قائمة التحقق المكونة من 6 نقاط للعناية الواجبة للبيانات لمشتري الذكاء الاصطناعي

في سوق تدريب الذكاء الاصطناعي وذكاء المؤسسات عالي المخاطر، لا تكون مجموعة البيانات ذات قيمة إلا بقدر سلامتها القانونية والتقنية. مع انتقال المؤسسات من تخزين البيانات العشوائي إلى شراء البيانات الاستراتيجي، ارتفعت مخاطر الحصول على "أصول سامة" - مجموعات بيانات ذات مصدر غير واضح أو حقوق مقيدة - بشكل كبير. وفقًا لـ Gartner، تكلف جودة البيانات السيئة المؤسسات ما متوسطه 12.9 مليون دولار سنويًا (https://www.gartner.com/smarterwithgartner/how-to-improve-your-data-quality)، وهو رقم لا يشمل حتى المسؤوليات القانونية المحتملة لانتهاك حقوق النشر أو عدم الامتثال التنظيمي.

بالنسبة لمشتري البيانات، يتمثل الهدف من العناية الواجبة في ضمان أن الأصل ليس مناسبًا تقنيًا للغرض فحسب، بل أيضًا "نظيف" قانونيًا لحالة الاستخدام المقصودة. سواء كنت تتصفح كتالوج مجموعات البيانات المنسقة أو تتفاوض على صفقة ترخيص خاصة، فإن إطار العمل المكون من 6 نقاط هذا هو قائمة التحقق النهائية للتحقق قبل الاستحواذ.

1. المصدر وسلسلة الملكية

السؤال الأول الذي يجب على كل مشتري طرحه هو: من أين نشأت هذه البيانات؟ يحدد المصدر سلالة البيانات من لحظة الجمع إلى نقطة البيع. يجب عليك التحقق مما إذا كانت البيانات قد تم جمعها عبر مستشعرات الطرف الأول، أو نماذج مقدمة من المستخدمين، أو عن طريق كشط الويب. إذا تم كشط البيانات، فيجب أن تشمل العناية الواجبة مراجعة ملفات Robots.txt وشروط الخدمة لموقع المصدر وقت الجمع. تسلط الإجراءات القانونية الأخيرة، مثل التحذير الرسمي من Sony Music لأكثر من 700 شركة ذكاء اصطناعي بشأن استخدام البيانات غير المصرح به، الضوء على مخاطر المصدر الغامض. يجب على البائع تقديم وثيقة واضحة لسلسلة الملكية، تصدق على حقه في ترخيص الأصل.

2. الملكية الفكرية ونطاق الترخيص

امتلاك البيانات لا يعني امتلاك الحق في ترخيصها لتدريب الذكاء الاصطناعي. يجب أن تؤكد العناية الواجبة أن البائع يمتلك الحقوق المحددة لـ "الترخيص من الباطن" و "إنشاء أعمال مشتقة" و "توزيع" البيانات. يجب على المشترين التمييز بين التراخيص الدائمة والاتفاقيات المحددة المدة. على سبيل المثال، تظهر الصفقة التاريخية بين News Corp و OpenAI، والتي تقدر قيمتها بأكثر من 250 مليون دولار على مدى خمس سنوات (https://www.wsj.com/business/media/news-corp-openai-deal-content-licensing-3127390f)، حجم الترخيص المتميز حيث يتم تحديد الاستخدام بدقة. تأكد من أن عقدك يتضمن "شرط تعويض" يحميك إذا ادعى طرف ثالث لاحقًا أن البيانات تنتهك حقوق الطبع والنشر الخاصة بهم.

3. الامتثال التنظيمي (اللائحة العامة لحماية البيانات وقانون البيانات الأوروبي)

البيانات التي تحتوي على معلومات التعريف الشخصية (PII) تمثل مسؤولية كبيرة. بموجب اللائحة العامة لحماية البيانات، يمكن أن تصل غرامات عدم الامتثال إلى 20 مليون يورو أو 4٪ من إجمالي دوران الشركة العالمي (https://gdpr-info.eu/art-83-gdpr/). يجب أن تشمل العناية الواجبة الخاصة بك تقييم تأثير حماية البيانات (DPIA). إذا تم تسويق مجموعة البيانات على أنها "مجهولة الهوية"، فيجب عليك التحقق من طريقة إخفاء الهوية. في العديد من الولايات القضائية، لا يكفي إخفاء الهوية البسيط لتجاوز قوانين الخصوصية. علاوة على ذلك، مع سريان قانون البيانات الأوروبي الآن، يجب على المشترين التأكد من أن مشاركة البيانات لا تنتهك حماية الأسرار التجارية أو المتطلبات القانونية لنقل البيانات.

4. السلامة التقنية والتحيز الإحصائي

يمكن أن تكون مجموعة البيانات مثالية من الناحية القانونية ولكنها عديمة الفائدة من الناحية التقنية. يجب على المشترين طلب عينة لـ "تحليل البيانات الاستكشافي" (EDA) للتحقق من:

• الاكتمال: نسبة القيم المفقودة أو "القيم الفارغة" عبر الميزات الهامة.
• الحداثة: الطابع الزمني لآخر تحديث؛ يمكن أن تؤدي البيانات القديمة إلى انحراف النموذج.
• التحيز: فجوات التمثيل التي قد تتسبب في أداء الذكاء الاصطناعي الخاص بك بشكل سيء على ديموغرافيات أو سيناريوهات محددة.

يمكن أن يساعد استخدام دليل شامل للعناية الواجبة بالبيانات فريقك التقني في وضع معايير صحيحة لهذه المقاييس قبل التحويل النهائي.

5. الأمان وبنية تسليم البيانات

كيفية نقل البيانات لا تقل أهمية عن البيانات نفسها. ارتفعت متوسط تكلفة خرق البيانات إلى 4.45 مليون دولار (https://www.ibm.com/reports/data-breach)، مما يجعل مرحلة التسليم نافذة عالية المخاطر. يجب على المشترين تدقيق بروتوكولات الأمان الخاصة بالبائع، والبحث عن شهادة SOC2 Type II أو الامتثال لمعيار ISO 27001. تفضل التسليم الآمن المستند إلى واجهة برمجة التطبيقات (API) أو حاويات S3 المشفرة بدلاً من محركات الأقراص المادية أو نقل FTP غير المشفر. تأكد من أن العقد يحدد تنسيق البيانات (على سبيل المثال، Parquet، JSONL) لتجنب تكاليف التكامل غير المتوقعة.

6. التقييم التجاري واستراتيجية الخروج

أخيرًا، تحقق من التقييم مقابل معايير السوق. هل يعتمد السعر على نموذج "التكلفة لإعادة الإنشاء" أو نموذج "قيمة المنفعة"؟ يتم تسعير مجموعات البيانات ذات النية العالية، مثل محتوى Reddit المرخص لجوجل بحوالي 60 مليون دولار سنويًا (https://www.reuters.com/technology/reddit-ai-content-licensing-deal-with-google-worth-about-60-mln-year-source-says-2024-02-22)، بناءً على قيمتها الفريدة لنماذج اللغة الكبيرة. يجب أن تأخذ العناية الواجبة الخاصة بك أيضًا في الاعتبار "إيقاف البيانات": ماذا يحدث للبيانات إذا تم إنهاء العقد؟ هل يجب حذف النماذج المدربة على تلك البيانات (إلغاء تعلم الآلة)، أم أن الترخيص يسمح بالاحتفاظ بالأوزان؟

ما يعنيه هذا بالنسبة لك

بالنسبة لمشتري البيانات، تعد العناية الواجبة الصارمة هي الدرع الوحيد ضد التقلبات القانونية والتقنية لعصر الذكاء الاصطناعي. بالنسبة لأصحاب البيانات، فإن كونك "جاهزًا للعناية الواجبة" - مع توثيق المصدر والحقوق ومقاييس الجودة الخاصة بك - هو أسرع طريقة لزيادة تقييم أصولك. سواء كنت تتطلع إلى تحقيق الدخل من أرشيف موجود أو الحصول على مجموعة بيانات متخصصة للضبط الدقيق، توفر d-nvest البنية التحتية لسد هذه الفجوات بالشفافية والأمان.