Publiczny internet staje się negocjacją danych treningowych

Crawlery, rezerwacje, licencje i pochodzenie danych zmieniają stare założenie, że publiczna strona jest po prostu do wzięcia. Pytanie, które ma znaczenie,...

Publiczny internet staje się negocjacją danych treningowych

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.

A normal reader opens one article and may return another day. A search crawler creates an index intended to direct a reader back. A training pipeline can make a copy that is retained, transformed and aggregated with many other works before any model exists. A retrieval system may create a more direct commercial substitute for a visit. An evaluation set may preserve excerpts to test a system. The labels are not moral rankings. They are descriptions of uses that require different questions.

The first question is usually access. Did the collector reach the material through a lawful route? The second is the legal basis for the acts the system wants to perform. The third is whether the rightsholder has expressed a reservation where the applicable rule allows one. The fourth is whether a separate licence or contract supplies permission, conditions or limits. A fifth question, which often arrives too late, is operational: can the organisation show what it saw and why it proceeded?

Directive (EU) 2019/790 does not treat text and data mining as a single, limitless permission. Article 3 provides a mandatory exception for research organisations and cultural heritage institutions making reproductions and extractions for scientific research, provided they have lawful access. Article 4 addresses text and data mining for other purposes, again where there is lawful access, unless the rightsholder has reserved the relevant rights in an appropriate manner. For online content made publicly available, the Directive says the reservation may be expressed by machine-readable means, including metadata and terms and conditions.

That distinction is not a minor drafting curiosity. It means that a public page does not carry one generic label called usable. The actor, purpose, access route, rightsholder's reservation and the particular acts all matter. A sensible collection system therefore needs more vocabulary than allow and block. It should be able to record candidate, access observed, reservation detected, licence required, licence granted, purpose limited, unresolved, declined and withdrawn. This is not bureaucracy for its own sake. It is the minimum grammar needed when a source can be perfectly visible and still not be available for the proposed use.

The European Union Intellectual Property Office's 2025 study on generative AI and copyright describes this landscape as one in which rights reservations and licensing are developing alongside technical solutions. Its conclusion is not that a finished market mechanism has appeared. It is nearly the opposite: no single solution fits every rightsholder, every model provider or every kind of material. That is precisely why an honest system has to preserve distinctions rather than erase them in the name of scale.

Scale is often offered as an excuse for imprecision. A model provider may say it cannot negotiate page by page. A small publisher may say it cannot inspect every automated request. Both statements can be true. They do not remove the need for a workable interface between the two. They explain why machine-readable signals, standard licences, source-family records and collective arrangements are interesting. The answer to a large problem is not necessarily a large meeting. It may be a dependable way to state a boundary and a dependable way to receive it.

Trasa źródła nie jest tunelem do modelu. To ciąg decyzji, które powinny pozostać widoczne po zebraniu danych.

Diagram to trasa koncepcyjna, a nie silnik decyzyjny prawa. Zielono wyglądająca karta nie przesądza, że dane użycie jest zgodne z prawem. Pokazuje dowody i ocenę, które zespół powinien móc przejrzeć. Ta skromna różnica ma znaczenie. Większość dającej się uniknąć pomyłki zaczyna się, gdy fakt operacyjny zostaje wzięty za wniosek prawny albo gdy wniosku prawnego nie da się prześledzić do faktów operacyjnych.

Zastrzeżenia potrzebują języka, który maszyny mogą przenosić

Rezygnację często opisuje się jako przycisk: uprawniony mówi nie, a robot wyszukiwarki się zatrzymuje. Rzeczywista praca wygląda mniej filmowo. Zastrzeżenie musi zostać gdzieś wyrażone, znalezione przez osobę zbierającą dane, powiązane z danym utworem lub usługą, zinterpretowane we właściwym kontekście i zachowane jako dowód. Może znajdować się w metadanych, w regulaminie, w opublikowanej polityce lub w protokole, który rozumie osoba zbierająca dane. Może dotyczyć witryny, katalogu, kanału, bazy danych lub określonej grupy utworów. Może się zmieniać w czasie.

Odniesienie dyrektywy do formatu czytelnego maszynowo ma znaczenie, ponieważ zastrzeżenia, którego nie można znaleźć w momencie zbierania danych, nie można wiarygodnie uwzględnić w decyzji o ich zebraniu. Ale czytelność maszynowa nie oznacza nieomylności, oczywistości ani kompletności prawnej. Parser może natrafić na dyrektywę z nieznaną wartością. Uprawniony może opublikować politykę wskazującą na kontakt licencyjny zamiast całkowitej odmowy. Źródło może być dostępne przez subskrypcję z własnymi warunkami. System może nie zobaczyć żadnego rozpoznawalnego sygnału. Brak sygnału to obserwacja, a nie ogólna zgoda.

Jest w tym całkiem holenderska lekcja. Znak mówiący, że most jest zamknięty, nie staje się lepszy dlatego, że kurier twierdzi, iż jego mapa nie odczytała znaku. Nie każdy zamknięty most jest też zakazem wjazdu do prowincji. Pytanie brzmi, czy znak jest czytelny dla danej trasy, czy trasa ma sensowną alternatywę i czy ktoś zapisał, co się wydarzyło. Nie chodzi o zamianę sieci na kanały. Chodzi o to, by granica nie zniknęła dlatego, że niewygodnie było ją zamodelować.

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.

Dobra proveniencja wymaga czasu. Strona może się zmienić. Wydawca może zaktualizować warunki. Źródło może zostać usunięte, przeniesione za subskrypcję, sprzedane, poprawione lub zastąpione. Licencja może wygasnąć. Protokół rezygnacji może zostać zaktualizowany. Dostawca modelu może odkryć wadę we wcześniejszej decyzji dotyczącej gromadzenia danych. Rejestr nie powinien nadpisywać wcześniejszego stanu bieżącym. Powinien zachować wcześniejszą obserwację, zidentyfikować późniejszą zmianę i odnotować, co organizacja zrobiła dalej.

Jest to szczególnie istotne, gdy mowa o usuwaniu lub wycofywaniu. Usunięcie strony z kolejki aktywnego indeksowania to nie to samo, co usunięcie jej z każdego pośredniego magazynu, pochodnego zbioru danych, przebiegu dostrajania, zestawu ewaluacyjnego, indeksu wyszukiwania i opublikowanego modelu. Uczciwą odpowiedzią nie jest obiecywanie natychmiastowego wymazania z każdego artefaktu technicznego. Należy zdefiniować ścieżki, ograniczenia i punkty kontrolne, zanim się je obieca. Posiadacz praw zasługuje na punkt kontaktowy, który potrafi wyjaśnić proces. Dostawca modelu potrzebuje sposobu na identyfikację, których artefaktów dotyczy zmiana. Obie strony potrzebują rejestru, który odróżnia otrzymane żądanie od żądania rozpatrzonego.

Artykuł 53 aktu o sztucznej inteligencji nadaje proveniencji sąsiada w polityce publicznej. Wymaga on, aby dostawcy modeli sztucznej inteligencji ogólnego przeznaczenia ustanowili politykę zgodności z unijnym prawem autorskim i publicznie udostępnili wystarczająco szczegółowe streszczenie treści wykorzystanych do szkolenia. Publiczne streszczenie nie musi ujawniać każdego elementu zbioru danych, a akt zawiera granice poufności i tajemnicy handlowej. Jednak kierunek jest jasny: dostawca modelu powinien umieć opisać treści szkoleniowe w sposób bardziej informacyjny niż „zaufaj nam”, zachowując pełniejszą dokumentację dla właściwych organów i dostawców niższego szczebla.

Taki podział odbiorców jest rozsądny. Czytelnik publiczny musi zrozumieć kategorie źródeł, wybory dotyczące gromadzenia i selekcji, istotne ograniczenia i ścieżki kontaktu. Posiadacz praw z konkretnym pytaniem może potrzebować procesu, który obsłuży bardziej szczegółowe zapytanie. Regulator może potrzebować dokumentacji, której nie da się sensownie opublikować na publicznej stronie. Błędem jest traktowanie tych warstw jako wymówki, by nic nie mówić, albo traktowanie publicznego streszczenia jako dowodu, że każda decyzja na poziomie źródła została rozstrzygnięta. Przejrzystość to architektura informacji, a nie komunikat prasowy.

Proveniencja nie tworzy zgody. Utrzymuje powiązanie dowodów, zakresu i późniejszych zmian z dziełem, które ich potrzebuje.

Jest tu pożyteczna dyscyplina dla inżynierów. Niech rekord niesie niepewność. Jeśli status źródła jest nierozstrzygnięty, zapisz nierozstrzygnięty. Jeśli licencja obejmuje pobieranie, ale nie trenowanie, nie nazywaj jej ogólnie licencjonowaną. Jeśli polityka zmieniła się po zebraniu danych, nie sugeruj, że wcześniejsza decyzja zapadła na podstawie późniejszej polityki. Zbiór danych nie staje się bardziej wiarygodny przez pewność jego etykiet. Staje się bardziej sterowalny, gdy jego etykiety zachowują to, co znane, nieznane i warunkowe.

Negocjacje muszą obejmować wyjście

Większa część debaty skupia się na wstępie: czy robot sieciowy może dziś zebrać to źródło? Ale relacja z danymi treningowymi potrzebuje również wyjścia. Licencja osiąga datę końcową. Uprawniony zmienia zastrzeżenie. Wydawca znajduje błąd w rekordzie atrybucji. Dostawca zmienia plan rozwoju modelu. Źródło staje się nieodpowiednie, bo nie można odtworzyć jego pochodzenia. Wpływa skarga. To zwykłe zdarzenia w cyklu życia, a nie dowód, że ktoś zachował się źle.

Ważne pytanie brzmi, czy system wie, co zrobić, gdy one wystąpią. Polityka źródła powinna określać, kto otrzymuje zawiadomienie, kto decyduje o jego zakresie, kto może wstrzymać nowe wykorzystanie, kto może prześledzić dotknięte zbiory danych, kto komunikuje się z uprawnionym oraz co organizacja może, a czego nie może realnie zmienić w opublikowanym artefakcie. Przepływ pracy musi być na tyle konkretny, aby można go było przetestować. Stwierdzenie, że obawy są traktowane poważnie, to uprzejme zdanie. To nie jest proces.

Europejskie dyskusje o zarządzaniu modelami mają zwyczaj wracać do dokumentacji, bo to w dokumentacji system deklaruje własną pamięć. Tak samo jest tutaj. Ścieżka rozpatrywania skarg potrzebuje identyfikatora. Przegląd potrzebuje odnotowanej decyzji. Wniosek o usunięcie potrzebuje wyraźnej granicy. Zmiana źródła potrzebuje historii wersji. Wydanie modelu musi być powiązane z odpowiednimi rekordami treningu i selekcji. Bez tego nawet szczera organizacja w końcu polega na pamięci, a pamięć nie skaluje się szczególnie dobrze po kilku zmianach personelu i trzech migracjach magazynów.

Jest też komercyjny powód, by zbudować wyjście wcześnie. Dostawca, który potrafi wyizolować rodzinę źródeł i zrozumieć jej zastosowania w dalszych etapach, ma więcej opcji, gdy warunki się zmieniają. Może zatrzymać przyszłe zbieranie, usunąć rodzinę z planowanego zbioru, zastąpić materiał licencjonowanym, wstrzymać wydanie albo wyjaśnić, dlaczego żądane zaradzenie dociera do jednego artefaktu, a nie do innego. Dostawca bez takich powiązań jest zmuszony do ogólnikowych stwierdzeń, bo nie może udzielić precyzyjnej odpowiedzi. Ogólnikowe stwierdzenia rzadko satysfakcjonują którąkolwiek ze stron.

Uprawnieni mają w tej relacji również obowiązki, choć nie są one identyczne z obowiązkami dostawców. Zastrzeżenie opublikowane w jasnej, stabilnej, czytelnej maszynowo formie łatwiej uszanować niż granicę ukrytą w akapicie, którego żaden system zbierający nie potrafi zidentyfikować. Kontakt licencyjny, który potrafi wyjaśnić dostępną ścieżkę, obniża koszt zgodnej umowy. Zawiadomienie o zmianie, które zachowuje historię, zapobiega ocenianiu rozsądnego zbierającego na podstawie informacji, które nie były wówczas dostępne. Ciężar nie powinien być przenoszony w całości na wydawców, zwłaszcza tych mniejszych. Po prostu prawdą jest, że interfejs działa lepiej, gdy oba końce potrafią mówić.

Obecne prace Komisji nad protokołami zastrzeżeń nie są zatem niejasną debatą o standardach. Chodzi o to, czy sieć potrafi wyrazić wybór w skali, w jakiej modele zbierają materiał. Dobre standardy nie rozstrzygną wyceny, nie ułatwią każdego pytania prawnego ani nie wyeliminują złej wiary. Mogą ograniczyć klasę możliwych do uniknięcia niejednoznaczności. To skromna ambicja, a w sieci skromne ambicje zwykle są tymi, które przetrwają kontakt z rzeczywistością.

Co odpowiedzialny zbierający powinien umieć powiedzieć

Odpowiedzialny kolektor nie musi sprawiać, by porada prawna pojawiała się w każdej linii logu. Musi natomiast sprawić, by kilka praktycznych stwierdzeń było prawdziwych. Powinien umieć powiedzieć, jakiemu celowi służyła dana kolekcja. Powinien umieć wskazać źródło i wersję, które rozważał. Powinien umieć pokazać ścieżkę dostępu i sygnały, które zaobserwował. Powinien umieć wskazać regułę, licencję lub nierozstrzygniętą kwestię, które kierowały decyzją. Powinien umieć powiązać przyjęte źródło ze zbiorem danych lub systemem, który je otrzymał. Powinien umieć wyjaśnić, jak radzi sobie ze zmianami i wątpliwościami.

Te stwierdzenia sugerują projekt, a nie listę kontrolną. Zacznij od kontraktu źródłowego. Kontrakt określa rodzinę źródeł, zamierzone zastosowanie, dozwolone metody dostępu, ograniczenia techniczne, znane sygnały praw, wymagane dowody i właściciela. Nie jest to kontrakt w sensie prawnym, chyba że strony tak go ustanowiły. Jest to kontrakt operacyjny wewnątrz organizacji: zapis tego, co system kolekcji może robić i dlaczego.

Następnie trzymaj punkty decyzyjne blisko działań, które mają znaczenie. Nie pobieraj najpierw, a ograniczeń szukaj dopiero po skopiowaniu materiału przez kilka kolejek. Nie pozwól, by zbiór danych przeszedł z oceny badawczej do komercyjnego trenowania modeli tylko dlatego, że bajty pasują do obu zadań. Nie przekształcaj pola licencji w generyczną wartość true, bo faktyczny zakres jest niewygodny. I nie traktuj prośby o zaprzestanie jako zgłoszenia wsparcia bez związku z rekordem źródłowym.

Jeśli kolektor nie rozumie sygnału, powinien to powiedzieć. Jeśli potrzebny jest przegląd przez człowieka, system powinien uczynić pauzę widoczną. Jeśli dostępna jest licencja, ścieżki komercyjna i techniczna powinny się spotkać: umowa musi być przedstawiona w formie, która zmienia to, co kolektor może zrobić. Plik PDF w folderze prawnym nie powstrzyma potoku przed zrobieniem złej rzeczy o trzeciej nad ranem. Potok potrzebuje egzekwowalnego stanu.

W Dweve mała część tego argumentu, która należy bezpośrednio do nas, jest widoczna w materiale o treningowych treściach w naszym Centrum Zaufania. Opublikowany zapis mówi, że katalog rodzin źródeł nie jest roszczeniem o blanketowe pozwolenie oraz że decyzje dotyczące pozycji, wersji, licencji, atrybucji, celu, wycofania i dowodów są kontrolowane w rejestrze Spindle. To opis naszego zadeklarowanego procesu, a nie twierdzenie, że rekord sam rozwiązuje kwestie praw autorskich. Rola Winnow w tym obrazie to inteligencja źródłowa oraz powtarzalne, inspekcyjne procesy źródłowe. Szerszy punkt nie dotyczy naszych produktów. Chodzi o to, że kolekcja staje się bardziej odpowiedzialna, gdy ścieżka źródłowa jest traktowana jako dowód, a nie jako szum tła.

To rodzaj pracy nad produktem, który rzadko pojawia się w demo modelu. Nikt nie bije braw za pole o nazwie observed-terms-version. Ale te pola decydują o tym, czy zespół może odpowiedzieć na rozsądne pytanie bez wewnętrznych wykopalisk. Przyszłość zarządzania modelami będzie obejmować mnóstwo imponującej matematyki. Będzie też obejmować znacznie staranniejsze zapisy, niż branża kiedyś uważała za modne.

To praca nad zarządzaniem, a nie ustawieniem crawlera

Kuszone jest, by uczynić z tego spór techniczny. Wstaw właściwą instrukcję do pliku, zaktualizuj user agent, włącz parser, wyłącz parser. Te rzeczy mają znaczenie, ale są tylko widoczną krawędzią problemu zarządzania. Crawler robi to, co organizacja zdecydowała, że może robić. Jeśli organizacja nie ma jasnej granicy celu, rejestru licencji, właściciela źródła, ścieżki przeglądu ani rodowodu zbiorów danych, techniczne posłuszeństwo będzie niespójne, nawet gdy każdy inżynier z osobna stara się być ostrożny.

Zacznij od celu, bo cel zmienia pytanie. Dostawca modelu zbierający materiały do wąskiego, ujawnionego eksperymentu badawczego niekoniecznie znajduje się w tej samej sytuacji co dostawca zbierający materiały do komercyjnego modelu ogólnego przeznaczenia. Dostawca ubiegający się o licencję na wyszukiwanie może potrzebować innej umowy niż ten, który chce trenować model. Archiwum działające w interesie publicznym może mieć inny mandat i ścieżkę prawną niż zespół produktowy budujący silnik odpowiedzi. Te rozróżnienia nie powinny służyć zacieraniu obowiązków. To właśnie one sprawiają, że jedno uniwersalne pole statusu nie może mówić prawdy.

Następnie ujawnij własność. Ktoś powinien być właścicielem polityki dotyczącej źródeł. Ktoś powinien być właścicielem technicznego kolektora. Ktoś powinien być właścicielem warunków licencji i decyzji o dopuszczeniu rodziny źródeł. Ktoś powinien być właścicielem odpowiedzi na zapytanie podmiotu uprawnionego. Nie musi to być ta sama osoba, a mały zespół może łączyć te role. Liczy się to, aby odpowiedzialność była możliwa do ustalenia, zanim pytanie przerodzi się w spór. Ogólna skrzynka mailowa nie jest do końca właścicielem. To miejsce, w którym własność może, ale nie musi, zostać ostatecznie odnaleziona.

Zarządzanie danymi musi też spotkać się z zarządzaniem modelem. Decyzja o źródle, która pozostaje w narzędziu do gromadzenia treści z sieci, podczas gdy trenowanie odbywa się gdzie indziej, jest z założenia słaba. Zespół ds. trenowania musi wiedzieć, które grupy źródeł są w zakresie. Osoba budująca zbiór danych musi zachować wykluczenia i warunki. Proces wydawniczy musi wiedzieć, czy istotna zmiana polityki dotyczącej źródeł wymaga przeglądu. Proces publicznego podsumowania potrzebuje możliwej do obrony relacji o kategoriach treści treningowych. Nikt nie musi nosić całej historii w głowie. System potrzebuje jednak ścieżki, przez którą historia może zostać odzyskana.

W tym miejscu pomaga staranne rozróżnienie między polityką a egzekwowaniem. Polityka praw autorskich określa, co organizacja zamierza zrobić i jakie standardy będzie stosować. Egzekwowanie to zestaw technicznych i proceduralnych kontroli, które utrudniają działanie przeciwne: bramy dopuszczenia, rejestry źródeł, konfiguracja przeszukiwarki, kontrola dostępu, kontrole umów, manifesty zbiorów danych, wersjonowanie, przegląd i eskalacja. Polityka bez egzekwowania to aspiracja. Egzekwowanie bez polityki może stać się skutecznym sposobem wykonywania zasad, których nikt nie przemyślał. Nacisk aktu o sztucznej inteligencji na politykę praw autorskich jest cenny właśnie dlatego, że wymaga od dostawcy powiązania intencji prawnej z praktyką operacyjną.

Nie ma powodu, aby stało się to tajną wewnętrzną ceremonią. Publiczna polityka może określać zakres, podejście do zastrzeżeń praw, rodzaje wykorzystywanych ścieżek gromadzenia, ścieżkę kontaktu oraz granice każdego publicznego opisu. Nie powinna obiecywać pewności tam, gdzie prawo lub dowody pozostają nieustalone. Powinna mówić, co robi, gdy sygnał jest niejednoznaczny, co robi, gdy kontaktuje się podmiot uprawniony, oraz co może przejrzeć po tym, jak źródło przeszło już przez system. Powściągliwa polityka jest bardziej wiarygodna niż wspaniała. Większość pracy dzieje się po opublikowaniu polityki, w nieefektownym pytaniu, czy rejestr i potok są zgodne.

Zakupy zasługują na tę samą uwagę. Gdy organizacja kupuje model, usługę danych lub produkt do wyszukiwania, powinna zapytać o więcej niż to, czy dostawca ma oświadczenie o prawach autorskich na swojej stronie internetowej. Jakie kategorie źródeł zostały użyte? Jak obsługiwane są zastrzeżenia praw? Jaka dokumentacja jest dostępna dla dostawców niższego szczebla? Czy dostawca potrafi wyjaśnić swoje publiczne podsumowanie treści treningowych? Co się dzieje, gdy źródło treści jest kwestionowane, korygowane lub wycofywane? Która strona ma prowadzić dochodzenie? To nie są pytania, które klient zadaje, aby zostać prawnikiem od praw autorskich. To zwykłe pytania o zależności i dowody.

Odpowiedzi mogą być niekompletne, zwłaszcza w szybko zmieniającej się dziedzinie. Niekompletne odpowiedzi należy odpowiednio oznaczyć, wskazując ich właściciela i sposób ich ulepszenia. Najbardziej niebezpieczna jest często odpowiedź gładka: cała treść jest publiczna, całe szkolenie jest uczciwe, wszystkie rejestry są poufne, wszystkie wątpliwości są rozpatrzone. Każde z tych stwierdzeń ukrywa właśnie te rozróżnienia, których potrzebuje odpowiedzialne negocjowanie. Bardziej użyteczna odpowiedź określa zakres, regułę, dowody, ograniczenia i termin kolejnego przeglądu.

Organy publiczne mają szczególny powód, aby zadawać te pytania. Mogą wpływać na rynek przez zamówienia publiczne na długo przed tym, zanim sąd lub regulator rozstrzygnie każdą trudną kwestię. Specyfikacja zamówienia może wymagać od dostawcy opisania podejścia do danych szkoleniowych, zastrzeżeń, licencji, pochodzenia materiałów i skarg. Może wymagać rejestru istotnych zmian. Może odróżniać deklarację polityki od dowodu jej wdrożenia. Może określać proporcjonalne warunki bez wymagania, by zamawiający dysponował pełną teorią każdego zagadnienia prawa autorskiego w Europie. Zamówienia publiczne nie zastępują prawa. Są jednym z miejsc, w których prawo staje się oczekiwaniem operacyjnym.

To szersza lekcja. Negocjacje nie toczą się wyłącznie między wydawcą a podmiotem przeszukującym sieć. Uczestniczą w nich także osoby, które konfigurują zbieranie danych, tworzą standardy, zamawiają modele, zarządzają licencjami, budują zbiory danych, publikują dokumentację modeli, obsługują kanały skarg i decydują, czy model może zostać wprowadzony na rynek. Relacja dotycząca danych szkoleniowych staje się mniej eksploatacyjna, gdy te osoby widzą te same dowody i działają w tych samych granicach. Alternatywą nie jest prostota. Jest nią ciąg odrębnych założeń, które w końcu spotykają uprawnionego w najgorszym możliwym momencie.

Publiczne nie oznacza niczyje

Publiczna sieć powinna pozostać publiczna. To znaczy, że powinno być możliwe czytanie, linkowanie, cytowanie w granicach prawa, prowadzenie badań, indeksowanie, krytykowanie, zachowywanie i budowanie nowych usług. Sieć złożona z okien zgody na każdą zwykłą czynność nie byłaby otwarta w żadnym użytecznym sensie. Otwartość nie jest jednak tym samym co brak właściciela, a widoczność nie jest uniwersalnym przeniesieniem praw.

Negocjacje, które obecnie kształtują się wokół danych szkoleniowych, są okazją do nadania temu rozróżnieniu praktycznego wymiaru. Uprawniony powinien móc zastrzec sposób wykorzystania w formie, którą odpowiedzialny podmiot zbierający dane może przyjąć. Dostawca modeli powinien móc pozyskać materiały wysokiej jakości na warunkach, które można wdrożyć i poddać audytowi. Małe organizacje nie powinny być wykluczane tylko dlatego, że na indywidualne umowy stać jedynie największe podmioty. Organy publiczne powinny mieć wystarczający wgląd w treść wykorzystywaną do szkolenia modeli i politykę praw autorskich, aby zadawać trafne pytania. A gdy dojdzie do sporu lub zmiany, obie strony powinny mieć ścieżkę, która zaczyna się od dowodów, a nie od teatru.

Trudne przypadki nadal będą się zdarzać. Prawo nadal będzie wymagać interpretacji. Niektórych konfliktów praw nie rozwiąże standard, a niektóre negocjacje handlowe pozostaną nierówne. Rejestr pochodzenia danych nie sprawi, że niekorzystna umowa stanie się uczciwa. Znacznik techniczny nie nada prawu znaczenia, jeśli podmiot zbierający dane celowo go zignoruje. Celem nie jest sieć bez tarcia. Brak tarcia często oznacza, że czyjeś koszty zostały ukryte.

Lepszym celem jest sieć poddająca się kontroli. Taka, w której zautomatyzowane żądanie może nieść zadeklarowany cel, opublikowana granica może przetrwać kontakt z systemem zbierania danych, licencja może stać się regułą operacyjną, a dostawca modeli może rozliczyć się ze ścieżki, którą materiały trafiły do jego pracy. To mniej romantyczna wizja niż maszyna czytająca wszystko, co kiedykolwiek napisano. Jest też bardziej prawdopodobne, że pozostawi wydawcom, twórcom, badaczom i twórcom modeli sieć, o którą warto negocjować.

Źródła