მანქანური სწავლისა და ხელოვნური ინტელექტის სხვა დაკავშირებული სფეროების განვითარებამ ბოლო წლებში განსაკუთრებულად იფეთქა, ნაწილობრივ ღია კოდის კულტურის ფართო გავრცელების წყალობით საინფორმაციო და საკომუნიკაციო ტექნოლოგიების (სსტ) სექტორში, რამაც ღრმად შეაღწია მანქანური სწავლის კვლევისა და განვითარების დინამიკაში. მიუხედავად ღიაობის უპირატესობებისა, როგორც ინოვაციის ძირითადი ღირებულებისა ამ სფეროში, (უკვე აღარც ისე ბოლოდროინდელმა) მოვლენებმა, რომლებიც დაკავშირებულია მანქანური სწავლის მოდელების შემუშავებისა და გამოყენების ეთიკურ და სოციალურ-ეკონომიკურ პრობლემებთან, ნათელი გზავნილი გაავრცელა: ღიაობა საკმარისი არ არის. დახურული სისტემები კი არ წარმოადგენს გამოსავალს, რადგან პრობლემა კვლავაც რჩება კომპანიების კერძო ხელოვნური ინტელექტის განვითარების პროცესების გაუმჭვირვალობის ფონზე. მანქანური სწავლის მოდელებზე წვდომა, მათი განვითარება და გამოყენება ძლიერ გავლენას განიცდის ღია კოდის ლიცენზირების სქემებისგან. მაგალითად, მანქანური სწავლის დეველოპერებმა შეიძლება საუბარში თქვან „მოდელის ღია კოდის გახსნა“, როდესაც მის „წონებს“ ხელმისაწვდომს ხდიან ოფიციალური ღია კოდის ლიცენზიის, ან ნებისმიერი სხვა ღია პროგრამული უზრუნველყოფის თუ კონტენტის ლიცენზიის (როგორიცაა Creative Commons) გამოყენებით. ეს კითხვას ბადებს: რატომ აკეთებენ ამას? არის თუ არა მანქანური სწავლის არტეფაქტები და საწყისი კოდი მართლაც ასე მსგავსი? აქვთ თუ არა მათ საკმარისი ტექნიკური საერთო, რომ კერძო მმართველობის მექანიზმებმა (მაგალითად, ღია კოდის ლიცენზიები), რომლებიც საწყისი კოდისთვის არის შექმნილი, ასევე უნდა არეგულირებდეს მანქანური სწავლის მოდელების განვითარებასა და გამოყენებას? მოდელების ამჟამინდელ დეველოპერების უმეტესობას ასე მიაჩნია, რადგან ღიად გამოშვებული მოდელების უმრავლესობას აქვს ღია კოდის ლიცენზია (მაგალითად, Apache 2.0). იხილეთ, მაგალითად, Hugging Face-ის მოდელების ცენტრი და Muñoz Ferrandis & Duque Lizarralde (2022). თუმცა, ემპირიული მონაცემები ასევე გვეუბნება, რომ ღია კოდის გახსნისა და/ან თავისუფალი პროგრამული უზრუნველყოფის დინამიკისადმი ხისტი მიდგომა და „თავისუფლება 0-ის“ აქსიომატური რწმენა მანქანური სწავლის არტეფაქტების გამოშვებასთან დაკავშირებით, სოციალურ-ეთიკურ დამახინჯებებს ქმნის მანქანური სწავლის მოდელების გამოყენებაში (იხ. Widder et al. (2022)). უფრო მარტივად რომ ვთქვათ, ღია კოდის ლიცენზიები არ ითვალისწინებს მოდელის, როგორც პროგრამული უზრუნველყოფისგან/საწყისი კოდისგან განსხვავებული არტეფაქტის, ტექნიკურ ბუნებასა და შესაძლებლობებს და ამიტომ ცუდად არის მორგებული მანქანური სწავლის მოდელების უფრო პასუხისმგებლიანი გამოყენების უზრუნველსაყოფად (მაგ. ღია კოდის განსაზღვრების მე-6 კრიტერიუმი), იხ. ასევე Widder et al. (2022); Moran (2021); Contractor et al. (2020). თუ მანქანური სწავლის მოდელების დოკუმენტაციის, გამჭვირვალობისა და ეთიკური გამოყენებისადმი მიძღვნილი სპეციფიკური, ad hoc პრაქტიკები უკვე არსებობს და ყოველდღიურად უმჯობესდება (მაგ., მოდელის ბარათები, შეფასების ეტალონები), რატომ არ უნდა იყოს ღია ლიცენზირების პრაქტიკებიც ადაპტირებული მანქანური სწავლის მოდელებიდან გამომდინარე სპეციფიკურ შესაძლებლობებსა და გამოწვევებზე? იგივე შეშფოთება იზრდება კომერციულ და სამთავრობო მანქანური სწავლის ლიცენზირების პრაქტიკებშიც. Bowe & Martin-ის (2022) სიტყვებით: „ბაბაკ სიავოშიმ, Anduril Industries-ის მთავარმა იურისტმა, იკითხა, თუ რა ტიპის სალიცენზიო პირობები უნდა გავრცელდეს ხელოვნური ინტელექტის ალგორითმზე, რომელიც კერძოდ შეიქმნა კომპიუტერული ხედვის ობიექტების ამოცნობისთვის და ადაპტირდება სამხედრო დამიზნებისთვის ან საფრთხის შეფასებისთვის? არც კომერციული პროგრამული უზრუნველყოფის ლიცენზიები და არც სტანდარტული DFARS მონაცემთა უფლებების პუნქტები არ პასუხობენ ადეკვატურად ამ კითხვას, რადგან არც ერთი არ იცავს სათანადოდ დეველოპერის ინტერესებს და არც მთავრობას აძლევს საშუალებას, მიიღოს სისტემის შესახებ ისეთი ინფორმაცია, რომ ის პასუხისმგებლობით გამოიყენოს“. თუ მართლაც მანქანური სწავლის მოდელები და პროგრამული უზრუნველყოფა/საწყისი კოდი განსხვავებული არტეფაქტებია, რატომ არის პირველი გამოშვებული ღია კოდის ლიცენზიებით? პასუხი მარტივია: ღია კოდის ლიცენზიები გახდა დე ფაქტო სტანდარტი პროგრამულ უზრუნველყოფასთან დაკავშირებულ ბაზრებზე კოდის ღია გაზიარებისთვის პროგრამულ საზოგადოებებს შორის. პროგრამული უზრუნველყოფის კოლაბორაციული განვითარების ეს „ღია კოდის“ მიდგომა ღრმად შეაღწია და გავლენა მოახდინა ხელოვნური ინტელექტის განვითარებასა და ლიცენზირების პრაქტიკებზე და უზარმაზარი სარგებელი მოუტანა. როგორც ღია კოდის, ასევე ღია და პასუხისმგებლიანი ხელოვნური ინტელექტის ლიცენზიები („OpenRAIL“) შეიძლება იყოს დამატებითი ინიციატივები. რატომ არ უნდა შევიმუშაოთ სალიცენზიო მექანიზმების ნაკრები, რომელიც შთაგონებული იქნება ისეთი მოძრაობებით, როგორიცაა ღია კოდი, და ეფუძნება მანქანური სწავლის სფეროდან მიღებულ მტკიცებულებებზე დაფუძნებულ მიდგომას? ფაქტობრივად, არსებობს სალიცენზიო ჩარჩოების ახალი ნაკრები, რომელიც იქნება ღია და პასუხისმგებლიანი მანქანური სწავლის განვითარების, გამოყენებისა და წვდომის საშუალება: ღია და პასუხისმგებლიანი ხელოვნური ინტელექტის ლიცენზიები (OpenRAIL). RAIL ინიციატივის მიერ მიღებული OpenRAIL მიდგომა, რომელსაც Hugging Face უჭერს მხარს, ეფუძნება და შთაგონებულია ისეთი ინიციატივებით, როგორიცაა BigScience, ღია კოდი და Creative Commons. OpenRAIL ლიცენზიის ორი ძირითადი მახასიათებელია: * **ღიაობა:** ეს ლიცენზიები იძლევა უსასყიდლო წვდომას და მოქნილ შემდგომ გამოყენებასა და ხელახლა განაწილებას ლიცენზირებული მასალისა, ასევე მისი ნებისმიერი წარმოებულის გავრცელებას. * **პასუხისმგებლობა:** OpenRAIL ლიცენზიები შეიცავს სპეციფიკურ შეზღუდვებს ლიცენზირებული ხელოვნური ინტელექტის არტეფაქტის გამოყენებისთვის იდენტიფიცირებულ კრიტიკულ სცენარებში. გამოყენებაზე დაფუძნებული შეზღუდვები ეფუძნება მანქანური სწავლის განვითარებისა და გამოყენების შეზღუდვებისადმი მტკიცებულებებზე დაფუძნებულ მიდგომას, რომელიც აიძულებს გაავლოს ზღვარი მანქანური სწავლის ფართო ხელმისაწვდომობისა და გამოყენების ხელშეწყობასა და ღიად ლიცენზირებული ხელოვნური ინტელექტის არტეფაქტის მავნე გამოყენების შედეგად წარმოქმნილ პოტენციურ სოციალურ ხარჯებს შორის. ამიტომ, მანქანური სწავლის მოდელზე ღია წვდომით სარგებლობისას, მომხმარებელი ვერ შეძლებს მოდელის გამოყენებას განსაზღვრული შეზღუდული სცენარებისთვის. გამოყენებაზე დაფუძნებული შეზღუდვების პუნქტების ინტეგრაცია ღია ხელოვნური ინტელექტის ლიცენზიებში წარმოადგენს მნიშვნელოვან წინ გადადგმულ ნაბიჯს.