关于数据:木兰白玉兰开放数据许可协议10-正式发布

86次阅读

共计 2322 个字符，预计需要花费 6 分钟才能阅读完成。

开源凋谢是寰球人工智能产业出现减速倒退态势的重要驱动因素，无效进步了人工智能研发效益，减速了人工智能技术创新，促成人工智能生态构建。在技术钻研、产品开发等环节，更多翻新主体可能基于绝对成熟的开源软硬件平台，利用已有公共根底研发资源来减速人工智能研发。在此过程中，数据因素的自在流通变得越来越重要，数据凋谢成为推动人工智能翻新倒退的要害一环。

然而，以后在人工智能畛域尚不足切合实际的凋谢数据许可，使得数据因素的应用和流通仍存在诸多阻碍和不确定性，不仅容易产生数据安全及法律方面问题，而且因为对数据本质属性、存在状态、应用形式等方面仍意识有余，造成数据资源的应用现状与数据可供开掘的价值不匹配。为了人工智能技术和相干数据资源的可继续开发应用，凋谢数据许可协定的作用更加凸显。通过标准数据利益相干方的身份和概念定义，界定数据利益相干方之间对特定数据对象流通条件和形式的各自权责, 并尽可能以齐全凋谢的模式疏导数据流通，促成数据因素的凋谢共享与开发利用。

「木兰 - 白玉兰凋谢数据许可协定」是由「上海白玉兰开源凋谢研究院」在「木兰开源社区」框架和精力下所发动的一项钻研我的项目，旨在摸索创立一组标准化的、立足中国人工智能实际、推动数据因素流通、优化人工智能倒退环境的数据许可协定。

协定的草拟由「白玉兰开源」联结「凋谢数据中国」实现，过程中咱们对：

国内通用凋谢协定如常识共享协定、凋谢数据库协定（ODbL）等做了研读和了解，并将其中的术语、起草策略等加以总结和演绎
国内社群人工智能畛域数据流通的受权协定如微软起草的 O-UDA、C-UDA，Linux Foundation 起草的 Community Data License，Element AI 起草的 Montreal Data License 等做了研读和了解，并基于 Montreal Data License 的精力，对术语中规定的应用行为做了人工智能界别的定制化和粗疏化。
对中国现行民法典，以及数据安全法草案、个人信息保护法草案等予以研读，并借鉴了其中相干的术语定义

思考到数据因素流通的合规复杂性，以后草拟版本基于如下准则和适用性拟定：

针对人工智能训练数据集的公布拟定实用的协定
所公布数据应满足根本的公开公布、收费公布的前提
所公布数据符合国家数据安全的要求，不波及国家机密、国家平安、社会公共利益、商业秘密等
所公布数据不波及个人信息 (参照「《个人信息保护法（草案）》（二次审议稿）, 个人信息是以电子或者其余形式记录的与已辨认或者可辨认的自然人无关的各种信息， 不包含匿名化解决后的信息)

思考到以后人工智能训练数据集从权属角度可分为两类状况：

第一类，数据由数据发布者非法合规所有或具备用益权
第二类，数据由数据发布者通过非法合规的形式自第三方处获取汇编组合而得

因而「木兰 - 白玉兰凋谢数据许可协定」对上述两类状况产出了两组不同起草策略的协定：

第一组，即默认数据由数据发布者非法合规所有或具备处置权

咱们借鉴常识共享协定的模式，草拟了一套 4 份协定，即

MBODL：宽松凋谢协定，实用于最小化限定仅要求注明数据起源的数据公布
MBODL-NC：非商业应用协定，实用于禁止使用者商业化应用和分享数据及成绩
MBODL-SA：雷同形式许可，实用于要求上游流传数据可能以雷同形式给予许可，但不要求对产出的成绩应用协定的传染性
MBODL-CU：仅计算应用协定，实用于数据公布方禁止对数据本身的间接应用、展现的状况（如电视台作为数据公布方会心愿禁止视频数据自身的播放、拷贝、售卖等，但会容许应用视频数据作为训练数据训练视频语义标签等工作）

上述四个协定，均以 MBODL 为根底，在「许可限度」大节中予以减少不同的限度而造成。但正如 CC 协定，在这 4 套协定的根底上，也可再进行许可限度的叠加穿插，造成新的协定，如 MBODL-NC-CU，即规定非商业应用且仅计算应用，又如 MBODL-SA-CU，即规定雷同形式受权数据且仅计算应用。

第二组，即数据发布者数据为自第三方非法合规获取

咱们借鉴了 ODbL（凋谢数据库协定）的策略，对数据库 / 数据集的构造（即数据选取、组织的形式，database scheme）和数据内容予以了拆分受权的形式。此类受权策略仅为实验性，待进一步反馈确定 1）是否有实在需要 2）是否具备可操作性。

对于上述第二组的状况，咱们提供两个可能的案例开展阐明：

案例 1：数据发布者通过 wikipedia 和 flickr 等渠道获取了各类鸟类的图片数据，图片数据各自别离受权在 CC 等凋谢受权协定下，数据发布者通过选取和组合这些鸟类图片，增加了本身对鸟类的标签（鸟类照片对应的鸟类名称、科目等信息），最初造成了一个「鸟类图片训练数据集」须要受权公布。则在第二组协定的策略下，其将采纳「白玉兰开源凋谢数据协定」（仅受权构造）+「标注数据」（受权内容 - 发布者选用新受权）+「各图片原有协定」（受权内容 - 按照各自协定）的形式受权公布整个数据集。

案例 2：数据发布者通过受权形式（假如受权容许发布者从新公布影像图片）从 N 家医院各自获取了脱敏后的肺部 CT 影像图片数据，数据发布者本身投入人力实现了对上述影像数据的肺结节标注。数据发布者心愿将影像图片数据 + 标注数据组合公布为「肺结节规范训练数据集」，因而可采纳其将采纳「木兰 - 白玉兰凋谢数据许可协定」（仅受权构造）+「标注数据」（受权内容 - 发布者选用新受权）+「各图片原有协定」（受权内容 - 按照各自协定）的形式受权公布整个数据集。

咱们基于上述案例的场景形容，草拟了MBODL（构造内容拆散版）协定，作为一个独自的实验性协定供各界探讨适用性和条款的实际落地可能。

正文完