Le chapitre 2 nous a donné un point de départ. Les données d’entraînement façonnent le modèle. Certains exemples peuvent ressortir mot pour mot. Pour savoir ce qui est entré, suivez les traces du modèle et de l’entraînement en question. L’enjeu politique commence par deux questions : qui a constitué la pile, et qui pouvait dire oui? Remontez la piste des données. Qui les a recueillies ? Qui les a triées ? Combien ces personnes ont-elles été payées et qui a pu décider de l’usage des données ? Il est plus facile de répondre quand on a accès aux dossiers d’entraînement. Deux mots reviennent souvent ici. Un jeu de données peut être dit ouvert et contenir des éléments aspirés sur le Web. Qu’est-ce que le développeur avait le droit d’utiliser ? Hēmi Whaanga pose la question aux institutions qui recueillent et réutilisent des savoirs. Gardez-la en tête pour les chapitres 9, 11 et 13. ---
D'où proviennent les données de formation
Quand OpenAI a formé le GPT-4, sur quoi l'a-t-il spécifiquement entraîné? Quand Anthropic a entraîné Claude, quand Google a formé Gemini, quand Meta a formé Llama, quand Cohere a formé la série de commande — quelles données étaient en fait dans ces corps d'entraînement?
Dans la plupart des cas, on ne le sait pas entièrement. Les développeurs donnent rarement un inventaire détaillé des données ayant servi à entraîner leurs modèles. L’indice de Stanford de décembre 2025 documente des lacunes sur l’acquisition et les caractéristiques des données. Si une entreprise nomme un jeu de données ou une source, on apprend quelque chose sur cet élément. Il faut un inventaire plus complet pour savoir ce qui a aussi servi à l’entraînement.
GOBLIN FACTS — groupements d'opacité autour des données. Dans l'indice de transparence des modèles de la Fondation 2025, six grands développeurs n'ont pas communiqué d'information sur la composition des données de formation de base. C'est pourquoi « sur quoi a-t-il été formé ? » reste la question la plus importante sans réponse dans la salle.
Les exemples qui suivent viennent de rapports de développeurs, de la documentation des jeux de données, d’audits indépendants et de dossiers judiciaires. Voyez-les comme une carte des sources possibles. Vérifiez le modèle, la version et la source avant de transposer un exemple d’un système à l’autre.
L’« Internet public ». Common Crawl archive du contenu recueilli sur le Web ouvert. Dans son article sur le premier LLaMA, Meta nomme Common Crawl filtré et C4 parmi les ingrédients. Une collecte Web, un jeu de données filtré et un entraînement précis sont trois choses différentes. Si vous trouvez un article dans la collecte, vous savez où chercher ensuite.
Livres et textes longs. Meta a déclaré avoir utilisé le Projet Gutenberg et Books3 pour le premier LLaMA. Dans son ordonnance de 2025 dans Bartz c. Anthropic, un tribunal fédéral américain a décrit Books3 comme une collection constituée de copies non autorisées et distingué l’utilisation de livres pour l’entraînement de l’acquisition de copies piratées pour une bibliothèque permanente. L’article de Meta décrit une famille précise de modèles. L’ordonnance repose sur le dossier de cette affaire et sur le droit américain.
Dépôts de code. Le rapport sur le premier LLaMA indique que son sous-ensemble GitHub provenait d’un jeu de données public et qu’il avait été filtré pour retenir les licences Apache, BSD et MIT. Vérifiez la licence du code en question et l’usage qui en a été fait avant de tirer une conclusion sur l’autorisation.
Publications scientifiques. Le rapport sur le premier LLaMA documente un sous-ensemble d’arXiv qui a été traité. Une prépublication librement accessible, un article derrière un péage et du contenu fourni sous licence peuvent entrer dans un jeu de données par des voies différentes. Demandez quelle voie le développeur peut documenter.
Contenu d’actualité. Des articles peuvent se retrouver dans une collecte Web. Les médias canadiens qui poursuivent OpenAI allèguent que l’entreprise a copié leurs articles sans autorisation pour l’entraînement et d’autres usages. Leur demande établit ce qu’ils allèguent. Elle ne fournit pas un inventaire vérifié des données d’entraînement.
Autres sources Web. L’article sur le premier LLaMA nomme Wikipédia et Stack Exchange. Le rapport public de GPT-4 donne de grandes catégories de sources. Demandez la preuve que le contenu d’une plateforme a servi à entraîner le modèle dont il est question.
Images et légendes. LAION-5B indexait environ 5,85 milliards de paires associant un texte à un lien vers une image. La fiche de Stable Diffusion v1.4 nomme des sous-ensembles précis de LAION. En décembre 2023, le Stanford Internet Observatory a documenté des liens vers du matériel d’abus sexuels sur des enfants. LAION a retiré la version d’origine et publié des versions filtrées en août 2024. L’organisme dit avoir retiré les éléments connus de ses partenaires en juillet 2024. Un lien dans l’index, sa présence dans un entraînement et une sortie du modèle constituent trois éléments de preuve distincts.
Données synthétiques. De plus en plus, les données de formation à l'IA comprennent des données générées par autres Systèmes d'IA: un modèle formé aux sorties d'un modèle précédent. Cette technique permet d'élargir les données de formation au-delà de ce que seul le contenu généré par l'homme peut fournir, et est maintenant une pratique courante pour l'affinage et l'alignement. Le problème structurel que cela soulève : si les générations successives d'IA sont formées de façon substantielle sur le contenu généré par l'IA, les erreurs et les biais dans les générations antérieures se propagent vers l'avant, ce qui peut s'amplifier. La recherche académique sur le "modèle d'effondrement" (Shumailov et al., 2024 in Nature ) suggère qu'il s'agit d'un risque réel, bien que les conséquences soient encore caractérisées.
Un total d’entraînement peut compter plusieurs passages sur le même contenu. Il donne une idée de l’échelle et laisse ouvertes les questions du nombre d’œuvres distinctes, de la part des écrits humains représentée et de qui a donné son accord.
FAITS DU GOBELIN — les jetons servent de ruban à mesurer. Les jetons sont des fragments de texte. Leur total indique combien de texte l’entraînement a traité dans cette unité. Pour compter les livres sur l’étagère, il faut encore un inventaire.
La distinction que le débat public escamote — « ouvert » contre « librement aspiré »
L'une des confusions les plus importantes dans le débat sur la politique d'IA est l'effondrement de deux choses très différentes: librement accessible et des données qui sont facilement utilisables . La distinction n'est qu'une distinction académique : elle sous-entend toute la conversation entre créateurs et droits dans la politique canadienne en matière d'IA et à l'échelle mondiale.
Libre accès signifie que les données sont disponibles sans paywall ni obligation de connexion. La plupart de l'internet public est librement accessible en ce sens. Vous pouvez visiter un article de nouvelles, le lire, voir les photos, et traiter son contenu vous-même sans payer.
Gratuitement utilisables est une catégorie beaucoup plus étroite. L'article Wikipédia que vous pouvez lire est également utilisable gratuitement, car Wikipédie est publié sous Creative Commons Attribution-ShareAlike (CC BY-SA), qui accorde explicitement la permission de réutiliser avec attribution et les exigences de même licence. Le document de physique arXiv que vous pouvez lire est également utilisable gratuitement, car les auteurs ont accepté ses termes de distribution ouverts lors de l'affichage. Le code MIT-Licensed sur GitHub est librement utilisable, avec les conditions spécifiées dans la licence MIT. Mais l'article que vous pouvez lire sur le site Web du Globe and Mail n'est pas librement utilisable. Le journal l'a publié pour la lecture publique. Le journal ne l'a pas autorisé pour une utilisation arbitraire en aval, y compris la formation de systèmes commerciaux d'intelligence artificielle.
EXAMPLE — la voiture garée dans la rue. Une voiture garée dans une rue publique est librement visible. Cela ne le rend pas librement utilisable. La même distinction consiste à faire du travail lorsqu'un site Web peut être lu par le public, mais n'a pas autorisé son contenu pour la formation de modèles commerciaux.
🧌 GOBLIN CHECK — "Publicly available" est l'expression préférée de l'industrie de IA, et le gobelin voudrait que vous remarquiez que cela signifie Nous pourrions l'atteindre Pas nous avons été autorisés à le garder . Votre voiture est visible publiquement. Cela n'a toujours pas réglé la question de savoir qui peut la chasser.
La distinction est importante parce que la défense de l'industrie IA de la formation-sans autorisation repose essentiellement sur le regroupement de ces catégories. "Nous avons suivi une formation sur les données accessibles au public" — La position exprimée par OpenAI, la position de plusieurs sociétés défenderesses dans les poursuites en matière de droits d'auteur en cours au Canada et aux États-Unis, est une déclaration vraie qui permet de faire la distinction entre accessible au public et publiquement utilisable . Les articles d'actualité, les livres, les documents académiques, les portfolios d'artistes, les sites web du photographe sont accessibles au public. Ils ne sont généralement pas autorisés publiquement à suivre une formation sur l'IA.
ALIGNMENT — accessible pour quoi faire? « Accessible au public » répond à côté de la question. Une chose peut être libre à lire sans être libre à copier dans un corpus d'entraînement commercial. Quand une entreprise dit s'être entraînée sur des données publiques, demandez : accessible pour être lue, ou sous licence pour être utilisée? C'est dans cet écart que se logent la plupart des litiges de droit d'auteur.
La question contestée, au Canada et dans le monde entier, est de savoir si la législation actuelle sur le droit d'auteur permet la formation en matière d'IA comme exception à l'égard des transactions équitables ou de l'utilisation équitable, ou si la formation sur l'IA exige une licence explicite du type de celle que l'industrie de l 'IA n'a généralement pas poursuivie. La question de fait contestée (les données utilisées) est en partie caché par la non-divulgation des entreprises. Sur la question de droit litigieuse (si l'utilisation était admissible) dépend des faits qui sont partiellement cachés. L'opacité est structurelle au conflit.
Deux catégories distinctes de contenu « accessible au public » seront traitées séparément dans le guide :
Ouvert et sous licence pour réutilisation : Wikipedia (CC BY-SA), arXiv preprints (généralement CC BY ou compatible), la plupart des codes open source (MIT, Apache, GPL avec conditions), les livres du domaine public du projet Gutenberg, les travaux gouvernementaux (variant les règles juridictionnelles) et le même contenu volontairement publié. La formation à cette catégorie soulève moins de problèmes, car les titulaires de droits ont, explicitement ou par licence, accordé une autorisation de réutilisation. Mais même ici, les conditions de licence sont importantes : CC BY-SA exige que la même licence soit appliquée aux oeuvres dérivées, GPL a des dispositions de copyleft, MIT nécessite l'attribution. La question de savoir si les modèles d'IA satisfont à ces conditions lorsqu'ils produisent du texte ressemblant à du matériel de formation-données est compliquée en aval.
Accès public mais non autorisé pour la formation en IA : articles d'actualité, livres protégés par le droit d'auteur, photographie commerciale, oeuvre professionnelle, articles scientifiques derrière paywalls (position des éditeurs) ou dans les revues à accès libre (position plus contestée des éditeurs quant à la question de savoir si l'accès ouvert permet la formation en IA), messages de médias sociaux que les plateformes n'ont pas license pour une utilisation en aval (la plupart de Reddit avant 2024, la plupart de Twitter/X avant Musk, la majeure partie du contenu de Facebook), et la longue queue de contenu affichée par des particuliers sans intention explicite de licence. Il s'agit de la catégorie contestée. L'industrie de l'IA s'y est généralement formée. Les titulaires de droits s'opposent de plus en plus.
Une troisième catégorie mérite d'être nommée : données qui ont été sous licence proactive pour la formation à l'IA, par le biais d'accords entre les entreprises d'IA et les propriétaires de contenu. Reddit-to-Google (2024, 60 M$/an), l'accord AP-OpenAI, l'affaire Financial Times-OopenAI et les différents accords d'éditeurs universitaires à Microsoft, le récent accord New York Times-Amazon (après que le Times a poursuivi OpenAI). Ces transactions se développent à mesure que les propriétaires de contenu réalisent qu'ils ont un effet de levier. Les accords confirment également, par leur existence, que l'industrie reconnaît que le matériel sous-jacent était utilisé auparavant sans licence. Le marché des licences qui émerge maintenant peut raisonnablement être interprété comme l'industrie de l'IA se prémunissant de sa propre position juridique — vous ne payez généralement pas pour ce que vous êtes confiant que vous pouvez prendre gratuitement. (L'industrie appellerait cela la gestion des risques et l'approvisionnement en intrants. Les deux lectures correspondent aux mêmes faits; le poids du guide est déclaré ici.)
La couche du travail humain
Source : Étude de terrain de Fairwork sur le personnel d’annotation chez Sama (en anglais)
Une dimension spécifique des données de formation que la discussion publique manque régulièrement: La plupart des grands modèles d'IA dépendent d'un travail humain important, souvent payé à des salaires très bas, souvent dans le Sud mondial, impliquant souvent une exposition au contenu traumatisant. Ce n'est pas un fait périphérique sur la façon dont l'IA se construit. Elle est structurelle pour la pratique actuelle de la formation à l'IA.
Deux couches spécifiques:
Étiquetage des données. Pour les tâches d'apprentissage supervisé, y compris la plupart des fonctions de vision informatique et de l'IA spécialisée, les humains doivent marquer les données de formation. Les tâches d'étiquetage de l'image comme « cliquer sur tous les pixels montrant une voiture » sont familières à toute personne qui a complété un CAPTCHA. La même tâche que l'étiquetage professionnel pour la formation en IA est effectuée par des centaines de milliers de travailleurs dans le monde entier, principalement par le biais de plates-formes comme Amazon Mechanical Turk, Scale IA, Surge IA et Toloka, avec concentration au Kenya, aux Philippines, en Inde et dans d'autres juridictions à bas salaires. Les salaires documentés sont faibles: HEURE L'enquête de 2023 sur les contrats de Sama d'OpenAI au Kenya a révélé une rémunération à la maison d'environ 1,32 $ US à 2 $ US par heure, et 2023 Poste de Washington les rapports sur la plateforme Remotasks d'IA à échelle aux Philippines ont documenté les paiements qui sont arrivés en retard, en dessous des taux affichés, ou dans certains cas pas du tout. La main-d'œuvre est précaire par sa conception : rémunérée par tâche, sans prestations, et généralement sans les protections qui viennent avec le statut d'emploi.
La modération du contenu pour l'alignement. Quand OpenAI a adapté le ChatGPT pour refuser les demandes nuisibles, les données de formation pour cette capacité de refus ont été générées par des travailleurs humains qui ont examiné des contenus extrêmement troublants (descriptions de violence, abus, exploitation d'enfants, terreur) et évalué les réponses du modèle selon qu'il convient ou inapproprié. **L'enquête de 2023 TIME** a documenté le contrat d'OpenAI par l'intermédiaire de Sama au Kenya, payant des travailleurs de moins de 2 $US/heure pour examiner le contenu graphique et traumatisant pour les données de formation d'alignement qui ont rendu ChatGPT plus sûr pour les utilisateurs finaux. Les travailleurs ont signalé des dommages psychologiques durables. Des préoccupations similaires ont été documentées ailleurs : des entrepreneurs de la modération du contenu travaillant sur les plateformes de Meta ont intenté des litiges au Kenya au sujet de l'exposition aux traumatismes et de la rémunération, et les évaluateurs contractuels travaillant sur des produits d'IA de Google ont publiquement contesté leurs salaires et conditions, bien que les arrangements spécifiques varient selon l'entreprise.
Le fait structural : les produits d'IA commercialisés au Canada comme automatisation de pointe sont, à leur niveau de formation et de données, fondés sur une main-d'oeuvre humaine substantielle. Cette main-d'oeuvre est concentrée dans les provinces et territoires où la protection du travail est plus faible, où le salaire est nettement inférieur à ce qu'un travail équivalent serait payé au Canada ou aux États-Unis, et où l'exposition au contenu traumatisant est de plus en plus importante. Le cadrage "IA-remplace-workers" est partiel. L'IA remplace certains types de travailleurs dans certains types d'emplois tout en dépendant simultanément d'autres types de salariés dans d' autres types d ' emplois, le second set étant largement invisible du cadrage.
Le chapitre 16 met ce travail en regard des pertes d’emplois signalées par les syndicats et des changements dans la surveillance au travail. On peut demander combien paie ce nouveau travail et à quelles conditions il s’exerce. Pour savoir si les personnes qui ont perdu leur emploi s’y retrouvent, il faudrait suivre les mêmes travailleurs.
Cadrage de Whaanga — L'IA comme nouveau colonisateur
Le Protocole autochtone et le document de position de l ' IA (2020), présentés au chapitre 1 et approfondis au chapitre 9, contiennent un essai de H. M. Whaanga (Ngāti Kahungunu, Ngāi Tahu, Ngati Mamoe, Waitaha; spécialiste du maori et te reo Maori, aujourd ' hui professeur et chef d ' école à Te Pūtahi-a-Toi, Université Massey d ' Aotearoa, Nouvelle-Zélande), dont le cadre porte un examen spécifique dans le chapitre consacré aux données. Titre de l'essai : « L'IA : une (r)évolution nouvelle ou un nouveau colonisateur pour les peuples autochtones ? »
L'argument de Whaanga, distillé : les systèmes d'IA sont « inexpérimentalement dépendants de l'aspiration de grandes quantités de données ». Lorsque ces données comprennent les connaissances autochtones, la langue, les pratiques culturelles, l'information environnementale et le savoir traditionnel (et que la plupart des grands modèles de base Faites incluent ce contenu, parce qu'ils sont formés sur Internet, y compris tout matériel autochtone ou décrit par les Autochtones qui a été numérisé), le résultat est structurellement extractive de manière à se faire une carte directement sur les schémas historiques d'extraction du savoir colonial.
Un guide non autochtone ne peut pas parler au nom de ce cadrage. Ce qu'elle peut faire, c'est présenter les implications opérationnelles. Trois sont directs:
La couche des données d’entraînement. Le Web public peut contenir des textes d’auteurs autochtones, des documents sur les communautés et des archives publiées par des personnes de l’extérieur. La mention d’une collecte Web ne dit pas aux communautés quels documents ont servi ni qui en a autorisé l’usage. Les principes PCAP®, la Stratégie nationale inuite sur la recherche et les principes CARE offrent des façons distinctes de demander qui décide, qui en bénéficie et quelles responsabilités en découlent.
La couche des sorties du modèle. Si les archives donnent plus de place aux récits de l’extérieur qu’aux personnes qu’ils décrivent, un modèle entraîné sur ces archives risque d’amplifier ce déséquilibre. Pour l’établir dans un système précis, testez ses réponses et confrontez-les aux éléments disponibles sur l’entraînement et les sources consultées.
La nouvelle couche de création de la connaissance. Si les outils d'IA sont de plus en plus utilisés dans l'éducation, la recherche, la communication et la production créative, et si ces outils ont absorbé le contenu autochtone dans des conditions qui violent les principes de souveraineté des données autochtones, alors l'utilisation de ces outils pour créer un nouveau contenu sur les peuples autochtones ou en dialogue avec les communautés autochtones perpétue la violation sous-jacente. Chaque nouveau contenu est construit sur un substrat qui n'engageait pas les cadres autochtones pour l'utilisation des données autochtones.
C'est l'engagement de fond dont le cadre de Whaanga a besoin. L'étiquette «IA comme nouveau colonisateur» n'est pas rhétorique. Il s'agit d'une revendication structurelle sur la façon dont les données de formation à l'IA fonctionnent par rapport aux connaissances autochtones, à quoi ressemblerait l'alternative (modèles de formation qui utilisent les cadres de souveraineté des données plutôt que de les ignorer) et sur les coûts de ne pas s'engager. Le guide prend la revendication au sérieux sans prétendre en parler et demande aux lecteurs et aux décideurs canadiens de l'IA de faire de même.
Une connexion canadienne spécifique. Le réseau de recherche Abondant Intelligences introduit au chapitre 1 (codirigé par Concordia, avec le pod de Lethbridge et des partenaires internationaux) réalise un travail technique concret sur ce que la formation en IA que l'a fait engage les cadres de souveraineté des données autochtones pourrait ressembler : petits modèles formés sur les données avec le consentement approprié, modèles construits à l'aide d'hypothèses épistémologiques autochtones, prototypes qui démontrent des alternatives au paradigme de l'extraction et de la mise en échelle. Le travail existe. La stratégie fédérale d'IA pourrait l'engager. IA pour tous ne s'engage pas actuellement à le faire.
La couche de coût — ce que les données de formation extrait et ce qu'il retourne
La mise en commun des sections précédentes donne un aperçu de ce que les données sur la formation à l'IA représentent réellement au niveau agrégé. L'image n'est pas la version marketing.
Ce que les données de formation extrait:
La production écrite, visuelle et audio accumulée d'êtres humains au cours des siècles, où ils ont numérisé et accessible. La production professionnelle d'écrivains, d'artistes, de photographes, de journalistes, de programmeurs, de scientifiques, de chercheurs et de passionnés amateurs. Le contenu culturel et le savoir des peuples autochtones à l'échelle mondiale, accumulés grâce aux pratiques de recherche de l'ère coloniale et à la présence en ligne contemporaine. Le travail humain de centaines de milliers de travailleurs à bas salaires, principalement dans le Sud mondial, effectue l'étiquetage et la modération du contenu. Les matériaux de substrat physique (cobalt, lithium, coltan, gallium — chapitre 8's Owen et al. La formation a été effectuée pour construire l'infrastructure de calcul qui traite la formation. L'électricité, l'eau et le carbone intégré de la formation elle-même.
Quelles sont les données sur la formation qui reviennent aux personnes dont le travail, les connaissances et le travail sont en leur sein :
Pour les personnes qui contribuent à Wikipédia et aux logiciels libres : les licences peuvent préciser les conditions de réutilisation. Les déclarations citées ici ne permettent pas de mesurer la fréquence à laquelle ces conditions ont été respectées.
Pour les auteurs publiés et les journalistes : certains accords de licence sont publics. Le recours des médias canadiens documente une allégation d’usage sans autorisation. Ces exemples ne donnent aucune mesure du consentement ou de la rémunération à l’échelle du secteur.
Pour les peuples autochtones dont les savoirs pourraient figurer dans un jeu de données : demandez des preuves d’autorisation communautaire, de partage des bénéfices et de gouvernance continue. Les déclarations publiques examinées ici ne permettent pas de savoir à quelle fréquence ces dispositions existaient.
Pour les travailleurs de l'étiquetage des données et de la modification du contenu: dans les cas documentés ( HEURE 's 2023 rapport sur les contrats de Sama OpenAI au Kenya, la Poste de Washington 's 2023 rapport sur l'échelle de IA Remotasks), payer aussi bas que d'environ 1,32 $ US à 2 $ US par heure, généralement sans avantages ou protections du statut d'emploi, et dans certains cas des dommages psychologiques durables.
Pour les communautés qui vivent près des sites d'extraction des matériaux de substrat physique : dans de nombreux cas, dégradation de l'environnement, déplacement et perturbation de l ' utilisation traditionnelle des terres.
Pour le grand public: accès aux produits d'IA, parfois gratuit au point d'utilisation, qui génèrent de la valeur principalement pour les sociétés qui ont produit les modèles.
L'économie, sous forme comprimée: l'industrie de l'IA extrait une valeur substantielle des données, du travail, des connaissances et des substrats matériels fournis par des populations qui ne sont pas pour la plupart compensées, qui n'ont généralement pas consenti, qui ne possèdent pas de gouvernance sur les modèles résultants, et qui sont largement invisibles du récit de commercialisation. L'industrie rapporte une valeur substantielle aux investisseurs, aux dirigeants et (dans certains cas) aux utilisateurs finaux. Rien de tout ça n'est caché. C'est simplement la façon dont l'IA actuelle est construite, clairement traçable par quiconque suit la chaîne d'approvisionnement depuis l'extraction de puces jusqu'au marché du travail, en passant par les données de formation jusqu'à l'endroit où se trouvent les revenus.
Un bilan des coûts de l’IA reste incomplet s’il laisse de côté le travail, les ressources et les permissions qui entrent dans les données d’entraînement. Il en va de même d’une politique qui s’arrête aux réponses du modèle.
Le test pratique pour évaluer les affirmations sur les données de formation
En combinant le matériel du chapitre, le guide demande aux lecteurs de s'appliquer à toute demande de formation-données sur l'IA :
Source. Quelles données ont été utilisées spécifiquement? Le développeur a-t-il publié une liste complète, un échantillon représentatif ou seulement des caractérisations vagues? Si ce dernier, pourquoi ?
Consentement. Le consentement des titulaires de droits a-t-il été demandé avant la formation? Dans l'affirmative, par quel mécanisme — octroi de licences explicites, refus ou présomption d'utilisation équitable? Si non, quelle est la position juridique du promoteur quant à la raison pour laquelle le consentement n'était pas requis?
Indemnisation. Les titulaires de droits ont-ils été indemnisés pour l'utilisation de leur matériel? Dans l'affirmative, par quel mécanisme — licence directe, licence collective ou partage des revenus? Dans la négative, quelle est la position du promoteur quant à savoir si une indemnisation devrait être exigée?
Données autochtones. Le contenu autochtone a-t-il été inclus dans les données de formation? Dans l'affirmative, les principes du PACO/NISSR/CARE ont-ils été appliqués? Si aucun engagement, quelle était la raison du développeur ? Y a-t-il une séparation claire dans le corpus de formation entre le contenu autochtone utilisé avec consentement et le contenu indigène utilisé sans consentement?
Vérification. Les allégations du développeur concernant la composition, le consentement et la compensation des données de formation sont-elles vérifiables indépendamment? Un tiers a-t-il vérifié le corpus de formation? Dans le cas contraire, les réclamations sont une autodivulgation de la société et doivent être lues en conséquence.
Traçabilité des produits. Les sorties de modèles qui ressemblent à des documents de formation-données spécifiques peuvent-elles être retracées à ces documents? La capacité technique actuelle est limitée, mais elle s'améliore. Lorsque l'attribution de la production à la source est possible, le cadrage du développeur entre "génération nouvelle" et "réproduction" peut être testé empiriquement plutôt que rhétoriquement.
La plupart des produits actuels de l'IA échoueront la plupart de ces questions. La recommandation du guide n'est pas que les lecteurs refusent d'utiliser des produits d'IA; les lecteurs peuvent faire leurs propres choix à ce sujet. La recommandation du guide est que les lecteurs et les décideurs qui façonnent la stratégie canadienne d'IA lisent les échecs comme étant les conditions structurelles de la façon dont l'IA actuelle est construite et décident si ces conditions sont acceptables ou si elles doivent être modifiées.
Le reçu sur la matière première
CHAPTER RECAP — vous avez maintenant: - Une carte des sources d’entraînement documentées, des collectes Web et des livres au code et aux index d’images, ainsi que la différence entre une collection de sources et les données qui ont effectivement servi à entraîner un modèle précis. - La distinction entre librement accessible et facilement utilisables que le débat public s'effondre régulièrement — et la base opérationnelle de la conversation sur les droits des créateurs canadiens. - La couche humain-travail de la préparation des données de formation, y compris la main-d'œuvre d'étiquetage des données à bas salaires dans le Sud mondial et le contrat de modération du contenu kényan documenté pour la formation d'alignement OpenAI. - L'élaboration de l'initiative « L'IA comme nouveau colonisateur » de Whaanga a eu un impact important : la formation-couche de données, la modélisation-couche d'extrants et la création de nouvelles connaissances-couche des incidences des modèles de formation sur le contenu autochtone sans avoir recours aux cadres de souveraineté des données autochtones. - Le travail, les savoirs et les ressources mobilisés par l’entraînement, et les questions à poser sur ce que les personnes qui y ont contribué ont reçu et sur ce qui reste inconnu. - Le test de travail pour évaluer toute demande de formation sur l'IA : source, consentement, compensation, engagement des données autochtones, vérification, traçabilité des extrants.
Il faut bien que les données passent quelque part. Le chapitre 4 les suit jusqu’aux baies de serveurs, puis remonte la chaîne d’approvisionnement du matériel. Le protocole lakȟóta de Suzanne Kite demande ce que nous devons aux gens et aux lieux qui rendent ce matériel possible.
Vous pouvez maintenant lire n'importe quelle demande de données de formation sur l'IA avec l'équipement structurel pour poser les bonnes questions. La plupart des revendications actuelles ne répondront pas à la plupart de ces questions. Cet échec est la condition structurelle de la façon dont l'IA actuelle est construite, et son engagement honnête est la préalable à toute politique canadienne sérieuse en matière d'IA.
Étiquette partiale pour ce chapitre : analyse structurelle-politique des données de formation à l'IA, avec indication explicite de l'écart entre l'autodivulgation d'entreprise et la réalité opérationnelle. Auteur biais : sceptique à l'égard des cadrages « accessibles au public » qui échappent à la distinction libre-accessible-vs-librement utilisable; sensible aux critiques de formation menées par les créateurs et les autochtones sans consentement; prêt à désigner la couche travail-humain dans le Sud mondial comme structurelle de l'IA actuelle plutôt que périphérique; explicite que le manuel n'est pas dirigé par les autochtones et ne peut parler au nom du caddie Whaanga tout en l'engageant substantiellement. L'autodivulgation par l'entreprise (conclusions de la FMTI de Stanford, positions des défendeurs au procès) a été étiquetée et lue en conséquence. Les sources primaires dirigées par des autochtones (essai de Whaanga, cadres du PACO/NISR/CARE) ont été considérées comme faisant autorité dans leurs propres cadres.
Sources primaires citées ou invoquées dans ce chapitre : Stanford Center for Research on Foundation Models, 2025, Indice de transparence des modèles de la Fondation; journaux canadiens c. OpenAI (Cour supérieure de l'Ontario CV-24-00732231-00CL); Litige en corpus Books3 incluant Silverman et al. c. Royaume-Uni OpenAI; New York Times c. OpenAI; documentation sur le retrait des données de LAION (Observatoire Internet de Stanford, décembre 2023); Shumailov et coll., « Les modèles d'IA s'effondrent lorsqu'ils sont formés à l'utilisation de données générées de façon récursive » (Nature, 2024); enquête sur le magazine TIME sur les contrats Sama d'OpenAI (janvier 2023), Whaanga, « IA: a new (r)evolution or the new colonizer for Indigenous peoples? » (Protocole autochtone et document de position sur l'IA, 2020); Centre de gouvernance de l'information des Premières nations, principes du PACO; Inuit Tapiriit Kanatami, Stratégie nationale inuite sur la recherche (2018); Global Indigean Data Alliance, CARE Princips; Reddit-Google licensing deal disclosure (2024). Citations détaillées dans l'annexe Sources.
🧌 GOBLIN CHECK — "Publicly available" est l'expression préférée de l'industrie de IA, et le gobelin voudrait que vous remarquiez que cela signifie Nous pourrions l'atteindre Pas nous avons été autorisés à le garder . Votre voiture est visible publiquement. Cela n'a toujours pas réglé la question de savoir qui peut la chasser.
Récapitulatif
- Une carte des sources d’entraînement documentées, des collectes Web et des livres au code et aux index d’images, ainsi que la différence entre une collection de sources et les données qui ont effectivement servi à entraîner un modèle précis.
- La distinction entre librement accessible et facilement utilisables que le débat public s'effondre régulièrement — et la base opérationnelle de la conversation sur les droits des créateurs canadiens.
- La couche humain-travail de la préparation des données de formation, y compris la main-d'œuvre d'étiquetage des données à bas salaires dans le Sud mondial et le contrat de modération du contenu kényan documenté pour la formation d'alignement OpenAI.
- L'élaboration de l'initiative « L'IA comme nouveau colonisateur » de Whaanga a eu un impact important : la formation-couche de données, la modélisation-couche d'extrants et la création de nouvelles connaissances-couche des incidences des modèles de formation sur le contenu autochtone sans avoir recours aux cadres de souveraineté des données autochtones.
- Le travail, les savoirs et les ressources mobilisés par l’entraînement, et les questions à poser sur ce que les personnes qui y ont contribué ont reçu et sur ce qui reste inconnu.
- Le test de travail pour évaluer toute demande de formation sur l'IA : source, consentement, compensation, engagement des données autochtones, vérification, traçabilité des extrants.
Sources
- Stanford Center for Research on Foundation Models, 2025 Foundation Model Transparency Index
- Canadian newspapers v. OpenAI (Ontario Superior Court CV-24-00732231-00CL)
- Books3 corpus litigation including Silverman et al. v. OpenAI
- New York Times v. OpenAI
- LAION dataset withdrawal documentation (Stanford Internet Observatory, December 2023)
- Shumailov et al., "AI models collapse when trained on recursively generated data" (Nature, 2024)
- TIME magazine investigation of OpenAI's Sama contracting (January 2023)
- Whaanga, "AI: a new (r)evolution or the new colonizer for Indigenous peoples?" (Indigenous Protocol and AI Position Paper, 2020)
- First Nations Information Governance Centre, OCAP Principles
- Inuit Tapiriit Kanatami, National Inuit Strategy on Research (2018)
- Global Indigenous Data Alliance, CARE Principles
- Reddit-Google licensing deal disclosure (2024).