Veřejný internet se stává vyjednáváním o trénovacích datech

Prohledávače, rezervace, licence a původ mění starý předpoklad, že veřejná stránka je prostě k dispozici k převzetí. Užitečná otázka už nezní, zda je...

Veřejný internet se stává vyjednáváním o trénovacích datech

The page is public. The use is not settled.

For a long time, the public web ran on a blunt but workable social bargain. A publisher made a page available. Search engines found it, indexed enough of it to send readers back, and a person arrived at the original page. There were arguments about indexing, snippets and advertising, but the route was recognisable. A page was both the unit of publication and the place where the reader met the publisher.

Training a general-purpose model changes the shape of that bargain. A crawler may still begin with a public address, but the destination is no longer necessarily a search result. The material may be copied, parsed, filtered, stored, combined with other material and used in a training process whose output is not a link back to the page. It may later help answer a question without a reader visiting the original work. The fact that a page is visible is relevant. It is not the whole answer.

This is why the public internet is becoming a training-data negotiation. Not a single negotiation held in one room, and not a drama in which one side discovers that the other exists. It is a distributed negotiation conducted through law, licences, technical signals, contracts, standards, records and, where necessary, people speaking to each other. A rightsholder can reserve a mining use. A model provider can identify a reservation and decide not to collect. The parties can agree a licence. An organisation can document the path well enough that a later question is answerable. Or they can leave the path vague and discover that vagueness is expensive once the material has travelled.

None of this makes every public page unavailable for every computational use. The European copyright framework contains text and data mining exceptions, and the conditions matter. Neither does it make a robots file into a universal copyright instrument, or a licence into a simple tick box. The useful change is more modest: training data has to be treated as a relationship with terms, history and boundaries. That is a better description of what it already was. The new part is that the relationship is becoming harder to ignore.

The European Commission's work around the AI Act gives the change an administrative shape. Providers of general-purpose AI models have copyright-policy and training-content-summary obligations. The GPAI Code of Practice presents a voluntary route for providers that choose to follow it, including commitments concerning rights reservations and robots.txt. The Commission has also consulted on protocols for expressing reservations. These are not substitutes for copyright law, nor a declaration that every technical signal has the same legal effect. They are evidence that the journey from a rightsholder's instruction to a model provider's collection system is now a policy problem in its own right.

The story does not need an invented publisher, a dramatic crawler or a fictitious court hearing. It is visible in the ordinary points where a source changes hands. Someone decides whether a URL belongs in a collection. Someone decides what a reservation means. Someone decides whether a licence is sufficiently specific for training, retrieval, evaluation or redistribution. Someone decides which version of a policy applies when a source changes. The decisions can be quiet. They are still decisions.

A crawler is no longer only a visitor

Browsers, search crawlers, archival tools, accessibility services, academic researchers, monitoring systems and model-training pipelines can all request the same page. From the publisher's server, they may initially look similar: a request arrives, a response is sent, a log line is written. But their purposes, copying patterns and downstream consequences are different. Treating every automated request as identical is convenient for infrastructure and poor for governance.

Běžný čtenář si otevře jeden článek a může se vrátit jiný den. Vyhledávací crawler vytváří index, jehož cílem je přivést čtenáře zpět. Trénovací pipeline si může vytvořit kopii, která je uchována, transformována a agregována s mnoha dalšími díly dříve, než vůbec vznikne nějaký model. Vyhledávací systém může vytvořit přímější komerční náhradu za návštěvu. Vyhodnocovací sada může uchovávat úryvky pro testování systému. Tato označení nejsou morálním hodnocením. Jsou popisem způsobů použití, které vyžadují různé otázky.

První otázkou je obvykle přístup. Dostal se sběratel k materiálu zákonnou cestou? Druhou je právní základ pro úkony, které systém hodlá provádět. Třetí je, zda nositel práv vyjádřil výhradu tam, kde to příslušný předpis umožňuje. Čtvrtou je, zda samostatná licence nebo smlouva poskytuje svolení, podmínky nebo omezení. Pátá otázka, která často přichází příliš pozdě, je provozní: může organizace prokázat, co viděla a proč takto postupovala?

Směrnice (EU) 2019/790 nepovažuje vytěžování textu a dat za jediné, neomezené svolení. Článek 3 stanoví povinnou výjimku pro výzkumné organizace a instituce kulturního dědictví, které pořizují rozmnoženiny a extrakce pro vědecký výzkum, pokud mají zákonný přístup. Článek 4 se zabývá vytěžováním textu a dat pro jiné účely, opět za předpokladu zákonného přístupu, pokud nositel práv nevyhradil příslušná práva vhodným způsobem. U online obsahu zpřístupněného veřejnosti směrnice uvádí, že výhradu lze vyjádřit strojově čitelným způsobem, včetně metadat a obchodních podmínek.

Toto rozlišení není pouhou drobností v návrhu předpisu. Znamená, že veřejná stránka nenese jediný obecný štítek s názvem použitelné. Rozhodující jsou subjekt, účel, cesta přístupu, výhrada nositele práv a konkrétní úkony. Rozumný sběrný systém proto potřebuje bohatší slovní zásobu než povolit a zablokovat. Měl by umět zaznamenat kandidát, pozorovaný přístup, zjištěnou výhradu, vyžadovanou licenci, udělenou licenci, omezený účel, nevyřešeno, odmítnuto a odvoláno. To není byrokracie sama pro sebe. Je to minimální gramatika potřebná v situaci, kdy zdroj může být dokonale viditelný, a přesto nemusí být k dispozici pro zamýšlené použití.

Studie Úřadu Evropské unie pro duševní vlastnictví z roku 2025 o generativní umělé inteligenci a autorském právu popisuje tuto oblast jako prostředí, v němž se výhrady práv a licencování rozvíjejí společně s technickými řešeními. Jejím závěrem není, že se objevil hotový tržní mechanismus. Je téměř opačný: žádné jednotné řešení nevyhovuje každému nositeli práv, každému poskytovateli modelů ani každému druhu materiálu. Právě proto musí poctivý systém zachovávat rozlišení, nikoli je mazat ve jménu rozsahu.

Rozsah je často nabízen jako omluva pro nepřesnost. Poskytovatel modelu může říci, že nemůže vyjednávat stránku po stránce. Malý vydavatel může říci, že nemůže zkontrolovat každý automatizovaný požadavek. Obě tvrzení mohou být pravdivá. Neodstraňují potřebu funkčního rozhraní mezi oběma stranami. Vysvětlují, proč jsou zajímavé strojově čitelné signály, standardní licence, záznamy o rodině zdrojů a kolektivní ujednání. Odpovědí na velký problém nemusí být nutně velká schůze. Může jí být spolehlivý způsob, jak vyjádřit hranici, a spolehlivý způsob, jak ji přijmout.

Cesta ke zdroji není tunelem do modelu. Je to řada rozhodnutí, která by měla zůstat viditelná i po sběru dat.

Diagram je koncepční cesta, nikoli nástroj pro právní rozhodování. Zeleně vypadající karta neznamená, že je použití v souladu se zákonem. Ukazuje důkazy a úsudek, které by měl být tým schopen prověřit. Tento skromný rozdíl je důležitý. Většině zmatků, kterým lze předejít, se dá vyhnout, když se provozní skutečnost zamění za právní závěr, nebo když právní závěr nelze vysledovat zpět k provozním skutečnostem.

Výhrady potřebují jazyk, který stroje unesou

Opt-out se často popisuje jako tlačítko: nositel práv řekne ne, crawler zastaví. Skutečná práce je méně efektní. Výhrada musí být někde vyjádřena, musí ji najít sběrač, musí být spojena s příslušným dílem nebo službou, interpretována ve správném kontextu a uchována jako důkaz. Může být v metadatech, ve smluvních podmínkách, ve zveřejněné politice nebo v protokolu, kterému sběrač rozumí. Může se vztahovat na web, katalog, feed, databázi nebo na vymezenou skupinu děl. Může se v čase měnit.

Odkaz směrnice na strojově čitelnou podobu je důležitý, protože výhradu, kterou nelze najít v místě sběru, nelze spolehlivě promítnout do rozhodnutí o sběru. Strojově čitelný ale neznamená neomylný, samozřejmý ani právně úplný. Parser může narazit na direktivu s neznámou hodnotou. Nositel práv může zveřejnit politiku, která odkazuje na licenční kontakt spíše než na přímé odmítnutí. Zdroj může být dostupný prostřednictvím předplatného s vlastními podmínkami. Systém nemusí rozpoznat žádný signál. Absence signálu je pozorování, ne generální svolení.

Je v tom docela holandské ponaučení. Značka, která říká, že most je uzavřen, se nezlepší tím, že řidič dodávky tvrdí, že jeho mapa značku nepřečetla. Ani každý uzavřený most není zákazem vstupu do provincie. Otázka je, zda je značka srozumitelná pro příslušnou cestu, zda má cesta rozumnou alternativu a zda někdo zaznamenal, co se stalo. Nejde o to proměnit web v síť kanálů. Jde o to, aby hranice nezmizela jen proto, že bylo nepohodlné ji modelovat.

The Commission's consultation on protocols for reserving rights from text and data mining makes this implementation gap explicit. It refers to the GPAI Code of Practice commitment for signatories to identify and comply with appropriate machine-readable protocols used by rightsholders, alongside a commitment to respect robots.txt and subsequent IETF versions of the standard. The consultation itself is not a final protocol. It is evidence that the parties need a clearer technical language for a legal choice that has to travel through automated systems.

Robots.txt has a useful, limited role in that conversation. It is a long-standing web convention for crawler behaviour. It can convey that a publisher does not want a particular automated agent or path crawled. The GPAI Code's treatment gives it practical importance for signatories' collection systems. But robots.txt is not a universal rights register, and a crawler instruction does not settle every question of copyright, contract or database right. Confusing the layers produces two bad outcomes. One side assumes that robots.txt is the whole legal answer. The other treats it as merely optional etiquette. Neither position creates a stable relationship.

A collection system should keep the signals separate. Technical crawl instruction: what did the robots file say at the time? Rights reservation: what machine-readable or published statement did the source provide? Access condition: was the route open, authenticated, subscribed or supplied under an agreement? Licence: which rights were granted for which purpose and period? Internal policy: what did the organisation decide to do where the picture remained uncertain? The fields may be connected, but they are not interchangeable.

This separation also makes error handling more humane. A collector can report that it saw a signal it cannot interpret, rather than quietly treating the signal as irrelevant. A rightsholder can discover that its preferred marker is not supported and choose another channel. A provider can improve a parser without rewriting history. A later reviewer can see whether a source was admitted because a licence existed, because an exception was assessed, or because a policy decision was made under stated uncertainty. The alternative is one opaque field that says collected.

Licensing is not the opposite of innovation

There is a persistent habit of describing licences as friction and models as progress. It is a misleading contrast. A licence can be a restriction, but it can also be an interface: a way to say which material is available, for what use, at what price, with what attribution, reporting, exclusion or renewal condition. The quality of that interface determines whether smaller rightsholders and smaller model providers can take part at all.

The Federation of European Publishers has argued that rightsholders need transparency about data used to train AI and where it was harvested, while also recognising that publishers may use AI in their own work. That is a sector position, not neutral proof of the right legal answer in every case. It nevertheless states a practical point that model providers should take seriously: a publisher can be both a user of AI and a rightsholder whose material needs terms. The choice is not between literature and technology, or between creators and engineering. The choice is whether the exchange has a legible basis.

The Publishers Association's 2026 account of the UK publishing and AI licensing market provides a more specific view. It describes existing text and data mining licences, later AI-training licences and growing retrieval-augmented-generation licensing, and it reports work towards a collective licence with opt-in for rightsholders. The United Kingdom is outside the EU legal order, so this is not evidence of what the DSM Directive requires. It is useful evidence of a nearby European rights market attempting to make training and retrieval permissions more practical than a private negotiation between a handful of very large organisations.

Collective arrangements are worth watching because the web is not made only by companies with a legal department and an account manager. A small specialist publisher, a learned society, a regional newspaper, a photographer's archive or an independent author may have valuable material and very little capacity to negotiate bespoke terms with every potential model provider. A standard opt-in, a collective licence or a trusted intermediary cannot resolve every valuation question. It can make the first conversation possible.

Model providers also have a reason to prefer clarity. A negotiated route can supply material with an identified provenance, a defined scope and an accountable contact. It may cost money. So does cleaning a dataset, investigating a disputed source, defending a position that has no records, or replacing a source late in development. A licence does not guarantee that the material is suitable, accurate or representative. It makes a different contribution: it turns permission from an assumption into an expressed condition.

Compensation is not a magic word either. There is no single fair tariff for every work and every use. Training, retrieval, evaluation, internal analysis, model improvement and publication can create different commercial relationships. A licence might be per work, per collection, per volume, per period, per deployment, per user, per model family or negotiated on another basis. It may include an attribution duty, a reporting duty, a right to audit, a withdrawal mechanism or no continuing access at all. A useful system does not pretend these terms are universally simple. It makes them legible enough to apply.

The important shift is from a culture of extraction to a culture of terms. That does not mean every dataset becomes a procurement exercise. It means that when a rightsholder chooses to reserve, license or offer material under conditions, the model provider has an operational way to receive that choice. When a provider wants to use high-quality, current, specialised material, it has a route to ask rather than merely a route to copy. There is considerable room between indiscriminate crawling and a world in which only the largest firms can negotiate.

Provenance is the receipt, not the permission

Provenance is sometimes sold as a cure for copyright uncertainty. It is not. A source record can show where material came from and what somebody believed at a given time. It cannot make an unavailable work available. A hash can establish that two files are identical without explaining whether either was lawfully copied. A beautifully maintained ledger can document a bad decision with impressive precision.

That limitation is exactly why provenance is useful. It separates evidence from wishful thinking. If a model provider stores the source URL, the source identity, the collection time, the observed terms, the reservation evidence, the access route, the decision owner, the applicable licence or exception assessment, the dataset version and the downstream purpose, a reviewer can ask a meaningful question. If the provider stores only an extracted text fragment and a date, the reviewer is left with archaeology.

Dobrý původ dat potřebuje čas. Stránka se může změnit. Vydavatel může upravit podmínky. Zdroj může být odstraněn, přesunut za předplatné, prodán, opraven nebo nahrazen. Licence může vypršet. Protokol pro odhlášení může být aktualizován. Poskytovatel modelu může objevit závadu v dřívějším rozhodnutí o sběru dat. Záznam by neměl přepsat dřívější stav aktuálním stavem. Měl by zachovat dřívější pozorování, identifikovat pozdější změnu a zaznamenat, co organizace udělala dál.

To je důležité zejména tam, kde se diskutuje o odstranění nebo stažení obsahu. Odstranění stránky z fronty živého prohledávače není totéž jako její odstranění z každého meziskladu, odvozené datové sady, běhu doladění, vyhodnocovací sady, indexu vyhledávání a vydaného modelu. Poctivou odpovědí není slib okamžitého vymazání ze všech technických artefaktů. Je jí definování cest, omezení a kontrolních bodů dříve, než je začneme slibovat. Držitel práv si zaslouží kontaktní místo, které dokáže proces vysvětlit. Poskytovatel modelu potřebuje způsob, jak zjistit, kterých artefaktů se to týká. Oba potřebují záznam, který rozlišuje mezi přijatým požadavkem a vyřešeným požadavkem.

Článek 53 nařízení o umělé inteligenci dává původu dat souseda v oblasti veřejného zájmu. Vyžaduje, aby poskytovatelé modelů umělé inteligence pro obecné účely zavedli politiku pro dodržování autorského práva Unie a zveřejnili dostatečně podrobný souhrn obsahu použitého pro trénování. Veřejný souhrn nemusí odhalit každou položku v datové sadě a nařízení obsahuje hranice důvěrnosti a obchodního tajemství. Směr je ale jasný: poskytovatel modelu by měl být schopen popsat trénovací obsah způsobem, který je informativnější než věřte nám, a zároveň si ponechat podrobnější dokumentaci pro příslušné orgány a navazující poskytovatele.

Toto rozdělení publika je rozumné. Veřejný čtenář potřebuje pochopit kategorie zdrojů, rozhodnutí o sběru a kurátorství, příslušná omezení a kontaktní cesty. Držitel práv s konkrétním dotazem může potřebovat proces, který zvládne specifičtější žádost. Regulátor může potřebovat dokumentaci, kterou nelze rozumně zveřejnit na veřejné stránce. Chybou je považovat tyto vrstvy za výmluvu, proč nic neříkat, nebo považovat veřejný souhrn za důkaz, že každé rozhodnutí na úrovni zdroje bylo vyřešeno. Transparentnost je informační architektura, ne tisková zpráva.

Původ dat nevytváří oprávnění. Udržuje důkazy, rozsah a pozdější změnu propojené s dílem, které je potřebuje.

Pro inženýry je zde užitečná disciplína. Záznam musí nést nejistotu. Pokud je stav zdroje nevyřešený, zaznamenejte nevyřešený. Pokud licence pokrývá získávání, ale ne trénování, nenazývejte ji obecně licencovanou. Pokud se politika po sběru změnila, neimplikujte, že dřívější rozhodnutí bylo učiněno za pozdější politiky. Datový soubor se nestane důvěryhodnějším díky sebejistotě svých štítků. Stane se lépe spravovatelným, když jeho štítky zachovávají, co je známé, neznámé a podmíněné.

Vyjednávání musí zahrnovat i odchod

Velká část debaty se zaměřuje na přijetí: může prohledávač dnes tento zdroj sbírat? Ale vztah s trénovacími daty potřebuje také odchod. Licence dosáhne data konce platnosti. Držitel práv změní výhradu. Vydavatel najde chybu v záznamu o přiřazení. Poskytovatel změní svůj plán vývoje modelu. Zdroj se stane nevhodným, protože jeho provenienci nelze rekonstruovat. Přijde stížnost. To jsou běžné události životního cyklu, ne důkaz, že se někdo zachoval špatně.

Důležitá otázka je, zda systém ví, co dělat, když k nim dojde. Politika zdroje by měla určit, kdo dostane oznámení, kdo rozhoduje o jeho rozsahu, kdo může pozastavit nové použití, kdo může vysledovat dotčené datové soubory, kdo komunikuje s držitelem práv a co organizace může a nemůže reálně změnit na zveřejněném artefaktu. Pracovní postup musí být dostatečně konkrétní, aby byl testovatelný. Říct, že se obavy berou vážně, je zdvořilá věta. Není to proces.

Evropské diskuse o správě modelů mají ve zvyku vracet se k dokumentaci, protože dokumentace je místem, kde systém deklaruje svou vlastní paměť. Totéž platí zde. Cesta pro vyřizování stížností potřebuje identifikátor. Přezkum potřebuje zaznamenané rozhodnutí. Žádost o odstranění potřebuje jasnou hranici. Změna zdroje potřebuje historii verzí. Vydání modelu musí být propojeno s příslušnými záznamy o trénování a kurátorství. Bez toho se i upřímná organizace nakonec spoléhá na vzpomínky a vzpomínky se příliš dobře neškálují po pár změnách personálu a třech migracích úložišť.

Existuje také komerční důvod vybudovat odchod včas. Poskytovatel, který dokáže izolovat rodinu zdrojů a pochopit její následné použití, má více možností, když se podmínky změní. Může zastavit budoucí sběr, odstranit rodinu z plánovaného datového souboru, nahradit licencovaný materiál, pozastavit vydání nebo vysvětlit, proč požadovaná náprava dosáhne jednoho artefaktu, ale ne jiného. Poskytovatel bez těchto vazeb je nucen k obecným prohlášením, protože nemůže dát přesnou odpověď. Obecná prohlášení málokdy uspokojí ani jednu stranu.

Držitelé práv mají v tomto vztahu také odpovědnosti, i když nejsou totožné s odpovědnostmi poskytovatelů. Výhrada zveřejněná v jasné, stabilní, strojově čitelné podobě se respektuje snadněji než hranice vložená do odstavce, který žádný sběrný systém nedokáže identifikovat. Licenční kontakt, který dokáže vysvětlit dostupnou cestu, snižuje náklady na zákonnou dohodu. Oznámení o změně, které zachovává historii, zabraňuje tomu, aby byl rozumný sběratel posuzován podle informací, které v dané době nebyly k dispozici. Břemeno by nemělo být přeneseno zcela na vydavatele, zejména na menší. Je prostě pravda, že rozhraní funguje lépe, když oba konce mohou mluvit.

Současná práce Komise na protokolech o výhradách proto není obskurní debata o standardech. Týká se toho, zda web dokáže vyjádřit volbu v měřítku, v jakém modely sbírají materiál. Dobré standardy nevyřeší oceňování, neusnadní každou právní otázku ani neodstraní špatnou víru. Mohou snížit třídu vyhnutelné nejednoznačnosti. To je skromná ambice a na webu to bývají právě skromné ambice, které přežijí kontakt s realitou.

Co by měl být odpovědný sběratel schopen říct

A responsible collector does not need to make legal advice appear in every log line. It does need to make several practical statements true. It should be able to say what purpose a collection served. It should be able to identify the source and version it considered. It should be able to show the access route and the signals it observed. It should be able to identify the rule, licence or unresolved question that governed the decision. It should be able to connect an admitted source to the dataset or system that received it. It should be able to explain how it handles changes and concerns.

Those statements suggest a design rather than a checklist. Begin with a source contract. The contract names the source family, the intended use, accepted access methods, technical limits, known rights signals, required evidence and an owner. It is not a contract in the legal sense unless the parties have made it one. It is an operational contract inside the organisation: a record of what the collection system may do and why.

Then keep decision points close to the actions that matter. Do not fetch first and look for restrictions after the material has been copied through several queues. Do not permit a dataset to move from research evaluation to commercial model training merely because the bytes fit both tasks. Do not transform a licence field into a generic true value because the actual scope is inconvenient. And do not treat a request to stop as a support ticket with no relationship to the source record.

Where a collector cannot understand a signal, it should say so. Where a human review is needed, the system should make the pause visible. Where a licence is available, the commercial and technical routes should meet: the agreement must be represented in a form that changes what the collector can do. A PDF in a legal folder does not prevent a pipeline from doing the wrong thing at three in the morning. The pipeline needs an enforceable state.

At Dweve, the small part of this argument that is directly ours is visible in the training-content material in our Trust Centre. The published record says that its source-family catalogue is not a blanket permission claim and that item, version, licence, attribution, purpose, withdrawal and evidence decisions are controlled in a Spindle ledger. That is a description of our stated process, not a claim that a record resolves copyright questions by itself. Winnow's role in that picture is source intelligence and repeatable, inspectable source processes. The broader point is not about our products. It is that collection becomes more responsible when the source route is treated as evidence rather than as background noise.

This is the kind of product work that rarely appears in a model demo. Nobody applauds a field called observed-terms-version. But those fields decide whether a team can answer a reasonable question without conducting an internal excavation. The future of model governance will include plenty of impressive mathematics. It will also include rather more careful records than the industry once thought fashionable.

The work is governance, not a crawler setting

It is tempting to make this a technical dispute. Put the right instruction in a file, update the user agent, turn a parser on, turn a parser off. Those things matter, but they are only the visible edge of a governance problem. A crawler does what the organisation has decided it may do. If the organisation has no clear purpose boundary, no licence register, no source owner, no review route and no dataset lineage, technical obedience will be inconsistent even when every individual engineer is trying to be careful.

Začněte účelem, protože účel mění otázku. Poskytovatel modelu, který shromažďuje materiál pro úzký, zveřejněný výzkumný experiment, nemusí být nutně ve stejné pozici jako ten, kdo shromažďuje materiál pro komerční model obecného určení. Poskytovatel usilující o licenci pro vyhledávání může potřebovat jinou dohodu než ten, kdo usiluje o trénování modelu. Veřejně prospěšný archiv může mít jiný mandát a právní cestu než produktový tým budující odpovědní engine. Tato rozlišení by neměla být používána k zastírání povinností. Jsou důvodem, proč jediné univerzální pole stavu nemůže říkat pravdu.

Pak zajistěte viditelnost vlastnictví. Někdo by měl vlastnit zdrojovou politiku. Někdo by měl vlastnit technického sběrače. Někdo by měl vlastnit licenční podmínky a rozhodnutí o přijetí rodiny zdrojů. Někdo by měl vlastnit reakci na dotaz držitele práv. Stejná osoba nemusí zastávat všechny role a malý tým je může kombinovat. Důležité je, aby byla odpovědnost dohledatelná dříve, než se z otázky stane spor. Obecná e-mailová schránka není úplně vlastník. Je to místo, kde může, ale nemusí být vlastnictví nakonec nalezeno.

Datová správa se také musí setkat se správou modelů. Rozhodnutí o zdroji, které zůstává v nástroji pro sběr z webu, zatímco trénování probíhá jinde, je slabé už svým návrhem. Trénovací tým potřebuje vědět, které skupiny zdrojů jsou v rozsahu. Tvůrce datové sady potřebuje zachovat vyloučení a podmínky. Proces vydávání potřebuje vědět, zda podstatná změna zdrojové politiky vyžaduje přezkum. Proces veřejného souhrnu potřebuje obhajitelný popis kategorií trénovacího obsahu. Žádný jednotlivec nemusí nosit celou historii v hlavě. Systém ale potřebuje cestu, kterou lze historii získat.

Zde pomáhá pečlivé rozlišení mezi politikou a vymáháním. Autorskoprávní politika říká, co organizace zamýšlí dělat a jaké standardy bude dodržovat. Vymáhání je soubor technických a procesních kontrol, které znesnadňují opačné jednání: vstupní brány, záznamy o zdrojích, konfigurace prohledávače, kontroly přístupu, kontroly smluv, manifesty datových sad, verzování, přezkum a eskalace. Politika bez vymáhání je aspirace. Vymáhání bez politiky se může stát efektivním způsobem, jak provádět pravidla, která nikdo nepromyslel. Zaměření aktu o umělé inteligenci na autorskoprávní politiku je cenné právě proto, že vyžaduje, aby poskytovatel propojil právní záměr se svou provozní praxí.

Není důvod, aby se z toho stal tajný interní rituál. Veřejná politika může uvést rozsah, přístup k výhradám práv, druhy používaných cest sběru, kontaktní cestu a meze jakéhokoli veřejného účtu. Neměla by slibovat jistotu tam, kde právo nebo důkazy zůstávají nevyřešené. Měla by říci, co dělá, když je signál nejednoznačný, co dělá, když ji kontaktuje držitel práv, a co může přezkoumat poté, co zdroj již prošel systémem. Zdrženlivá politika je důvěryhodnější než velkolepá. Většina práce probíhá po zveřejnění politiky, v té nepůvabné otázce, zda záznam a pipeline souhlasí.

Zadávání zakázek si zaslouží stejnou pozornost. Když organizace kupuje model, datovou službu nebo vyhledávací produkt, měla by se ptát na víc než na to, zda má dodavatel na svých webových stránkách prohlášení o autorských právech. Jaké kategorie zdrojů byly použity? Jak jsou řešeny výhrady práv? Jaká dokumentace je k dispozici navazujícím poskytovatelům? Dokáže dodavatel vysvětlit své veřejné shrnutí trénovacího obsahu? Co se stane, když je zdroj obsahu zpochybněn, opraven nebo stažen? Která strana má vyšetřovat? To nejsou otázky, které zákazník klade, aby se stal právníkem na autorská práva. Jsou to běžné otázky o závislosti a důkazech.

Odpovědi mohou být neúplné, zejména v rychle se vyvíjející oblasti. Neúplné odpovědi by měly být jako takové označeny, s určeným vlastníkem a cestou k jejich zlepšení. Nebezpečná je často odpověď, která působí hladce: veškerý obsah je veřejný, veškeré školení je férové, všechny záznamy jsou důvěrné, všechny obavy jsou vyřešeny. Každá tato formulace skrývá právě ty rozdíly, které odpovědné vyjednávání potřebuje. Užitečnější odpověď uvádí rozsah, pravidlo, důkazy, omezení a termín příštího přezkumu.

Veřejné orgány mají zvláštní důvod tyto otázky klást. Mohou ovlivnit trh prostřednictvím zadávání veřejných zakázek dlouho předtím, než soud nebo regulátor vyřeší každou obtížnou otázku. Zadávací dokumentace může od dodavatele požadovat, aby popsal svůj přístup k trénovacím datům, výhradám, licencím, původu dat a stížnostem. Může vyžadovat evidenci podstatných změn. Může rozlišovat mezi prohlášením o politice a důkazem o jejím provádění. Může stanovit přiměřené podmínky, aniž by trvala na tom, že zadavatel disponuje úplnou teorií všech autorskoprávních otázek v Evropě. Zadávání veřejných zakázek nenahrazuje právo. Je jedním z míst, kde se právo stává provozním očekáváním.

To je širší ponaučení. Vyjednávání neprobíhá pouze mezi vydavatelem a prohledávačem. Účastní se ho také lidé, kteří konfigurují sběr dat, vytvářejí standardy, zadávají modely, spravují licence, budují datové sady, publikují dokumentaci modelů, provozují stížnostní cesty a rozhodují o tom, zda lze model uvést na trh. Vztah týkající se trénovacích dat se stává méně vykořisťovatelským, když tito lidé vidí stejné důkazy a pracují se stejnými hranicemi. Alternativou není jednoduchost. Je jí řetězec samostatných předpokladů, který se nakonec střetne s nositelem práv v nejméně vhodnou chvíli.

Veřejné neznamená bez vlastníka

Veřejný web by měl zůstat veřejný. To znamená, že by mělo být i nadále možné číst, odkazovat, citovat v mezích zákona, zkoumat, indexovat, kritizovat, uchovávat a vytvářet nové služby. Web tvořený vyskakovacími okny se svolením pro každý běžný úkon by nebyl otevřený v žádném užitečném smyslu. Otevřenost však není totéž co absence vlastníka a viditelnost není univerzálním převodem práv.

Vyjednávání, která se nyní kolem trénovacích dat formují, jsou příležitostí, jak tento rozdíl uvést do praxe. Nositel práv by měl být schopen vyhradit si určité použití formou, kterou odpovědný sběratel dokáže přijmout. Poskytovatel modelu by měl být schopen získat kvalitní materiál na základě podmínek, které lze implementovat a auditovat. Malé organizace by neměly být vyloučeny jen proto, že si individuální dohody mohou dovolit pouze největší subjekty. Veřejné orgány by měly mít možnost vidět dostatek informací o obsahu trénovacích dat modelů a o autorskoprávní politice, aby mohly klást kvalifikované otázky. A když dojde ke sporu nebo změně, obě strany by měly mít cestu, která začíná důkazy, nikoli divadlem.

Obtížné případy tu vždy budou. Právo bude vždy potřebovat výklad. Některé střety práv nevyřeší žádný standard a některá obchodní vyjednávání zůstanou nerovná. Evidence původu dat neučiní nevýhodnou dohodu spravedlivou. Technická značka neučiní právo smysluplným, pokud ji sběratel záměrně ignoruje. Cílem není web bez tření. Bez tření často znamená, že náklady někoho jiného byly skryty.

Lepším cílem je web, který lze zkoumat. Web, na kterém může automatizovaný požadavek nést deklarovaný účel, zveřejněná hranice může přežít kontakt se systémem sběru dat, licence se může stát provozním pravidlem a poskytovatel modelu může doložit cestu, kterou se materiál dostal do jeho práce. To je méně romantická vize než stroj, který čte vše, co kdy bylo napsáno. Je také pravděpodobnější, že vydavatelům, tvůrcům, výzkumníkům a tvůrcům modelů zanechá web, o který stojí za to vyjednávat.

Zdroje