Où est-il stipulé qu'un modèle qui a été entrainé avec du code GPL n'est pas un travail dérivé ?
Prouver qu'un travail est dérivé ne dépend pas de la licence. La jurisprudence dépend du type d'oeuvre (cinéma, littérature, informatique...), et bien sûr du pays, mais la règle générale c'est qu'il faut que la parenté soit évidente. Par exemple, en musique, on a le droit de reprendre le rythme, ou la grille d'accords, sans que ça soit un travail dérivé (c'est même par définition ce qui se passe à l'émergence d'un genre musical).
Pour un truc comme Copilot, il faut donc prouver que le code issu du logiciel est dérivé d'un bout de code de la base de données. Ça serait totalement inédit de déduire que le code est dérivé seulement parce qu'on peut prouver logiquement qu'il n'a pu qu'apprendre à partir d'un jeu de données sous GPL, il faut absolument pouvoir relier la sortie à du code protégé par une licence. C'est d'ailleurs seulement l'auteur d'un bout de code sous GPL qui peut porter plainte, il faut qu'il donne un échantillon d'une sortie et convaincre un juge que c'est dérivé. Ça me semble impossible avec un LLM correctement paramétré.
Il me semble que j'avais déja émis l'idée ici il y a quelques temps, mais si j'étais un ingénieur bossant sur Copilot, j'aurais entrainé 10 modèles avec la base de code, avec une procédure de type "cross-validation" (on entraine chaque modèle sur 50% du code pris au hasard). Du coup, un auteur d'un code sous licence quelconque ne pourrait jamais savoir si son code a participé à l'entrainement du modèle, ça serait à lui de le prouver, ce qui est probablement impossible si le modèle est bien entrainé (pas comme les premières versions de Copilot qui étaient overfittées). L'idée n'est pas de piéger les auteurs, mais de leur prouver qu'il n'y a pas de travail dérivé (de la même manière que ça n'est pas parce que 100% des mots d'un livre apparaissent dans l'oeuvre d'Émile Zola que le livre est un plagiat). Encore une fois, la propriété intellectuelle ne se dilue pas, la contrefaçon est binaire : 1% de contrefaçon, ça n'existe pas; il existe un seuil de divergence au-delà duquel l'auteur initial n'a plus de droits à faire valoir.
Au passage, il y a aussi une bizarrerie à résoudre : dans oeuvre dérivée, il y a "oeuvre". Or, il est admis que la sortie d'un LLM n'ouvre pas de droits d'auteurs parce que ça n'est pas une oeuvre de l'esprit. Il n'y a donc pas d'appropriation des droits d'auteurs par quiconque.
Bien évidemment, tout ça prouve que les législateurs du XIXe siècle n'ont pas prévu ce cas de figure, et que s'il faut protéger les auteurs, il faut le faire par la loi (et probablement pas par l'espoir qui me semble vain d'un retournement de la jusrisprudence). D'un autre côté, la jurisprudence sur le droit d'auteur, c'est un peu n'importe quoi en France (par exemple la jurisprudence fluctuante sur la protection des photos de tableaux du domaine public), donc ça n'est pas totalement impossible que dans les prochaines années il y ait des décisions dans tous les sens.
Après, l'argument de "mon code est libre sauf pour l'IA", ça ressemble un peu à "mon code est libre sauf pour les terroristes qui veulent l'embarquer dans une bombe", ça part d'une intention louable mais on a discuté des centaines de fois pourquoi c'est une mauvaise idée.
[^] # Re: superbe initiative de huggingface
Posté par arnaudus . En réponse au journal Votre code dans un modèle d'IA. Évalué à 3. Dernière modification le 25 mars 2024 à 10:01.
Prouver qu'un travail est dérivé ne dépend pas de la licence. La jurisprudence dépend du type d'oeuvre (cinéma, littérature, informatique...), et bien sûr du pays, mais la règle générale c'est qu'il faut que la parenté soit évidente. Par exemple, en musique, on a le droit de reprendre le rythme, ou la grille d'accords, sans que ça soit un travail dérivé (c'est même par définition ce qui se passe à l'émergence d'un genre musical).
Pour un truc comme Copilot, il faut donc prouver que le code issu du logiciel est dérivé d'un bout de code de la base de données. Ça serait totalement inédit de déduire que le code est dérivé seulement parce qu'on peut prouver logiquement qu'il n'a pu qu'apprendre à partir d'un jeu de données sous GPL, il faut absolument pouvoir relier la sortie à du code protégé par une licence. C'est d'ailleurs seulement l'auteur d'un bout de code sous GPL qui peut porter plainte, il faut qu'il donne un échantillon d'une sortie et convaincre un juge que c'est dérivé. Ça me semble impossible avec un LLM correctement paramétré.
Il me semble que j'avais déja émis l'idée ici il y a quelques temps, mais si j'étais un ingénieur bossant sur Copilot, j'aurais entrainé 10 modèles avec la base de code, avec une procédure de type "cross-validation" (on entraine chaque modèle sur 50% du code pris au hasard). Du coup, un auteur d'un code sous licence quelconque ne pourrait jamais savoir si son code a participé à l'entrainement du modèle, ça serait à lui de le prouver, ce qui est probablement impossible si le modèle est bien entrainé (pas comme les premières versions de Copilot qui étaient overfittées). L'idée n'est pas de piéger les auteurs, mais de leur prouver qu'il n'y a pas de travail dérivé (de la même manière que ça n'est pas parce que 100% des mots d'un livre apparaissent dans l'oeuvre d'Émile Zola que le livre est un plagiat). Encore une fois, la propriété intellectuelle ne se dilue pas, la contrefaçon est binaire : 1% de contrefaçon, ça n'existe pas; il existe un seuil de divergence au-delà duquel l'auteur initial n'a plus de droits à faire valoir.
Au passage, il y a aussi une bizarrerie à résoudre : dans oeuvre dérivée, il y a "oeuvre". Or, il est admis que la sortie d'un LLM n'ouvre pas de droits d'auteurs parce que ça n'est pas une oeuvre de l'esprit. Il n'y a donc pas d'appropriation des droits d'auteurs par quiconque.
Bien évidemment, tout ça prouve que les législateurs du XIXe siècle n'ont pas prévu ce cas de figure, et que s'il faut protéger les auteurs, il faut le faire par la loi (et probablement pas par l'espoir qui me semble vain d'un retournement de la jusrisprudence). D'un autre côté, la jurisprudence sur le droit d'auteur, c'est un peu n'importe quoi en France (par exemple la jurisprudence fluctuante sur la protection des photos de tableaux du domaine public), donc ça n'est pas totalement impossible que dans les prochaines années il y ait des décisions dans tous les sens.
Après, l'argument de "mon code est libre sauf pour l'IA", ça ressemble un peu à "mon code est libre sauf pour les terroristes qui veulent l'embarquer dans une bombe", ça part d'une intention louable mais on a discuté des centaines de fois pourquoi c'est une mauvaise idée.