Գեներատիվ արհեստական բանականության (AI) շուրջ ձևավորված իրավական դաշտը փորձարարական հիացմունքի շրջանից անցնում է խիստ դատական վերահսկողության փուլ։ Seattle Times-ի և Newsday-ի կողմից OpenAI-ի և Microsoft-ի դեմ վերջերս հարուցված դատական գործերը արդյունաբերության համար վճռորոշ շրջադարձային կետ են։ Թեև այս հայցերը կենտրոնացած են հեղինակային իրավունքով պաշտպանված լրագրողական բովանդակության՝ առանց թույլտվության օգտագործման վրա՝ Խոշոր լեզվական մոդելների (LLM) ուսուցման համար, դրանց հետևանքները շատ ավելին են, քան պարզապես լրատվամիջոցների խնդիրը։ Դրանք շոշափում են արագ տեխնոլոգիական նորարարության և մտավոր սեփականության հաստատված պաշտպանության միջև առկա հիմնարար լարվածությունը։

Բիզնեսի ղեկավարների և տեխնոլոգիական ճարտարապետների համար այս զարգացումները նշանավորում են AI էկոհամակարգի հասունացումը։ Տվյալների հավաքագրման (data scraping) «վայրի արևմուտքի» դարաշրջանը ավարտվում է. դրա փոխարեն մենք մտնում ենք մի ժամանակաշրջան, որտեղ մոդելների ուսուցման համար տվյալների ձեռքբերումը պետք է լինի նույնքան թափանցիկ և իրավականորեն հիմնավորված, որքան հենց ծրագրային կոդը։

Մտավոր սեփականության իրավունքների և ուսուցման արդյունավետության բախումը

Վեճի առանցքում մեծածավալ տվյալների հավաքագրումն է, մասնավորապես՝ մարդկանց կողմից մշակված բարձրարժեք լրագրողական նյութերի օգտագործումը AI մոդելների աշխատանքը կատարելագործելու համար։ Նախկինում գեներատիվ AI-ի հնարավորությունները հիմնված էին դրա ուսուցման գործընթացների «սև արկղ» (black box) բնույթի վրա։ Ընկերությունները պնդում էին, որ AI-ի փոխակերպող բնույթը, որը սինթեզում է տեղեկատվությունը նոր արդյունքներ ստեղծելու համար, համապատասխանում է «արդար օգտագործման» (fair use) սկզբունքին։ Այնուամենայնիվ, հրատարակիչները ավելի ու ավելի են վիճարկում այս պնդումը՝ պնդելով, որ այդ մոդելները ոչ միայն սովորում են տեղեկատվությունից, այլև ակտիվորեն «կլանում» են սկզբնական բովանդակության արժեքը՝ տրամադրելով ուղղակի, սինթեզված պատասխաններ, որոնք զրկում են օգտատիրոջը սկզբնաղբյուր կայք այցելելու անհրաժեշտությունից։

Սա լուրջ երկընտրանք է ստեղծում այն կազմակերպությունների համար, որոնք ձգտում են AI-ն ինտեգրել իրենց աշխատանքային գործընթացներում։ Եթե ձեր բիզնեսը հիմնվում է սեփական տվյալների վրա՝ հատուկ մոդելներ կառուցելու համար, կամ եթե դուք օգտագործում եք երրորդ կողմի API-ներ, որոնք հիմնված են կասկածելի ուսումնական հավաքածուների վրա, դուք կարող եք թաքնված իրավական ռիսկեր կրել։ Կազմակերպությունները այժմ պետք է առաջնահերթություն տան «տվյալների հիգիենային»՝ որպես իրենց Թվային փոխակերպման (Digital Transformation) ռազմավարության հիմնասյուն։

Ձեռնարկությունների համար դասերը պարզ են.

  • Տվյալների ծագումը կարևոր է. Բիզնեսի ղեկավարները պետք է աուդիտի ենթարկեն իրենց AI մատակարարման շղթան։ Որտեղի՞ց են գալիս տվյալները։ Արդյո՞ք դուք հիմնվում եք այնպիսի մոդելների վրա, որոնք ունեն տվյալների ձեռքբերման թափանցիկ և էթիկական քաղաքականություն։
  • Անցում դեպի RAG. Մենք ականատես ենք լինում Retrieval-Augmented Generation (RAG)-ի հանդեպ հսկայական հետաքրքրության։ Ի տարբերություն ավանդական ուսուցման, որը տվյալները ներառում է մոդելի կշիռների մեջ, RAG-ը թույլ է տալիս ընկերություններին իրենց AI-ն կցել ապահով, ներքին և սեփական գիտելիքների բազային։ Սա պահպանում է ձեր տվյալների գաղտնիությունը, նվազեցնում իրավական ռիսկերը և զգալիորեն բարձրացնում AI-ի արդյունքների ճշգրտությունն ու համապատասխանությունը։
  • ROI-ի հետևանքները. Անօրինական կամ «կեղտոտ» տվյալների վրա մոդելներ կառուցելու արժեքը ի վերջո կարող է վերածվել դատական ծախսերի կամ մոդելների հարկադիր վերաուսուցման։ Բարձրորակ, իրավականորեն հաստատված տվյալների մեջ ներդրում կատարելը երկարաժամկետ ROI-ի հասնելու ավելի պատասխանատու ճանապարհ է։

Համապատասխանության ապահովում. Ավտոմատացման ապագան

Դատական դահլիճներից դուրս այս իրավական միտումն արագացնում է AI գործակալների (AI Agents) ներդրումը, որոնք գործում են հստակ սահմաններում։ Ժամանակակից ձեռնարկության նպատակը ոչ թե պարզապես «AI ունենալն» է, այլ հուսալի, ինքնավար աշխատակիցների ներդրումը, որոնք կարող են կառավարել CRM-ի բարդ թարմացումները, հաճախորդների սպասարկման հարցումները և մատակարարման շղթայի լոգիստիկան՝ առանց հանրային տվյալների հավաքագրման էթիկական գորշ գոտիներ մուտք գործելու։

Երբ ընկերությունները անցնում են ուղղահայաց (vertical) AI-ի՝ հատուկ արդյունաբերական կարիքներին հարմարեցված մոդելների, այլ ոչ թե ինտերնետային ընդհանուր հավաքիչների, նրանք ավելի լավ վերահսկողություն են ստանում իրենց էկոհամակարգի նկատմամբ։ Ավտոմատացումն այլևս համացանցից կույր կերպով տվյալներ հավաքելը չէ, այլ մասնավոր, բարձր ամբողջականություն ունեցող հետադարձ կապի համակարգեր կառուցելը։ Դիտարկելով ձեռնարկատիրական AI-ի ընդունման կորը՝ տեսնում ենք, որ կհաջողեն այն ընկերությունները, որոնք հաջողությամբ կհավասարակշռեն բարձր արտադրողականության ավտոմատացման ձգտումը տվյալների կառավարման հանդեպ պահպանողական և ռիսկերը գիտակցող մոտեցմամբ։

Ավելին, այս դատավարությունները ազդարարում են, որ «անվճար» տվյալների դարաշրջանը ավարտվում է։ Ապագա բիզնես մոդելները, հավանաբար, կներառեն ավելի շատ լիցենզավորման համաձայնագրեր AI մշակողների և բովանդակության սեփականատերերի միջև։ Սա կբարձրացնի հիմնարար մոդելների կառուցման արժեքը, սակայն ի վերջո կկայունացնի շուկան՝ տալով իրավական այն հստակությունը, որն անհրաժեշ