavan yliopiston laskennallisen oikeuden keskukselta, korostaa myös datatieteilijöiden tarvetta tunnistaa, että “villien lännen” aika epävirallisen aineiston keräämisen aikakausi on päättymässä, ja seuraa Huawei-tutkimuksen suosituksia omaksua tiukemmat tavat ja menetelmät varmistamaan, että tietokantojen käyttö ei altista projekteja oikeudellisille seuraamuksille, kun kulttuuri muuttuu ajan myötä ja kun nykyinen globaali akateeminen toiminta tekoälyssektorilla etsii kaupallista tuottoa vuosien sijoittamisesta. Tutkija toteaa*:

‘[Tietokantoja koskeva] lainsäädäntö on kasvamassa, koska nykyiset lait tarjoavat riittämättömiä suojaustoimia. EU:n tekoälydirektiivi, jos ja kun se hyväksytään, muuttaisi merkittävästi tekoälyn ja tietojen hallinnan maiseman; muut hallitukset voivat seurata esimerkkiä omilla lakeillaan. ‘

* Minun muunnos sisäisiä viittauksia hyperlinkkeihin