Стрімкий розвиток генеративного штучного інтелекту поставив перед державою питання мовного та культурного суверенітету. Глобальні мовнімоделі часто неточно інтерпретують українську історію, правовий контекст та мовні нюанси через брак якісних україномовних даних при тренуванні.
Тож, Кабінет Міністрів ухвалив постанову № 1416, якою затвердив Положення про Український корпус даних. Держава створює масштабний національний датасет для навчання та тестування українських великих мовних моделей (LLM) під управлінням Мінцифри та ДП «ДІЯ».
Йдеться про технології, здатні аналізувати тексти, генерувати відповіді, перекладати та виконувати інші мовні завдання.
Мета зрозуміла, щоб штучний інтелект краще розумів українську мову, культуру, історію та національний контекст, його потрібно навчати на якісних українських текстах.
Але головне нововведення — не створення чергової електронної бази. Уряд запроваджує механізм, за яким державні та приватні інформаційні ресурси можуть об’єднуватися в один масив для машинного навчання.
Мінцифри має забезпечити його створення протягом трьох місяців із дня набрання постановою чинності.
Державні органи виконавчої влади повинні протягом місяця після отримання запиту передавати підприємству «ДІЯ» відповідні набори знеособлених даних із дотриманням законодавства про інтелектуальну власність.
Для бібліотек, наукових установ, архівів, закладів освіти та приватних осіб уряд передбачив рекомендаційний механізм участі.
Книжки, архіви та наукові праці: що саме збиратимуть?Формування корпусу здійснюється з трьох основних джерел:
Відкрита публічна інформація: Органи виконавчої влади зобов’язані протягом місяця з дня запиту передати ДП «ДІЯ» наявні набори знеособлених даних.
Непублічна інформація: Державні наукові установи, бібліотеки, архіви та приватні суб’єкти можуть передавати власні тексти на підставі ліцензійних угод.
Загальнодоступні джерела: Відомості з вебсайтів та порталу відкритих даних.
Положення підкреслює, що включення об’єктів інтелектуальної власності до корпусу не змінює належності авторських прав третіх осіб
Хто контролюватиме інформаційний ресурс?Мінцифри визначено держателем корпусу даних. А державне підприємство «ДІЯ» — його укладачем.
Саме підприємство збиратиме, очищуватиме, структуруватиме й оновлюватиме інформацію, перевірятиме знеособлення, надаватиме доступ розробникам та припинятиме його у передбачених випадках.
Більше того, сформований корпус у частині добору й упорядкування складових визнається результатом інтелектуальної діяльності укладача, що належить державі.
Державний ресурс безкоштовно для бізнесу. А для громадян?Доступ до корпусу надаватимуть безоплатно.
Але отримати його зможе не кожен.
Заявником може бути юридична особа або фізична особа — підприємець, яка займається розробленням, тренуванням або тестуванням великих мовнихмоделей і здатна документально підтвердити відповідний досвід.
Звичайні громадяни, незалежні дослідники без статусу ФОП та неформальні колективи розробників не включені до визначеного кола прямих отримувачів доступу.
Підприємство «ДІЯ» перевірятиме заяви та документи. Після позитивного рішення укладатимуть ліцензійний договір.
Положення також забороняє доступ окремим категоріям заявників, пов’язаним із державою-агресором, санкційними особами, певними іншими юрисдикціями,
а також фінансовим установам та деяким учасникам фінансових ринків.
Безпекова логіка таких обмежень зрозуміла.
Але чи матимуть однакові можливості невеликі українські ШІ-стартапи та великі технологічні компанії?
Авторські права: чи можна навчати ШІ на чужих книжках?Найчутливіше юридичне питання — використання творів, які охороняються авторським правом.
Положення встановлює, що включення твору до корпусу не змінює власника авторських прав.
Непублічна інформація передаватиметься за згодою постачальника на підставі договору. При цьому постачальник повинен мати належні права або дозволи.
Тобто сам факт наявності книжки в бібліотеці чи документа в архіві не означає автоматичного права передати їх для навчання комерційної ШІ-моделі.
Щодо відкритої публічної інформації передбачено безоплатне надання за запитом, а також можливість отримання з офіційних сайтів та загальнодоступних джерел.
Саме тут важливе юридичне розмежування: публічна доступність тексту не завжди означає необмежене право використовувати його для машинного навчання.
Закон України «Про авторське право і суміжні права» захищає,
зокрема, літературні та наукові твори незалежно від необхідності їх реєстрації.
Постанова не скасовує цих гарантій.
Натомість вона покладає істотну частину відповідальності за законність передачі непублічних даних на постачальників.
Передбачено й механізм скарг. У разі обґрунтованої претензії правовласника доступ до відповідного набору даних тимчасово обмежуватимуть не пізніше одного робочого дня.
Скаргу мають розглянути за десять робочих днів.
Положення детально описує вилучення даних із корпусу, але не встановлює окремого механізму виправлення наслідків їх використання в уже навчених моделях.
Це один із найсуттєвіших ризиків для авторів і видавців.
Ризики нової постановиПідприємство «ДІЯ» одночасно формує корпус, перевіряє заявників та управляє доступом. Окремий незалежний механізм нагляду документом не створений.
Цікаве і обмежене коло користувачів. Безоплатний доступ передбачений для компаній та ФОП із підтвердженим досвідом. Для незалежних розробників і громадян прямий доступ до повного корпусу не передбачено.
Не передбачено окремого публічного реєстру всіх отримувачів доступу,
використаних ними наборів та результатів перевірок дотримання ліцензій.
Заборона доступу для фінансових установ та інвестфондів позбавляє фінтех-компанії можливості тренувати спеціалізовані фінансові LLM на базі національного корпусу.
Висновок: український ШІ — суспільне благо чи ресурс для обраних?Створення українського корпусу даних може стати важливим кроком до технологічної незалежності. Україні потрібні мовні моделі, які якісно працюють з українською мовою, розуміють культурний контекст та не залежать винятково від іноземних навчальних ресурсів.
Проте постанова № 1416 вирішує передусім організаційне питання: як зібрати інформацію, структурувати її та надати визначеним користувачам.
Вона ще не гарантує появи конкурентоспроможної української мовної моделі.
І не дає вичерпних відповідей щодо незалежного контролю, прозорості добору даних, захисту від повторної ідентифікації та наслідків порушення авторських прав після навчання моделей.
[read_more ids="376761,376453"]
Підписуйтесь на наш Telegram-канал t.me/suduaта на Google Новини SUD.UA, а також на наш VIBER та WhatsApp, сторінку у Facebook, в Instagram та в Х, щоб бути в курсі найважливіших подій.