docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,245 @@
|
||||
---
|
||||
id: wiki-2026-0508-intellectual-property-in-ai
|
||||
title: Intellectual Property in AI
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [AI IP, copyright, training data, model IP, fair use, NYT v OpenAI]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [legal, ai-ip, copyright, training-data, fair-use, regulation]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Legal
|
||||
applicable_to: [AI Development, Legal, Policy]
|
||||
---
|
||||
|
||||
# Intellectual Property in AI
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 training data, 매 model output, 매 model itself 의 IP 의 의 의 의 unsettled"**. 매 NYT v OpenAI (2023+), Getty v Stability, GitHub Copilot lawsuits. 매 modern: 매 EU AI Act + 매 US Copyright Office (2023).
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 issues
|
||||
- **Training data**: 매 copyrighted material 의 의 fair use?
|
||||
- **Output**: 매 AI-generated 의 copyrightable?
|
||||
- **Model**: 매 trade secret vs open-source.
|
||||
- **Style**: 매 artist style 의 mimic 의 violate?
|
||||
|
||||
### 매 famous cases
|
||||
- **NYT v OpenAI** (2023+): 매 training on articles.
|
||||
- **Getty v Stability** (2023+): 매 watermarks in output.
|
||||
- **Andersen v Stability** (artists vs SD).
|
||||
- **Doe v GitHub** (Copilot, code).
|
||||
- **Authors Guild v OpenAI** (2023).
|
||||
|
||||
### 매 legal stance (current, evolving)
|
||||
- **US Copyright Office (2023)**: 매 pure AI output 의 X copyright (no human authorship).
|
||||
- **EU AI Act (2024)**: 매 training data disclosure 의 transparency.
|
||||
- **Japan**: 매 broad permitted training (2018 amendment).
|
||||
- **UK**: 매 narrow text-and-data-mining exception.
|
||||
|
||||
### 매 응용 risk
|
||||
1. Training data sourcing.
|
||||
2. Output deployment.
|
||||
3. Style mimicking.
|
||||
4. Model release.
|
||||
5. Watermark / provenance.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Training data audit
|
||||
```python
|
||||
@dataclass
|
||||
class DataSource:
|
||||
source: str
|
||||
license: str
|
||||
provenance: str
|
||||
can_train: bool
|
||||
|
||||
def audit_training_corpus(sources):
|
||||
risky = [s for s in sources if not s.can_train or s.license == 'unknown']
|
||||
return {'safe': len(sources) - len(risky), 'risky': risky}
|
||||
```
|
||||
|
||||
### License compatibility
|
||||
```python
|
||||
COMPATIBLE = {
|
||||
'cc0': True, 'cc-by': True, 'mit': True, 'apache-2.0': True,
|
||||
'cc-by-nc': 'check_purpose',
|
||||
'cc-by-sa': 'derivative_must_share',
|
||||
'gpl-3.0': 'derivative_must_open',
|
||||
'proprietary': False, 'unknown': False,
|
||||
}
|
||||
|
||||
def can_train(license, purpose='commercial'):
|
||||
rule = COMPATIBLE.get(license)
|
||||
if rule == 'check_purpose': return purpose != 'commercial'
|
||||
return rule
|
||||
```
|
||||
|
||||
### Output attribution / watermark
|
||||
```python
|
||||
# 매 C2PA (modern provenance standard)
|
||||
from c2pa import Signer
|
||||
|
||||
def attach_provenance(media_path, model_id, signer_cert):
|
||||
Signer(signer_cert).sign(media_path, claims={
|
||||
'generator': model_id,
|
||||
'training_data_summary': 'public_domain + licensed',
|
||||
'timestamp': now(),
|
||||
})
|
||||
```
|
||||
|
||||
### Artist style detection (defensive)
|
||||
```python
|
||||
def style_similarity(generated, reference_artist_works):
|
||||
"""매 매 generated style 의 reference artist 의 의 의 close?"""
|
||||
gen_features = clip_encode(generated)
|
||||
artist_features = [clip_encode(w) for w in reference_artist_works]
|
||||
sim = max(cosine(gen_features, f) for f in artist_features)
|
||||
return sim # 매 > 0.9 → flag
|
||||
```
|
||||
|
||||
### Opt-out registry
|
||||
```python
|
||||
OPT_OUT = load_registry('https://spawning.ai/opt-out')
|
||||
|
||||
def filter_training_data(images):
|
||||
return [img for img in images if img.creator not in OPT_OUT]
|
||||
```
|
||||
|
||||
### Memorization detection (training data leakage)
|
||||
```python
|
||||
def detect_memorization(model, training_examples, n_test=100):
|
||||
"""매 매 model 의 의 의 verbatim 의 reproduce 매?"""
|
||||
leaks = 0
|
||||
for ex in random.sample(training_examples, n_test):
|
||||
prompt = ex.text[:100]
|
||||
gen = model.generate(prompt, max_tokens=200)
|
||||
if longest_common_substring(gen, ex.text) > 50:
|
||||
leaks += 1
|
||||
return leaks / n_test
|
||||
```
|
||||
|
||||
### Fair use 4-factor analysis
|
||||
```python
|
||||
def fair_use_analysis(use_case):
|
||||
return {
|
||||
'purpose': 'transformative? commercial?',
|
||||
'nature': 'creative or factual? published?',
|
||||
'amount': 'how much used? heart of work?',
|
||||
'effect': 'market harm? substitute?',
|
||||
}
|
||||
# 매 매 case 의 의 의 의 evaluate — 매 lawyer 의 needed
|
||||
```
|
||||
|
||||
### EU AI Act compliance (training data summary)
|
||||
```python
|
||||
def eu_training_data_disclosure(corpus):
|
||||
return {
|
||||
'general_purpose_ai': True,
|
||||
'training_data_summary': summarize_corpus(corpus),
|
||||
'compute_used': estimate_compute(corpus),
|
||||
'systemic_risk': flops_above_threshold(),
|
||||
}
|
||||
```
|
||||
|
||||
### Model release license
|
||||
```yaml
|
||||
# 매 매 trade-off
|
||||
licenses:
|
||||
- name: Llama Community License
|
||||
type: permissive_with_exceptions
|
||||
commercial: yes (with conditions)
|
||||
|
||||
- name: Apache 2.0
|
||||
type: permissive
|
||||
commercial: yes
|
||||
|
||||
- name: AGPL-3.0
|
||||
type: copyleft
|
||||
commercial: yes (must share derivatives)
|
||||
|
||||
- name: CC-BY-NC
|
||||
type: non_commercial
|
||||
commercial: no
|
||||
```
|
||||
|
||||
### Output cleansing (preserve user IP)
|
||||
```python
|
||||
def output_clean_for_user_ip(generated, user_input):
|
||||
"""매 generated 의 의 user input 의 verbatim 매 가능."""
|
||||
if generated_contains_user_input(generated, user_input):
|
||||
# 매 user retains rights to their part
|
||||
return mark_user_section(generated, user_input)
|
||||
return generated
|
||||
```
|
||||
|
||||
### LLM legal-compliance prompt
|
||||
```python
|
||||
LEGAL_SYSTEM = """You generate legal-aware output.
|
||||
|
||||
When asked about IP-sensitive content:
|
||||
1. Note that AI-generated work may not be copyrightable in some jurisdictions.
|
||||
2. Cite training data limitations when relevant.
|
||||
3. Flag if a request seems to ask for verbatim copyrighted material.
|
||||
4. Recommend lawyer consultation for legal decisions."""
|
||||
```
|
||||
|
||||
### Code verbatim check (Copilot-style)
|
||||
```python
|
||||
def code_verbatim_check(generated_code, public_repos):
|
||||
"""매 매 매 long verbatim 의 detect → user 의 warn."""
|
||||
matches = []
|
||||
for repo in public_repos:
|
||||
for file in repo.files:
|
||||
common = longest_common_substring(generated_code, file.content)
|
||||
if len(common) > 100:
|
||||
matches.append({'repo': repo.name, 'license': repo.license, 'lines': common})
|
||||
return matches
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Build model | License audit + opt-out respect |
|
||||
| Deploy output | Watermark + provenance |
|
||||
| Style mimicking | Detection + flag |
|
||||
| EU market | AI Act disclosure |
|
||||
| Open-source | Apache / Llama license |
|
||||
| User-generated | Preserve user rights |
|
||||
|
||||
**기본값**: 매 license-clean training (audit + opt-out) + 매 watermark output (C2PA) + 매 EU disclosure + 매 lawyer consult for edge cases.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Ethics & AI]]
|
||||
- 변형: [[Model-IP]]
|
||||
- 응용: [[EU-AI-Act]] · [[GDPR]] · [[C2PA]]
|
||||
- Adjacent: [[Generative-AI]] · [[Copyright]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 commercial AI deploy. 매 dataset construction.
|
||||
**언제 X**: 매 academic research only (limited).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Train on anything**: 매 lawsuits.
|
||||
- **No watermark**: 매 misuse / impersonation.
|
||||
- **Ignore opt-out**: 매 brand risk.
|
||||
- **No EU AI Act prep**: 매 fines.
|
||||
- **Skip lawyer**: 매 specific case decisions.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (US Copyright Office 2023, EU AI Act 2024, court filings).
|
||||
- 신뢰도 B+.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — IP issues + 매 audit / watermark / fair use / disclosure code |
|
||||
Reference in New Issue
Block a user