Practicile actuale de inteligență artificială ar putea permite o nouă generație de “troll-uri” de drepturi de autor

O nouă colaborare de cercetare între Huawei și academia sugerează că o mare parte a cercetărilor actuale importante în domeniul inteligenței artificiale și al învățării automatice ar putea fi expusă la litigii de îndată ce devine comercială, deoarece seturile de date care fac posibile progresele sunt distribuite cu licențe invalide care nu respectă termenii originali ai domeniilor publice din care a fost obținută datele.

În esență, acest lucru are două rezultate aproape inevitabile: algoritmi de inteligență artificială comercializați foarte de succes, care se știe că au utilizat astfel de seturi de date, vor deveni țintele viitoare ale “troll-urilor” de drepturi de autor, ale căror drepturi de autor nu au fost respectate atunci când datele lor au fost extrase; și că organizațiile și persoanele fizice vor putea utiliza aceste vulnerabilități juridice pentru a protesta împotriva implementării sau difuzării tehnologiilor de învățare automată pe care le consideră obiectabile.

Articolul științific se intitulează Pot folosi acest set de date public disponibil pentru a crea software de inteligență artificială comercială? Probabil nu și este o colaborare între Huawei Canada și Huawei China, împreună cu Universitatea York din Regatul Unit și Universitatea Victoria din Canada.

Cinci din șase seturi de date deschise (populare) nu sunt utilizabile din punct de vedere legal

Pentru cercetare, autorii au solicitat departamentelor de la Huawei să selecteze cele mai dorite seturi de date deschise pe care le-ar dori să le exploateze în proiecte comerciale și au selectat cele șase seturi de date solicitate: CIFAR-10 (un subset al setului de date 80 de milioane de imagini mici, deoarece a fost retras pentru ‘termeni derogatorii’ și ‘imagini ofensatoare’, deși derivatele sale proliferează); ImageNet; Cityscapes (care conține material exclusiv original); FFHQ; VGGFace2, și MSCOCO.

Pentru a analiza dacă seturile de date selectate erau adecvate pentru utilizare legală în proiecte comerciale, autorii au dezvoltat o nouă procedură pentru a urmări lanțul de licențe pe cât de mult posibil pentru fiecare set, deși au trebuit adesea să recurgă la capturi de arhivă web pentru a localiza licențe de la domenii expirate și, în anumite cazuri, au trebuit să “ghicească” starea licenței din informațiile disponibile.

Arhitectura sistemului de urmărire a provenienței dezvoltat de autori. Sursă: https://arxiv.org/pdf/2111.02374.pdf

Autorii au constatat că licențele pentru cinci dintre cele șase seturi de date ‘conțin riscuri asociate cu cel puțin un context de utilizare comercială’:

‘[Noi] observăm că, cu excepția MS COCO, niciuna dintre licențele studiate nu permite practicienilor dreptul de a comercializa un model de inteligență artificială instruit pe date sau chiar ieșirea modelului de inteligență artificială instruit. Un astfel de rezultat împiedică, de asemenea, practicienii să utilizeze modele pre-antrenate instruite pe aceste seturi de date. Seturile de date publice și modelele de inteligență artificială pre-antrenate pe ele sunt în mod frecvent utilizate comercial.’ *

Autorii mai notează că trei dintre cele șase seturi de date studiate ar putea, de asemenea, să rezulte în încălcarea licenței în produse comerciale, dacă setul de date este modificat, deoarece doar MS-COCO permite acest lucru. Cu toate acestea, augmentarea datelor și subseturile și superseturile seturilor de date influente sunt o practică obișnuită.

În cazul CIFAR-10, compilatorii originali nu au creat nicio formă convențională de licență, solicitând doar ca proiectele care utilizează setul de date să includă o citație la articolul original care a însoțit lansarea setului de date, prezentând o altă piedică pentru stabilirea statutului juridic al datelor.

Mai mult, doar setul de date CityScapes conține material care este generat exclusiv de creatorii setului de date, și nu “curat” (extras) din surse de rețea, CIFAR-10 și ImageNet utilizând multiple surse, fiecare dintre care ar trebui să fie investigată și urmărită pentru a stabili orice mecanism de drepturi de autor (sau orice renunțare semnificativă).

Nu există o cale de ieșire

Există trei factori pe care companiile de inteligență artificială comerciale par să se bazeze pentru a se proteja de litigii legate de produse care au utilizat conținut protejat de drepturi de autor din seturi de date gratuite și fără permisiune, pentru a antrena algoritmi de inteligență artificială. Niciunul dintre acestea nu oferă o protecție fiabilă pe termen lung:

1: Legi naționale leneșe
Deși guvernele din întreaga lume sunt obligate să relaxeze legile privind extragerea datelor pentru a nu rămâne în urmă în cursa către inteligența artificială performantă (care se bazează pe volume mari de date din lumea reală, pentru care conformitatea regulamentară obișnuită și licențierea ar fi nerealistă), doar Statele Unite oferă imunitate deplină în acest sens, în temeiul Doctrinelor de utilizare corectă – o politică care a fost ratificată în 2015 cu încheierea cazului Authors Guild v. Google, Inc., care a confirmat că gigantul căutării poate ingera liber material protejat de drepturi de autor pentru proiectul său Google Books fără a fi acuzat de încălcare a drepturilor de autor.

Dacă politica Doctrinelor de utilizare corectă ar fi schimbată vreodată (de exemplu, ca răspuns la un alt caz emblematic care implică organizații sau corporații suficient de puternice), ar fi probabil considerată o stare a priori în ceea ce privește exploatarea bazelor de date care încalcă drepturile de autor actuale; dar nu utilizarea continuă și dezvoltarea sistemelor care au fost activate prin material protejat de drepturi de autor fără acord.

Acest lucru pune protecția actuală a Doctrinelor de utilizare corectă pe o bază foarte provizorie și ar putea, într-un astfel de scenariu, să oblige algoritmi de inteligență artificială comercializați și stabiliți să înceteze funcționarea în cazurile în care originea lor a fost facilitată de material protejat de drepturi de autor – chiar și în cazurile în care greutățile modelului tratează acum exclusiv conținut permis, dar au fost antrenate pe (și au devenit utile datorită) conținut copiat ilegal.

În afara Statelor Unite, după cum notează autorii în articolul nou, politicile sunt, în general, mai puțin permisive. Regatul Unit și Canada acordă imunitate doar pentru utilizarea datelor protejate de drepturi de autor în scopuri necomerciale, în timp ce Legea UE privind extragerea textului și datelor (care nu a fost complet anulată de propunerile recente pentru o reglementare formală a inteligenței artificiale) exclude, de asemenea, exploatarea comercială pentru sisteme de învățare automată care nu respectă cerințele de drepturi de autor ale datelor originale.

Aceste aranjamente ulterioare înseamnă că o organizație poate realiza lucruri mari cu datele altor persoane, până la – dar nu incluzând – punctul în care face bani din ele. La acel stadiu, produsul ar deveni fie expus din punct de vedere legal, fie ar trebui să încheie acorduri cu literalmente milioane de deținători de drepturi de autor, mulți dintre care sunt acum de negăsit din cauza naturii schimbătoare a internetului – o perspectivă imposibilă și neaffordabilă.

2: Avertisment
În cazurile în care organizațiile care încalcă drepturile de autor speră să amâne culpa, noul articol observă, de asemenea, că multe licențe pentru seturile de date deschise cele mai populare se auto-indemnizează împotriva oricăror pretenții de abuz de drepturi de autor:

‘De exemplu, licența ImageNet cere în mod explicit practicienilor să indemnizeze echipa ImageNet împotriva oricăror pretenții care decurg din utilizarea setului de date. Seturile de date FFHQ, VGGFace2 și MS COCO cer ca setul de date, dacă este distribuit sau modificat, să fie prezentat sub aceeași licență.’

În esență, acest lucru obligă cei care utilizează seturile de date deschise să absoarbă vinovăția pentru utilizarea materialului protejat de drepturi de autor, în fața eventualelor litigii (deși nu protejează neapărat compilatorii originali într-un caz în care climatul actual de “port de adăpost” este compromis).

3: Indemnitate prin obscuritate
Natura colaborativă a comunității de învățare automată face destul de dificilă utilizarea ocultismului corporativ pentru a ascunde prezența algoritmilor care au beneficiat de seturi de date care încalcă drepturile de autor. Proiectele comerciale pe termen lung încep adesea în medii deschise de cod, unde utilizarea seturilor de date este o chestiune de înregistrare, la GitHub și alte forumuri accesibile public, sau unde originea proiectului a fost publicată în preprinturi sau articole peer-review.

Chiar și atunci când acest lucru nu este cazul, inversarea modelului este din ce în ce mai capabilă de a dezvălui caracteristicile tipice ale seturilor de date (sau chiar dezvăluie explicit unele dintre materialul sursă), fie oferind dovada în sine, fie suficientă suspiciune de încălcare a drepturilor de autor pentru a permite accesul la istoricul dezvoltării algoritmului și la detalii despre seturile de date utilizate în acea dezvoltare.

Concluzie

Articolul prezintă o utilizare haotică și ad-hoc a materialului protejat de drepturi de autor, obținut fără permisiune, și o serie de lanțuri de licențe care, urmate logic până la sursa originală a datelor, ar necesita negocieri cu mii de deținători de drepturi de autor ale căror lucrări au fost prezentate sub egida unor site-uri cu o varietate de termeni de licență, mulți dintre care interzic lucrări comerciale derivate.

Autorii concluzionează:

‘Seturile de date publice disponibile sunt utilizate pe scară largă pentru a crea software de inteligență artificială comercială. O puteți face dacă și numai dacă licența asociată setului de date public disponibil oferă dreptul de a face acest lucru. Cu toate acestea, nu este ușor să verificați drepturile și obligațiile prevăzute în licența asociată seturilor de date publice disponibile. Pentru că, uneori, licența este fie neclară, fie potențial invalidă.’

O altă lucrare nouă, intitulată Construirea seturilor de date legale, lansată pe 2 noiembrie de la Centrul de Drept Computațional de la Universitatea de Management din Singapore, subliniază, de asemenea, necesitatea ca oamenii de știință din domeniul datelor să recunoască că era “vestului sălbatic” a adunării de date ad-hoc se apropie de sfârșit, și reflectă recomandările articolului Huawei de a adopta obiceiuri și metodologii mai stricte pentru a se asigura că utilizarea seturilor de date nu expune un proiect la ramificații juridice, pe măsură ce cultura se schimbă în timp, și pe măsură ce activitatea academică globală actuală în sectorul de învățare automată caută un randament comercial pentru ani de investiții. Autorul observă*:

‘[Corpusul de legislație care afectează seturile de date de învățare automată] este setat să crească, în mijlocul preocupărilor că legile actuale oferă garanții insuficiente. Proiectul de Act al Inteligenței Artificiale al UE, dacă și când va fi adoptat, ar altera semnificativ peisajul guvernării inteligenței artificiale și a datelor; alte jurisdicții ar putea urma exemplul cu acte proprii. ‘

* Conversia mea a citatelor inline în legături