De onde vêm os dados de treinamento

Um modelo não aprendeu Ruby do nada

Quando uma ferramenta agêntica de Ferramentas de IA: introdução (Cursor & Antigravity) sugere scope :published, -> { where.not(published_at: nil) }, ela produz esse padrão porque algo parecido apareceu muitas vezes no material de treinamento. No setor, esse material inclui, segundo os relatos, páginas web públicas, repositórios de código aberto, livros, fóruns e acordos de licenciamento de dados. É daí que vem a noção que um modelo tem de "como é código Rails". Nada disso é mágica, e nada disso escapa das questões de direito autoral e licença que já valiam para o material de origem.

Código público não é domínio público

Um repositório que qualquer um lê num site de hospedagem de código não fica livre de direito autoral só por isso. Essa distinção é fácil de perder. Código aberto quase sempre vem com uma licença, como MIT, GPL ou Apache, e cada uma tem termos. Algumas exigem atribuição; outras exigem que obras derivadas levem a mesma licença. "Visível publicamente" e "livre para reusar como quiser" são afirmações diferentes. Dados de treinamento tirados de repositórios públicos herdam as questões de licença desses repositórios.

O que as empresas publicam e o que não publicam

As empresas em geral não publicam a lista completa de código e texto que treinou um modelo. Descrevem categorias amplas, como "dados públicos da web", "parcerias licenciadas" ou "repositórios de código", mas uma lista detalhada não é a regra. Por isso a aula 2 chama a questão de licença de disputada, e não resolvida. Ninguém de fora da empresa consegue auditar a resposta por completo.

Por que isto abre o curso

Toda afirmação deste curso sobre licença, privacidade e política da empresa remete a um fato. A saída de um modelo é moldada pelo material com que ele aprendeu, e a maior parte desse material já tinha uma licença ou um dono. A aula 2 pergunta o que isso significa para código. As aulas 3 a 6 passam a uma questão ligada, mas separada: o que acontece com o código e os dados novos que você digita nessas ferramentas.

Pontos-chave

• As sugestões de um modelo refletem padrões do material de treinamento: texto público da web, código aberto, livros e dados licenciados, segundo os relatos.
• Um repositório de código público não fica livre de direito autoral só por isso; a maioria tem uma licença (MIT, GPL, Apache e outras) com termos.
• As empresas em geral não publicam uma lista detalhada do que treinou um modelo.
• Essa lacuna é o motivo de a próxima aula tratar a licença de código como questão em aberto.