Software & Law

Сделки M&A с ИИ-активами

Мы с Настей Нерчинской подготовили статью о том, как структурировать сделки M&A при приобретении ИИ-бизнесов по российскому праву.

Направление только развивается и ряд вопросов остаются открытыми. Но рынок не спит и требует правовой определенности. Мы постарались структурировать то, что есть de lege lata (сейчас).

В статье разобрали:

1️⃣ Что из себя представляет ИИ-решение как объект сделки M&A

2️⃣ Три типа ИИ-бизнесов (создатели, адаптеры, интеграторы) и чем они отличаются

3️⃣ Квалификация ИИ-активов (модели, обучающего датасета) по российскому праву

4️⃣ Почему "стандартного" due diligence в ИИ-сделке не будет достаточно

5️⃣ Что точно стоит проверить в сделке M&A по покупке ИИ-бизнеса

Очевидно, что сфера будет развиваться, а за ней и правовая мысль.

А значит не время, видимо, отдыхать. Улыбаемся и машем Мониторим и актуализируем😁

Обучение ИИ на охраняемых материалах. Часть 2. Аргументы ПРОТИВ

Мы остановились на том, что ИИ модель и обучающий датасет могут нарушать права на чужую IP.

Что в этой части можно сказать?

В России по поводу обучения ИИ и его правомерности "мало что сказано и сделано".

Поэтому для понимания вопроса и возможных развилок приходится обращаться к зарубежному опыту. Обычно в этом плане выделяют США, Европу и Японию:

1⃣ В США есть fair use (исключение, допускающее использование чужого IP без согласия правообладателя), и оно может покрывать обучение ИИ.

2⃣ В Европе есть своя версия исключений - Text and Data Mining.

3⃣ В Японии обучение считается Non-Enjoyment use и не подпадает под монополию правообладателя (то есть не является использованием в юридическом понимании).

Но, как говорится, есть нюанс. А юристам важно знать нюансы.

✳ Fair use (США)

Fair use - это (упрощенно) американская версия исключений из монополии правообладателя.

У Fair use есть критерии (факторы), а у них - подкритерии. Одним из подкритериев является критерий трансформативности (видоизменяет ли новое произведение первое с новым выражением, смыслом или посылом).

Он не единственный, но очень важный. Без него тест может быть не пройден, а нарушение установлено.

По мнению Бюро авторского права США, обучение модели GenAI на больших и разнообразных наборах данных часто является трансформативным.

Но тут же Бюро оговаривается.

Преобразующий характер зависит от цели. Обучение модели для исследовательских целей или для выполнения узкой, не подменяющей задачи (например, модерация контента) - более преобразующее. Обучение модели для генерации контента, очень похожего на оригинальные работы (например, изображений в стиле популярного мультсериала), - наименее преобразующее и вряд ли будет считаться добросовестным использованием.

В общем в США все не так однозначно. Идем дальше.

✳ Text and Data Mining (Европа)

Тут вообще много вопросов, но начнем по порядку. Вот что пишут о TDM в исследовании по заказу Европейского парламента:

Традиционный TDM определяется как аналитический метод, направленный на извлечение информации, закономерностей или корреляций. Напротив, обучение генеративного ИИ — это принципиально иной процесс, представляющий собой синтез и экспрессивное воспроизведение, а не просто извлечение фактов или знаний.

Иными словами, они указывают, что деятельность GenAI - это не только анализ, но и последующее воспроизведение, которое не покрывается исключением TDM.

Европейский парламент обращает внимание, что это последовательная позиция и в 2014, и в 2016 годах об GenAI даже не думали.

Ведомство интеллектуальной собственности ЕС в этой части отмечает:

Основная точка зрения в юридической литературе заключается в том, что TDM может включать процесс обучения ИИ, но не генерацию выходных данных

На самом деле этим проблемы TDM не ограничиваются. Есть еще странный opt-out, непонятный законный доступ, вопросы к скоупу TDM по субъектному составу. Но главный тут вывод - в Европе все также неоднозначно.

Остается Япония, но ее я не смог уместить в пост, так что расскажу об этом в другой раз. Тем более что есть более интересный способ послушать мои (и не только) аргументы - AI: БАТТЛ "АВТОРЫ vs ИИ".

Жду Вас!

Обучение ИИ на охраняемых материалах. Часть 1. Введение

Я сторонник инноваций и поддерживаю развитие ИИ, его обучение. Но слепую веру мы не поддерживаем и не закрываем глаза на аргументы против.

Вот, не закрываю.

Итак, ИИ-модель, согласно разным позициям, может нарушать права на чужую IP двумя основными способами:

➡Через обучающий датасет (который создается на основании чужого IP и, скорее всего, не удаляется после обучения модели, ибо существует дрифт данных и концепции, про который можно почитать тут).

➡Через саму модель, которая в своих параметрах может «сохранять» чужие объекты или их охраняемые элементы.

В части обучающего датасета всё более-менее понятно – это точно воспроизведение, и нужен какой-то доп. костыль, чтобы это было правомерно без согласия правообладателей.

С моделью, как будто, всё должно быть проще, но отнюдь. Вот что об этом пишут в материале Бюро авторского права США и в исследовании по заказу Европейского парламента (обобщил на свой лад):

Если модель способна воспроизвести произведение почти дословно или с высокой степенью схожести (без явного указания в запросе), это означает, что произведение «хранится» внутри её параметров.

Веса модели — это фиксированные наборы чисел, которые можно копировать и распространять. Если они содержат «запомненные» произведения, то такое копирование может считаться воспроизведением самих произведений, даже если копирование совершает третье лицо, не участвовавшее в обучении.

Как и в случае с файлами (например, MP3 или JPEG), произведение не обязательно должно быть напрямую «видимым» в весах модели — достаточно, чтобы его можно было извлечь и воспроизвести с помощью техники (в данном случае, запуска модели).

Получается, что и модель, и обучающий датасет могут быть источниками риска. Проблема есть, а как ее решать?

База знаний по регулированию ИИ

Мы с командой раз в квартал выпускаем дайджест по цифровому праву.

И на протяжении последних нескольких лет собираем информацию о регулировании искусственного интеллекта: как российского, так и зарубежного/международного.

И я подумал, а почему бы не поделиться этой базой с вами. В удобном виде, только ИИ.

Если чего-то не хватает - напишите мне. Ведь чем полнее база, тем ценнее она для всех нас!

Архитектура LLM. Часть 4. Альтернативная квалификация.

В противовес описанной выше правовой квалификации существует альтернативная.

Что LLM - это ПО, а не комбинация ПО + базы данных. Описанные ранее как базы данных файлы в таком случае рассматриваются как данные, т.е составная часть ПО.

У обеих позиций есть свои плюсы и минусы (некоторые из них мы обсудили в комментариях к одному из постов).

⭕ Один из основных недостатков, это историческое понимание данных (в составе ПО). Традиционно к данным относились встроенные константы и параметры, структуры данных, метаданные и др. Масштабные и сложные файлы весов LLM "небесшовно" вписываются в это устоявшееся определение.

⭕ Второй, на который нужно обратить внимание - это смещение ценности в случае с LLM с кода в сторону весов модели. Это ставит под вопрос корректность их рассмотрения как второстепенного (по крайней мере в рамках текущего понимания) компонента - «данных».

Тем не менее, чтобы сформировать полную картину, важно взглянуть на ситуацию и под другим углом.

✅ Веса модели отличаются от классических баз данных.

✅ Веса модели могут быть интерпретированы как масштабные конфигурационные данные или "параметры программы", т.е описаны как составной элемент программы, без которой она не будет работать и теряет свой смысл.

✅ В целом на сегодняшний день такой подход является более понятным и легче реализуемым с правовой точки зрения.

В будущем, если/когда на рынке сформируется устойчивый самостоятельный оборот весов моделей как независимого актива, это, безусловно, может потребовать точечных изменений в законодательстве de lege ferenda.

Но в текущих реалиях такие изменения выглядели бы преждевременными. Пока квалификация LLM как единого программного комплекса остается наиболее практичной и удобной.

Привет, друзья! 👋

Хочу поделиться с вами интересной новостью — мой хороший друг Паша Мищенко запускает второй поток курса по ИИ для юристов.

Я давно интересуюсь ИИ и видел, как Паша одним из первых (среди русскоязычных энтузиастов) создал профессиональный чат, где юристы обсуждают применение нейросетей в практике, разбирают реальные кейсы, делятся лайфхаками и спорят о будущем.

Чат взорвался активностью: там столько ценных кейсов, лайфхаков и обсуждений, что порой набирается до 1000 сообщений в день! Это невероятно полезно, но уследить за всем просто невозможно (по крайней мере я часто ленюсь).

Поэтому Паша решил собрать самых активных экспертов чата и сделать курс. Без воды, с понятными объяснениями и реальными примерами.

Так что если вы тоже не хотите копаться в горе несистематизированной информации — курс стартует 12 мая!