Det offentlige internet bliver en forhandling om træningsdata

Crawlere, reservationer, licenser og oprindelse ændrer den gamle antagelse om, at en offentlig side bare er der til at blive taget. Det nyttige spørgsmål er...

Det offentlige internet bliver en forhandling om træningsdata

Siden er offentlig. Brugen er ikke afklaret.

I lang tid hvilede det offentlige web på en ufint, men funktionsdygtig social aftale. En udgiver gjorde en side tilgængelig. Søgemaskiner fandt den, indekserede nok af den til at sende læsere videre, og en person ankom til den oprindelige side. Der var diskussioner om indeksering, uddrag og annoncering, men ruten var genkendelig. En side var både publikationsenheden og det sted, hvor læseren mødte udgiveren.

Træning af en generel model ændrer formen på den aftale. En crawler kan stadig begynde med en offentlig adresse, men destinationen er ikke længere nødvendigvis et søgeresultat. Materialet kan blive kopieret, parset, filtreret, gemt, kombineret med andet materiale og brugt i en træningsproces, hvis output ikke er et link tilbage til siden. Det kan senere hjælpe med at besvare et spørgsmål uden at en læser besøger det oprindelige værk. At en side er synlig, er relevant. Det er ikke hele svaret.

Det er derfor, det offentlige internet bliver en forhandling om træningsdata. Ikke en enkelt forhandling i ét rum, og ikke et drama, hvor den ene side opdager, at den anden findes. Det er en distribueret forhandling, der føres gennem lovgivning, licenser, tekniske signaler, kontrakter, standarder, registre og, hvor det er nødvendigt, mennesker, der taler med hinanden. En rettighedshaver kan forbeholde sig en mining-brug. En modeludbyder kan identificere et forbehold og beslutte ikke at indsamle. Parterne kan blive enige om en licens. En organisation kan dokumentere vejen godt nok til, at et senere spørgsmål kan besvares. Eller de kan lade vejen være vag og opdage, at vaghed er dyrt, når materialet først er rejst.

Intet af dette gør hver offentlig side utilgængelig for enhver beregningsmæssig brug. Den europæiske ophavsretsramme indeholder undtagelser for tekst- og datamining, og betingelserne har betydning. Det gør heller ikke en robots-fil til et universelt ophavsretsinstrument eller en licens til en simpel afkrydsningsboks. Den nyttige ændring er mere beskeden: træningsdata skal behandles som et forhold med vilkår, historik og grænser. Det er en bedre beskrivelse af, hvad det allerede var. Det nye er, at forholdet bliver sværere at ignorere.

Europa-Kommissionens arbejde omkring AI-forordningen giver ændringen en administrativ form. Udbydere af generelle AI-modeller har forpligtelser vedrørende ophavsretspolitik og oversigter over træningsindhold. GPAI-adfærdskodeksen præsenterer en frivillig vej for udbydere, der vælger at følge den, herunder tilsagn om rettighedsforbehold og robots.txt. Kommissionen har også hørt interessenter om protokoller til at udtrykke forbehold. Disse er ikke erstatninger for ophavsretsloven, og heller ikke en erklæring om, at ethvert teknisk signal har samme retsvirkning. De er bevis på, at rejsen fra en rettighedshaverens instruks til en modeludbyders indsamlingssystem nu er et politisk problem i sig selv.

Historien behøver ikke en opfundet udgiver, en dramatisk crawler eller en fiktiv retshøring. Den er synlig på de almindelige punkter, hvor en kilde skifter hænder. Nogen beslutter, om en URL hører til i en samling. Nogen beslutter, hvad et forbehold betyder. Nogen beslutter, om en licens er tilstrækkelig specifik til træning, hentning, evaluering eller videredistribution. Nogen beslutter, hvilken version af en politik der gælder, når en kilde ændres. Beslutningerne kan være stille. De er stadig beslutninger.

En crawler er ikke længere kun en besøgende

Browsere, søgecrawlere, arkiveringsværktøjer, tilgængelighedstjenester, akademiske forskere, overvågningssystemer og modeltræningspipeliner kan alle anmode om den samme side. Fra udgiverens server kan de i første omgang ligne hinanden: en anmodning ankommer, et svar sendes, en loglinje skrives. Men deres formål, kopieringsmønstre og downstream-konsekvenser er forskellige. At behandle enhver automatiseret anmodning som identisk er bekvemt for infrastrukturen og dårligt for styringen.

En almindelig læser åbner én artikel og vender måske tilbage en anden dag. En søgecrawler opretter et indeks, der skal lede en læser tilbage. En træningspipeline kan lave en kopi, der bevares, transformeres og sammenlægges med mange andre værker, før der overhovedet findes en model. Et retrivesystem kan skabe en mere direkte kommerciel erstatning for et besøg. Et evalueringssæt kan gemme uddrag for at teste et system. Etiketterne er ikke moralske rangeringer. De er beskrivelser af anvendelser, der kræver forskellige spørgsmål.

Det første spørgsmål handler som regel om adgang. Fik indsamleren adgang til materialet ad en lovlig vej? Det andet er det retlige grundlag for de handlinger, systemet ønsker at udføre. Det tredje er, om rettighedshaveren har givet udtryk for et forbehold, hvor den gældende regel tillader det. Det fjerde er, om en separat licens eller kontrakt giver tilladelse, betingelser eller begrænsninger. Et femte spørgsmål, der ofte kommer for sent, er operationelt: Kan organisationen vise, hvad den har set, og hvorfor den gik videre?

Direktiv (EU) 2019/790 behandler ikke tekst- og datamining som én enkelt, ubegrænset tilladelse. Artikel 3 indeholder en obligatorisk undtagelse for forskningsorganisationer og kulturarvsinstitutioner, der foretager reproduktioner og uddrag til videnskabelig forskning, forudsat at de har lovlig adgang. Artikel 4 omhandler tekst- og datamining til andre formål, igen hvor der er lovlig adgang, medmindre rettighedshaveren har forbeholdt sig de relevante rettigheder på passende vis. For onlineindhold, der er offentligt tilgængeligt, fastslår direktivet, at forbeholdet kan udtrykkes med maskinlæsbare midler, herunder metadata og vilkår og betingelser.

Den sondring er ikke en mindre redaktionel detalje. Den betyder, at en offentlig side ikke bærer én generisk etiket, der hedder anvendelig. Aktøren, formålet, adgangsvejen, rettighedshaverens forbehold og de konkrete handlinger har alle betydning. Et fornuftigt indsamlingssystem har derfor brug for et større ordforråd end tillad og bloker. Det bør kunne registrere kandidat, adgang observeret, forbehold registreret, licens påkrævet, licens givet, formål begrænset, uafklaret, afvist og trukket tilbage. Det er ikke bureaukrati for bureaukratiets skyld. Det er den minimale grammatik, der er nødvendig, når en kilde kan være fuldt synlig og alligevel ikke være tilgængelig til den påtænkte anvendelse.

Den Europæiske Unions Kontor for Intellektuel Ejendomsret undersøgelse fra 2025 om generativ AI og ophavsret beskriver dette landskab som et, hvor rettighedsforbehold og licensering udvikler sig sideløbende med tekniske løsninger. Konklusionen er ikke, at en færdig markedsmekanisme er opstået. Den er næsten det modsatte: Ingen enkelt løsning passer til enhver rettighedshaver, enhver modeludbyder eller enhver type materiale. Det er netop derfor, et ærligt system skal bevare sondringer frem for at udviske dem i skalaens navn.

Skala bruges ofte som undskyldning for upræcision. En modeludbyder kan sige, at vedkommende ikke kan forhandle side for side. En lille udgiver kan sige, at vedkommende ikke kan inspicere hver automatiseret forespørgsel. Begge udsagn kan være sande. De fjerner ikke behovet for en fungerende grænseflade mellem de to. De forklarer, hvorfor maskinlæsbare signaler, standardlicenser, kildefamilieposter og kollektive ordninger er interessante. Svaret på et stort problem er ikke nødvendigvis et stort møde. Det kan være en pålidelig måde at angive en grænse på og en pålidelig måde at modtage den på.

En kilderute er ikke en tunnel til en model. Det er en række beslutninger, der bør forblive synlige efter indsamlingen.

Diagrammet er en konceptuel rute, ikke en juridisk beslutningsmotor. Et grønt udseende kort etablerer ikke, at en anvendelse er lovlig. Det viser de beviser og den vurdering, som et team bør kunne inspicere. Den beskedne skelnen er værdifuld. Det meste undgåelige forvirring begynder, når en operationel kendsgerning forveksles med en juridisk konklusion, eller når en juridisk konklusion ikke kan spores tilbage til de operationelle kendsgerninger.

Forbehold har brug for et sprog, maskiner kan bære

Et opt-out beskrives ofte som en knap: rettighedshaveren siger nej, crawleren stopper. Det faktiske arbejde er mindre filmisk. Et forbehold skal udtrykkes et sted, findes af en indsamler, knyttes til det relevante værk eller den relevante tjeneste, fortolkes i den rigtige kontekst og bevares som bevis. Det kan være i metadata, i vilkår og betingelser, i en offentliggjort politik eller i en protokol, som en indsamler forstår. Det kan gælde et website, en katalog, et feed, en database eller en defineret gruppe af værker. Det kan ændre sig over tid.

Direktivets henvisning til maskinlæsbart betyder noget, fordi et forbehold, der ikke kan findes på indsamlingstidspunktet, ikke pålideligt kan ændre en indsamlingsbeslutning. Men maskinlæsbart betyder ikke ufejlbarligt, selvforklarende eller juridisk komplet. En parser kan finde en direktiv med en ukendt værdi. En rettighedshaver kan offentliggøre en politik, der peger på en licenskontakt frem for et direkte afslag. En kilde kan være tilgængelig gennem et abonnement med egne vilkår. Et system kan slet ikke se noget genkendeligt signal. Fraværet af et signal er en observation, ikke en blanket tilladelse.

Der er en temmelig hollandsk lektie i dette. Et skilt, der siger, at broen er lukket, forbedres ikke af en chauffør, der hævder, at deres kort ikke kunne parse skiltet. Og ikke enhver lukket bro er et forbud mod at køre ind i provinsen. Spørgsmålet er, om skiltet er læsbart for den relevante rute, om ruten har et fornuftigt alternativ, og om nogen har registreret, hvad der skete. Pointen er ikke at forvandle internettet til et kanalnetværk. Det er at forhindre, at en grænse forsvinder, fordi den var ubelejlig at modellere.

Kommissionens høring om protokoller for forbehold af rettigheder i forbindelse med tekst- og datamining gør denne implementeringskløft tydelig. Den henviser til GPAI-adfærdskodeksens tilsagn om, at underskriverne skal identificere og overholde passende maskinlæsbare protokoller, som rettighedshavere anvender, sammen med et tilsagn om at respektere robots.txt og efterfølgende IETF-versioner af standarden. Selve høringen er ikke en endelig protokol. Den er et bevis på, at parterne har brug for et klarere teknisk sprog for et juridisk valg, der skal rejse gennem automatiserede systemer.

Robots.txt har en nyttig, begrænset rolle i den samtale. Det er en langvarig webkonvention for crawleradfærd. Den kan formidle, at en udgiver ikke ønsker, at en bestemt automatiseret agent eller sti bliver gennemgået. GPAI-kodeksens behandling giver den praktisk betydning for underskrivernes indsamlingssystemer. Men robots.txt er ikke et universelt rettighedsregister, og en crawlerinstruks afgør ikke alle spørgsmål om ophavsret, kontrakt eller databaserettigheder. At blande lagene sammen giver to dårlige udfald. Den ene side antager, at robots.txt er hele det juridiske svar. Den anden behandler den som blot valgfri etikette. Ingen af positionerne skaber et stabilt forhold.

Et indsamlingssystem bør holde signalerne adskilt. Teknisk crawlerinstruks: hvad sagde robots-filen på det tidspunkt? Rettighedsforbehold: hvilken maskinlæsbar eller offentliggjort erklæring leverede kilden? Adgangsbetingelse: var ruten åben, godkendt, abonneret eller leveret under en aftale? Licens: hvilke rettigheder blev givet til hvilket formål og i hvilken periode? Intern politik: hvad besluttede organisationen at gøre, hvor billedet forblev usikkert? Felterne kan være forbundne, men de er ikke udskiftelige.

Denne adskillelse gør også fejlhåndteringen mere menneskelig. En indsamler kan rapportere, at den så et signal, den ikke kan fortolke, i stedet for stille og roligt at behandle signalet som irrelevant. En rettighedshaver kan opdage, at dens foretrukne markør ikke understøttes, og vælge en anden kanal. En udbyder kan forbedre en parser uden at omskrive historien. En senere gennemgående part kan se, om en kilde blev optaget, fordi der fandtes en licens, fordi en undtagelse blev vurderet, eller fordi der blev truffet en politisk beslutning under angivet usikkerhed. Alternativet er ét uigennemsigtigt felt, der siger indsamlet.

Licensering er ikke det modsatte af innovation

Der er en vedvarende vane med at beskrive licenser som friktion og modeller som fremskridt. Det er en vildledende kontrast. En licens kan være en begrænsning, men den kan også være en grænseflade: en måde at sige, hvilket materiale der er tilgængeligt, til hvilken brug, til hvilken pris, med hvilken tilskrivning, rapportering, udelukkelse eller fornyelsesbetingelse. Kvaliteten af den grænseflade afgør, om mindre rettighedshavere og mindre modeludbydere overhovedet kan deltage.

Federation of European Publishers har argumenteret for, at rettighedshavere har brug for gennemsigtighed om data, der bruges til at træne AI, og hvor de blev indsamlet, samtidig med at de anerkender, at udgivere kan bruge AI i deres eget arbejde. Det er en brancheposition, ikke neutralt bevis for det rigtige juridiske svar i alle tilfælde. Den angiver ikke desto mindre et praktisk punkt, som modeludbydere bør tage alvorligt: en udgiver kan både være en bruger af AI og en rettighedshaver, hvis materiale har brug for vilkår. Valget er ikke mellem litteratur og teknologi eller mellem skabere og ingeniørarbejde. Valget er, om udvekslingen har et læsbart grundlag.

Forlæggernes Forenings redegørelse fra 2026 om det britiske marked for udgivelser og AI-licenser giver et mere præcist billede. Den beskriver eksisterende licenser til tekst- og datamining, senere licenser til AI-træning og en voksende licensering til retrieval-augmented generation, og den rapporterer om arbejdet hen imod en kollektiv licens med opt-in for rettighedshavere. Storbritannien står uden for EU's retsorden, så dette er ikke bevis for, hvad DSM-direktivet kræver. Det er nyttigt bevis for, at et nærliggende europæisk rettighedsmarked forsøger at gøre tilladelser til træning og hentning mere praktiske end en privat forhandling mellem en håndfuld meget store organisationer.

Kollektive ordninger er værd at holde øje med, fordi internettet ikke kun skabes af virksomheder med en juridisk afdeling og en kundeansvarlig. En lille specialiseret forlægger, et videnskabeligt selskab, en regional avis, et fotografarkiv eller en selvstændig forfatter kan have værdifuldt materiale og meget lidt kapacitet til at forhandle særskilte vilkår med enhver potentiel modeludbyder. En standardiseret opt-in, en kollektiv licens eller en betroet mellemmand kan ikke løse ethvert værdiansættelsesspørgsmål. Det kan gøre den første samtale mulig.

Modeludbydere har også en grund til at foretrække klarhed. En forhandlet vej kan levere materiale med en identificeret oprindelse, en defineret rækkevidde og en ansvarlig kontaktperson. Det kan koste penge. Det gør rensning af et datasæt, undersøgelse af en omstridt kilde, forsvar af en position uden dokumentation eller udskiftning af en kilde sent i udviklingsprocessen også. En licens garanterer ikke, at materialet er egnet, præcist eller repræsentativt. Den yder et andet bidrag: den forvandler tilladelse fra en antagelse til en udtrykt betingelse.

Kompensation er heller ikke et magisk ord. Der findes ikke én enkelt fair takst for hvert værk og hver anvendelse. Træning, hentning, evaluering, intern analyse, modelforbedring og udgivelse kan skabe forskellige kommercielle relationer. En licens kan være per værk, per samling, per bind, per periode, per implementering, per bruger, per modelfamilie eller forhandlet på et andet grundlag. Den kan omfatte en pligt til kildeangivelse, en rapporteringspligt, en ret til revision, en mekanisme for tilbagetrækning eller slet ingen løbende adgang. Et brugbart system lader ikke som om, disse vilkår er universelt enkle. Det gør dem læselige nok til at kunne anvendes.

Det vigtige skift er fra en kultur med udvinding til en kultur med vilkår. Det betyder ikke, at ethvert datasæt bliver en indkøbsøvelse. Det betyder, at når en rettighedshaver vælger at forbeholde, licensere eller udbyde materiale under betingelser, har modeludbyderen en operationel måde at modtage det valg på. Når en udbyder ønsker at bruge højkvalitets, aktuelt, specialiseret materiale, har den en vej til at spørge frem for blot en vej til at kopiere. Der er betydeligt spillerum mellem vilkårlig gennemgang og en verden, hvor kun de største virksomheder kan forhandle.

Oprindelse er kvitteringen, ikke tilladelsen

Oprindelse sælges nogle gange som en kur mod ophavsretsusikkerhed. Det er den ikke. En kildeoptegnelse kan vise, hvor materiale kom fra, og hvad nogen troede på et givet tidspunkt. Den kan ikke gøre et utilgængeligt værk tilgængeligt. En hash kan fastslå, at to filer er identiske, uden at forklare, om nogen af dem blev kopieret lovligt. En smukt vedligeholdt protokol kan dokumentere en dårlig beslutning med imponerende præcision.

Den begrænsning er netop derfor, at oprindelse er nyttig. Den adskiller bevis fra ønsketænkning. Hvis en modeludbyder gemmer kilde-URL'en, kildeidentiteten, indsamlingstidspunktet, de observerede vilkår, dokumentationen for forbehold, adgangsvejen, beslutningsejeren, den gældende licens eller vurderingen af undtagelser, datasætversionen og det nedstrøms formål, kan en anmelder stille et meningsfuldt spørgsmål. Hvis udbyderen kun gemmer et uddraget tekstfragment og en dato, er anmelderen overladt til arkæologi.

God dokumentation tager tid. En side kan ændre sig. En udgiver kan revidere vilkårene. En kilde kan fjernes, flyttes bag et abonnement, sælges, rettes eller erstattes. En licens kan udløbe. En fravalgsprotokol kan opdateres. En modeludbyder kan opdage en fejl i en tidligere indsamlingsbeslutning. Registreringen bør ikke overskrive den tidligere tilstand med den nuværende. Den bør bevare den tidligere observation, identificere den senere ændring og registrere, hvad organisationen gjorde derefter.

Dette er især vigtigt, hvor fjernelse eller tilbagetrækning diskuteres. At fjerne en side fra en live crawler-kø er ikke det samme som at fjerne den fra alle mellemliggende lagre, afledte datasæt, finjusteringskørsler, evalueringssæt, søgeindekser og udgivne modeller. Det ærlige svar er ikke at love øjeblikkelig sletning fra alle tekniske artefakter. Det er at definere ruterne, grænserne og gennemgangspunkterne, før man lover dem. En rettighedshaver fortjener et kontaktpunkt, der kan forklare processen. En modeludbyder har brug for en måde at identificere, hvilke artefakter der er berørt. Begge har brug for en registrering, der skelner mellem en modtaget anmodning og en løst anmodning.

Artikel 53 i AI-forordningen giver dokumentation en samfundspolitisk nabo. Den kræver, at udbydere af generelle AI-modeller indfører en politik for at overholde EU's ophavsretslovgivning og offentligt gør et tilstrækkeligt detaljeret resumé af det indhold, der bruges til træning, tilgængeligt. Det offentlige resumé behøver ikke at afsløre hvert enkelt punkt i et datasæt, og forordningen indeholder grænser for fortrolighed og forretningshemmeligheder. Men retningen er klar: en modeludbyder bør kunne beskrive træningsindhold på en måde, der er mere informativ end "stol på os", mens den bevarer mere fyldestgørende dokumentation til de relevante myndigheder og downstream-udbydere.

Den opdeling af målgrupper er fornuftig. En offentlig læser har brug for at forstå kildekategorier, indsamlings- og kurateringsvalg, relevante begrænsninger og kontaktveje. En rettighedshaver med et konkret spørgsmål kan have brug for en proces, der kan håndtere en mere specifik henvendelse. En tilsynsmyndighed kan have brug for dokumentation, som ikke med rimelighed kan lægges på en offentlig side. Fejlen er at behandle disse lag som undskyldninger for at sige ingenting eller at behandle et offentligt resumé som bevis på, at enhver kildebeslutning er afgjort. Gennemsigtighed er en informationsarkitektur, ikke en pressemeddelelse.

Dokumentation skaber ikke tilladelse. Den holder beviserne, omfanget og den senere ændring forbundet med det værk, der har brug for dem.

Der er en nyttig disciplin her for ingeniører. Lad registret bære usikkerheden. Hvis en kildes status er uafklaret, så registrer den som uafklaret. Hvis en licens dækker indhentning, men ikke træning, så kald den ikke bredt licenseret. Hvis en politik ændrede sig efter indsamlingen, så lad ikke tidligere beslutninger fremstå, som om de blev truffet under den senere politik. Et datasæt bliver ikke mere troværdigt af, at dets labels er selvsikre. Det bliver mere styrbart, når dets labels bevarer det, der er kendt, ukendt og betinget.

Forhandlingen skal også omfatte udgangen

Meget af debatten handler om adgang: må crawleren indsamle denne kilde i dag? Men et forhold til træningsdata har også brug for en udgang. En licens når sin udløbsdato. En rettighedshaver ændrer en reservation. En udgiver finder en fejl i en kildehenvisning. En udbyder ændrer sin plan for modeludvikling. En kilde bliver uegnet, fordi dens oprindelse ikke kan rekonstrueres. En klage ankommer. Det er almindelige livscyklusbegivenheder, ikke bevis på, at nogen har handlet forkert.

Det vigtige spørgsmål er, om systemet ved, hvad det skal gøre, når de opstår. En kilde politik bør identificere, hvem der modtager en meddelelse, hvem der bestemmer dens omfang, hvem der kan sætte ny brug på pause, hvem der kan spore berørte datasæt, hvem der kommunikerer med rettighedshaveren, og hvad organisationen realistisk kan og ikke kan ændre i et udgivet artefakt. Arbejdsgangen skal være specifik nok til at kunne testes. At sige, at bekymringer tages alvorligt, er en høflig sætning. Det er ikke en proces.

Europæiske diskussioner om modelstyring har en tendens til at vende tilbage til dokumentation, fordi dokumentation er der, hvor et system erklærer sin egen hukommelse. Det samme gælder her. En klagehåndteringsvej har brug for en identifikator. En gennemgang har brug for en registreret beslutning. En anmodning om fjernelse har brug for en klar afgrænsning. En kildeændring har brug for versionshistorik. En modeludgivelse skal være forbundet med de relevante trænings- og kurateringsregistre. Uden dette vil selv en oprigtig organisation i sidste ende stole på erindring, og erindring skalerer ikke særlig godt efter et par personaleskift og tre lagermigreringer.

Der er også en kommerciel grund til at bygge udgangen tidligt. En udbyder, der kan isolere en kildefamilie og forstå dens nedstrøms anvendelser, har flere muligheder, når vilkårene ændres. Den kan stoppe fremtidig indsamling, fjerne familien fra et planlagt datasæt, erstatte med licenseret materiale, sætte en udgivelse på pause eller forklare, hvorfor en anmodet løsning når ét artefakt, men ikke et andet. En udbyder uden disse forbindelser er tvunget til brede udsagn, fordi den ikke kan give et præcist svar. Brede udsagn tilfredsstiller sjældent nogen af parterne.

Rettighedshavere har også ansvar i dette forhold, selvom de ikke er identiske med udbydernes ansvar. En reservation, der offentliggøres i en klar, stabil, maskinlæsbar form, er lettere at respektere end en afgrænsning, der er gemt i et afsnit, som intet indsamlingssystem kan identificere. En licenskontakt, der kan forklare den tilgængelige vej, sænker omkostningerne ved en lovlig aftale. En ændringsmeddelelse, der bevarer historik, forhindrer en rimelig indsamler i at blive vurderet ud fra oplysninger, der ikke var tilgængelige på det tidspunkt. Byrden bør ikke overføres helt til udgivere, især ikke de mindre. Det er simpelthen sandt, at en grænseflade fungerer bedre, når begge ender kan tale sammen.

Kommissionens nuværende arbejde med reservationsprotokoller er derfor ikke en obskur standarddebat. Det handler om, hvorvidt nettet kan udtrykke et valg i den skala, som modeller indsamler materiale i. Gode standarder vil ikke afgøre værdiansættelse, gøre ethvert juridisk spørgsmål nemt eller fjerne ond tro. De kan reducere en klasse af undgåelig tvetydighed. Det er en beskeden ambition, og på nettet er det som regel de beskedne ambitioner, der overlever mødet med virkeligheden.

Hvad en ansvarlig indsamler bør kunne sige

En ansvarlig indsamler behøver ikke at få juridisk rådgivning til at fremgå af hver eneste loglinje. Den skal derimod gøre flere praktiske forhold til virkelighed. Den skal kunne sige, hvilket formål en indsamling tjente. Den skal kunne identificere den kilde og version, den vurderede. Den skal kunne vise adgangsvejen og de signaler, den observerede. Den skal kunne identificere den regel, licens eller det uafklarede spørgsmål, der styrede beslutningen. Den skal kunne forbinde en godkendt kilde til det datasæt eller system, der modtog den. Den skal kunne forklare, hvordan den håndterer ændringer og bekymringer.

Disse udsagn peger på et design snarere end en tjekliste. Begynd med en kildekontrakt. Kontrakten navngiver kildefamilien, den tilsigtede anvendelse, accepterede adgangsmetoder, tekniske begrænsninger, kendte rettighedssignaler, nødvendig dokumentation og en ejer. Det er ikke en kontrakt i juridisk forstand, medmindre parterne har gjort den til det. Det er en operationel kontrakt internt i organisationen: en registrering af, hvad indsamlingssystemet må gøre, og hvorfor.

Hold derefter beslutningspunkterne tæt på de handlinger, der betyder noget. Hent ikke først og led efter begrænsninger, efter at materialet er blevet kopieret gennem flere køer. Tillad ikke, at et datasæt flytter fra forskningsevaluering til kommerciel modeltræning, blot fordi bytene passer til begge opgaver. Omdan ikke et licensfelt til en generisk sand værdi, fordi det faktiske omfang er ubelejligt. Og behandl ikke en anmodning om ophør som en supportbillet uden relation til kildeoptegnelsen.

Hvor en indsamler ikke kan forstå et signal, skal den sige det. Hvor der er behov for menneskelig gennemgang, skal systemet gøre pausen synlig. Hvor en licens er tilgængelig, skal de kommercielle og tekniske veje mødes: aftalen skal repræsenteres i en form, der ændrer, hvad indsamleren kan gøre. En PDF i en juridisk mappe forhindrer ikke en pipeline i at gøre det forkerte klokken tre om natten. Pipelinens behov er en håndhævbar tilstand.

Hos Dweve er den lille del af dette argument, der direkte er vores, synlig i træningsindholdsmaterialet i vores Trust Centre. Den offentliggjorte registrering siger, at dens katalog over kildefamilier ikke er et generelt tilladelseskrav, og at beslutninger om emne, version, licens, tilskrivning, formål, tilbagetrækning og dokumentation styres i en Spindle-hovedbog. Det er en beskrivelse af vores erklærede proces, ikke et krav om, at en registrering i sig selv løser ophavsretlige spørgsmål. Winnows rolle i det billede er kildeintelligens og gentagelige, inspicerbare kildeprocesser. Det bredere punkt handler ikke om vores produkter. Det er, at indsamling bliver mere ansvarlig, når kilderuten behandles som dokumentation snarere end som baggrundsstøj.

Dette er den slags produktarbejde, der sjældent optræder i en modeldemo. Ingen klapper af et felt kaldet observed-terms-version. Men disse felter afgør, om et team kan besvare et rimeligt spørgsmål uden at foretage en intern udgravning. Fremtiden for modelstyring vil indeholde masser af imponerende matematik. Den vil også indeholde betydeligt mere omhyggelige registreringer, end branchen engang troede var moderne.

Arbejdet er styring, ikke en crawlerindstilling

Det er fristende at gøre dette til en teknisk strid. Læg den rigtige instruktion i en fil, opdater user agent, tænd en parser, sluk en parser. Disse ting betyder noget, men de er kun den synlige kant af et styringsproblem. En crawler gør det, organisationen har besluttet, at den må gøre. Hvis organisationen ikke har nogen klar formålsgrænse, intet licensregister, ingen kildeejer, ingen gennemgangsrute og ingen datasætlinje, vil teknisk lydighed være inkonsekvent, selv når hver enkelt ingeniør prøver at være omhyggelig.

Start med formålet, fordi formålet ændrer spørgsmålet. En modeludbyder, der indsamler materiale til et snævert, oplyst forskningseksperiment, er ikke nødvendigvis i samme situation som en, der indsamler materiale til en kommerciel generel model. En udbyder, der søger en licens til hentning, kan have brug for en anden aftale end en, der søger at træne en model. Et offentligt interesse-arkiv kan have et andet mandat og en anden juridisk vej end et produktteam, der bygger en svarmaskine. Disse forskelle skal ikke bruges til at skjule forpligtelser. De er grunden til, at et enkelt universelt statusfelt ikke kan fortælle sandheden.

Gør derefter ejerskab synligt. Nogen bør eje kildepolitikken. Nogen bør eje den tekniske indsamler. Nogen bør eje licensvilkårene og beslutningen om at optage en kildefamilie. Nogen bør eje svaret på en henvendelse fra en rettighedshaver. Den samme person behøver ikke at have alle roller, og et lille team kan kombinere dem. Det vigtige er, at ansvaret kan findes, før et spørgsmål bliver til en tvist. En generisk postkasse er ikke helt en ejer. Det er et sted, hvor ejerskab måske eller måske ikke i sidste ende kan findes.

Dataforvaltning skal også møde modelforvaltning. En kildebeslutning, der bliver i et webindsamlingsværktøj, mens træningen foregår et andet sted, er svag af design. Træningsteamet skal vide, hvilke kildegrupper der er i spil. Datasætbyggeren skal bevare udelukkelser og betingelser. Frigivelsesprocessen skal vide, om en væsentlig ændring i kildepolitikken kræver gennemgang. Processen for offentlig opsummering skal have en forsvarlig redegørelse for kategorierne af træningsindhold. Ingen enkeltperson behøver at bære hele historien i hovedet. Systemet har dog brug for en vej, ad hvilken historien kan hentes.

Det er her, en omhyggelig skelnen mellem politik og håndhævelse hjælper. En ophavsretspolitik siger, hvad organisationen har til hensigt at gøre, og hvilke standarder den vil følge. Håndhævelse er det sæt af tekniske og proceduremæssige kontroller, der gør en modsat handling sværere: optagelsesporte, kildeoptegnelser, crawlerkonfiguration, adgangskontroller, kontraktkontrol, datasætmanifester, versionsstyring, gennemgang og eskalering. En politik uden håndhævelse er en aspiration. Håndhævelse uden politik kan blive en effektiv måde at udføre regler på, som ingen har tænkt igennem. AI-forordningens fokus på en ophavsretspolitik er værdifuld netop, fordi den kræver, at en udbyder forbinder den juridiske hensigt med sin operationelle praksis.

Der er ingen grund til, at dette skal blive en hemmelig intern ceremoni. En offentlig politik kan angive omfanget, tilgangen til rettighedsforbehold, de typer af indsamlingsveje, der bruges, kontaktvejen og grænserne for enhver offentlig redegørelse. Den skal ikke love sikkerhed, hvor loven eller beviserne stadig er uafklarede. Den skal sige, hvad den gør, når et signal er tvetydigt, hvad den gør, når en rettighedshaver kontakter den, og hvad den kan gennemgå, efter at en kilde allerede er passeret gennem et system. En tilbageholdende politik er mere troværdig end en storslået. Det meste af arbejdet sker efter, at politikken er offentliggjort, i det uglamourøse spørgsmål om, hvorvidt optegnelsen og pipelinen er enige.

Indkøb fortjener samme opmærksomhed. Når en organisation køber en model, en datatjeneste eller et hentningsprodukt, bør den spørge om mere end, hvorvidt leverandøren har en ophavsretserklæring på sin hjemmeside. Hvilke kildekategorier blev brugt? Hvordan håndteres rettighedsforbehold? Hvilken dokumentation er tilgængelig for downstream-udbydere? Kan leverandøren forklare sin offentlige opsummering af træningsindhold? Hvad sker der, når en indholdskilde bestrides, rettes eller trækkes tilbage? Hvilken part forventes at undersøge? Det er ikke spørgsmål, en kunde stiller for at blive ophavsretsadvokat. Det er almindelige spørgsmål om afhængighed og bevis.

Svarene kan være ufuldstændige, især på et område i hastig udvikling. Ufuldstændige svar bør mærkes som sådanne, med en ejer og en vej til at forbedre dem. Det farlige svar er ofte det glatte: alt indhold er offentligt, al træning er fair, alle registre er fortrolige, alle bekymringer er håndteret. Hver sætning skjuler netop de skel, som en ansvarlig forhandling har brug for. Et mere nyttigt svar angiver omfanget, reglen, beviset, begrænsningen og det næste evalueringspunkt.

Offentlige myndigheder har en særlig grund til at stille disse spørgsmål. De kan påvirke markedet gennem indkøb længe før en domstol eller et tilsynsorgan afklarer ethvert vanskeligt spørgsmål. Et udbud kan kræve, at en leverandør beskriver sin tilgang til træningsdata, forbehold, licenser, oprindelse og klager. Det kan kræve en registrering af væsentlige ændringer. Det kan adskille en erklæring om politik fra bevis for implementering. Det kan fastsætte proportionale betingelser uden at kræve, at køberen har en komplet teori om ethvert ophavsretsspørgsmål i Europa. Indkøb er ikke en erstatning for loven. Det er et af de steder, hvor loven bliver en operationel forventning.

Det er den bredere lære. Forhandlingen er ikke kun mellem en udgiver og en crawler. Den involverer også de mennesker, der konfigurerer indsamling, skaber standarder, indkøber modeller, administrerer licenser, bygger datasæt, offentliggør modeldokumentation, driver klageveje og beslutter, om en model kan bringes på markedet. Et træningsdataforhold bliver mindre udvindende, når disse mennesker kan se de samme beviser og arbejde med de samme grænser. Alternativet er ikke enkelhed. Det er en kæde af separate antagelser, der til sidst møder en rettighedshaver på det værst tænkelige tidspunkt.

Offentligt betyder ikke ejerløst

Det offentlige web bør forblive offentligt. Det betyder, at det bør forblive muligt at læse, linke, citere inden for lovens rammer, forske, indeksere, kritisere, bevare og bygge nye tjenester. Et web bestående af tilladelses-pop-ups for enhver almindelig handling ville ikke være åbent i nogen nyttig forstand. Men åbenhed er ikke det samme som ejerløshed, og synlighed er ikke en altomfattende overførsel af rettigheder.

De forhandlinger, der nu tager form omkring træningsdata, er en mulighed for at gøre den skelnen praktisk. En rettighedshaver bør kunne reservere en brug i en form, som en ansvarlig indsamler kan modtage. En modeludbyder bør kunne få adgang til materiale af høj kvalitet gennem vilkår, der kan implementeres og revideres. Små organisationer bør ikke udelukkes, fordi kun de største parter har råd til skræddersyede aftaler. Offentlige myndigheder bør kunne se tilstrækkeligt om indhold i modeltræning og ophavsretspolitik til at stille kvalificerede spørgsmål. Og når en tvist eller ændring opstår, bør begge sider have en vej, der begynder med beviser frem for teater.

Der vil stadig være vanskelige sager. Loven vil stadig kræve fortolkning. Nogle rettighedskonflikter vil ikke blive løst af en standard, og nogle kommercielle forhandlinger vil forblive ulige. En oprindelsesprotokol vil ikke gøre en dårlig handel fair. En teknisk markør vil ikke gøre en ret meningsfuld, hvis en indsamler bevidst ignorerer den. Målet er ikke et friktionsfrit web. Friktionsfrit betyder ofte, at en andens omkostninger er blevet skjult.

Det bedre mål er et inspicerbart web. Et web, hvor en automatiseret anmodning kan bære et erklæret formål, en offentliggjort grænse kan overleve kontakt med et indsamlingssystem, en licens kan blive en operationel regel, og en modeludbyder kan redegøre for den vej, der bragte materiale ind i sit arbejde. Det er en mindre romantisk vision end en maskine, der læser alt, hvad der nogensinde er skrevet. Det er også mere sandsynligt, at det efterlader udgivere, skabere, forskere og modelbyggere med et web, der er værd at forhandle om.

Kilder