6 dni temu
Zespół tworzący model AI często zaczyna od pytania o jakość danych, ich wolumen i koszt pozyskania. Z perspektywy prawnej dane treningowe AI wymagają jednak wcześniejszego pytania: czy przedsiębiorca może je w ogóle zgromadzić, zwielokrotnić, udostępnić dostawcy chmury i wykorzystać do uczenia modelu? Błąd popełniony na tym etapie może pozostać niewidoczny do czasu audytu, sporu z twórcą albo incydentu związanego z danymi osobowymi.
Nie istnieje jedna ustawa, która rozstrzyga legalność zbioru treningowego. Ocena wymaga jednoczesnego uwzględnienia prawa autorskiego, RODO, przepisów o tajemnicy przedsiębiorstwa, ochronie baz danych, treści umów oraz obowiązków wynikających z AI Act. W praktyce znaczenie ma także rola podmiotu: inne ryzyka ponosi dostawca modelu ogólnego przeznaczenia, a inne spółka wdrażająca zamknięty system do analizy własnych dokumentów.
Dane treningowe AI: problem zaczyna się przed treningiem
Pojęcie danych treningowych obejmuje znacznie więcej niż pliki, które trafiają do procesu uczenia. Są to również metadane, etykiety tworzone przez anotatorów, prompty, dane walidacyjne i testowe, logi interakcji użytkowników oraz dane używane przy późniejszym dostrajaniu modelu. Każda z tych warstw może mieć odrębne pochodzenie i odmienny reżim prawny.
Samo pobranie materiału z internetu nie tworzy prawa do jego komercyjnego wykorzystania. Dostępność publiczna oznacza co najwyżej, iż treść była technicznie osiągalna. Nie przesądza o istnieniu licencji, zgodzie na przetwarzanie danych osobowych ani o braku zastrzeżenia praw przez uprawnionego. Szczególnie ryzykowne jest utożsamianie braku technicznych zabezpieczeń strony z dorozumionym przyzwoleniem na masowe pozyskiwanie jej zawartości.
Warto też rozdzielić dwa etapy, które bywają traktowane jako jeden proces. Pierwszy to pozyskanie i sporządzenie kopii materiałów. Drugi to korzystanie z wytrenowanego modelu, w tym jego dystrybucja, udostępnianie przez API oraz generowanie wyników. Legalność pierwszego etapu nie gwarantuje bezpieczeństwa drugiego, ale nieprawidłowość przy pozyskaniu danych może obciążyć cały projekt już od początku.
Prawa autorskie i eksploracja tekstów oraz danych
Teksty, fotografie, grafiki, nagrania, kod źródłowy czy artykuły prasowe mogą stanowić utwory chronione prawem autorskim. Proces treningowy zwykle wymaga ich kopiowania, konwersji, indeksowania i analizy. To właśnie te czynności, a nie tylko ewentualne podobieństwo wyniku modelu do konkretnego utworu, powinny być przedmiotem analizy.
Prawo Unii Europejskiej przewiduje wyjątki dotyczące eksploracji tekstów i danych, określane skrótem TDM. Nie są one jednak blankietową zgodą na trenowanie dowolnego systemu na wszystkim, co można znaleźć online. Dla przedsięwzięć komercyjnych najważniejsze są zgodny z prawem dostęp do materiału oraz możliwość zastrzeżenia korzystania przez uprawnionego. W środowisku internetowym takie zastrzeżenie powinno być dokonane w sposób maszynowo odczytywalny, ale jego ocena może wymagać analizy konkretnego serwisu, pliku lub repozytorium.
Inaczej wygląda sytuacja instytucji prowadzących badania naukowe w rozumieniu adekwatnych przepisów, a inaczej startupu budującego komercyjny model generatywny. Przedsiębiorca nie powinien automatycznie przenosić na swoją działalność wyjątków przewidzianych dla badań naukowych. Istotna bywa także treść regulaminu serwisu, warunków licencji open source lub umowy z dostawcą danych. Umowa może określać zakres dozwolonego korzystania, sposób przypisania autorstwa, zakaz dalszego udostępniania albo obowiązek usunięcia danych po zakończeniu współpracy.
Szczególnej ostrożności wymaga kod. Licencja pozwalająca na wgląd w repozytorium nie zawsze pozwala na wykorzystanie kodu jako materiału treningowego, a warunki licencji mogą wiązać się z obowiązkami przy późniejszej dystrybucji. Nie można przy tym zakładać, iż statystyczny charakter modelu automatycznie usuwa problem prawnoautorski. Ocena zależy od architektury systemu, sposobu retencji danych, możliwości odtwarzania fragmentów oraz rzeczywistego wykorzystania materiału w procesie.
RODO: dane dostępne publicznie przez cały czas są danymi osobowymi
Profile zawodowe, komentarze, wpisy w mediach społecznościowych, nagrania i zdjęcia twarzy często zawierają dane osobowe. Ich publiczna dostępność nie wyłącza stosowania RODO. o ile podmiot decyduje o celach i sposobach użycia tych danych do treningu, będzie co do zasady administratorem, choćby gdy dane zostały zebrane przez zewnętrznego dostawcę.
Projekt powinien zacząć się od ustalenia celu przetwarzania i podstawy prawnej. Zgoda rzadko jest realistyczna przy masowych zbiorach, ale powołanie się na prawnie uzasadniony interes również nie działa automatycznie. Wymaga zidentyfikowania interesu, oceny konieczności przetwarzania i wyważenia go z prawami osób, których dane dotyczą. Znaczenie mają skala zbioru, rozsądne oczekiwania użytkownika, charakter danych oraz ryzyko ich ujawnienia przez model.
Dane szczególnych kategorii, takie jak informacje o zdrowiu, poglądach politycznych, pochodzeniu etnicznym czy biometrii, podnoszą poprzeczkę istotnie wyżej. W wielu przypadkach ich usunięcie lub skuteczne wykluczenie będzie rozsądniejszym rozwiązaniem niż budowanie skomplikowanej konstrukcji prawnej. o ile projekt może powodować wysokie ryzyko dla praw i wolności osób fizycznych, konieczna może być ocena skutków dla ochrony danych, czyli DPIA.
W praktyce częstym błędem jest określanie jako anonimizacji prostego usunięcia imion i adresów e-mail. Dane pozostają osobowe, jeżeli można osobę zidentyfikować po połączeniu cech, kontekstu albo z użyciem informacji dostępnych u innych podmiotów. Pseudonimizacja zmniejsza ryzyko, ale nie wyprowadza danych poza RODO.
Tajemnica przedsiębiorstwa, bazy danych i obowiązki kontraktowe
Firma trenująca system na własnych dokumentach powinna oceniać nie tylko swoje prawa do ich użycia, ale także interesy kontrahentów i pracowników. Oferty handlowe, korespondencja, dokumentacja techniczna, listy klientów i dane o cenach mogą zawierać tajemnicę przedsiębiorstwa. Przekazanie ich zewnętrznemu dostawcy AI, choćby w celu testowym, może stanowić ujawnienie informacji osobie trzeciej.
Ochrona bazy danych może istnieć niezależnie od praw autorskich do pojedynczych rekordów. Masowe pobieranie istotnej części bazy lub powtarzalne pobieranie jej nieistotnych części może naruszać prawo producenta bazy. Osobnym źródłem ograniczeń są umowy: NDA, umowy licencyjne, postanowienia o poufności, regulaminy platform oraz umowy powierzenia przetwarzania danych.
Nie wystarczy zatem zapytać, czy spółka „ma dane”. Należy ustalić, czy ma prawo użyć ich do nowego, analitycznego celu, czy może przekazać je dalej, gdzie będą przechowywane oraz czy dostawca usługi nie wykorzysta ich do własnego treningu. Odpowiedź zależy od treści konkretnej umowy i konfiguracji usługi, a nie od marketingowej nazwy produktu AI.
AI Act nie legalizuje zbioru treningowego
Rozporządzenie AI Act wprowadza obowiązki dotyczące jakości danych, zarządzania ryzykiem i przejrzystości, ale nie zastępuje prawa autorskiego ani RODO. Zgodność z AI Act nie jest więc argumentem, iż dane zostały pozyskane legalnie. Przeciwnie, regulacja wymusza bardziej uporządkowane podejście do dokumentowania źródeł i procesu zarządzania danymi.
W systemach wysokiego ryzyka dane treningowe, walidacyjne i testowe powinny podlegać odpowiednim praktykom governance. Chodzi między innymi o projektowanie zbiorów pod kątem relewantności, reprezentatywności, możliwych błędów i uprzedzeń. Nie jest to nakaz osiągnięcia abstrakcyjnie „neutralnego” zbioru, ale obowiązek świadomego zarządzania ryzykami, które mogą prowadzić do dyskryminujących lub nierzetelnych rezultatów.
Dostawcy modeli AI ogólnego przeznaczenia mają dodatkowo obowiązek wdrożenia polityki zgodności z unijnym prawem autorskim oraz sporządzenia wystarczająco szczegółowego publicznego streszczenia treści użytych do treningu. Streszczenie nie oznacza publikacji kompletnego zbioru ani listy każdego utworu, ale nie może być wyłącznie ogólnikową deklaracją. Dla nabywców modeli jest to również sygnał, by badać dokumentację dostawcy przed włączeniem jego narzędzia do procesu biznesowego.
Jak przeprowadzić ocenę przed rozpoczęciem projektu
Najlepszy moment na ocenę prawną przypada przed pierwszym masowym pobraniem danych. Po treningu usunięcie wadliwie pozyskanego zbioru może nie wystarczyć, zwłaszcza gdy model został już rozpowszechniony lub gdy nie da się technicznie ustalić wpływu konkretnych danych na jego parametry.
Praktyczna analiza powinna objąć co najmniej cztery obszary:
- pochodzenie danych, ich właściciela, licencję, warunki dostępu i ewentualne zastrzeżenia TDM;
- występowanie danych osobowych, danych wrażliwych, tajemnicy przedsiębiorstwa oraz danych objętych ograniczeniami umownymi;
- architekturę przepływu danych, w tym lokalizację przetwarzania, podwykonawców, retencję, możliwość usunięcia i użycie danych przez dostawcę;
- dokumentację decyzji, ocenę ryzyka, zasady kontroli jakości oraz procedurę reagowania na żądania osób, twórców i kontrahentów.
Taka dokumentacja ma znaczenie nie tylko obronne. Ułatwia negocjowanie umów z dostawcami, przygotowanie informacji dla inwestora, przeprowadzenie audytu due diligence oraz zmianę technologii bez utraty kontroli nad materiałem źródłowym. W organizacjach regulowanych powinna być elementem szerszego systemu compliance, a nie jednorazową opinią przygotowaną tuż przed premierą produktu.
Dobrze zbudowany rejestr źródeł danych często staje się ważniejszy niż sam deklarowany rozmiar zbioru. Pozwala bowiem wykazać, iż model rozwijano na materiale, którego pochodzenie, ograniczenia i ryzyka są rzeczywiście znane – a właśnie ta wiedza daje przedsiębiorcy przestrzeń do odpowiedzialnego rozwoju AI.
