Copyright é um problema de pipeline de dados antes de ser um argumento legal.

Questões de direitos de autor na IA começam antes do treino: acesso legal, reservas de direitos, licenças, proveniência, retenção e utilização posterior...

Copyright é um problema de pipeline de dados antes de ser um argumento legal.

A copy is already a decision

Copyright conversations about AI often begin at the wrong end of the system. They begin with the model: which architecture, how many parameters, which benchmark, which release. By the time somebody asks where the training material came from, the material has already passed through several hands, formats, filters and storage layers. The legal question has not arrived late. It was present when the first copy was made.

That first copy may be temporary. It may be a page held long enough for a parser to read it, an image converted into pixels, a document unpacked from an archive, or a table normalised so that a programme can compare fields. It may be made under a licence, under an exception, under a contract, or without an adequate basis at all. The machine does not make the distinction for you. It simply performs the operation that the pipeline asks it to perform.

This is why copyright is a data-pipeline problem before it is a legal argument. A court or rights-holder may eventually ask whether a particular use was permitted. An organisation has to answer an earlier set of questions: what was collected, by whom, from where, with what access, under which rule, retained for how long, transformed into what, and carried into which later artefact. If those questions were not recorded at the time, the legal argument is forced to reconstruct an invisible pipeline from fragments.

The argument here is not that every technical choice determines the legal outcome. It does not. A hash does not grant permission. A licence does not make a bad security practice acceptable. A model card does not settle the rights of every work in a training set. The point is more prosaic and more useful: each stage creates facts that a later rights analysis will need. Good engineering makes those facts visible without pretending that visibility is a verdict.

European law is unusually explicit about this early part of the story. Directive (EU) 2019/790 addresses text and data mining, lawful access and reservations of rights. The Artificial Intelligence Act adds a separate obligation for providers of general-purpose AI models to put in place a policy to comply with Union copyright law and to make a sufficiently detailed summary of training content publicly available. Neither instrument turns a pipeline into a magic compliance machine. Together, they make it difficult to defend the idea that training data is merely fuel that disappears when the model starts running.

We can follow the chain without inventing a dramatic incident. Start with a source that a team is considering for a defined purpose. The source has an owner, a location, access conditions, an apparent licence, a stated reservation or an unresolved question. The team discovers it, checks whether access is lawful, decides whether the proposed use fits the permission or exception, captures a bounded copy, records what happened, and then decides whether the material may move further. That is not a story about a particular company. It is a composite thought experiment for making the ordinary decisions visible.

Once the chain is visible, the language improves. Collection is not training. Access is not authorisation for every use. A licence is not proof that a derivative dataset may be redistributed. Attribution is not a substitute for permission. A refusal is not a failed fetch; it is a rights decision. The model is the last consumer in a long line of earlier choices.

The pipeline is longer than the model

Um pipeline útil tem mais fases do que um diagrama numa apresentação de produto costuma admitir. A descoberta encontra uma fonte candidata. O acesso estabelece como se pode chegar à fonte. A aquisição faz uma ou mais cópias. A análise sintática transforma bytes em material estruturado. A normalização altera representações. A filtragem exclui ou seleciona itens. A anotação acrescenta rótulos ou relações. O armazenamento cria estados de trabalho e de retenção. A construção do conjunto de dados define quais itens seguem juntos. O treino ou o ajuste fino altera o modelo. A avaliação, a recuperação e a saída introduzem novos usos. A publicação ou a implementação envia um artefacto para o fluxo de trabalho de outra pessoa.

Cada verbo esconde uma decisão. A descoberta pode usar um índice, um feed, uma API, um catálogo ou uma pessoa a olhar para uma página. O acesso pode ser aberto, subscrito, licenciado, autenticado ou restringido por uma medida técnica. A aquisição pode ser permitida para um fim, mas não para outro. A análise sintática pode criar cópias de elementos expressivos que a interface original nunca apresentou nessa forma. A filtragem pode remover uma obra, preservar um excerto, transformar um formato ou reter um conjunto de funcionalidades. O treino pode criar pesos que não se assemelham ao texto de origem, deixando ainda assim a organização responsável pelo percurso que os produziu.

A palavra dados faz todas estas fases parecerem neutras. É uma abreviatura conveniente e uma má categoria moral. Uma base de dados pode conter factos de domínio público, artigos protegidos por direitos de autor, informações pessoais, contratos confidenciais, software, fotografias, medições científicas e comentários de pessoas que nunca esperaram que as suas palavras se tornassem contributos para um modelo de uso geral. O contentor não é o direito. O pipeline tem de manter as distinções que a palavra dados apaga.

Uma forma prática de o fazer é anexar um pequeno registo de reivindicações a cada item ou família de itens de origem. O registo não precisa de publicar registos internos sensíveis. Deve indicar o que é conhecido, o que é assumido, o que foi permitido, o que foi recusado, o que mudou e que estados a jusante herdaram a decisão. Uma identidade de origem, o momento da captura, a versão ou um hash de conteúdo podem apoiar esse trabalho. Nenhum destes campos prova, por si só, a veracidade ou a permissão. Tornam possível contestar a reivindicação em vez de debater uma memória desfocada.

O pipeline também precisa de limites. Uma fonte recolhida para assistência à pesquisa pode não ser adequada para treino. Um excerto licenciado pode apoiar uma citação num relatório, mas não um conjunto de dados público. Uma exceção de extração de texto e dados pode abranger uma análise computacional, deixando a reprodução ou a comunicação pública fora do seu âmbito. Uma reserva de direitos pode impedir um determinado uso de extração sem dizer nada sobre acesso não relacionado. Tratar o pipeline como uma ação única e indiferenciada garante que estas distinções desaparecerão.

Uma fonte não se torna juridicamente mais simples à medida que avança no pipeline. O registo tem de viajar com ela.

O visual acima é deliberadamente um mapa de processo, não uma pontuação de conformidade. Um nó brilhante não é um sinal verde. É um lugar onde uma decisão tem de ser tomada e ligada a provas. O pipeline pode ser lícito numa fase e fora de âmbito na seguinte. Pode também ser tecnicamente cuidadoso enquanto o propósito subjacente permanece sem suporte. É por isso que o registo operacional deve mostrar tanto a decisão como o limite em torno da decisão.

O acesso lícito não é permissão para tudo

A Diretiva 2019/790 inicia as suas disposições sobre extração de texto e dados com uma condição fácil de citar e fácil de achatar: o beneficiário deve ter acesso lícito às obras ou a outro material protegido. O acesso lícito pode incluir acesso aberto, uma subscrição ou outra via lícita. Não é o mesmo que uma página estar visível num navegador. Um endereço público diz-lhe onde a fonte está. Não diz por si só quais os atos que o titular de direitos autorizou, qual o contrato aplicável, se uma medida técnica é eficaz ou se o propósito proposto se enquadra numa exceção.

A distinção é importante porque o acesso e a utilização são eventos diferentes. Uma biblioteca pode fornecer licitamente acesso a uma revista ao abrigo de uma subscrição. Um investigador pode então utilizar uma exceção de extração de texto e dados dentro das condições aplicáveis a uma organização de investigação. Um operador comercial pode ter acesso a uma página pública, mas ainda assim precisar de considerar uma reserva de direitos, uma licença, direitos de base de dados, termos contratuais ou outra restrição legal antes de fazer e reter cópias para um propósito diferente. Os mesmos bytes podem ser alcançados por dois atores cujas posições jurídicas não são idênticas.

O acesso também tem um lado técnico que não deve ser tratado como um obstáculo a contornar. A Diretiva reconhece que os titulares de direitos podem aplicar medidas proporcionadas para proteger a segurança e a integridade dos seus sistemas ou bases de dados. Palavras-passe, paywalls, autenticação, limites de taxa e outros controlos eficazes são factos sobre a via, não quebra-cabeças. Um rastreador que os contorna não demonstrou engenho. Criou um novo problema de direitos e segurança.

O pipeline mais honesto regista portanto o estado do acesso antes de armazenar o conteúdo. A fonte estava aberta, subscrita, licenciada, autenticada ou fornecida diretamente. Quais os termos visíveis. Qual a versão desses termos em vigor. Foi expressa uma reserva. Foi encontrada uma restrição técnica. O operador optou por não avançar. A resposta pode estar incompleta. Incompleto é mais útil do que um rótulo confiante que ninguém consegue explicar mais tarde.

O acesso lícito também está limitado por finalidade na prática. Uma cópia feita para ler um artigo não é automaticamente uma cópia autorizada para treino de modelos. Um conjunto de dados licenciado para análise interna não está automaticamente licenciado para publicação. A cópia de preservação de uma instituição do património cultural não é automaticamente um corpus público de treino. O pipeline deve transportar a finalidade como uma condição, e não como um comentário que se separa dos bytes após a primeira exportação.

Nada disto exige que um advogado aprove cada pedido HTTP. Exige uma divisão sensata de responsabilidades. O componente de aquisição pode aplicar a política da fonte, a segurança do destino e os limites de taxa. Uma função de direitos ou de governação de dados pode decidir se uma família de fontes está no âmbito. Um registo técnico pode mostrar o que os componentes fizeram. A conclusão jurídica permanece contextual, mas os factos necessários para essa conclusão deixam de se evaporar na fronteira da rede.

Duas exceções de extração de texto e dados, duas posturas diferentes

As disposições da Diretiva sobre extração de texto e dados não são uma licença ampla para copiar tudo o que seja interessante. O artigo 3.º estabelece uma exceção obrigatória para reproduções e extrações realizadas por organizações de investigação e instituições do património cultural para fins de investigação científica, quando tenham acesso lícito. As cópias podem ser conservadas para fins de investigação científica e devem ser armazenadas de forma segura. A disposição é moldada em torno de um beneficiário e de uma finalidade definidos. Não é uma isenção geral para qualquer organização que chame investigação ao seu trabalho.

O artigo 4.º trata da extração de texto e dados para outros fins. Aplica-se quando o utilizador tem acesso lícito e o titular de direitos não reservou os direitos de fazer reproduções e extrações de forma adequada. Para conteúdos disponibilizados publicamente em linha, a Diretiva afirma que uma reserva pode ser expressa por meios legíveis por máquina, incluindo metadados e os termos e condições de um sítio Web ou serviço. A exceção deixa ao titular de direitos a possibilidade de reservar a utilização para extração. Essa é uma postura diferente da exceção de investigação científica do artigo 3.º.

Estas disposições tornam a classificação parte do pipeline. O operador é uma organização de investigação ou uma instituição do património cultural, tal como a Diretiva entende esses termos. A finalidade é investigação científica. O acesso é lícito. A cópia está a ser conservada de forma segura e apenas na medida necessária para a finalidade de investigação. Se a utilização se enquadrar no artigo 4.º, o direito foi reservado de forma adequada. Um contrato acrescenta termos. Aplica-se outro direito, como um direito sobre bases de dados. Um único campo chamado tdm_allowed não pode suportar honestamente todas essas perguntas.

Os considerandos são úteis porque explicam o problema que o legislador procurava resolver. A extração de texto e dados pode envolver reproduções de obras ou extrações de bases de dados, mesmo quando a tarefa técnica é descrita como análise. Também pode dizer respeito a factos ou dados não protegidos por direitos de autor. O caráter jurídico do material e os atos realizados são, portanto, relevantes. O pipeline deve saber se está a lidar com factos não protegidos, obras expressivas, uma base de dados protegida ou uma mistura que exige tratamento separado.

Os mesmos considerandos também explicam por que razão o acesso lícito não é uma frase decorativa. As organizações de investigação podem aceder a conteúdos através de subscrições, licenças abertas ou material disponível gratuitamente em linha. Uma subscrição pode proporcionar acesso lícito enquanto os seus termos ainda precisam de ser examinados no contexto. Uma página pública pode ser vista licitamente enquanto o direito de fazer um tipo diferente de cópia permanece contestado. A abertura da fonte e a operação proposta são factos relacionados, não sinónimos.

Existe a tentação de transformar as exceções num portão binário: sim para investigação, não para tudo o resto. Isso é demasiado grosseiro. As exceções interagem com exceções existentes, contratos, direitos sobre bases de dados, medidas tecnológicas e implementação nacional. A Diretiva é um instrumento da União, mas a sua aplicação prática passa ainda pelo direito dos Estados-Membros e pelos factos da utilização. Um artigo pode explicar a estrutura sem oferecer uma conclusão para um conjunto de dados ou organização específicos.

Para a engenharia, a implicação é simples. Modele o percurso legal como estados tipificados, em vez de um booleano sem qualificação. Uma fonte pode ser candidata, com acesso verificado, avaliada quanto a exceções, licenciada, reservada, recusada, admitida para um fim específico, retirada ou a aguardar revisão. Uma transição deve ter um responsável e provas. Se um operador alterar a finalidade de investigação para formação comercial, o estado deve exigir uma nova avaliação, em vez de transportar silenciosamente a permissão anterior.

Isso pode parecer exigente. É menos exigente do que tentar explicar, dois anos depois, por que motivo uma grande pasta de material foi tratada como se cada item tivesse o mesmo percurso legal. A Europa já colocou as distinções no texto. A função do pipeline é evitar que sejam eliminadas por conveniência.

Uma exclusão é um limite legível por máquina

As reservas de direitos são frequentemente discutidas como se fossem uma disputa entre um editor e um crawler. A Diretiva descreve algo mais prático. Para conteúdo online disponível publicamente, uma reserva adequada para a mineração de texto e dados do artigo 4.º pode ser expressa por meios legíveis por máquina, incluindo metadados e os termos e condições de um site ou serviço. A forma técnica é importante porque uma reserva que não possa ser encontrada ou interpretada pelo sistema de aquisição é um limite que existe no direito, mas desaparece na prática.

Legível por máquina não significa permissão automática em sentido inverso. Um analisador que não encontre nenhuma reserva reconhecida não prova que a utilização é lícita. Significa apenas que um dos dados de entrada da decisão foi inspecionado. O sistema continua a precisar do estado de acesso, da finalidade, da identidade da fonte, do contexto contratual e de outras verificações de direitos. Inversamente, uma reserva não deve ser tratada como uma proibição geral de toda a interação com um site. É um sinal sobre os direitos de fazer reproduções e extrações para mineração de texto e dados ao abrigo da disposição relevante.

A diferença entre sinal e conclusão é onde muitos pipelines falham. Um marcador de direitos pode estar presente nos metadados, nos termos ou num mecanismo normalizado. O analisador pode registar o campo, o valor, a localização e o momento da recuperação exatos. Uma etapa de governação pode interpretar o que esse marcador significa para a utilização proposta. Se o sistema escrever apenas permitido ou recusado, perde as provas necessárias para rever um falso positivo, uma política alterada ou uma interpretação contestada.

As reservas têm também um caráter temporal. Os sites alteram os seus termos. Os feeds são substituídos. Uma fonte pode publicar uma nova instrução legível por máquina depois de o material anterior ter sido capturado. A captura antiga e a nova decisão não podem ser reduzidas a um único rótulo atual sem perder o histórico. O pipeline deve ser capaz de dizer que uma cópia foi feita sob um estado observado, que um estado posterior alterou o percurso e que uma revisão decidiu se o material já retido deve ser restringido, removido ou mantido para uma avaliação jurídica.

Este é um bom lugar para um pouco de humor de engenharia europeu. Uma política que diga para respeitar o ficheiro robots e depois não guarde registo de qual ficheiro robots leu não é uma política. É um desejo com um cartão de identificação ao peito. O mesmo se aplica aos sinais de direitos de autor. O pipeline deve registar o que viu, o que compreendeu, o que não conseguiu interpretar e por que motivo parou ou continuou.

Quando uma fonte utiliza uma convenção que o pipeline não suporta, a resposta segura não é adivinhar. Marque a fonte como não resolvida, peça uma decisão humana ou utilize uma alternativa autorizada. A falta de um parser é uma limitação técnica. Tratar um limite ilegível como permissão é uma falha de governação. Os sistemas devem falhar de forma segura no ponto em que a incerteza se tornaria, de outro modo, uma cópia.

Licenças, atribuição e proveniência cumprem funções diferentes

As pessoas colocam frequentemente licença, atribuição e proveniência na mesma frase, como se fossem três nomes educados para permissão. Não são. Uma licença é uma concessão de direitos, sujeita aos seus termos. A atribuição identifica um criador ou uma fonte e pode ser uma condição da concessão. A proveniência regista de onde veio o material, como foi tratado e quais decisões moldaram o seu estado atual. Uma fonte pode ter proveniência sem licença, uma licença sem proveniência adequada, ou atribuição sem permissão para realizar o ato proposto.

A diferença torna-se visível quando um conjunto de dados é reunido a partir de muitas fontes. O conjunto de dados pode ser internamente coerente, reproduzível e bem documentado. Se uma fonte foi copiada fora da sua licença, a qualidade dos metadados não repara esse problema. Se todas as fontes estão licenciadas mas a equipa não consegue identificar qual versão entrou no conjunto de dados, a licença pode ser impossível de aplicar de forma fiável. Se um catálogo público lista os criadores mas o modelo a jusante não consegue preservar os avisos relevantes, a atribuição pode falhar mesmo que a equipa acreditasse ter feito a coisa respeitosa.

Um registo consciente dos direitos necessita, portanto, de várias camadas. A identidade diz o que é a fonte. A origem diz quem a forneceu ou publicou e onde foi encontrada. O acesso diz como o operador a alcançou. Os direitos dizem qual permissão, exceção, reserva ou questão não resolvida se aplica. O tratamento diz quais transformações foram realizadas. A retenção diz quais cópias e artefactos derivados permanecem. A utilização diz qual conjunto de dados, modelo, avaliação ou resultado consumiu o estado. Cada camada responde a uma questão de revisão diferente.

A proveniência também não é um certificado de verdade. Um registo assinado pode estabelecer identidade, integridade e linhagem sem provar que uma obra foi corretamente atribuída ou que uma licença era válida. O registo deve dizer o que estabelece. A sobrevalorização é especialmente perigosa em sistemas de direitos, porque uma cadeia polida pode fazer uma permissão não suportada parecer oficial. O rótulo honesto é frequentemente: fonte identificada, declaração de licença fornecida pelo operador, avaliação legal pendente.

A atribuição tem uma dimensão social além da contratual. Um criador pode querer ser nomeado, um editor pode exigir um aviso, e um conjunto de dados pode necessitar de um campo legível por máquina que sobreviva à exportação. Mas a atribuição pode tornar-se uma espécie de camuflagem moral se for usada para implicar consentimento. Nomear um fotógrafo não permite, por si só, que um modelo ingira a fotografia. Ligar um artigo não autoriza, por si só, uma cópia de treino. O crédito é valioso. Não é um solvente universal.

As próprias licenças precisam de ser lidas como dados. Guarde o identificador ou o texto da licença, a versão, qualquer restrição territorial ou de finalidade, condições de atribuição, termos de partilha pela mesma licença ou de uso não comercial, e a fonte da declaração de licença. Não transforme uma frase humana como aberto para reutilização num sinal interno sem qualificação. A frase curta pode omitir os atos, formatos ou destinatários exatos que importam para a utilização planeada.

Quando os termos não são claros, preserve a incerteza. Uma fonte pode continuar útil para um leitor humano enquanto é excluída do treino. Pode ser retida num repositório de revisão em quarentena enquanto não entra num conjunto de dados governado. Pode ser substituída por uma fonte cujo percurso de direitos é mais claro. O objetivo não é tornar cada decisão rápida. É tornar a decisão reversível e a razão visível.

A filtragem não é uma tarefa doméstica neutra

Filtrar é normalmente apresentado como trabalho de qualidade. Remover duplicados, descartar conteúdo genérico, eliminar ficheiros corrompidos, manter a linguagem útil e continuar. Essas operações podem fazer sentido. Também podem alterar os direitos e o perfil de privacidade do material. Um filtro que remove um rodapé pode remover a atribuição. Um desduplicador pode decidir que duas cópias são iguais quando uma tem um aviso de licença diferente. Um filtro de idioma pode excluir um corpus de uma língua minoritária e tornar o modelo menos útil para essa comunidade. Um filtro de segurança pode reter um excerto curto mais sensível do que o documento completo.

O erro central é tratar o filtro como um detalhe de implementação em vez de uma decisão sobre o que persiste. Um registo deve indicar qual regra foi aplicada, em que versão da fonte, com que resultado e se uma pessoa reviu os casos limite. Deve ser possível reconstruir não apenas o conjunto de dados final, mas também o conjunto de candidatos que foram recusados, colocados em quarentena ou removidos. Caso contrário, um pedido posterior de retirada de uma obra torna-se uma pesquisa num modelo do pipeline, em vez de uma operação sobre o próprio pipeline.

Filtrar também tem um efeito representacional. Suponha que uma família de fontes contém crítica de longa duração, notícias curtas, avisos públicos e comentários. Um limite de extensão pode reter uma forma e descartar outra. Uma regra de desduplicação pode privilegiar material distribuído por agências em detrimento de reportagem local. Uma pontuação de qualidade pode favorecer linguagem institucional polida. Estas não são afirmações sobre um corpus específico. São formas comuns de uma regra técnica alterar cujas palavras sobrevivem. O pipeline deve descrevê-las como escolhas de conceção e avaliar as suas consequências.

Os direitos de autor e os dados pessoais podem colidir aqui. Remover nomes não remove necessariamente texto expressivo. Remover texto não remove necessariamente um direito de base de dados. Pseudonimizar um registo pode reduzir a identificação direta, deixando o registo transformado sujeito a uma regra de retenção ou contratual. A resposta certa não é inventar uma hierarquia universal. É manter explícito o propósito de cada controlo e evitar afirmar que um filtro resolve todas as categorias legais.

Um controlo prático é tornar as transformações componíveis e inspecionáveis. Mantenha a identidade da fonte ligada ao registo transformado. Guarde um identificador e uma versão da regra. Registe contagens apenas onde são medidas e preserve uma amostra ou manifesto que permita a um revisor inspecionar o que a regra fez. Se uma regra não puder ser reproduzida, diga-o. Um pipeline que reporta apenas o conjunto de dados final limpo está a pedir ao revisor que confie numa história sobre o meio.

Há também o dever de resistir à limpeza cosmética. Um conjunto de dados com todos os campos preenchidos e todos os itens com um rótulo de qualidade animador pode ser menos honesto do que um conjunto mais pequeno com lacunas visíveis. Uma revisão de direitos precisa dos itens incómodos: a fonte com termos conflituantes, a obra cujo autor é incerto, a página que mudou antes da captura, o ficheiro que foi recusado porque uma reserva não pôde ser analisada. A ambiguidade faz parte do material. Escondê-la torna frágil a confiança a jusante.

O treino é uma transformação, não um desaparecimento

O treino altera a forma do material. Não faz desaparecer automaticamente as questões de direitos anteriores. Os parâmetros do modelo não são uma cópia simples de cada fonte, e o modelo pode não reproduzir uma obra específica. Essas observações são tecnicamente relevantes, mas não respondem à questão legal completa. O pipeline ainda fez cópias, selecionou dados, aplicou uma finalidade e produziu um artefacto a partir de um processo sensível em termos de direitos.

O Regulamento sobre a Inteligência Artificial é cuidadoso quanto a este aspeto. Nos seus considerandos, observa que o desenvolvimento e a formação de modelos de IA de uso geral exigem acesso a grandes quantidades de texto, imagens, vídeo e outros dados, alguns dos quais podem estar protegidos. Refere que a utilização de conteúdo protegido requer autorização, salvo se se aplicar uma exceção ou limitação relevante. Declara ainda que os fornecedores que colocam modelos de IA de uso geral no mercado da União devem ter uma política de conformidade com a legislação da União em matéria de direitos de autor, incluindo a identificação e o cumprimento das reservas de direitos nos termos do artigo 4.º, n.º 3, da Diretiva dos Direitos de Autor.

Essa obrigação não significa que se considere que um fornecedor cumpriu apenas por existir uma política. Uma política é um controlo organizacional. Deve apontar para os estados de origem, as decisões, os percursos de monitorização e de correção que lhe conferem substância. O Regulamento exige igualmente um resumo público suficientemente pormenorizado sobre o conteúdo utilizado para a formação, de acordo com um modelo fornecido pelo Gabinete de IA. O resumo deve ser útil para as partes com interesses legítimos, tendo em conta os segredos comerciais e as informações comerciais confidenciais. É uma camada de transparência, não uma divulgação pública obra a obra, nem um substituto da evidência subjacente.

A distinção entre um resumo e um registo é importante. Um resumo público pode nomear as principais coleções ou conjuntos de dados e explicar outras categorias de fontes. Pode ajudar os titulares de direitos a compreender a forma do material de formação. Não pode, por si só, mostrar qual versão exata entrou numa determinada execução, se uma reserva foi observada, o que foi removido após uma reclamação ou o que uma tarefa de afinação a jusante herdou. O registo interno ou controlado necessita de mais granularidade do que a descrição pública. Ambas as camadas têm de permanecer coerentes.

A afinação torna a necessidade de linhagem mais acentuada. Um fornecedor que modifica um modelo de uso geral com novos dados de formação não pode tratar a documentação do modelo de base como substituto do registo da modificação. Os considerandos do Regulamento descrevem obrigações limitadas à modificação ou afinação, incluindo novas fontes de dados de formação. Um registo de modelos deve, portanto, associar cada nova operação de formação a um estado de origem, finalidade, avaliação de licença ou exceção, resultado de avaliação e decisão de disponibilização. Uma nova versão do modelo é uma nova superfície de direitos.

É tentador afirmar que um modelo esqueceu o corpus porque um prompt não reproduz uma página. Essa é uma hipótese técnica que precisa de avaliação, não uma conclusão jurídica. Memorização, extração, recuperação, semelhança de saída e influência residual são questões diferentes. A prosa segura é igualmente precisa: a transformação altera o que é armazenado, e a análise de direitos deve considerar os atos e utilizações abrangidos pela lei. Qualquer afirmação mais forte exige uma interpretação apoiada em fontes para o sistema em causa.

Os dados de formação também têm um ciclo de vida após a execução. A fonte bruta pode permanecer num armazenamento seguro. Um fragmento processado pode ser copiado para uma cache. Um manifesto pode associá-lo a um checkpoint. As fixtures de avaliação podem reter exemplos representativos. Um pacote de afinação pode viajar para outra equipa. Se uma fonte for posteriormente retirada, a organização precisa de saber quais destes estados podem ser removidos, quais podem ser reconstruídos e quais exigem uma nova decisão jurídica. Dizer que os dados entraram no modelo não é um plano de ciclo de vida.

O resumo não é o registo

A transparência pública tende a produzir um único documento grandioso. É mais fácil ligar para um resumo do que explicar um sistema de evidência em camadas. O resumo do conteúdo de formação do Regulamento sobre IA é importante precisamente porque não é o registo completo. Dá ao público e aos titulares de direitos uma descrição significativa do conteúdo utilizado, protegendo simultaneamente informações confidenciais. O registo de trabalho deve continuar a preservar os estados de origem, os controlos e as decisões que o resumo comprime.

Pense no resumo como um mapa e no registo como as notas de levantamento. O mapa deve ser legível e útil. Não deve fingir que todas as curvas de nível estão visíveis. As notas de levantamento devem conter as medições, incertezas, alterações e pontos por resolver que tornaram o mapa possível. Um mapa que discorda do levantamento é um problema. Um mapa que é confundido com o levantamento é um problema diferente.

A mesma separação ajuda na divulgação. Um catálogo de fontes pode publicar nomes, categorias, períodos, finalidades e estados de direitos sem expor dados pessoais ou contratos confidenciais. Um registo controlado pode reter itens exatos, provas de licença, histórico de retirada e versões de fontes para auditoria ou revisão autorizada. A camada pública deve declarar o seu limite. Um catálogo que diz que não existem campos pendentes quando os detalhes são apenas privados é enganador. Um catálogo que torna provas privadas públicas por defeito é descuidado.

Para engenheiros, isto significa que o resumo público deve ser gerado a partir de um estado mantido, em vez de ser escrito à mão após a publicação. Para equipas de governação, significa que a etapa de geração precisa de revisão e de um registo de alterações. Para titulares de direitos, significa que existe um caminho de uma categoria pública até uma resposta significativa quando uma preocupação é levantada. O resumo ganha credibilidade quando a organização consegue mostrar como uma correção viaja de um relatório até ao estado da fonte relevante e às decisões a jusante.

Também vale a pena distinguir divulgação de atribuição. Um resumo pode listar uma coleção sem nomear cada criador. Avisos de atribuição podem ser exigidos num conjunto de dados ou numa saída ao abrigo da licença aplicável. Um titular de direitos pode precisar de saber que uma obra específica foi incluída mesmo quando o resumo público não pode publicar uma lista completa de itens. Esses são requisitos de design separados. A resposta não é exigir que um documento faça todos os trabalhos.

As saídas reabrem a questão

Uma saída de modelo pode parecer uma obra nova, mas o pipeline não pode declarar os direitos anteriores irrelevantes apenas porque a redação é diferente. As questões de saída incluem reprodução, semelhança substancial, atribuição, comunicação, distribuição, privacidade e os termos da implementação. Incluem também o caminho pelo qual um utilizador forneceu uma entrada, recuperou uma fonte, solicitou uma transformação ou pediu ao sistema para imitar um estilo nomeado. A saída é uma nova etapa com os seus próprios factos.

Isto não é um argumento de que cada frase gerada infringe direitos de autor. É um argumento contra uma suposição generalizada em qualquer direção. A saída pode ser uma síntese original, uma citação, uma reprodução próxima, uma resposta fundamentada numa fonte licenciada, ou um erro que combina fragmentos de vários lugares. Um sistema consciente dos direitos deve preservar contexto suficiente para investigar o caminho real. Qual versão do modelo foi executada. Quais fontes de recuperação foram usadas. Qual instrução do utilizador moldou a tarefa. Quais controlos de saída foram aplicados. Uma fonte foi reproduzida ou apenas consultada.

A atribuição pode tornar-se especialmente confusa nesta etapa. Uma citação pode ajudar o leitor a localizar uma fonte, mas não satisfaz necessariamente uma condição de licença nem resolve uma preocupação de reprodução. Inversamente, um sistema pode ter uma licença válida para uma fonte e ainda assim produzir uma saída enganadora, privada ou fora do âmbito da finalidade do utilizador. O registo de saída deve declarar o que consegue estabelecer e o que deixa para o utilizador ou para quem implementa.

Os utilizadores a jusante precisam de um limite claro. Um fornecedor de modelos pode documentar o modelo e a sua política de treino. Quem implementa escolhe uma finalidade, fornece entradas, configura a recuperação, expõe uma interface e decide o que publicar ou sobre o que agir. A posição de direitos pode mudar com essas escolhas. O mesmo modelo pode ser usado para resumir um arquivo interno autorizado ou para reconstruir um artigo atrás de paywall para distribuição pública. Capacidade não é autoridade.

The output route should also preserve a refusal. If the system declines to reproduce protected material, that decision is evidence about the control, not an embarrassing blank. If a user changes the request and the system proceeds through a different source or transformation, the record should show the new route. A pipeline that stores only successful answers cannot demonstrate that its boundaries were active.

Withdrawal is not a single delete button. It is a traceable decision across the states that inherited the source.

Retention and deletion are pipeline questions

When a rightsholder asks for removal, people often ask whether the model can be made to forget. That may be a research question, but the first operational questions are more concrete. Which source copy is retained. Which processed records refer to it. Which manifests, shards, caches, evaluation fixtures and retrieval indexes contain a representation. Which model or fine-tuning run consumed the state. Which outputs or publications were produced. Which of these are still within the organisation's control.

There is no honest universal promise that one request can erase every derived artefact instantly. The answer depends on the system, the legal basis, the contractual position, the retention policy and the requested action. A pipeline can, however, make the boundary visible. It can quarantine the source, stop future promotion, mark affected dataset versions, assess whether a model change is required, remove controlled copies where the decision requires it, and record what remains outside its direct control.

Retention should be designed before collection, not improvised after a complaint. The source record should carry a purpose and a review point. Temporary processing copies should have a defined lifetime. Secure research stores should have access rules and deletion or archival conditions. Dataset and model manifests should identify which source state they depend on. A refusal or withdrawal should be able to travel through those relationships without requiring a team to search every machine by memory.

Deletion is also not the same as hiding. Removing a row from a dashboard while leaving an exported shard untouched is not deletion. Marking a source as withdrawn without stopping a retrieval index is not deletion. Replacing a public summary while keeping an old release downloadable may not meet the requested outcome. The action and its limits need to be named precisely, especially where a full technical or legal remedy is not possible.

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

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

Refusal must be a first-class record

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

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

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

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

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

Downstream use is another pipeline

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

Considere-se uma família de fontes admitida para avaliação interna. Uma equipa posterior poderá querer publicar exemplos, utilizar o material num serviço de recuperação virado para o cliente ou afinar um modelo com ele. São finalidades novas, não meras implementações da decisão anterior. O pipeline deve exigir que o novo uso herde as condições da fonte e receba uma avaliação renovada sempre que a finalidade mude. A reutilização é uma transição, não uma circulação livre.

Os registos de modelos podem ajudar, vinculando uma versão ao conjunto de dados e ao estado da política exatamente utilizados. Devem mostrar as famílias de fontes, o estado dos direitos, as transformações, as exclusões, o conjunto de avaliação e a decisão de publicação a um nível adequado ao público. Não devem dar a entender que um estado verde significa que todas as obras estão legalmente autorizadas. Um estado é uma declaração sobre as provas e os controlos que a organização registou, não uma conclusão judicial universal.

A documentação a jusante é importante porque a responsabilidade está distribuída. Um fornecedor pode publicar o resumo da formação e a política de direitos de autor. Um integrador pode acrescentar fontes de recuperação, instruções, ferramentas e dados de utilizadores. Um implementador pode decidir que ação se segue a um resultado. Um editor pode colocar material gerado perante o público. A questão dos direitos pode deslocar-se com o ato. Um contrato pode repartir responsabilidades entre as partes, mas o percurso técnico continua a precisar de mostrar qual das partes forneceu que prova e tomou que decisão.

A proveniência portátil é, portanto, mais do que uma conveniência. Quando um conjunto de dados ou um modelo circula entre organizações europeias, os seus estados de origem, reservas, licenças, requisitos de atribuição e histórico de retirada devem permanecer legíveis. Caso contrário, a portabilidade torna-se um botão de reposição para os direitos. A equipa recetora vê um artefacto limpo e perde os factos que tornavam o artefacto governável.

Os bons controlos a jusante são muitas vezes banais. Uma exportação inclui um manifesto. Uma versão de modelo nomeia o estado dos dados. Um pacote de recuperação regista as versões das fontes. Uma interface de utilizador pode expor uma citação ou uma recusa. Um relatório inclui a atribuição exigida pela licença. Um pedido de retirada encontra um titular. Nenhum destes controlos torna a organização imune a litígios. Tornam possível responder sem fingir que o sistema não tem memória.

Uma disciplina operacional europeia

Os instrumentos jurídicos fornecem a estrutura. Uma organização tem ainda de transformar essa estrutura numa rotina. O que se segue é uma disciplina operacional proposta, não um parecer jurídico e não um substituto de uma avaliação de direitos num determinado Estado-Membro.

  • Defina a finalidade antes da fonte. Indique o que o material se destina a apoiar e o que está fora do âmbito. Uma finalidade que surge depois da recolha é, normalmente, uma justificação retrospetiva.
  • Separe o acesso da reutilização. Registe como a fonte foi alcançada e, em seguida, avalie quais os atos que a utilização proposta exige. Não trate um URL público como uma permissão universal.
  • Mantenha os estados de direitos tipificados. Licenciado, avaliado por exceção, reservado, recusado, por resolver, retirado e admitido para a finalidade não devem colapsar numa única bandeira verde.
  • Faça acompanhar a proveniência através das transformações. Mantenha a identidade da fonte, a versão, a regra de tratamento, as provas de licença e o histórico de decisões ligados ao estado processado.
  • Registe as decisões negativas. Uma recusa, quarentena ou revisão por resolver faz parte das provas e deve impedir a repetição acidental.
  • Torne a retenção explícita. Indique quais as cópias, manifestos, índices, pontos de verificação e resultados que permanecem, quem os detém e quando termina a finalidade ou o período de revisão.
  • Faça os resumos e os registos concordarem. A transparência pública deve ser gerada a partir de provas mantidas e deve indicar o que não divulga.
  • Teste a retirada antes da publicação. Utilize um exercício rotulado para verificar se uma fonte pode ser localizada através dos seus estados derivados. Registe as limitações em vez de reivindicar um apagamento perfeito.

Esta disciplina é deliberadamente menos glamorosa do que uma demonstração de IA. Tem mais hipóteses de sobreviver a uma. A parte difícil não é escrever as palavras pipeline consciente dos direitos num diapositivo. É fazer com que o próximo componente receba contexto suficiente para evitar transformar uma decisão qualificada numa cópia incondicional.

Os controlos também devem respeitar a proporcionalidade. Uma análise interna de baixo risco não exige a mesma divulgação pública que um modelo de uso geral colocado no mercado da União. Uma equipa pequena pode precisar de ferramentas mais simples do que um grande fornecedor. As questões subjacentes permanecem: o que foi acedido, o que foi permitido, o que foi feito, o que foi retido e quem pode corrigir o estado. Proporcional não significa invisível.

O julgamento humano pertence aos pontos onde as provas são genuinamente ambíguas. A máquina pode analisar uma reserva, comparar um identificador de licença, verificar um manifesto e bloquear um pedido. Não deve inventar silenciosamente uma interpretação jurídica porque um fluxo de trabalho ficaria, de outra forma, à espera. A decisão humana deve ser tipificada, delimitada e registada. Isso não é uma falha da automatização. É um reconhecimento de que o significado jurídico não é um efeito secundário de uma análise bem-sucedida.

Uma pequena nota da nossa parte

Na Dweve, o nosso Trust Centre público descreve a mesma separação em termos deliberadamente modestos. O Winnow é apresentado como a via de aquisição que verifica a política da fonte, robots.txt, taxas, alvos e registos de pedidos. O Spindle é a camada de governação para proveniência, qualidade, política, conflitos, retirada e promoção. O Loom consome material governado ou utiliza o Winnow através de um limite de ferramenta registado. A descrição não afirma que um controlo de rastreio torna lícita a finalidade de qualquer operador, e não trata um catálogo público de fontes como o registo completo de provas privado.

Essa é a parte útil do exemplo, não os nomes dos produtos. Um componente de recolha pode impor disciplina de acesso. Um componente de governação do conhecimento pode preservar o estado da fonte e decidir o que pode persistir. Um componente de modelo pode registar o que realmente consumiu. A responsabilidade legal permanece ligada à finalidade e ao operador. Construir um sistema interno desta forma não garante um certificado do universo. Torna, no entanto, as afirmações da organização mais fáceis de inspecionar e os seus erros mais fáceis de corrigir.

O argumento jurídico começa mais cedo

As disputas de direitos de autor em torno da IA dependerão, por vezes, de questões difíceis que nenhum pipeline consegue resolver antecipadamente. Os tribunais e as autoridades podem interpretar exceções, contratos, reservas, reproduções e resultados de formas que evoluem ao longo do tempo. A implementação nacional e os factos de cada utilização são determinantes. Um registo técnico não substitui esse trabalho. Pode garantir que o trabalho começa com factos e não com suposições.

A primeira questão útil não é saber se um modelo aprendeu a partir da internet. Essa expressão é demasiado ampla para ter um significado jurídico ou técnico. Pergunte quais as famílias de fontes abrangidas, como foi obtido o acesso, que cópias foram feitas, que via de direitos foi avaliada, que reservas foram observadas, que transformações foram executadas, que material foi recusado, que versões de conjuntos de dados e de modelos herdaram o estado e que resumo público ou documentação subsequente foi produzido.

A segunda questão útil é saber se a organização consegue demonstrar os limites do seu próprio conhecimento. Uma fonte pode estar identificada, mas a sua licença ser incerta. Uma reserva pode existir, mas o seu âmbito ser contestado. Um resumo da formação pode ser exaustivo ao nível do conjunto de dados, mas não constituir prova ao nível do item. Uma ação de remoção pode impedir utilizações futuras, deixando uma versão histórica fora do controlo direto. Não se trata de admissões de falha. São os limites que um sistema sério deve expor.

A terceira questão é saber se uma correção pode circular. Se um titular de direitos comunicar uma preocupação, consegue a organização identificar o estado da fonte, a decisão relevante, os ativos derivados e o responsável pela ação seguinte. Se uma fonte alterar os seus termos, pode a aquisição futura ser interrompida sem reescrever o passado. Se um modelo for afinado com um novo corpus, pode o registo da versão mostrar a nova via de direitos. Se um utilizador pedir uma reprodução protegida, podem a recusa e qualquer resposta alternativa ser inspecionadas mais tarde.

É por isso que a proveniência é mais do que uma cortesia e que a eliminação é mais do que um botão. São formas de manter ligados o estado jurídico e o estado técnico à medida que o pipeline muda de forma. A ligação nunca será perfeita. As fontes desaparecem, os contratos entram em conflito, os sistemas são substituídos e as organizações fundem-se. Um registo limitado não resolve esses factos. Pode impedir que a organização confunda um elo em falta com uma cadeia limpa.

A abordagem europeia exige essa disciplina em vários registos em simultâneo. A legislação de direitos de autor trata dos direitos, exceções, licenças e reservas. O Regulamento IA exige que certos fornecedores de modelos apresentem uma política e um resumo público do conteúdo utilizado na formação. A proteção de dados, os direitos sobre bases de dados, o direito dos contratos, a defesa do consumidor e as regras setoriais acrescentam as suas próprias questões. Um pipeline não deve reduzir estes instrumentos a uma única cor de conformidade. Deve associar a regra relevante ao ato que regula e deixar espaço para uma avaliação humana nos pontos de interseção.

Não é preciso tornar a prosa mais grandiosa do que o trabalho. A promessa essencial é simples: sabemos o que entrou, por que entrou, o que lhe aconteceu, o que não entrou, para onde foi a seguir e como mudar de rumo. Um modelo pode ser impressionante sem essa promessa. Um sistema consciente dos direitos não pode.

Os direitos de autor são um problema de pipeline de dados antes de serem um argumento jurídico, porque o argumento jurídico precisa da memória do pipeline. Construa a memória na primeira cópia, mantenha as condições associadas ao longo da transformação e torne a recusa, a atribuição, a retenção e a retirada estados visíveis. Então, quando a questão difícil chegar, a organização poderá responder com os factos que realmente tem, em vez de uma história confiante montada depois do acontecimento.

Fontes