Текущие практики ИИ могут способствовать появлению нового поколения троллей, нарушающих авторские права

Новое исследовательское сотрудничество между Huawei и академией предполагает, что значительная часть наиболее важных текущих исследований в области искусственного интеллекта и машинного обучения может быть подвержена судебным искам, как только оно станет коммерчески значимым, поскольку наборы данных, которые делают возможными прорывы, распространяются с недействительными лицензиями, которые не уважают исходные условия публичных доменов, из которых были получены данные.

По сути, это имеет два почти неизбежных возможных исхода: что очень успешные, коммерциализированные алгоритмы ИИ, известные тем, что использовали такие наборы данных, станут будущими целями оппортунистических троллей, чьи авторские права не были уважены, когда их данные были собраны; и что организации и лица смогут использовать эти же юридические уязвимости, чтобы протестовать против развертывания или распространения технологий машинного обучения, которые они находят нежелательными.

The статья озаглавлена Могу ли я использовать этот публично доступный набор данных для создания коммерческого программного обеспечения ИИ? Скорее всего, нет, и представляет собой сотрудничество между Huawei Canada и Huawei China, вместе с Йоркским университетом в Великобритании и Университетом Виктории в Канаде.

Пять из шести (популярных) открытых наборов данных не являются юридически пригодными для использования

Для исследования авторы попросили департаменты Huawei выбрать наиболее желаемые открытые наборы данных, которые они хотели бы использовать в коммерческих проектах, и выбрали шесть наиболее запрошенных наборов данных из ответов: CIFAR-10 (подмножество набора данных 80 миллионов крошечных изображений, поскольку отозван из-за ‘оскорбительных терминов’ и ‘неприемлемых изображений’, хотя его производные продолжают распространяться); ImageNet; Cityscapes (который содержит исключительно оригинальный материал); FFHQ; VGGFace2, и MSCOCO.

Чтобы проанализировать, являются ли выбранные наборы данных пригодными для юридического использования в коммерческих проектах, авторы разработали новый конвейер для отслеживания цепочки лицензий насколько это было возможно для каждого набора, хотя им часто приходилось прибегать к архивным снимкам веб-страниц, чтобы найти лицензии с истекшими доменами, и в некоторых случаях им приходилось ‘угадывать’ статус лицензии из ближайшей доступной информации.

Архитектура системы отслеживания происхождения, разработанной авторами. Источник: https://arxiv.org/pdf/2111.02374.pdf

Авторы обнаружили, что лицензии на пять из шести наборов данных содержат риски, связанные с至少 одним коммерческим контекстом использования:

‘[Мы] наблюдаем, что, за исключением MS COCO, ни одна из изученных лицензий не дает практикам право коммерциализировать модель ИИ, обученную на данных, или даже вывод модели ИИ. Такой результат также эффективно предотвращает использование предварительно обученных моделей, обученных на этих наборах данных. Публично доступные наборы данных и модели ИИ, предварительно обученные на них, широко используются в коммерческих целях.’ *

Авторы进一步 отмечают, что три из шести изученных наборов данных могут дополнительно привести к нарушению лицензии в коммерческих продуктах, если набор данных изменен, поскольку только MS-COCO позволяет это. Однако данные аугментации и подмножества и надмножества влиятельных наборов данных являются обычной практикой.

В случае с CIFAR-10 оригинальные компиляторы не создали никакой обычной формы лицензии, только требуя, чтобы проекты, использующие набор данных, включали ссылку на исходную статью, сопровождающую выпуск набора данных, представляя дальнейшее препятствие для установления юридического статуса данных.

Далее, только набор данных CityScapes содержит материал, который исключительно сгенерирован создателями набора данных, а не ‘кураторами’ (собранными) из сетевых источников, с CIFAR-10 и ImageNet, использующими несколько источников, каждый из которых потребует расследования и отслеживания, чтобы установить какой-либо механизм авторских прав (или даже осмысленную оговорку).

Нет выхода

Существуют три фактора, на которые, кажется, коммерческие компании ИИ полагаются, чтобы защитить себя от судебных исков вокруг продуктов, которые использовали защищенный авторским правом контент из наборов данных свободно и без разрешения, для обучения алгоритмов ИИ. Ни один из них не обеспечивает много (или какого-либо) надежной долгосрочной защиты:

1: Лаисsez Фэр Национальные Законы
Хотя правительства по всему миру вынуждены смягчать законы вокруг сбора данных, чтобы не отстать в гонке за производительными ИИ (который полагается на большие объемы реальных данных, для которых регулярное соблюдение авторских прав и лицензирование было бы нереалистичным), только Соединенные Штаты предлагают полную иммунитет в этом отношении, в соответствии с Доктриной справедливого использования – политикой, ратифицированной в 2015 году с заключением дела Authors Guild v. Google, Inc., которое подтвердило, что поисковый гигант может свободно использовать защищенный авторским правом материал для своего проекта Google Books без обвинений в нарушении.

Если политика Доктрины справедливого использования когда-либо изменится (например, в ответ на другое знаковое дело,涉ывающее достаточно мощные организации или корпорации), она, скорее всего, будет считаться a priori состоянием в отношении использования текущих баз данных, нарушающих авторские права; но не продолжающееся использование и разработку систем, которые были облегчены защищенным авторским правом материалом без соглашения.

Это ставит текущую защиту Доктрины справедливого использования на очень условной основе и потенциально может потребовать, чтобы уже установленные, коммерциализированные алгоритмы машинного обучения прекратили работу в случаях, когда их происхождение было облегчено защищенным авторским правом материалом – даже в случаях, когда веса модели теперь имеют дело исключительно с разрешенным контентом, но были обучены на (и стали полезными благодаря) незаконно скопированному контенту.

За пределами США, как отмечают авторы в новой статье, политики обычно менее снисходительны. Великобритания и Канада только освобождают от ответственности использование защищенного авторским правом контента для некоммерческих целей, в то время как закон ЕС о тексте и данных (который не был полностью отменен недавними предложениями по более формальному регулированию ИИ) также исключает коммерческое использование для систем ИИ, которые не соответствуют требованиям авторских прав исходных данных.

Эти последние договоренности означают, что организация может добиться великих успехов с данными других людей, до – но не включая – точки, в которой они начинают зарабатывать на этом деньги. На этой стадии продукт либо станет юридически уязвимым, либо потребуются договоренности с буквально миллионами держателей авторских прав, многие из которых теперь неотслеживаемы из-за сдвигающейся природы интернета – невозможная и недоступная перспектива.

2: Caveat Emptor
В случаях, когда нарушающие организации надеются отложить вину, новая статья также отмечает, что многие лицензии на наиболее популярные открытые наборы данных автоматически освобождают себя от любых претензий по поводу нарушения авторских прав:

‘Например, лицензия ImageNet требует от практиков освобождения команды ImageNet от любых претензий, возникающих из использования набора данных. Наборы данных FFHQ, VGGFace2 и MS COCO требуют, чтобы набор данных, если он распространяется или изменяется, был представлен под той же лицензией.’

По сути, это заставляет тех, кто использует наборы данных с открытым исходным кодом, поглощать вину за использование защищенного авторским правом контента в случае будущих судебных исков (хотя это не обязательно защищает исходных компиляторов в случае, когда текущая атмосфера ‘безопасной гавани’ нарушена).

3: Индемнитет через неясность
Совместная природа сообщества машинного обучения делает довольно трудным использование корпоративного оккультизма, чтобы скрыть присутствие алгоритмов, которые получили пользу от нарушающих авторские права наборов данных. Долгосрочные коммерческие проекты часто начинаются в открытых средах с открытым исходным кодом, где использование наборов данных является делом записи, на GitHub и других публично доступных форумах, или где происхождение проекта было опубликовано в предварительной или рецензируемой статье.

Даже когда это не так, обратное моделирование становится все более способным раскрывать типичные характеристики наборов данных (или даже явно выводить некоторые из исходного материала), либо предоставляя доказательства сами по себе, либо достаточно подозрений в нарушении, чтобы позволить получить доступ к истории разработки алгоритма и подробностям наборов данных, использованных в этой разработке.

Заключение

Статья изображает хаотичное и случайное использование защищенного авторским правом контента, полученного без разрешения, и серии цепочек лицензий, которые, логически последовательные, требуют переговоров с тысячами держателей авторских прав, чья работа была представлена под эгидой сайтов с разнообразными условиями лицензирования, многие из которых запрещают производные коммерческие работы.

Авторы заключают:

‘Публично доступные наборы данных широко используются для создания коммерческого программного обеспечения ИИ. Можно сделать это, если [и] только если лицензия, связанная с публично доступным набором данных, предоставляет право на это. Однако не легко проверить права и обязанности, предусмотренные лицензией, связанной с публично доступными наборами данных. Потому что, иногда лицензия либо неясна, либо потенциально недействительна.’

Новая работа, озаглавленная Создание юридических наборов данных, выпущенная 2 ноября из Центра вычислительного права в Университете менеджмента Сингапура, также подчеркивает необходимость для ученых-исследователей признать, что ‘дикая западная’ эпоха самодельного сбора данных подходит к концу, и отражает рекомендации статьи Huawei по принятию более строгих привычек и методологий, чтобы обеспечить, что использование наборов данных не подвергает проект юридическим последствиям, поскольку культура меняется со временем, и поскольку текущая глобальная академическая деятельность в секторе машинного обучения стремится к коммерческой отдаче от лет инвестиций. Автор отмечает*:

‘[Корпус] законодательства, влияющего на наборы данных ИИ, предназначен для роста, на фоне опасений, что текущие законы предлагают недостаточные гарантии. Проект законопроекта ЕС об искусственном интеллекте, если и когда он будет принят, существенно изменит ландшафт управления ИИ и данными; другие юрисдикции могут последовать этому примеру со своими собственными актами. ‘

* Мой перевод внутренних цитат в гиперссылки