Datový původ | AI slovník

Odborná definice

Datový původ je soubor informací o vzniku, vlastníctve, získaní, právach, umístění a zmenách dat během jejich životního cyklu. Při AI má odpovídat na otázky, kdo data vytvořil, akou metodou, kdy, za jakým účelem, s jakým súhlasom nebo licencí, které zásahy byly vykonané a zda lze zdroj důveryhodne ověřit. Provenance podporuje auditovatelnost, reprodukovatelnost, posuzování kvality a reakci na incidenty, protože oddeluje důvěryhodné údaje od nejasného nebo nelegitímneho obsahu.

Srozumitelné vysvětlení

Dvě tabulky mohou obsahovat stejné sloupce, ale jedna pochází z kalibrovaného měření a druhá z neovereného webového exportu. Bez informace o původe vyzerají rovnocenne, ačkoli jejich důvěryhodnost je zcela jiná. Datový původ je rodokmeň datasetu. Zachycuje autora, způsob sběru, licenci, datum, verzi a důležité změny. Při generativní AI je nevyhnutný i pro řešení autorských práv, odstranění zakázaného zdroje a vysvětlení, z čeho byl vytvořený konkrétní korpus.

Časté otázky

Je URL zdroje dostatečný záznam původu?

Ne. URL může zaniknúť nebo se změnit. Potřebné jsou i datum získání, verze, licence, identita poskytovatela, kontrolní součet a popis transformací.

Jako provenance souvisí s licencí?

Záznam ukazuje, pod akými právami byl obsah získaný a či licence povoluje trénink, odvozené dielo, komerčné použití nebo další sdílení.

Co znamená chain of custody v datech?

Je to preukázatelná postupnost osůb a systémů, které měli data pod kontrolou. Důležitá je při forenzní analýze, bezpečnosti a regulovaných procesoch.

Má se původ evidovat i při syntetických datech?

Ano. Je třeba zaznamenat generátor, vstupní zdroje, prompt nebo konfiguraci, verzi modelu, filtry a pravidla, podle kterých byl syntetický záznam prijatý.

Jak se původ ověřuje při velkém webovom korpuse?

Používá se seznam domén a licencií, časové snímky, identifikátory dokumentů, hashování, deduplikace a pravidla pro vylúčení zdrojů s nejasným statusom.

Související pojmy

Zdroje a redakční stopa

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.