不要轻信所见许可证：数据集合规需要大规模 AI 驱动的生命周期追踪
计算机与社会
2025-03-17 v3 人工智能
摘要
本文论证了数据集的法律风险无法仅通过其许可证条款准确评估；相反，追踪数据集再分发及其完整生命周期至关重要。然而，这一过程过于复杂，法律专家无法手动以大规模处理。追踪数据集来源、验证再分发权利以及评估多个阶段的演变法律风险需要超出人类能力的精度和效率。有效应对这一挑战需要能够系统追踪数据集再分发、分析合规性并识别法律风险的 AI 代理。我们开发了一个名为 NEXUS 的自动化数据合规系统，并表明 AI 可以以比人类专家更高的准确性、效率和成本效益来执行这些任务。利用这种方法我们对 17,429 个唯一实体和 8,072 个许可证条款进行了大规模法律分析，揭示了原始数据集在再分发前与其再分发子集之间法律权利的差异，强调了数据生命周期感知合规的必要性。例如，我们发现 2,852 个具有商业可行单独许可证条款的数据集中，仅有 605 个（21%）在法律上允许商业化。这项工作为 AI 数据治理设定了新标准，倡导系统审视数据集再分发完整生命周期的框架，以确保透明、合法和负责任的数据集管理。
引用
@article{arxiv.2503.02784,
title = {Do Not Trust Licenses You See: Dataset Compliance Requires Massive-Scale AI-Powered Lifecycle Tracing},
author = {Jaekyeom Kim and Sungryull Sohn and Gerrard Jeongwon Jo and Jihoon Choi and Kyunghoon Bae and Hwayoung Lee and Yongmin Park and Honglak Lee},
journal= {arXiv preprint arXiv:2503.02784},
year = {2025}
}