Práticas Atuais de IA Podem Estar Permitindo uma Nova Geração de Trolls de Direitos Autorais

Uma nova colaboração de pesquisa entre a Huawei e a academia sugere que uma grande parte das principais pesquisas atuais em inteligência artificial e aprendizado de máquina pode estar exposta a litígios assim que se tornar comercialmente proeminente, porque os conjuntos de dados que tornam possíveis os avanços estão sendo distribuídos com licenças inválidas que não respeitam os termos originais dos domínios públicos de onde os dados foram obtidos.

Em essência, isso tem dois resultados quase inevitáveis: que algoritmos de IA muito bem-sucedidos e comercializados que são conhecidos por terem usado esses conjuntos de dados se tornarão os alvos futuros de trolls de patentes oportunisticamente cujos direitos autorais não foram respeitados quando seus dados foram coletados; e que organizações e indivíduos poderão usar essas mesmas vulnerabilidades legais para protestar contra a implantação ou difusão de tecnologias de aprendizado de máquina que eles consideram objetáveis.

O artigo é intitulado Posso usar este conjunto de dados publicamente disponível para construir software de IA comercial? Provavelmente não, e é uma colaboração entre a Huawei Canada e a Huawei China, juntamente com a Universidade de York no Reino Unido e a Universidade de Victoria no Canadá.

Cinco de Seis (Populares) Conjuntos de Dados de Código Aberto Não São Legalmente Usáveis

Para a pesquisa, os autores pediram aos departamentos da Huawei que selecionassem os conjuntos de dados de código aberto mais desejáveis que eles gostariam de explorar em projetos comerciais, e selecionaram os seis conjuntos de dados mais solicitados das respostas: CIFAR-10 (um subconjunto do conjunto de dados 80 milhões de imagens minúsculas, desde retirado por ‘termos depreciativos’ e ‘imagens ofensivas’, embora seus derivados sejam prolíficos); ImageNet; Cityscapes (que contém material exclusivamente original); FFHQ; VGGFace2, e MSCOCO.

Para analisar se os conjuntos de dados selecionados eram adequados para uso legal em projetos comerciais, os autores desenvolveram uma nova pipeline para rastrear a cadeia de licenças tanto quanto foi possível para cada conjunto, embora muitas vezes tivessem que recorrer a capturas de arquivos da web para localizar licenças de domínios agora expirados, e em certos casos tiveram que ‘adivinhar’ o status da licença a partir das informações mais próximas disponíveis.

Arquitetura para o sistema de rastreamento de proveniência desenvolvido pelos autores. Fonte: https://arxiv.org/pdf/2111.02374.pdf

Os autores descobriram que as licenças para cinco dos seis conjuntos de dados ‘contêm riscos associados a pelo menos um contexto de uso comercial’:

‘[Nós] observamos que, exceto MS COCO, nenhuma das licenças estudadas permite aos práticos o direito de comercializar um modelo de IA treinado nos dados ou mesmo a saída do modelo de IA treinado. Tal resultado também efetivamente impede que os práticos usem modelos pré-treinados treinados nesses conjuntos de dados. Conjuntos de dados e modelos de IA pré-treinados que são amplamente usados comercialmente

Os autores observam ainda que três dos seis conjuntos de dados estudados poderiam resultar em violação de licença em produtos comerciais se o conjunto de dados for modificado, pois apenas o MS-COCO permite isso. No entanto, a ampliação de dados e subconjuntos e superconjuntos de conjuntos de dados influentes são uma prática comum.

No caso do CIFAR-10, os compiladores originais não criaram nenhuma forma convencional de licença, apenas exigindo que os projetos que usam o conjunto de dados incluam uma citação ao artigo original que acompanhou a liberação do conjunto de dados, apresentando um obstáculo adicional para estabelecer o status legal dos dados.

Além disso, apenas o conjunto de dados CityScapes contém material que é exclusivamente gerado pelos originadores do conjunto de dados, e não ‘curado’ (coletado) de fontes de rede, com CIFAR-10 e ImageNet usando múltiplas fontes, cada uma das quais precisaria ser investigada e rastreada para estabelecer qualquer tipo de mecanismo de direitos autorais (ou mesmo uma declaração significativa).

Não Há Escapada

Existem três fatores que as empresas de IA comerciais parecem estar se baseando para se proteger de litígios em torno de produtos que usaram conteúdo protegido por direitos autorais de conjuntos de dados livremente e sem permissão para treinar algoritmos de IA. Nenhum desses fatores oferece muita (ou alguma) proteção confiável a longo prazo:

1: Leis Nacionais de Laissez Faire
Embora os governos em todo o mundo sejam compelidos a relaxar as leis em torno da coleta de dados para não ficar para trás na corrida em direção a uma IA performática (que depende de grandes volumes de dados do mundo real para os quais a conformidade regular de direitos autorais e licenciamento seria irrealista), apenas os Estados Unidos oferecem imunidade total nesse aspecto, sob a Doutrina de Uso Justo – uma política que foi ratificada em 2015 com a conclusão do caso Authors Guild v. Google, Inc., que afirmou que o gigante da busca poderia livremente ingerir material protegido por direitos autorais para seu projeto Google Books sem ser acusado de violação.

Se a política da Doutrina de Uso Justo mudar (por exemplo, em resposta a outro caso emblemático envolvendo organizações ou corporações suficientemente poderosas), provavelmente seria considerada um estado a priori em termos de explorar bancos de dados que violam direitos autorais atuais, protegendo o uso anterior; mas não o uso contínuo e desenvolvimento de sistemas que foram habilitados por material protegido por direitos autorais sem acordo.

Isso coloca a proteção atual da Doutrina de Uso Justo em uma base muito provisória, e poderia potencialmente, nesse cenário, exigir que algoritmos de aprendizado de máquina comercializados e estabelecidos cessem a operação em casos onde suas origens foram habilitadas por material protegido por direitos autorais – mesmo em casos onde os pesos do modelo agora lidam exclusivamente com conteúdo permitido, mas foram treinados em (e tornados úteis por) conteúdo ilegalmente copiado.

Fora dos EUA, como os autores observam no novo artigo, as políticas são geralmente menos lenientes. O Reino Unido e o Canadá apenas indenizam o uso de dados protegidos por direitos autorais para fins não comerciais, enquanto a Lei de Mineração de Texto e Dados da UE (que não foi totalmente anulada pelas propostas recentes para regulamentação de IA mais formal) também exclui a exploração comercial para sistemas de IA que não cumprem com os requisitos de direitos autorais dos dados originais.

Esses últimos arranjos significam que uma organização pode alcançar grandes coisas com os dados de outras pessoas, até – mas não incluindo – o ponto de fazer qualquer dinheiro com isso. Nesse estágio, o produto seria ou legalmente exposto, ou arranjos precisariam ser feitos com literalmente milhões de detentores de direitos autorais, muitos dos quais agora são inatingíveis devido à natureza cambiante da internet – uma perspectiva impossível e inaffordável.

2: Caveat Emptor
Em casos onde organizações infratoras estão esperando para deferir a culpa, o novo artigo também observa que muitas licenças para os conjuntos de dados de código aberto mais populares auto-indenizam-se contra qualquer reivindicação de abuso de direitos autorais:

‘Por exemplo, a licença do ImageNet exige explicitamente que os práticos indenizem a equipe do ImageNet contra qualquer reivindicação decorrente do uso do conjunto de dados. Os conjuntos de dados FFHQ, VGGFace2 e MS COCO exigem que o conjunto de dados, se distribuído ou modificado, seja apresentado sob a mesma licença.’

Efetivamente, isso força aqueles que usam conjuntos de dados de código aberto a absorver a culpa pelo uso de material protegido por direitos autorais, diante de eventuais litígios (embora não proteja necessariamente os compiladores originais em um caso onde o clima atual de ‘porto seguro’ é comprometido).

3: Indenização por Obscuridade
A natureza colaborativa da comunidade de aprendizado de máquina torna fairly difícil usar ocultismo corporativo para obscurecer a presença de algoritmos que se beneficiaram de conjuntos de dados que violam direitos autorais. Projetos comerciais de longo prazo muitas vezes começam em ambientes de código aberto onde o uso de conjuntos de dados é uma questão de registro, no GitHub e outros fóruns publicamente acessíveis, ou onde as origens do projeto foram publicadas em pré-impressão ou artigos revisados por pares.

Mesmo onde isso não é o caso, inversão de modelo é cada vez mais capaz de revelar as características típicas dos conjuntos de dados (ou mesmo explicitamente saída de algum material de origem), seja fornecendo prova por si só, ou suficiente suspeita de violação para permitir o acesso ordenado pelo tribunal à história do desenvolvimento do algoritmo e detalhes dos conjuntos de dados usados nesse desenvolvimento.

Conclusão

O artigo descreve um uso caótico e ad hoc de material protegido por direitos autorais obtido sem permissão, e de uma série de cadeias de licenças que, seguidas logicamente até o original, exigiriam negociações com milhares de detentores de direitos autorais cujo trabalho foi apresentado sob a égide de sites com uma ampla variedade de termos de licença, muitos dos quais precluem obras comerciais derivadas.

Os autores concluem:

‘Conjuntos de dados publicamente disponíveis estão sendo amplamente usados para construir software de IA comercial. Alguém pode fazer isso se [e] apenas se a licença associada ao conjunto de dados publicamente disponível fornece o direito de fazê-lo. No entanto, não é fácil verificar os direitos e obrigações fornecidos na licença associada aos conjuntos de dados publicamente disponíveis. Porque, às vezes, a licença é ou incerta ou potencialmente inválida.’

Outro novo trabalho, intitulado Construindo Conjuntos de Dados Legais, lançado em 2 de novembro do Centro de Direito Computacional da Universidade de Gestão de Singapura, também enfatiza a necessidade de cientistas de dados reconhecerem que a era de ‘faroeste’ da coleta de dados ad hoc está chegando ao fim, e espelha as recomendações do artigo da Huawei para adotar hábitos e metodologias mais rigorosos para garantir que o uso de conjuntos de dados não exponha um projeto a ramificações legais à medida que a cultura muda com o tempo, e à medida que a atividade acadêmica global no setor de aprendizado de máquina busca um retorno comercial sobre anos de investimento. O autor observa*:

‘[O] corpus de legislação que afeta conjuntos de dados de ML está prestes a crescer, diante de preocupações de que as leis atuais oferecem proteção insuficiente safeguards. O projeto de lei de IA [Ato de Inteligência Artificial da UE], se e quando aprovado, alteraria significativamente o cenário de governança de IA e dados; outras jurisdições podem seguir o exemplo com seus próprios atos. ‘

* Minha conversão de citações em linha para hiperlinks