Upphovsrätt är ett datapipeline-problem innan det är ett juridiskt argument

Upphovsrättsfrågor i AI börjar före träningen: laglig åtkomst, reserverade rättigheter, licenser, ursprung, lagring och vidare användning lämnar alla fakta...

Upphovsrätt är ett datapipeline-problem innan det är ett juridiskt argument

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

En användbar pipeline har fler steg än vad en diagram i en produktpresentation vanligtvis medger. Discovery hittar en kandidatkälla. Access fastställer hur källan kan nås. Acquisition skapar en eller flera kopior. Parsing omvandlar byte till strukturerat material. Normalisation ändrar representationer. Filtering exkluderar eller väljer ut objekt. Annotation lägger till etiketter eller relationer. Storage skapar arbets- och bevarandetillstånd. Dataset construction definierar vilka objekt som färdas tillsammans. Training eller fine-tuning ändrar modellen. Evaluation, retrieval och output introducerar nya användningsområden. Publication eller deployment skickar en artefakt vidare till någon annans arbetsflöde.

Varje verb döljer ett beslut. Discovery kan använda ett index, ett flöde, ett API, en katalog eller en person som tittar på en sida. Access kan vara öppen, prenumererad, licensierad, autentiserad eller begränsad av en teknisk åtgärd. Acquisition kan vara tillåten för ett ändamål men inte ett annat. Parsing kan skapa kopior av uttrycksfulla element som det ursprungliga gränssnittet aldrig visade i den formen. Filtering kan ta bort ett verk, bevara ett utdrag, omvandla ett format eller behålla en uppsättning funktioner. Training kan skapa vikter som inte liknar källtexten men ändå lämnar organisationen ansvarig för den väg som producerade dem.

Ordet data får alla dessa steg att låta neutrala. Det är en bekväm förkortning och en dålig moralisk kategori. En databas kan innehålla fakta i allmän egendom, upphovsrättsskyddade artiklar, personuppgifter, konfidentiella avtal, programvara, fotografier, vetenskapliga mätningar och kommentarer från personer som aldrig förväntade sig att deras ord skulle bli indata till en generell modell. Behållaren är inte rättigheten. Pipelinen måste bevara de åtskillnader som ordet data suddar ut.

Ett praktiskt sätt att göra det är att fästa en liten anspråksjournal vid varje källobjekt eller källfamilj. Journalen behöver inte publicera känsliga interna register. Den bör ange vad som är känt, vad som antas, vad som var tillåtet, vad som nekades, vad som ändrades och vilka nedströms tillstånd som ärvde beslutet. En källidentitet, insamlingstidpunkt, version eller innehållshash kan stödja detta arbete. Inget av dessa fält bevisar sanning eller tillstånd i sig. De gör det möjligt att ifrågasätta anspråket i stället för att diskutera ett suddigt minne.

Pipelinen behöver också gränser. En källa som samlats in för sökhjälp kanske inte är lämplig för träning. Ett licensierat utdrag kan stödja ett citat i en rapport men inte en offentlig datamängd. Ett undantag för text- och datautvinning kan täcka en beräkningsanalys men lämna reproduktion eller offentlig kommunikation utanför dess räckvidd. En rättighetsreservation kan stoppa en viss utvinningsanvändning men säga ingenting om orelaterad åtkomst. Att behandla pipelinen som en enda odifferentierad åtgärd garanterar att dessa åtskillnader försvinner.

En källa blir inte juridiskt enklare när den rör sig genom pipelinen. Registret måste följa med.

Bilden ovan är medvetet en processkarta, inte en regelefterlevnadspoäng. En ljus nod är inte en grön signal. Det är en plats där ett beslut måste fattas och kopplas till bevis. Pipelinen kan vara laglig i ett steg och utanför ramen i nästa. Den kan också vara tekniskt noggrann medan det underliggande syftet fortfarande saknar stöd. Därför bör det operativa registret visa både beslutet och gränsen kring beslutet.

Laglig åtkomst är inte tillstånd för allt

Direktiv 2019/790 inleder sina bestämmelser om text- och datautvinning med ett villkor som är lätt att citera och lätt att platta till: förmånstagaren måste ha laglig åtkomst till verken eller andra skyddade alster. Laglig åtkomst kan omfatta öppen tillgång, en prenumeration eller en annan laglig väg. Det är inte samma sak som att en sida är synlig i en webbläsare. En offentlig adress talar om var källan finns. Den talar inte i sig om vilka handlingar rättighetsinnehavaren har godkänt, vilket avtal som gäller, om en teknisk åtgärd är effektiv eller om det avsedda syftet passar in i ett undantag.

Distinktionen spelar roll eftersom åtkomst och användning är olika händelser. Ett bibliotek kan lagligen ge åtkomst till en tidskrift genom en prenumeration. En forskare kan sedan använda ett undantag för text- och datautvinning inom de villkor som gäller för en forskningsorganisation. En kommersiell aktör kan ha åtkomst till en offentlig sida men ändå behöva överväga en rättighetsreservation, en licens, databasrättigheter, avtalsvillkor eller en annan juridisk begränsning innan kopior görs och behålls för ett annat syfte. Samma byte kan nås av två aktörer vars rättsliga ställning inte är identisk.

Åtkomst har också en teknisk sida som inte bör behandlas som ett hinder att överlista. Direktivet erkänner att rättighetsinnehavare kan tillämpa proportionerliga åtgärder för att skydda säkerheten och integriteten i sina system eller databaser. Lösenord, betalväggar, autentisering, hastighetsbegränsningar och andra effektiva kontroller är fakta om vägen, inte pussel. En crawler som övervinner dem har inte visat uppfinningsrikedom. Den har skapat ett nytt rätts- och säkerhetsproblem.

Den mest ärliga pipelinen registrerar därför åtkomsttillståndet innan den lagrar innehållet. Var källan öppen, prenumererad, licensierad, autentiserad eller direkt levererad. Vilka villkor var synliga. Vilken version av dessa villkor gällde. Uttrycktes en reservation. Påträffades en teknisk begränsning. Avstod operatören från att fortsätta. Svaret kan vara ofullständigt. Ofullständigt är mer användbart än en självsäker etikett som ingen kan förklara senare.

Laglig åtkomst är även i praktiken bunden till ett ändamål. En kopia som görs för att läsa en artikel är inte automatiskt en kopia som är godkänd för modellträning. En datamängd som är licensierad för intern analys är inte automatiskt licensierad för publicering. En kulturarvsinstitutions bevarandekopia är inte automatiskt en offentlig träningskorpus. Pipelinen bör bära ändamålet som ett villkor, inte som en kommentar som skiljs från bytena efter den första exporten.

Inget av detta kräver att en jurist godkänner varje HTTP-förfrågan. Det kräver en förnuftig ansvarsfördelning. Inhämtningskomponenten kan upprätthålla källpolicy, målsäkerhet och hastighetsbegränsningar. En rättighets- eller dataförvaltningsfunktion kan avgöra om en källfamilj omfattas. En teknisk logg kan visa vad komponenterna gjorde. Den juridiska slutsatsen förblir kontextberoende, men de fakta som behövs för den slutsatsen slutar inte att försvinna vid nätverksgränsen.

Två undantag för text- och datautvinning, två olika förhållningssätt

Direktivets bestämmelser om text- och datautvinning är inte en bred licens att kopiera allt som är intressant. Artikel 3 fastställer ett obligatoriskt undantag för reproduktioner och utdrag som görs av forskningsorganisationer och kulturarvsinstitutioner för vetenskaplig forskning, när de har laglig åtkomst. Kopior får behållas för vetenskaplig forskning och måste förvaras säkert. Bestämmelsen är utformad kring en definierad förmånstagare och ett definierat ändamål. Det är inte ett allmänt undantag för alla organisationer som kallar sitt arbete forskning.

Artikel 4 behandlar text- och datautvinning för andra ändamål. Den gäller när användaren har laglig åtkomst och rättighetsinnehavaren inte har reserverat rätten att göra reproduktioner och utdrag på lämpligt sätt. För innehåll som görs tillgängligt online säger direktivet att en reservation kan uttryckas med maskinläsbara medel, inklusive metadata och villkoren för en webbplats eller tjänst. Undantaget lämnar rättighetsinnehavaren möjlighet att reservera utvinningsanvändningen. Det är ett annat förhållningssätt än artikel 3:s undantag för vetenskaplig forskning.

Dessa bestämmelser gör klassificering till en del av pipelinen. Är operatören en forskningsorganisation eller kulturarvsinstitution som direktivet förstår dessa termer. Är ändamålet vetenskaplig forskning. Är åtkomsten laglig. Förvaras kopian säkert och endast i den utsträckning som behövs för forskningsändamålet. Om användningen faller under artikel 4, har rätten reserverats på lämpligt sätt. Tillför ett avtal villkor. Gäller en annan rättighet, till exempel en databasrätt. Ett enda fält som kallas tdm_allowed kan inte ärligt bära alla dessa frågor.

Skälen är användbara eftersom de förklarar det problem som lagstiftaren försökte lösa. Text- och datautvinning kan innebära reproduktioner av verk eller utdrag ur databaser, även när den tekniska uppgiften beskrivs som analys. Det kan också röra fakta eller data som inte skyddas av upphovsrätt. Materialets rättsliga karaktär och de utförda handlingarna har därför betydelse. Pipelinen bör veta om den hanterar oskyddade fakta, uttrycksfulla verk, en skyddad databas eller en blandning som kräver separat behandling.

Samma skäl förklarar också varför laglig åtkomst inte är en dekorativ fras. Forskningsorganisationer kan få åtkomst till innehåll genom prenumerationer, öppna licenser eller material som är fritt tillgängligt online. En prenumeration kan ge laglig åtkomst medan dess villkor fortfarande behöver granskas i sitt sammanhang. En offentlig sida kan lagligen visas medan rätten att göra en annan typ av kopia fortfarande är omtvistad. Källans öppenhet och den föreslagna åtgärden är relaterade fakta, inte synonymer.

Det finns en frestelse att göra undantagen till en binär grind: ja för forskning, nej för allt annat. Det är för grovt. Undantagen samverkar med befintliga undantag, avtal, databasrättigheter, tekniska åtgärder och nationell implementering. Direktivet är ett unionsinstrument, men dess praktiska tillämpning går fortfarande genom medlemsstaternas lagstiftning och omständigheterna i den aktuella användningen. En artikel kan förklara strukturen utan att ge en slutsats för ett särskilt dataset eller en särskild organisation.

För ingenjörsarbete är innebörden okomplicerad. Modellera den juridiska vägen som typade tillstånd i stället för som ett okvalificerat booleskt värde. En källa kan vara kandidat, åtkomstverifierad, undantagsbedömd, licensierad, reserverad, vägrad, godkänd för ett angivet ändamål, återkallad eller under granskning. En övergång ska ha en ägare och bevisning. Om en operatör ändrar ändamålet från forskning till kommersiell träning ska tillståndet kräva en ny bedömning i stället för att tyst föra det gamla tillståndet vidare.

Det kan låta petigt. Det är mindre petigt än att två år senare försöka förklara varför en stor mapp med material behandlades som om varje objekt hade samma juridiska väg. Europa har redan lagt in distinktionerna i texten. Pipelinen ska inte slipa bort dem för bekvämlighetens skull.

En opt-out är en maskinläsbar gräns

Rättsförbehåll diskuteras ofta som om de vore en tvist mellan en utgivare och en crawler. Direktivet beskriver något mer praktiskt. För offentligt tillgängligt onlineinnehåll kan ett lämpligt förbehåll för text- och datautvinning enligt artikel 4 uttryckas med maskinläsbara medel, inklusive metadata och villkoren för en webbplats eller tjänst. Den tekniska formen spelar roll, eftersom ett förbehåll som inte kan hittas eller tolkas av insamlingssystemet är en gräns som finns i lagen men försvinner i praktiken.

Maskinläsbart betyder inte automatiskt tillstånd i omvänd riktning. En parser som inte hittar något känt förbehåll bevisar inte att användningen är laglig. Det betyder bara att en av ingångarna till beslutet har granskats. Systemet behöver fortfarande åtkomsttillståndet, ändamålet, källans identitet, avtalskontexten och andra rättighetskontroller. Omvänt ska ett förbehåll inte behandlas som ett generellt förbud mot all interaktion med en webbplats. Det är en signal om rättigheterna att göra reproduktioner och uttag för text- och datautvinning enligt den relevanta bestämmelsen.

Skillnaden mellan signal och slutsats är där många pipelines misslyckas. En rättighetsmarkering kan finnas i metadata, i villkoren eller i en standardiserad mekanism. Parsern kan registrera exakt fält, värde, plats och hämtningstidpunkt. Ett styrningssteg kan tolka vad markeringen betyder för den föreslagna användningen. Om systemet bara skriver tillåten eller vägrad förlorar det den bevisning som behövs för att granska ett falskt positivt resultat, en ändrad policy eller en omtvistad tolkning.

Förbehåll har också en tidsmässig karaktär. Webbplatser ändrar sina villkor. Flöden ersätts. En källa kan publicera en ny maskinläsbar instruktion efter att tidigare material har hämtats. Den gamla hämtningen och det nya beslutet kan inte slås samman till en enda aktuell etikett utan att historiken går förlorad. Pipelinen ska kunna säga att en kopia gjordes under ett observerat tillstånd, att ett senare tillstånd ändrade vägen och att en granskning beslutade om redan behållet material måste begränsas, tas bort eller hållas för en juridisk bedömning.

Det här är ett bra ställe för lite europeisk ingenjörshumor. En policy som säger att robots-filen ska respekteras men inte sparar någon uppgift om vilken robots-fil som lästes är ingen policy. Det är en önskan med ett passerkort runt halsen. Detsamma gäller upphovsrättssignaler. Pipelinen ska registrera vad den såg, vad den förstod, vad den inte kunde tolka och varför den stannade eller fortsatte.

När en källa använder en konvention som pipelinen inte stöder, är det säkra svaret inte att gissa. Markera källan som ouppklarad, be om ett mänskligt beslut eller använd ett godkänt alternativ. En saknad parser är en teknisk begränsning. Att behandla en oläsbar gräns som tillåtelse är ett styrningsmisslyckande. System bör stängas ned säkert vid den punkt där osäkerheten annars skulle bli en kopia.

Licenser, attribution och proveniens gör olika arbete

Människor placerar ofta licens, attribution och proveniens i samma mening, som om de vore tre artiga namn på tillåtelse. Det är de inte. En licens är ett beviljande av rättigheter, underkastat dess villkor. Attribution identifierar en skapare eller källa och kan vara ett villkor för beviljandet. Proveniens registrerar var materialet kom ifrån, hur det hanterades och vilka beslut som format dess nuvarande tillstånd. En källa kan ha proveniens utan licens, en licens utan adekvat proveniens, eller attribution utan tillåtelse att utföra den föreslagna handlingen.

Skillnaden blir synlig när en datamängd sätts samman från många källor. Datamängden kan vara internt sammanhängande, reproducerbar och vackert dokumenterad. Om en källa kopierades utanför sin licens, reparerar inte metadata kvaliteten det problemet. Om varje källa är licensierad men teamet inte kan identifiera vilken version som gick in i datamängden, kan licensen vara omöjlig att tillämpa tillförlitligt. Om en offentlig katalog listar skapare men den nedströms modellen inte kan bevara de relevanta meddelandena, kan attribution misslyckas även om teamet trodde att det hade gjort det respektfulla.

En rättighetsmedveten post behöver därför flera lager. Identitet säger vad källan är. Ursprung säger vem som levererade eller publicerade den och var den hittades. Åtkomst säger hur operatören nådde den. Rättigheter säger vilken tillåtelse, undantag, reservation eller ouppklarad fråga som gäller. Behandling säger vilka transformationer som utfördes. Bevarande säger vilka kopior och härledda artefakter som återstår. Användning säger vilken datamängd, modell, utvärdering eller utdata som förbrukade tillståndet. Varje lager besvarar en annan granskningsfråga.

Proveniens är inte heller ett sanningsintyg. En signerad post kan fastställa identitet, integritet och härkomst utan att bevisa att ett verk korrekt attribuerades eller att en licens var giltig. Posten bör säga vad den fastställer. Överdrivna påståenden är särskilt farliga i rättighetssystem eftersom en polerad kedja kan få en ostödd tillåtelse att se officiell ut. Den ärliga etiketten är ofta: källa identifierad, licenspåstående tillhandahållet av operatören, juridisk bedömning pågår.

Attribution har en social dimension såväl som en avtalsmässig. En skapare kan vilja bli namngiven, en utgivare kan kräva ett meddelande, och en datamängd kan behöva ett maskinläsbart fält som överlever export. Men attribution kan bli en slags moralisk kamouflage om den används för att antyda samtycke. Att namnge en fotograf tillåter inte i sig en modell att ta in fotografiet. Att länka en artikel auktoriserar inte i sig en träningskopia. Kredit är värdefullt. Det är inte ett universellt lösningsmedel.

Licenser själva behöver läsas som data. Lagra licensidentifieraren eller texten, versionen, eventuell territoriell eller ändamålsbegränsning, attributionsvillkor, dela-lika eller icke-kommersiella villkor, och källan till licenspåståendet. Förvandla inte en mänsklig mening som öppen för återanvändning till en okvalificerad intern flagga. Den korta meningen kan utelämna de exakta handlingar, format eller mottagare som är viktiga för den planerade användningen.

När villkor är oklara, bevara osäkerheten. En källa kan förbli användbar för en mänsklig läsare samtidigt som den utesluts från träning. Den kan behållas i ett karantäniserat granskningslager utan att gå in i en styrd datamängd. Den kan ersättas med en källa vars rättighetsväg är tydligare. Poängen är inte att göra varje beslut snabbt. Det är att göra beslutet reversibelt och orsaken synlig.

Filtrering är inte neutralt underhåll

Filtrering presenteras ofta som kvalitetsarbete. Ta bort dubbletter, sålla bort standardinnehåll, kasta trasiga filer, behåll det användbara språket och fortsätt. Dessa åtgärder kan vara förnuftiga. De kan också ändra materialets rättighets- och integritetsprofil. Ett filter som tar bort en sidfot kan ta bort tillskrivning. En dubblettborttagare kan besluta att två kopior är desamma när den ena bär en annan licensnotis. Ett språkfilter kan utesluta en korpus på ett minoritetsspråk och göra modellen mindre användbar för den gemenskapen. Ett säkerhetsfilter kan behålla ett kort utdrag som är känsligare än hela dokumentet.

Det centrala misstaget är att behandla filtret som en implementeringsdetalj snarare än ett beslut om vad som består. En post bör ange vilken regel som kördes, på vilken källversion, med vilket resultat och om en person granskade gränsfallen. Det bör vara möjligt att rekonstruera inte bara den slutliga datamängden utan även uppsättningen kandidater som avvisades, sattes i karantän eller togs bort. Annars blir en senare begäran om att dra tillbaka ett verk en sökning genom en modell av pipelinen snarare än en åtgärd på själva pipelinen.

Filtrering har också en representationell effekt. Anta att en källfamilj innehåller långa kritiktexter, korta nyhetsinslag, offentliga meddelanden och kommentarer. En längdtröskel kan behålla en form och kasta bort en annan. En dubblettregel kan gynna syndikerat material framför lokal rapportering. En kvalitetspoäng kan gynna polerat institutionellt språk. Dessa är inte påståenden om en viss korpus. Det är vanliga sätt som en teknisk regel kan ändra vems ord som överlever. Pipelinen bör beskriva dem som designval och bedöma deras konsekvenser.

Upphovsrätt och personuppgifter kan kollidera här. Att ta bort namn tar inte nödvändigtvis bort uttrycksfull text. Att ta bort text tar inte nödvändigtvis bort en databasrätt. Att pseudonymisera en post kan minska direkt identifiering samtidigt som den transformerade posten förblir föremål för en bevarande- eller avtalsregel. Rätt svar är inte att uppfinna en universell hierarki. Det är att hålla varje kontrolls syfte explicit och undvika att hävda att ett filter löser varje juridisk kategori.

En praktisk kontroll är att göra transformationer komponerbara och inspekterbara. Behåll källidentiteten kopplad till den transformerade posten. Lagra en regelidentifierare och version. Registrera antal endast där de mäts och bevara ett urval eller manifest som låter en granskare inspektera vad regeln gjorde. Om en regel inte kan spelas upp, säg det. En pipeline som endast rapporterar den slutliga rena datamängden ber granskaren att lita på en berättelse om mitten.

Det finns också en skyldighet att motstå kosmetisk renhet. En datamängd med varje fält ifyllt och varje objekt tilldelat en gladlynt kvalitetsetikett kan vara mindre ärlig än en mindre uppsättning med synliga luckor. En rättighetsgranskning behöver de besvärliga objekten: källan med motstridiga villkor, verket vars författare är osäker, sidan som ändrades före insamling, filen som avvisades eftersom en reservation inte kunde tolkas. Tvetydighet är en del av materialet. Att dölja den gör nedströms förtroende skört.

Träning är en transformation, inte ett försvinnande

Träning ändrar materialets form. Den gör inte automatiskt att de tidigare rättighetsfrågorna försvinner. Modellparametrarna är inte en enkel kopia av varje källa, och modellen kanske inte återger ett visst verk. Dessa observationer är tekniskt relevanta, men de besvarar inte hela den juridiska frågan. Pipelinen gjorde fortfarande kopior, valde data, tillämpade ett syfte och producerade en artefakt från en rättighetskänslig process.

AI-förordningen är noggrann här. I skälen konstateras att utveckling och träning av generella AI-modeller kräver tillgång till stora mängder text, bilder, video och andra data, varav en del kan vara skyddade. Det anges att användning av skyddat innehåll kräver tillstånd om inte ett relevant undantag eller en relevant inskränkning gäller. Det anges också att leverantörer som släpper ut generella AI-modeller på unionsmarknaden måste ha en policy för att följa unionsrätten om upphovsrätt, inklusive att identifiera och respektera förbehållna rättigheter enligt artikel 4.3 i upphovsrättsdirektivet.

Den skyldigheten innebär inte att en leverantör anses ha följt reglerna bara för att en policy finns. En policy är en organisatorisk kontroll. Den bör peka på källtillstånd, beslut, övervakning och korrigeringsvägar som ger den substans. Förordningen kräver också en tillräckligt detaljerad offentlig sammanfattning av det innehåll som använts för träning, enligt en mall som AI-kontoret tillhandahåller. Sammanfattningen måste vara användbar för parter med berättigade intressen, samtidigt som hänsyn tas till affärshemligheter och konfidentiell affärsinformation. Den är ett transparenslager, inte en offentlig dumpning verk för verk och inte en ersättning för den underliggande dokumentationen.

Skillnaden mellan en sammanfattning och en liggare är viktig. En offentlig sammanfattning kan namnge huvudsakliga datakollektioner eller dataset och förklara andra källkategorier. Den kan hjälpa rättighetshavare att förstå formen på träningsmaterialet. Den kan inte i sig visa vilken exakt version som ingick i en viss körning, om ett förbehåll respekterades, vad som togs bort efter ett klagomål eller vad ett efterföljande finjusteringsjobb ärvde. Den interna eller kontrollerade dokumentationen behöver mer granularitet än den offentliga beskrivningen. Båda lagren måste förbli konsekventa.

Finjustering gör behovet av härledning skarpare. En leverantör som modifierar en generell AI-modell med nya träningsdata kan inte behandla basmodellens dokumentation som en ersättning för dokumentationen av modifieringen. Förordningens skäl beskriver skyldigheter som är begränsade till modifieringen eller finjusteringen, inklusive nya källor för träningsdata. En modellregistrering bör därför binda varje ny träningsoperation till ett källtillstånd, syfte, licens- eller undantagsbedömning, utvärderingsresultat och releasebeslut. En ny modellversion är en ny rättighetsyta.

Det är frestande att hävda att en modell har glömt korpusen för att en prompt inte återger en sida. Det är en teknisk hypotes som kräver utvärdering, inte en juridisk slutsats. Memorering, extraktion, återvinning, utmatningslikhet och kvarstående påverkan är olika frågor. Den säkra formuleringen är lika precis: transformationen ändrar vad som lagras, och rättighetsanalysen måste beakta de handlingar och användningar som lagen omfattar. Något starkare kräver en källstödd tolkning för det specifika systemet.

Träningsdata har också en livscykel efter körningen. Råmaterialet kan finnas kvar i en säker lagringsmiljö. En bearbetad shard kan kopieras till en cache. Ett manifest kan binda den till en checkpoint. Utvärderingsfixturer kan behålla representativa exempel. Ett finjusteringspaket kan färdas till ett annat team. Om en källa senare dras tillbaka måste organisationen veta vilka av dessa tillstånd som kan tas bort, vilka som kan byggas upp igen och vilka som kräver ett nytt juridiskt beslut. Att säga att datan gick in i modellen är inte en livscykelplan.

Sammanfattningen är inte liggaren

Offentlig transparens tenderar att producera ett enda stort dokument. Det är lättare att länka till en sammanfattning än att förklara ett skiktat dokumentationssystem. AI-förordningens sammanfattning av träningsinnehåll är viktig just för att den inte är hela liggaren. Den ger allmänheten och rättighetshavare en meningsfull beskrivning av det innehåll som använts, samtidigt som konfidentiell information skyddas. Den löpande dokumentationen måste fortfarande bevara de källtillstånd, kontroller och beslut som sammanfattningen komprimerar.

Betrakta sammanfattningen som en karta och registret som mätningsanteckningarna. Kartan ska vara läsbar och användbar. Den ska inte låtsas att varje kontur är synlig. Mätningsanteckningarna ska innehålla de mätningar, osäkerheter, ändringar och olösta punkter som gjorde kartan möjlig. En karta som inte stämmer med mätningen är ett problem. En karta som misstas för mätningen är ett annat problem.

Samma uppdelning hjälper vid informationsutlämnande. En källkatalog kan publicera namn, kategorier, perioder, syften och rättighetsstatus utan att exponera personuppgifter eller konfidentiella avtal. En kontrollerad post kan behålla exakta objekt, licensbevis, historik över återkallanden och källversioner för granskning eller auktoriserad översyn. Den publika delen ska ange sin gräns. En katalog som säger att inga väntande fält finns när detaljerna bara är privata är vilseledande. En katalog som gör privata bevis publika som standard är oaktsam.

För ingenjörer innebär detta att den publika sammanfattningen ska genereras från ett underhållet tillstånd snarare än skrivas för hand efter lansering. För styrningsgrupper innebär det att genereringssteget behöver granskning och en ändringslogg. För rättighetsinnehavare innebär det att det finns en väg från en publik kategori till ett meningsfullt svar när en fråga väcks. Sammanfattningen vinner trovärdighet när organisationen kan visa hur en korrigering färdas från en rapport till relevant källstatus och efterföljande beslut.

Det är också värt att skilja mellan informationsutlämnande och tillskrivning. En sammanfattning kan lista en samling utan att namnge varje skapare. Tillskrivningsmeddelanden kan krävas i en datamängd eller ett resultat enligt tillämplig licens. En rättighetsinnehavare kan behöva veta att ett visst verk ingick även när den publika sammanfattningen inte kan publicera en komplett objektslista. Det är separata designkrav. Svaret är inte att kräva att ett dokument gör allt.

Resultat öppnar frågan igen

Ett modellresultat kan se ut som ett nytt verk, men pipelinen kan inte förklara tidigare rättigheter irrelevanta bara för att formuleringen är annorlunda. Frågor om resultat inkluderar reproduktion, väsentlig likhet, tillskrivning, kommunikation, distribution, integritet och villkoren för driftsättningen. De inkluderar också vägen genom vilken en användare lämnade en inmatning, hämtade en källa, begärde en transformation eller bad systemet att imitera en namngiven stil. Resultatet är ett nytt steg med egna fakta.

Detta är inte ett argument för att varje genererad mening kränker upphovsrätten. Det är ett argument mot ett schablonmässigt antagande åt endera hållet. Resultatet kan vara en originell syntes, ett citat, en nära reproduktion, ett svar grundat i en licensierad källa, eller ett fel som kombinerar fragment från flera ställen. Ett rättighetsmedvetet system bör bevara tillräckligt med sammanhang för att undersöka den faktiska vägen. Vilken modellversion som kördes. Vilka hämtningskällor som användes. Vilken användarinstruktion som formade uppgiften. Vilka resultatkontroller som tillämpades. Återgavs en källa eller konsulterades den bara.

Tillskrivning kan bli särskilt förvirrande i detta skede. En hänvisning kan hjälpa läsaren att hitta en källa, men den uppfyller inte nödvändigtvis ett licensvillkor eller löser en reproduktionsfråga. Omvänt kan ett system ha en giltig licens för en källa och ändå producera ett resultat som är vilseledande, privat eller utanför användarens syfte. Resultatposten ska ange vad den kan fastställa och vad den lämnar till användaren eller driftsättaren.

Efterföljande användare behöver en tydlig gräns. En modellleverantör kan dokumentera modellen och dess träningspolicy. En driftsättare väljer ett syfte, tillhandahåller inmatningar, konfigurerar hämtning, exponerar ett gränssnitt och bestämmer vad som ska publiceras eller ageras på. Rättighetsläget kan ändras med dessa val. Samma modell kan användas för att sammanfatta ett auktoriserat internt arkiv eller för att rekonstruera en betald artikel för offentlig distribution. Förmåga är inte auktoritet.

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.

Betrakta en källfamilj som antagits för intern utvärdering. Ett senare team kan vilja publicera exempel, använda materialet i en kundvänd sök- eller hämtningstjänst eller finjustera en modell med det. Det är nya ändamål, inte bara tillämpningar av det gamla beslutet. Pipelinen bör kräva att den nya användningen ärver källans villkor och får en ny bedömning när ändamålet ändras. Återanvändning är en övergång, inte fri rörlighet.

Modellregister kan hjälpa genom att binda en release till exakt den datamängd och policy som gällde. De bör visa källfamiljerna, rättighetsstatus, transformationer, undantag, utvärderingsset och releasebeslutet på en nivå som passar målgruppen. De bör inte påstå att en grön status innebär att varje verk är juridiskt godkänt. En status är ett uttalande om den dokumentation och de kontroller organisationen har registrerat, inte en universell juridisk slutsats.

Dokumentation nedströms spelar roll eftersom ansvaret är fördelat. En leverantör kan publicera träningssammanfattningen och upphovsrättspolicyn. En integratör kan lägga till hämtningskällor, prompts, verktyg och användardata. En driftsättare kan besluta vilken åtgärd som följer på en utdata. En utgivare kan lägga genererat material inför allmänheten. Rättighetsfrågan kan följa med handlingen. Ett avtal kan fördela ansvar mellan parterna, men den tekniska vägen måste ändå visa vilken part som lämnade vilken dokumentation och fattade vilket beslut.

Portabel härkomst är därför mer än en bekvämlighet. När en datamängd eller modell flyttas mellan europeiska organisationer ska dess källstatus, reservationer, licenser, attribueringskrav och återdragningshistorik förbli läsbar. Annars blir portabilitet en återställningsknapp för rättigheter. Det mottagande teamet ser en ren artefakt och förlorar de fakta som gjorde artefakten styrbar.

Bra kontroller nedströms är ofta tråkiga. En export innehåller ett manifest. En modellrelease namnger datastatusen. Ett hämtningspaket registrerar källversioner. Ett användargränssnitt kan visa en citering eller ett avslag. En rapport bär den attribuering som licensen kräver. En begäran om återdragning hittar en ägare. Ingen av dessa kontroller gör organisationen immun mot tvister. De gör det möjligt att svara utan att låtsas att systemet saknar minne.

En europeisk operativ disciplin

De rättsliga instrumenten ger strukturen. En organisation måste ändå omvandla den strukturen till en rutin. Följande är en föreslagen operativ disciplin, inte juridisk rådgivning och inte ett substitut för en rättighetsbedömning i en viss medlemsstat.

  • Nämn syftet innan källan. Ange vad materialet är tänkt att stödja och vad som ligger utanför omfattningen. Ett syfte som kommer efter insamlingen är oftast en efterhandskonstruktion.
  • Skilj åtkomst från återanvändning. Dokumentera hur källan nåddes, bedöm sedan vilka handlingar den föreslagna användningen kräver. För inte en offentlig URL vidare som ett universellt tillstånd.
  • Håll rättighetsstatusen typad. Licensierad, undantagsbedömd, reserverad, nekad, ouppklarad, återkallad och godkänd för ändamålet ska inte kollapsa till en enda grön flagga.
  • För härkomst vidare genom transformationer. Håll källans identitet, version, behandlingsregel, licensbevis och beslutshistorik kopplade till det bearbetade tillståndet.
  • Dokumentera negativa beslut. Ett avslag, en karantän eller en ouppklarad granskning är en del av bevisningen och ska förhindra oavsiktlig upprepning.
  • Gör bevarandet tydligt. Ange vilka kopior, manifest, index, kontrollpunkter och utdata som finns kvar, vem som äger dem och när syftet eller granskningsperioden upphör.
  • Låt sammanfattningar och register stämma överens. Offentlig transparens ska genereras från underhållen bevisning och ska ange vad den inte avslöjar.
  • Testa återkallelse innan lansering. Använd en märkt övning för att se om en källa kan återfinnas över sina härledda tillstånd. Dokumentera begränsningar i stället för att hävda perfekt radering.

Denna disciplin är medvetet mindre glamorös än en AI-demo. Den har bättre chans att överleva en. Det svåra är inte att skriva orden rättighetsmedveten pipeline på en slide. Det är att se till att nästa komponent får tillräckligt med sammanhang för att inte förvandla ett kvalificerat beslut till en ovillkorlig kopia.

Kontrollerna ska också respektera proportionalitet. En lågrisk intern analys behöver inte samma offentliga redovisning som en generell modell som placeras på unionsmarknaden. Ett litet team kan behöva enklare verktyg än en stor leverantör. De underliggande frågorna kvarstår: vad nåddes, vad var tillåtet, vad gjordes, vad behölls och vem kan korrigera tillståndet. Proportionerligt betyder inte osynligt.

Mänskligt omdöme hör hemma där bevisningen verkligen är tvetydig. Maskinen kan tolka en reservation, jämföra en licensidentifierare, kontrollera ett manifest och stoppa en begäran. Den ska inte tyst hitta på en juridisk tolkning bara för att ett arbetsflöde annars skulle vänta. Det mänskliga beslutet ska vara typat, avgränsat och dokumenterat. Det är inte ett misslyckande för automatisering. Det är ett erkännande av att juridisk innebörd inte är en bieffekt av en lyckad tolkning.

En liten not från oss

På Dweve beskriver vårt offentliga Trust Centre samma åtskillnad i medvetet blygsamma ordalag. Winnow presenteras som insamlingsvägen som kontrollerar källans policy, robots.txt, hastigheter, mål och begärandeloggar. Spindle är styrningslagret för härkomst, kvalitet, policy, konflikter, återkallelse och befordran. Loom konsumerar styrt material eller använder Winnow genom en dokumenterad verktygsgräns. Beskrivningen hävdar inte att en crawlerkontroll gör varje operatörs ändamål lagligt, och den behandlar inte en offentlig källkatalog som den fullständiga privata bevisningsregistret.

Det är den användbara delen av exemplet, inte produktnamnen. En insamlingskomponent kan upprätthålla åtkomstdisciplin. En kunskapsstyrningskomponent kan bevara källans tillstånd och avgöra vad som får bestå. En modellkomponent kan dokumentera vad den faktiskt konsumerade. Det juridiska ansvaret förblir knutet till ändamålet och operatören. Att bygga ett internt system på detta sätt ger inget certifikat från universum. Det gör däremot organisationens påståenden lättare att granska och dess misstag lättare att rätta.

Det juridiska argumentet börjar tidigare

Upphovsrättstvister kring AI kommer ibland att kretsa kring svåra frågor som ingen pipeline kan besvara i förväg. Domstolar och myndigheter kan tolka undantag, avtal, reservationer, mångfaldigande och utdata på sätt som utvecklas över tid. Nationell implementering och omständigheterna kring en användning har betydelse. En teknisk dokumentation kan inte ersätta det arbetet. Den kan säkerställa att arbetet börjar med fakta i stället för föreställningar.

Den första användbara frågan är inte huruvida en modell har lärt sig från internet. Den frasen är för bred för att bära en juridisk eller teknisk innebörd. Fråga i stället vilka källfamiljer som omfattades, hur åtkomst erhölls, vilka kopior som gjordes, vilken rättighetsväg som bedömdes, vilka reservationer som iakttogs, vilka transformationer som kördes, vilket material som vägrades, vilka dataset- och modellversioner som ärvde tillståndet samt vilken offentlig sammanfattning eller nedströms dokumentation som togs fram.

Den andra användbara frågan är huruvida organisationen kan visa gränserna för sin egen kunskap. En källa kan vara identifierad men dess licens osäker. En reservation kan förekomma men dess omfattning vara omtvistad. En träningssammanfattning kan vara heltäckande på samlingsnivå men inte utgöra bevisning på objektsnivå. En borttagningsåtgärd kan stoppa framtida användning samtidigt som en historisk utgivning ligger utanför direkt kontroll. Det är inte medgivanden om misslyckande. Det är de gränser som ett seriöst system bör synliggöra.

Den tredje frågan är huruvida en korrigering kan färdas vidare. Om en rättighetsinnehavare rapporterar en oro, kan organisationen då identifiera källans tillstånd, det relevanta beslutet, de härledda tillgångarna och ägaren av nästa åtgärd? Om en källa ändrar sina villkor, kan framtida anskaffning då stoppas utan att det förflutna skrivs om? Om en modell finjusteras med ett nytt korpus, kan utgivningsposten då visa den nya rättighetsvägen? Om en användare begär skyddad mångfaldigande, kan avslaget och eventuella alternativa svar granskas i efterhand?

Det är därför som proveniens är mer än en artighet och varför radering är mer än en knapp. De är sätt att hålla ett juridiskt och tekniskt tillstånd sammankopplat när pipelinen ändrar form. Kopplingen kommer aldrig att vara perfekt. Källor försvinner, avtal står i konflikt, system ersätts och organisationer går samman. En avgränsad post kan inte lösa sådana fakta. Den kan hindra organisationen från att missta en saknad länk för en ren kedja.

Europas ansats kräver den disciplinen i flera register samtidigt. Upphovsrättslagstiftningen hanterar rättigheter, undantag, licenser och reservationer. AI-förordningen kräver att vissa modellleverantörer har en policy och en offentlig sammanfattning av träningsinnehåll. Dataskydd, databasrätt, avtalsrätt, konsumentskydd och sektorsregler tillför egna frågor. En pipeline bör inte platta ut dessa instrument till en enda efterlevnadsfärg. Den bör knyta den relevanta regeln till den handling den styr och lämna utrymme för en mänsklig bedömning där vägarna korsas.

Det finns inget behov av att göra prosan storslagnare än arbetet. Det väsentliga löftet är litet: vi vet vad som kom in, varför det kom in, vad som hände med det, vad som inte kom in, vart det tog vägen härnäst och hur vi ändrar kurs. En modell kan vara imponerande utan det löftet. Ett rättighetsmedvetet system kan inte.

Upphovsrätt är ett datapipelineproblem innan det är ett juridiskt argument, eftersom det juridiska argumentet behöver pipelinens minne. Bygg minnet vid den första kopian, håll villkoren kopplade genom transformationen och gör avslag, tillskrivning, bevarande och återkallande till synliga tillstånd. Sedan, när den svåra frågan kommer, kan organisationen svara med de fakta den faktiskt har i stället för med en självsäker berättelse som konstruerats i efterhand.

Källor