Autorská práva jsou problém datových toků dřív než právní argument.

Copyright questions in AI begin before training: lawful access, rights reservations, licences, provenance, retention and downstream use all leave facts that...

Autorská práva jsou problém datových toků dřív než právní argument.

Kopie je už rozhodnutí

Rozhovory o autorském právu a umělé inteligenci často začínají na špatném konci systému. Začínají modelem: jaká architektura, kolik parametrů, který benchmark, které vydání. Než se někdo zeptá, odkud pochází tréninkový materiál, materiál už prošel několika rukama, formáty, filtry a úložnými vrstvami. Právní otázka nepřišla pozdě. Byla přítomná už při vytvoření první kopie.

Ta první kopie může být dočasná. Může to být stránka držená dostatečně dlouho, aby ji parser přečetl, obrázek převedený na pixely, dokument rozbalený z archivu nebo tabulka normalizovaná tak, aby program mohl porovnat pole. Může být vytvořena na základě licence, výjimky, smlouvy nebo zcela bez odpovídajícího základu. Stroj za vás toto rozlišení neudělá. Jednoduše provede operaci, kterou od něj pipeline žádá.

Proto je autorské právo problémem datové pipeline dříve, než se stane právním argumentem. Soud nebo nositel práv se může nakonec zeptat, zda bylo konkrétní použití povoleno. Organizace musí odpovědět na dřívější sadu otázek: co bylo shromážděno, kým, odkud, s jakým přístupem, podle jakého pravidla, jak dlouho uchováno, do čeho transformováno a do kterého pozdějšího artefaktu přeneseno. Pokud tyto otázky nebyly v dané době zaznamenány, je právní argument nucen rekonstruovat neviditelnou pipeline z úlomků.

Argument zde není ten, že každé technické rozhodnutí určuje právní výsledek. Neurčuje. Hash neuděluje povolení. Licence nedělá špatnou bezpečnostní praxi přijatelnou. Model card nevyřeší práva ke každému dílu v tréninkové sadě. Pointa je prozaičtější a užitečnější: každá fáze vytváří fakta, která bude pozdější analýza práv potřebovat. Dobré inženýrství tato fakta zviditelní, aniž by předstíralo, že viditelnost je verdikt.

Evropské právo je v této rané části příběhu neobvykle explicitní. Směrnice (EU) 2019/790 se zabývá vytěžováním textu a dat, zákonným přístupem a výhradami práv. Akt o umělé inteligenci přidává poskytovatelům modelů umělé inteligence pro obecné účely samostatnou povinnost zavést politiku pro dodržování práva Unie v oblasti autorského práva a zveřejnit dostatečně podrobný souhrn obsahu použitého pro trénování. Žádný z těchto nástrojů nepromění pipeline v kouzelný stroj na dodržování předpisů. Společně ztěžují obhajobu představy, že tréninková data jsou pouhé palivo, které zmizí, když model začne běžet.

Můžeme sledovat řetězec, aniž bychom vymýšleli dramatický incident. Začněte zdrojem, který tým zvažuje pro definovaný účel. Zdroj má vlastníka, umístění, podmínky přístupu, zdánlivou licenci, uvedenou výhradu nebo nevyřešenou otázku. Tým jej objeví, zkontroluje, zda je přístup zákonný, rozhodne, zda navrhované použití odpovídá povolení nebo výjimce, pořídí ohraničenou kopii, zaznamená, co se stalo, a poté rozhodne, zda se materiál může posunout dál. To není příběh o konkrétní společnosti. Je to složený myšlenkový experiment pro zviditelnění běžných rozhodnutí.

Jakmile je řetězec viditelný, jazyk se zlepší. Shromažďování není trénování. Přístup není oprávněním pro každé použití. Licence není důkazem, že odvozenou datovou sadu lze redistribuovat. Uvedení zdroje nenahrazuje povolení. Odmítnutí není nezdařené stažení; je to rozhodnutí o právech. Model je posledním spotřebitelem v dlouhé řadě dřívějších rozhodnutí.

Pipeline je delší než model

A useful pipeline has more stages than a diagram in a product presentation usually admits. Discovery finds a candidate source. Access establishes how the source can be reached. Acquisition makes one or more copies. Parsing turns bytes into structured material. Normalisation changes representations. Filtering excludes or selects items. Annotation adds labels or relationships. Storage creates working and retained states. Dataset construction defines which items travel together. Training or fine-tuning changes the model. Evaluation, retrieval and output introduce new uses. Publication or deployment sends an artefact into somebody else's workflow.

Each verb hides a decision. Discovery may use an index, a feed, an API, a catalogue or a person looking at a page. Access may be open, subscribed, licensed, authenticated or restricted by a technical measure. Acquisition may be allowed for one purpose but not another. Parsing can create copies of expressive elements that the original interface never displayed in that form. Filtering can remove a work, preserve an excerpt, transform a format or retain a set of features. Training can create weights that do not resemble the source text while still leaving the organisation responsible for the route that produced them.

The word data makes all these stages sound neutral. It is convenient shorthand and a poor moral category. A database may contain public-domain facts, copyrighted articles, personal information, confidential contracts, software, photographs, scientific measurements and comments from people who never expected their words to become inputs to a general-purpose model. The container is not the right. The pipeline has to retain the distinctions that the word data erases.

A practical way to do that is to attach a small claim ledger to each source item or source family. The ledger need not publish sensitive internal records. It should say what is known, what is assumed, what was allowed, what was refused, what changed, and what downstream states inherited the decision. A source identity, capture time, version or content hash can support that work. None of these fields proves truth or permission on its own. They make it possible to challenge the claim instead of debating a blurred memory.

The pipeline also needs boundaries. A source collected for search assistance may not be suitable for training. A licensed excerpt may support a quotation in a report but not a public dataset. A text and data mining exception may cover a computational analysis while leaving reproduction or public communication outside its scope. A rights reservation may stop a particular mining use while saying nothing about unrelated access. Treating the pipeline as one undifferentiated action guarantees that these distinctions will vanish.

Zdroj se tím, že prochází tímto postupem, právně nezjednodušuje. Záznam musí putovat s ním.

Obrázek výše je záměrně mapou postupu, nikoli hodnocením souladu s předpisy. Světlý uzel není zelená. Je to místo, kde musí být učiněno rozhodnutí a připojeno k důkazům. Postup může být v jedné fázi v souladu s právem a v další mimo jeho rozsah. Může být také technicky pečlivý, zatímco základní účel zůstává nepodložený. Proto by měl provozní záznam ukazovat jak rozhodnutí, tak hranici kolem rozhodnutí.

Zákonný přístup není svolením ke všemu

Směrnice 2019/790 začíná svá ustanovení o vytěžování textů a dat podmínkou, kterou lze snadno citovat a snadno zploštit: příjemce musí mít zákonný přístup k dílům nebo jinému předmětu ochrany. Zákonný přístup může zahrnovat otevřený přístup, předplatné nebo jinou zákonnou cestu. Není totéž jako stránka viditelná v prohlížeči. Veřejná adresa vám řekne, kde se zdroj nachází. Sama o sobě vám neřekne, které úkony nositel práv povolil, která smlouva se uplatní, zda je technické opatření účinné, nebo zda zamýšlený účel spadá pod výjimku.

Tento rozdíl je důležitý, protože přístup a použití jsou různé události. Knihovna může zákonně poskytovat přístup k časopisu na základě předplatného. Výzkumník pak může využít výjimku pro vytěžování textů a dat za podmínek, které se vztahují na výzkumnou organizaci. Komerční subjekt může mít přístup k veřejné stránce, ale přesto musí před pořízením a uchováním kopií pro jiný účel zvážit výhradu práv, licenci, práva k databázi, smluvní podmínky nebo jiné právní omezení. Ke stejným bajtům se mohou dostat dva subjekty, jejichž právní postavení není totožné.

Přístup má také technickou stránku, kterou bychom neměli považovat za překážku, kterou je třeba přelstít. Směrnice uznává, že nositelé práv mohou uplatnit přiměřená opatření na ochranu bezpečnosti a integrity svých systémů nebo databází. Hesla, paywally, ověřování, limity požadavků a další účinné kontroly jsou fakty o cestě, ne hádankami. Prohledávač, který je překoná, neprokázal vynalézavost. Vytvořil nový problém s právy a bezpečností.

Nejpoctivější postup proto zaznamenává stav přístupu dříve, než obsah uloží. Byl zdroj otevřený, předplacený, licencovaný, ověřený nebo dodaný přímo. Které podmínky byly viditelné. Která verze těchto podmínek byla v platnosti. Byla vyjádřena výhrada. Bylo narazeno na technické omezení. Rozhodl se provozovatel nepokračovat. Odpověď může být neúplná. Neúplná je užitečnější než sebevědomý štítek, který později nikdo nedokáže vysvětlit.

Zákonný přístup je v praxi také vázán na účel. Kopie pořízená za účelem přečtení článku není automaticky kopií povolenou pro trénování modelu. Datová sada licencovaná pro interní analýzu není automaticky licencovaná pro publikaci. Konzervační kopie instituce kulturního dědictví není automaticky veřejným tréninkovým korpusem. Pipeline by měl nést účel jako podmínku, ne jako komentář, který se po prvním exportu oddělí od dat.

Nic z toho nevyžaduje, aby právník schvaloval každý HTTP požadavek. Vyžaduje to rozumné rozdělení odpovědnosti. Komponenta pro získávání dat může vynucovat politiku zdroje, bezpečnost cíle a rychlostní limity. Funkce pro práva nebo správu dat může rozhodnout, zda je rodina zdrojů v rozsahu. Technický záznam může ukázat, co komponenty dělaly. Právní závěr zůstává kontextuální, ale fakta potřebná pro tento závěr přestávají na síťové hranici mizet.

Dvě výjimky pro text a dolování dat, dva různé přístupy

Ustanovení směrnice o textu a dolování dat nejsou jednou širokou licencí kopírovat cokoli zajímavého. Článek 3 zavádí povinnou výjimku pro rozmnožování a extrakce prováděné výzkumnými organizacemi a institucemi kulturního dědictví pro vědecký výzkum, pokud mají zákonný přístup. Kopie mohou být uchovávány pro účely vědeckého výzkumu a musí být bezpečně uloženy. Ustanovení je utvářeno kolem definovaného příjemce a účelu. Není to obecná výjimka pro jakoukoli organizaci, která svou práci nazývá výzkumem.

Článek 4 se zabývá textem a dolováním dat pro jiné účely. Platí, pokud má uživatel zákonný přístup a nositel práv nevyhradil práva k rozmnožování a extrakcím vhodným způsobem. U obsahu zpřístupněného veřejně online směrnice uvádí, že výhradu lze vyjádřit strojově čitelnými prostředky, včetně metadat a podmínek webové stránky nebo služby. Výjimka ponechává nositeli práv možnost vyhradit si využití dolování. To je jiný přístup než výjimka pro vědecký výzkum podle článku 3.

Tato ustanovení činí klasifikaci součástí pipeline. Je provozovatel výzkumnou organizací nebo institucí kulturního dědictví, jak tyto pojmy chápe směrnice. Je účel vědeckým výzkumem. Je přístup zákonný. Je kopie uchovávána bezpečně a pouze v rozsahu potřebném pro výzkumný účel. Pokud použití spadá pod článek 4, bylo právo vyhrazeno vhodným způsobem. Přidává smlouva další podmínky. Platí jiné právo, například právo k databázi. Jediné pole s názvem tdm_allowed nemůže všechny tyto otázky poctivě nést.

Preambule jsou užitečné, protože vysvětlují problém, který se zákonodárce snažil vyřešit. Text a dolování dat mohou zahrnovat rozmnožování děl nebo extrakce z databází, i když je technický úkol popsán jako analýza. Může se také týkat faktů nebo dat, která nejsou chráněna autorským právem. Právní povaha materiálu a prováděné úkony proto mají význam. Pipeline by měl vědět, zda zpracovává nechráněná fakta, expresivní díla, chráněnou databázi nebo směs, která vyžaduje oddělené zacházení.

Stejné preambule také vysvětlují, proč zákonný přístup není ozdobnou frází. Výzkumné organizace mohou k obsahu přistupovat prostřednictvím předplatného, otevřených licencí nebo materiálu volně dostupného online. Předplatné může poskytovat zákonný přístup, zatímco jeho podmínky je stále třeba zkoumat v kontextu. Veřejnou stránku lze zákonně zobrazit, zatímco právo pořídit jiný druh kopie zůstává sporné. Otevřenost zdroje a navrhovaná operace jsou související skutečnosti, ne synonyma.

Existuje pokušení proměnit výjimky v binární bránu: ano pro výzkum, ne pro všechno ostatní. To je příliš hrubé. Výjimky se prolínají s existujícími výjimkami, smlouvami, právy k databázím, technickými prostředky ochrany a vnitrostátní implementací. Směrnice je nástrojem Unie, ale její praktické uplatňování stále probíhá prostřednictvím práva členských států a skutkových okolností daného užití. Článek může vysvětlit strukturu, aniž by nabízel závěr pro konkrétní datový soubor nebo organizaci.

Pro inženýrství je důsledek jednoznačný. Modelujte právní cestu jako typové stavy, nikoli jako nekvalifikovanou booleovskou hodnotu. Zdroj může být kandidát, ověřený přístup, posouzená výjimka, licencovaný, rezervovaný, odmítnutý, přijatý pro stanovený účel, stažený nebo čekající na přezkum. Přechod by měl mít vlastníka a důkazy. Pokud operátor změní účel z výzkumu na komerční trénink, stav by měl vyžadovat nové posouzení, nikoli tiše přenášet staré povolení dál.

To může znít puntičkářsky. Je to méně puntičkářské než snažit se o dva roky později vysvětlit, proč se s velkou složkou materiálu zacházelo, jako by každá položka měla stejnou právní cestu. Evropa už tyto rozdíly vložila do textu. Úkolem pipeline je nenechat je kvůli pohodlí obrousit.

Opt-out je strojově čitelná hranice

O výhradách práv se často hovoří, jako by šlo o spor mezi vydavatelem a crawlerem. Směrnice popisuje něco praktičtějšího. U veřejně dostupného online obsahu lze vhodnou výhradu pro textový a datový dolování podle článku 4 vyjádřit strojově čitelným způsobem, včetně metadat a obchodních podmínek webové stránky nebo služby. Technická forma je důležitá, protože výhrada, kterou akviziční systém nedokáže najít nebo interpretovat, je hranicí, která existuje v právu, ale v provozu mizí.

Strojová čitelnost neznamená automatické povolení v opačném směru. To, že analyzátor nenajde žádnou rozpoznanou výhradu, nedokazuje, že je užití zákonné. Znamená to pouze, že jeden vstup pro rozhodnutí byl zkontrolován. Systém stále potřebuje stav přístupu, účel, identitu zdroje, smluvní kontext a další kontroly práv. Naopak výhradu bychom neměli považovat za obecný zákaz veškeré interakce s webovou stránkou. Je to signál o právech k pořizování rozmnoženin a extrakcí pro textový a datový dolování podle příslušného ustanovení.

Rozdíl mezi signálem a závěrem je místem, kde mnoho pipeline selhává. Značka práv může být přítomna v metadatech, v podmínkách nebo ve standardizovaném mechanismu. Analyzátor může zaznamenat přesné pole, hodnotu, umístění a čas načtení. Krok správy může interpretovat, co tato značka znamená pro zamýšlené užití. Pokud systém zapíše pouze povoleno nebo odmítnuto, ztratí důkazy potřebné k přezkumu falešně pozitivního výsledku, změněné politiky nebo sporné interpretace.

Výhrady mají také časový charakter. Webové stránky mění své podmínky. Kanály jsou nahrazovány. Zdroj může zveřejnit nový strojově čitelný pokyn poté, co byl dřívější materiál zachycen. Starý záznam a nové rozhodnutí nelze sloučit do jednoho aktuálního štítku bez ztráty historie. Pipeline by měl umět říci, že kopie byla pořízena za jednoho pozorovaného stavu, že pozdější stav změnil cestu a že přezkum rozhodl, zda musí být již zadržený materiál omezen, odstraněn nebo držen pro právní posouzení.

To je dobré místo pro trochu evropského inženýrského humoru. Politika, která říká respektujte soubor robots, ale neukládá žádný záznam o tom, který soubor robots přečetla, není politikou. Je to přání s vizitkou na krku. Totéž platí pro signály autorských práv. Pipeline by měl zaznamenat, co viděl, čemu porozuměl, co nedokázal interpretovat a proč se zastavil nebo pokračoval.

Když zdroj používá konvenci, kterou pipeline nepodporuje, bezpečnou odpovědí není hádat. Označte zdroj jako nevyřešený, požádejte o rozhodnutí člověka nebo použijte autorizovanou alternativu. Chybějící parser je technické omezení. Zacházet s nečitelnou hranicí jako s povolením je selhání správy. Systémy by měly selhávat směrem k uzavření v bodě, kde by se nejistota jinak stala kopií.

Licence, atribuce a provenience plní různé funkce

Lidé často dávají licenci, atribuci a provenienci do stejné věty, jako by to byla tři zdvořilá označení pro povolení. Nejsou. Licence je udělení práv, podléhající jejím podmínkám. Atribuce identifikuje tvůrce nebo zdroj a může být podmínkou udělení. Provenience zaznamenává, odkud materiál pochází, jak bylo s ním nakládáno a která rozhodnutí utvářela jeho současný stav. Zdroj může mít provenienci bez licence, licenci bez dostatečné provenience nebo atribuci bez povolení k zamýšlenému úkonu.

Rozdíl se projeví, když je datová sada sestavena z mnoha zdrojů. Datová sada může být vnitřně konzistentní, reprodukovatelná a krásně zdokumentovaná. Pokud byl jeden zdroj zkopírován mimo svou licenci, kvalita metadat tento problém neopraví. Pokud je každý zdroj licencovaný, ale tým nedokáže určit, která verze vstoupila do datové sady, může být licence prakticky nepoužitelná. Pokud veřejný katalog uvádí tvůrce, ale navazující model nedokáže zachovat příslušná oznámení, atribuce může selhat, i když se tým domníval, že udělal správnou věc.

Záznam ohleduplný k právům proto potřebuje několik vrstev. Identita říká, co zdroj je. Původ říká, kdo jej dodal nebo publikoval a kde byl nalezen. Přístup říká, jak se k němu operátor dostal. Práva říkají, které povolení, výjimka, výhrada nebo nevyřešená otázka se uplatňuje. Zpracování říká, jaké transformace byly provedeny. Uchování říká, které kopie a odvozené artefakty zůstávají. Použití říká, která datová sada, model, vyhodnocení nebo výstup daný stav spotřeboval. Každá vrstva odpovídá na jinou otázku při přezkumu.

Provenience také není certifikát pravdy. Podepsaný záznam může prokázat identitu, integritu a původ, aniž by dokazoval, že dílo bylo správně připsáno nebo že licence byla platná. Záznam by měl říkat, co prokazuje. Nadměrné tvrzení je v systémech práv obzvlášť nebezpečné, protože vyleštěný řetězec může z nepodloženého povolení udělat oficiální dokument. Poctivý štítek často zní: zdroj identifikován, tvrzení o licenci dodal operátor, právní posouzení probíhá.

Atribuce má sociální i smluvní rozměr. Tvůrce může chtít být jmenován, vydavatel může vyžadovat oznámení a datová sada může potřebovat strojově čitelný údaj, který přežije export. Atribuce se ale může stát jakýmsi morálním krytím, pokud se používá k naznačení souhlasu. Uvedení jména fotografa samo o sobě neopravňuje model ke zpracování fotografie. Odkaz na článek sám o sobě neopravňuje k trénovací kopii. Uvedení zdroje je cenné. Není to univerzální rozpouštědlo.

Samotné licence je třeba číst jako data. Ukládejte identifikátor licence nebo text, verzi, případné omezení území nebo účelu, podmínky atribuce, podmínky share-alike nebo nekomerčního použití a zdroj tvrzení o licenci. Nepřevádějte lidskou větu, jako je otevřeno pro opakované použití, na nekvalifikovaný interní příznak. Krátká věta může vynechat přesné úkony, formáty nebo příjemce, které jsou pro zamýšlené použití důležité.

Když jsou podmínky nejasné, zachovejte nejistotu. Zdroj může zůstat užitečný pro lidského čtenáře, i když je vyloučen z trénování. Může být uchován v karanténním úložišti pro přezkum, aniž by vstoupil do řízené datové sady. Může být nahrazen zdrojem s jasnější cestou práv. Nejde o to, aby každé rozhodnutí bylo rychlé. Jde o to, aby bylo rozhodnutí vratné a důvod viditelný.

Filtrování není neutrální úklid

Filtrování se obvykle prezentuje jako kvalitní práce. Odstraňte duplicity, zahoďte výplňový obsah, vyřaďte poškozené soubory, ponechte užitečný jazyk a pokračujte. Tyto operace mohou být rozumné. Mohou však také změnit práva a profil ochrany soukromí materiálu. Filtr, který odstraní zápatí, může odstranit i uvedení autorství. Deduplikátor může rozhodnout, že dvě kopie jsou stejné, i když jedna nese jiné oznámení o licenci. Jazykový filtr může vyloučit korpus menšinového jazyka a učinit model pro tuto komunitu méně užitečným. Bezpečnostní filtr může ponechat krátký výňatek, který je citlivější než celý dokument.

Ústřední chybou je zacházet s filtrem jako s implementačním detailem, nikoli jako s rozhodnutím o tom, co přetrvá. Záznam by měl uvádět, které pravidlo bylo spuštěno, na které verzi zdroje, s jakým výsledkem a zda okrajové případy posoudil člověk. Mělo by být možné rekonstruovat nejen výsledný datový soubor, ale také soubor kandidátů, kteří byli odmítnuti, umístěni do karantény nebo odstraněni. Jinak se pozdější žádost o stažení díla stane hledáním v modelu pipeline, nikoli operací na samotném pipeline.

Filtrování má také reprezentační účinek. Předpokládejme, že zdrojová rodina obsahuje dlouhé kritiky, krátké zpravodajské položky, veřejná oznámení a komentáře. Prahová hodnota délky může zachovat jednu formu a jinou zahodit. Pravidlo deduplikace může upřednostnit syndikovaný materiál před místním zpravodajstvím. Skóre kvality může upřednostnit vytříbený institucionální jazyk. To nejsou tvrzení o konkrétním korpusu. Jsou to běžné způsoby, jak může technické pravidlo změnit to, čí slova přežijí. Pipeline by je měl popisovat jako návrhová rozhodnutí a posoudit jejich důsledky.

Autorská práva a osobní údaje se zde mohou střetnout. Odstranění jmen nemusí nutně odstranit expresivní text. Odstranění textu nemusí nutně odstranit právo k databázi. Pseudonymizace záznamu může snížit přímou identifikaci, ale transformovaný záznam může nadále podléhat pravidlu uchovávání nebo smluvnímu pravidlu. Správnou reakcí není vymýšlet univerzální hierarchii. Je třeba ponechat účel každého kontrolního mechanismu explicitní a netvrdit, že jeden filtr vyřeší všechny právní kategorie.

Jedním praktickým kontrolním mechanismem je učinit transformace skládatelnými a kontrolovatelnými. Uchovávejte identitu zdroje připojenou k transformovanému záznamu. Ukládejte identifikátor pravidla a verzi. Zaznamenávejte počty pouze tam, kde jsou měřeny, a uchovejte vzorek nebo manifest, který umožní recenzentovi zkontrolovat, co pravidlo udělalo. Pokud pravidlo nelze přehrát, řekněte to. Pipeline, který hlásí pouze konečný čistý datový soubor, žádá recenzenta, aby důvěřoval příběhu o středu.

Existuje také povinnost odolávat kosmetické čistotě. Datový soubor s vyplněnými všemi poli a každou položkou opatřenou veselým štítkem kvality může být méně upřímný než menší soubor s viditelnými mezerami. Kontrola práv potřebuje nepohodlné položky: zdroj s konfliktními podmínkami, dílo s nejistým autorem, stránku, která se změnila před zachycením, soubor, který byl odmítnut, protože výhradu nebylo možné zpracovat. Nejednoznačnost je součástí materiálu. Její skrývání činí následnou důvěru křehkou.

Trénování je transformace, nikoli zmizení

Trénování mění formu materiálu. Automaticky nezpůsobuje, že dřívější otázky práv zmizí. Parametry modelu nejsou jednoduchou kopií každého zdroje a model nemusí reprodukovat konkrétní dílo. Tato pozorování jsou technicky relevantní, ale neodpovídají na úplnou právní otázku. Pipeline stále vytvářel kopie, vybíral data, uplatňoval účel a produkoval artefakt z procesu citlivého z hlediska práv.

The Artificial Intelligence Act is careful about this. In its recitals, it notes that the development and training of general-purpose AI models require access to large quantities of text, images, video and other data, some of which may be protected. It says that use of protected content requires authorisation unless a relevant exception or limitation applies. It also states that providers placing general-purpose AI models on the Union market must have a policy to comply with Union copyright law, including identifying and complying with rights reservations under Article 4(3) of the Copyright Directive.

That obligation is not a finding that a provider has complied merely because a policy exists. A policy is an organisational control. It should point to the source states, decisions, monitoring and correction paths that give it substance. The Act also requires a sufficiently detailed public summary about the content used for training, according to a template provided by the AI Office. The summary must be useful to parties with legitimate interests while taking account of trade secrets and confidential business information. It is a transparency layer, not a work-by-work public dump and not a replacement for the underlying evidence.

The distinction between a summary and a ledger matters. A public summary can name main data collections or sets and explain other source categories. It can help rightsholders understand the shape of the training material. It cannot, by itself, show which exact version entered a particular run, whether a reservation was observed, what was removed after a complaint or what a downstream fine-tuning job inherited. The internal or controlled record needs more granularity than the public description. Both layers need to remain consistent.

Fine-tuning makes the need for lineage sharper. A provider that modifies a general-purpose model with new training data cannot treat the base model's documentation as a substitute for the modification record. The Act's recitals describe obligations limited to the modification or fine-tuning, including new training data sources. A model registry should therefore bind each new training operation to a source state, purpose, licence or exception assessment, evaluation result and release decision. A new model version is a new rights surface.

It is tempting to claim that a model has forgotten the corpus because a prompt does not reproduce a page. That is a technical hypothesis that needs evaluation, not a legal conclusion. Memorisation, extraction, retrieval, output similarity and residual influence are different questions. The safe prose is equally precise: the transformation changes what is stored, and the rights analysis must consider the acts and uses that the law covers. Anything stronger requires a source-supported interpretation for the particular system.

Training data also has a lifecycle after the run. The raw source may remain in a secure store. A processed shard may be copied into a cache. A manifest may bind it to a checkpoint. Evaluation fixtures may retain representative examples. A fine-tuning package may travel to another team. If a source is later withdrawn, the organisation needs to know which of these states can be removed, which can be rebuilt, and which require a new legal decision. Saying the data went into the model is not a lifecycle plan.

The summary is not the ledger

Public transparency has a tendency to produce a single grand document. It is easier to link to one summary than to explain a layered evidence system. The AI Act's training-content summary is important precisely because it is not the whole ledger. It gives the public and rightsholders a meaningful description of the content used while protecting confidential information. The working record must still preserve the source states, controls and decisions that the summary compresses.

Představte si shrnutí jako mapu a evidenci jako zápisky z průzkumu. Mapa by měla být přehledná a užitečná. Neměla by předstírat, že je vidět každý obrys. Zápisky z průzkumu by měly obsahovat měření, nejistoty, změny a nevyřešené body, díky nimž mapa vznikla. Mapa, která je v rozporu s průzkumem, je problém. Mapa, kterou si lidé spletou se samotným průzkumem, je problém jiného druhu.

Stejné oddělení pomáhá i při zveřejňování informací. Katalog zdrojů může zveřejnit názvy, kategorie, období, účely a stavy práv, aniž by odhaloval osobní údaje nebo důvěrné smlouvy. Řízený záznam si může ponechat přesné položky, doklady o licencích, historii stažení a verze zdrojů pro audit nebo schválenou kontrolu. Veřejná vrstva by měla jasně vymezit své hranice. Katalog, který tvrdí, že neexistují žádné čekající položky, když jsou podrobnosti pouze soukromé, je zavádějící. Katalog, který soukromé důkazy zveřejňuje automaticky, je neopatrný.

Pro inženýry to znamená, že veřejné shrnutí by mělo být generováno z udržovaného stavu, nikoli psáno ručně po vydání. Pro týmy odpovědné za správu to znamená, že krok generování potřebuje kontrolu a záznam o změnách. Pro držitele práv to znamená, že existuje cesta od veřejné kategorie ke smysluplné odpovědi, když je vznesen problém. Shrnutí získává na důvěryhodnosti, když organizace dokáže ukázat, jak se oprava dostane od hlášení k příslušnému stavu zdroje a k navazujícím rozhodnutím.

Rovněž stojí za to rozlišovat mezi zveřejněním a uvedením autorství. Shrnutí může uvést sbírku, aniž by jmenovalo každého tvůrce. Uvedení autorství může být vyžadováno v datové sadě nebo výstupu podle příslušné licence. Držitel práv může potřebovat vědět, že bylo zahrnuto konkrétní dílo, i když veřejné shrnutí nemůže zveřejnit úplný seznam položek. To jsou samostatné požadavky na návrh. Řešením není požadovat, aby jeden dokument zvládl všechny úkoly.

Výstupy znovu otevírají otázku

Výstup modelu může vypadat jako nové dílo, ale zpracování nezbavuje dřívější práva relevance jen proto, že je formulace jiná. Otázky týkající se výstupu zahrnují reprodukci, podstatnou podobnost, uvedení autorství, sdělování veřejnosti, distribuci, soukromí a podmínky nasazení. Zahrnují také cestu, kterou uživatel dodal vstup, získal zdroj, požádal o transformaci nebo požádal systém, aby napodobil pojmenovaný styl. Výstup je nová fáze s vlastními fakty.

Toto není argument, že každá vygenerovaná věta porušuje autorská práva. Je to argument proti paušálnímu předpokladu v obou směrech. Výstup může být originální syntéza, citace, těsná reprodukce, odpověď založená na licencovaném zdroji nebo chyba, která kombinuje fragmenty z několika míst. Systém, který si je vědom práv, by měl zachovat dostatek kontextu k prošetření skutečné cesty. Která verze modelu běžela. Které zdroje vyhledávání byly použity. Který pokyn uživatele utvářel úkol. Které ovládací prvky výstupu byly použity. Byl zdroj reprodukován, nebo pouze konzultován.

Uvedení autorství může být v této fázi obzvláště matoucí. Citace může čtenáři pomoci najít zdroj, ale nemusí nutně splnit licenční podmínku nebo vyřešit problém s reprodukcí. Naopak systém může mít platnou licenci ke zdroji a přesto vytvářet výstup, který je zavádějící, soukromý nebo mimo rozsah uživatelova účelu. Záznam o výstupu by měl uvést, co může prokázat a co ponechává na uživateli nebo provozovateli.

Následní uživatelé potřebují jasnou hranici. Poskytovatel modelu může dokumentovat model a jeho politiku školení. Provozovatel volí účel, dodává vstupy, konfiguruje vyhledávání, zpřístupňuje rozhraní a rozhoduje, co zveřejní nebo na co zareaguje. Právní postavení se může s těmito volbami měnit. Stejný model lze použít k shrnutí autorizovaného interního archivu nebo k rekonstrukci článku za paywallem pro veřejnou distribuci. Schopnost není oprávnění.

Výstupní trasa by měla zachovat i odmítnutí. Pokud systém odmítne reprodukovat chráněný materiál, je toto rozhodnutí důkazem o kontrole, nikoli trapným prázdnem. Pokud uživatel změní požadavek a systém pokračuje přes jiný zdroj nebo transformaci, záznam by měl ukázat novou trasu. Pipeline, která ukládá pouze úspěšné odpovědi, nemůže prokázat, že její hranice byly aktivní.

Odvolání není jediné tlačítko pro smazání. Je to dohledatelné rozhodnutí napříč stavy, které zdroj zdědily.

Uchovávání a mazání jsou otázky pipeline

Když držitel práv požádá o odstranění, lidé se často ptají, zda lze model přimět k zapomnění. To může být výzkumná otázka, ale první provozní otázky jsou konkrétnější. Která kopie zdroje je uchována. Které zpracované záznamy se na ni odkazují. Které manifesty, shardy, cache, vyhodnocovací sady a indexy pro vyhledávání obsahují reprezentaci. Který model nebo běh dolaďování daný stav spotřeboval. Které výstupy nebo publikace vznikly. Které z nich jsou stále v rámci kontroly organizace.

Neexistuje žádný poctivý univerzální slib, že jeden požadavek dokáže okamžitě vymazat každý odvozený artefakt. Odpověď závisí na systému, právním základu, smluvním postavení, politice uchovávání a požadované akci. Pipeline však může hranici zviditelnit. Může zazálohovat zdroj, zastavit další propagaci, označit dotčené verze datových sad, posoudit, zda je nutná změna modelu, odstranit řízené kopie tam, kde to rozhodnutí vyžaduje, a zaznamenat, co zůstává mimo její přímou kontrolu.

Uchovávání by mělo být navrženo před sběrem, nikoli improvizováno až po stížnosti. Záznam zdroje by měl nést účel a bod přezkumu. Dočasné kopie pro zpracování by měly mít definovanou životnost. Zabezpečená výzkumná úložiště by měla mít pravidla přístupu a podmínky pro mazání nebo archivaci. Manifesty datových sad a modelů by měly identifikovat, na kterém stavu zdroje závisí. Odmítnutí nebo odvolání by mělo být schopné procházet těmito vztahy, aniž by tým musel paměťově prohledávat každý stroj.

Mazání také není totéž co skrývání. Odebrání řádku z dashboardu, zatímco exportovaný shard zůstává nedotčen, není mazání. Označení zdroje jako odvolaného bez zastavení indexu pro vyhledávání není mazání. Nahrazení veřejného souhrnu, zatímco staré vydání zůstává ke stažení, nemusí splnit požadovaný výsledek. Akce a její omezení musí být pojmenovány přesně, zejména tam, kde není možný úplný technický nebo právní nápravný prostředek.

The record should preserve history rather than rewriting it. If a source was admitted, later withdrawn and then removed from managed circulation, the timeline should say so. The original admission decision should remain visible to authorised reviewers, with the later action linked to it. A clean current state is useful. A clean state with no history is difficult to trust.

Personal data adds another layer, but the same discipline helps. A data-protection erasure request may concern a person represented in a work, a source record, a log or an output. Copyright removal and data-protection erasure are not interchangeable. The pipeline should record which right was asserted, which material was identified, which legal and technical assessments were made, and what action followed. One button labelled remove is an invitation to confuse several systems of law.

Refusal must be a first-class record

A mature data pipeline remembers the material it did not take. This sounds counterintuitive because storage is usually discussed as a positive inventory. But rights work depends on negative evidence. The source was found and refused because the access route was restricted. The reservation could not be interpreted. The licence did not cover the purpose. The source identity was too uncertain. The content was withdrawn. The operator declined to make the copy. These are decisions that protect both the source and the organisation.

A refusal record should not preserve more content than necessary to explain the decision. It can carry the source address, identity, retrieval time, policy state, reason code, operator or service identity and review route. It can include a hash or other content identity where that is appropriate and lawful, without retaining the protected material itself. The goal is to make the refusal auditable, not to create a second unauthorised archive of the thing that was refused.

Negative records also stop teams from repeating the same mistake. A discovery system may encounter the source again. Without a refusal state, a new run treats it as a fresh candidate and asks the same question. With a versioned refusal, the run can see the previous boundary and determine whether anything has changed. The system still needs a review policy because rights and source conditions can change. The important part is that a change is deliberate.

This is where a small distinction helps: blocked, unresolved and not in scope are not the same state. Blocked means a control stopped the route, perhaps because a reservation or technical restriction applied. Unresolved means the evidence was insufficient for a decision. Not in scope means the proposed purpose or source family falls outside the programme. Collapsing them into denied hides which action could change the state and who owns that action.

Refusal records are also a defence against the mythology of scale. A large corpus is not proof of a serious process. A smaller corpus with clear admissions and refusals can be easier to govern, reproduce and explain. The pipeline should be able to answer not only how much it collected but how much it declined, why, and whether the policy was applied consistently across languages, source types and regions.

Downstream use is another pipeline

The rights path does not end when a dataset is handed to a model team. A dataset can become a training run, a benchmark, a retrieval package, a demonstration set, a search index or a commercial feature. Each downstream use can change the purpose, audience, retention, reproduction risk and contractual obligations. A single dataset identifier is not enough if it hides which projection was used.

Představme si zdrojovou rodinu přijatou k internímu hodnocení. Pozdější tým může chtít publikovat příklady, použít materiál ve službě pro vyhledávání určené zákazníkům nebo s ním vyladit model. To jsou nové účely, nikoli pouhé nasazení původního rozhodnutí. Pipeline by měla vyžadovat, aby nové použití zdědilo podmínky zdroje a prošlo novým posouzením, pokud se účel změní. Opětovné použití je přechod, nikoli volný pohyb.

Registry modelů mohou pomoci tím, že vydání svážou s přesným stavem datové sady a politik, které byly použity. Měly by ukazovat zdrojové rodiny, stav práv, transformace, vyloučení, vyhodnocovací sadu a rozhodnutí o vydání na úrovni odpovídající publiku. Neměly by tvrdit, že zelený status znamená, že každé dílo je právně vyčištěné. Status je prohlášením o důkazech a kontrolách, které organizace zaznamenala, nikoli univerzálním soudním závěrem.

Dokumentace pro další fáze je důležitá, protože odpovědnost je rozložená. Poskytovatel může zveřejnit souhrn školení a politiku autorských práv. Integrátor může přidat zdroje pro vyhledávání, výzvy, nástroje a uživatelská data. Nasaditel může rozhodnout, jaká akce bude následovat po výstupu. Vydavatel může dostat generovaný materiál před veřejnost. Otázka práv se může přesouvat s jednotlivým úkonem. Smlouva může rozdělit odpovědnosti mezi strany, ale technická cesta stále musí ukazovat, která strana dodala jaké důkazy a učinila jaké rozhodnutí.

Přenosný původ je tedy víc než pohodlí. Když se datová sada nebo model přesouvá mezi evropskými organizacemi, měly by zůstat čitelné jejich zdrojové stavy, výhrady, licence, požadavky na uvedení autora a historie stažení. Jinak se přenositelnost stane tlačítkem pro reset práv. Přijímající tým vidí čistý artefakt a ztratí skutečnosti, které artefakt činily řiditelným.

Dobré kontroly v dalších fázích jsou často nudné. Export obsahuje manifest. Vydání modelu uvádí stav dat. Balíček pro vyhledávání zaznamenává verze zdrojů. Uživatelské rozhraní může zobrazit citaci nebo odmítnutí. Zpráva nese uvedení autora požadované licencí. Žádost o stažení najde vlastníka. Žádná z těchto kontrol nečiní organizaci imunní vůči sporům. Umožňují reagovat, aniž by se předstíralo, že systém nemá paměť.

Evropská provozní disciplína

Právní nástroje poskytují strukturu. Organizace ji přesto musí proměnit v rutinu. Následující text je návrhem provozní disciplíny, nikoli právním poradenstvím a ani náhradou za posouzení práv v konkrétním členském státě.

  • Účel pojmenujte dříve než zdroj. Uveďte, co má materiál podporovat a co je mimo rozsah. Účel, který se objeví až po sběru, bývá zpravidla dodatečnou výmluvou.
  • Oddělte přístup od dalšího použití. Zaznamenejte, jak bylo ke zdroji přistoupeno, a poté posuďte, které úkony navrhované použití vyžaduje. Veřejnou adresu URL nepřenášejte dál jako univerzální svolení.
  • Stavy práv ponechte typované. Licencováno, posouzeno jako výjimka, vyhrazeno, odmítnuto, nevyřešeno, staženo a přijato k účelu by se nemělo slévat do jediné zelené vlajky.
  • Provenienci veďte napříč transformacemi. Ke zpracovanému stavu připojte identitu zdroje, verzi, pravidlo zpracování, doklad o licenci a historii rozhodnutí.
  • Zaznamenávejte záporná rozhodnutí. Odmítnutí, karanténa nebo nevyřešené posouzení je součástí důkazů a mělo by zabránit neúmyslnému opakování.
  • Uchovávání definujte výslovně. Uveďte, které kopie, manifesty, rejstříky, kontrolní body a výstupy zůstávají, kdo je vlastní a kdy účel nebo doba posouzení končí.
  • Souhrny a registry musí souhlasit. Veřejná transparentnost by měla vznikat z udržovaných důkazů a měla by uvádět, co nezveřejňuje.
  • Stažení otestujte před vydáním. Označeným cvičením ověřte, zda lze zdroj dohledat napříč jeho odvozenými stavy. Zaznamenejte omezení, netvrďte dokonalé vymazání.

Tato disciplína je záměrně méně efektní než ukázka umělé inteligence. Má ale větší šanci přežít. Těžké není napsat na slajd slova pipeline uvědomující si práva. Těžké je zajistit, aby další komponenta dostala dostatek kontextu a neproměnila kvalifikované rozhodnutí v bezpodmínečnou kopii.

Opatření by také měla respektovat proporcionalitu. Nízko riziková interní analýza nevyžaduje stejné veřejné zveřejňování jako model obecného určení uvedený na trh Unie. Malý tým může potřebovat jednodušší nástroje než velký poskytovatel. Základní otázky zůstávají: k čemu se přistupovalo, co bylo povoleno, co se udělalo, co se uchovalo a kdo může stav opravit. Proporcionální neznamená neviditelné.

Lidský úsudek patří tam, kde jsou důkazy skutečně nejednoznačné. Stroj umí zpracovat výhradu, porovnat identifikátor licence, zkontrolovat manifest a zastavit požadavek. Neměl by tiše vymýšlet právní výklad jen proto, že by jinak pracovní postup čekal. Lidské rozhodnutí by mělo být typované, ohraničené a zaznamenané. To není selhání automatizace. Je to uznání, že právní význam není vedlejším účinkem úspěšného zpracování.

Malá poznámka od nás

Ve společnosti Dweve popisuje naše veřejné centrum důvěry stejné oddělení záměrně skromnými slovy. Winnow je představen jako cesta získávání, která kontroluje politiku zdroje, robots.txt, limity, cíle a záznamy o požadavcích. Spindle je vrstva správy pro provenienci, kvalitu, politiku, konflikty, stažení a povýšení. Loom spotřebovává spravovaný materiál nebo používá Winnow přes zaznamenané rozhraní nástrojů. Popis netvrdí, že kontrola prohledávače činí každý účel operátora zákonným, a veřejný katalog zdrojů nepovažuje za úplný soukromý evidenční záznam.

To je užitečná část příkladu, ne názvy produktů. Komponenta sběru může vynucovat disciplínu přístupu. Komponenta správy znalostí může uchovávat stav zdroje a rozhodovat o tom, co smí přetrvat. Komponenta modelu může zaznamenávat, co skutečně spotřebovala. Právní odpovědnost zůstává spojena s účelem a operátorem. Vybudování interního systému tímto způsobem nezíská certifikát od vesmíru. Usnadní však kontrolu tvrzení organizace a opravu jejích chyb.

Právní argument začíná dříve

Spory o autorská práva kolem umělé inteligence se někdy budou točit kolem obtížných otázek, které žádný postup předem nevyřeší. Soudy a úřady mohou vykládat výjimky, smlouvy, výhrady, rozmnožování a výstupy způsobem, který se postupem času vyvíjí. Národní implementace a skutkové okolnosti konkrétního užití hrají roli. Technický záznam tuto práci nenahradí. Může ale zajistit, aby práce začínala fakty, a ne domněnkami.

První užitečná otázka nezní, jestli se model učil z internetu. Toto spojení je příliš široké na to, aby neslo právní nebo technický význam. Zeptejte se, které rodiny zdrojů byly v rozsahu, jak byl získán přístup, které kopie vznikly, která právní cesta byla posouzena, jaké výhrady byly dodrženy, jaké transformace proběhly, který materiál byl odmítnut, které verze datové sady a modelu stav zdědily a jaké veřejné shrnutí nebo navazující dokumentace vznikla.

Druhá užitečná otázka zní, jestli organizace umí ukázat hranice vlastního poznání. Zdroj může být identifikován, ale jeho licence nejistá. Výhrada může existovat, ale její rozsah být sporný. Shrnutí tréninku může být úplné na úrovni kolekce, ale ne na úrovni jednotlivých položek. Opatření k odstranění může zastavit budoucí použití, ale historické vydání zůstává mimo přímou kontrolu. To nejsou přiznání selhání. To jsou hranice, které by seriózní systém měl odhalit.

Třetí otázka zní, jestli se oprava může šířit dál. Pokud nositel práv nahlásí problém, dokáže organizace identifikovat stav zdroje, příslušné rozhodnutí, odvozená aktiva a vlastníka dalšího kroku. Pokud zdroj změní své podmínky, může se budoucí akvizice zastavit, aniž by se přepisovala minulost. Pokud je model dolaďován na novém korpusu, může záznam o vydání ukázat novou právní cestu. Pokud uživatel požádá o chráněnou reprodukci, lze odmítnutí a případnou alternativní odpověď později zkontrolovat.

Proto je provenance víc než zdvořilost a proto je smazání víc než tlačítko. Jsou to způsoby, jak udržet právní a technický stav propojený, když se postup mění. Propojení nikdy nebude dokonalé. Zdroje mizí, smlouvy si odporují, systémy se nahrazují a organizace se slučují. Ohraničený záznam tyto skutečnosti nevyřeší. Může ale zabránit tomu, aby si organizace spletla chybějící článek s čistým řetězcem.

Evropský přístup vyžaduje tuto disciplínu ve více rovinách najednou. Autorské právo se zabývá právy, výjimkami, licencemi a výhradami. Nařízení o umělé inteligenci žádá některé poskytovatele modelů o politiku a veřejné shrnutí tréninkových dat. Ochrana údajů, práva k databázím, smluvní právo, ochrana spotřebitele a odvětvové předpisy přidávají vlastní otázky. Postup by neměl tyto nástroje zploštit do jedné barvy shody. Měl by k úkonu, který upravuje, přiřadit příslušné pravidlo a ponechat prostor pro lidské posouzení tam, kde se cesty protínají.

Není třeba dělat prózu velkolepější, než je sama práce. Základní slib je skromný: víme, co vstoupilo, proč to vstoupilo, co se s tím stalo, co nevstoupilo, kam to šlo dál a jak změnit kurz. Model může být působivý i bez tohoto slibu. Systém respektující práva být nemůže.

Autorské právo je problém datového postupu dřív, než je právním argumentem, protože právní argument potřebuje paměť postupu. Vybudujte paměť při první kopii, udržujte podmínky připojené během transformace a udělejte z odmítnutí, přiřazení, uchování a odvolání viditelné stavy. Pak, až přijde obtížná otázka, může organizace odpovědět fakty, které skutečně má, a ne sebevědomým příběhem sestaveným dodatečně.

Zdroje