Best Practices for Preventing AI Exploitation of Open Content and Open Data DPGs
by dpg-public-letters
Theo: https://dpgalliance.github.io/dpg-public-letters/dpg-open-content-data/en/
------------
Nội dung
1.0 Giới thiệu và mục đích
2.0 Bối cảnh: Các thách thức chung
3.0 Khuyến nghị
3.1 Minh bạch và khả năng truy xuất nguồn gốc
3.2 Tính tương hỗ và chia sẻ giá trị
3.3 Việc cấp phép, quản trị và các công cụ pháp lý
3.4 Cơ chế kỹ thuật cho hàng hóa công cộng kỹ thuật số (DPGs)
4.0 Kết luận
5.0 Lời cảm ơn
6.0 Tài liệu tham khảo
------------
1.0 Giới thiệu và mục đích
Tài liệu khái niệm này trình bày một tập hợp các khuyến nghị, cơ chế và quan điểm nền tảng được xây dựng bởi những người quản lý sản phẩm của hàng hóa công cộng kỹ thuật số – DPG (Digital Public Goods)—bao gồm các DPG về Nội dung Mở (Open Contents) và Dữ liệu Mở (Open Data)—nhằm ứng phó với những thách thức và lo ngại chung được mô tả trong các phần tiếp theo. Mục đích chính của tài liệu là giải quyết các thách thức thực tiễn mới nảy sinh liên quan đến việc thu thập, xử lý và sử dụng nội dung mở cũng như dữ liệu mở từ các DPG do các công ty thương mại phát triển Mô hình Ngôn ngữ Lớn (LLM), các đơn vị trí tuệ nhân tạo (AI) và các tổ chức nghiên cứu phi thương mại khác1 thực hiện.
Các khuyến nghị được nêu ở đây xuất phát từ nhu cầu chung nhằm đảm bảo rằng bản chất mở và tính chất phục vụ lợi ích công cộng của dữ liệu và nội dung DPG được duy trì; rằng mục đích ban đầu và việc cấp phép được tôn trọng; và rằng giá trị được tạo ra từ các nguồn tài nguyên phục vụ lợi ích công cộng này được tái đầu tư và ghi nhận một cách công bằng, mang lại lợi ích cho chính các cộng đồng và các bên liên quan đã tạo ra chúng2.
2.0 Bối cảnh: Những thách thức chung
Sự bùng nổ nhanh chóng và xu hướng thương mại hóa ngày càng tăng của AI tạo sinh (generative AI), đặc biệt là các mô hình ngôn ngữ lớn – LLM (Large Language Models), đã đặt ra những thách thức mới cho các DPG—vốn hoạt động dựa trên các nguyên tắc về tính mở (openness), lợi ích công cộng và tính không độc quyền3. Các LLM tạo ra giá trị thương mại đáng kể từ việc thu thập, huấn luyện và đóng gói lại các nội dung vốn được tạo ra vì lợi ích công cộng. Thực trạng này tạo ra sự mất cân bằng quyền lực cơ bản trong khả năng sử dụng dữ liệu và khai thác giá trị từ dữ liệu đó. Khu vực phục vụ lợi ích công cộng cung cấp "nguyên liệu thô" nền tảng cho các sản phẩm thương mại độc quyền cũng như các sản phẩm phi thương mại, nhưng lại thiếu cơ chế chia sẻ giá trị tương hỗ có đi có lại, ghi nhận đóng góp hoặc tái đầu tư vào hệ sinh thái DPG4. Những thách thức cốt lõi những người quản lý sản phẩm DPG đối mặt bao gồm:
Thách thức về hạ tầng và kỹ thuật: Hoạt động thu thập dữ liệu tự động (bot scraping) và lạm dụng trình thu thập thông tin (crawler) gây quá tải cho các giao diện lập trình ứng dụng (API), tiêu tốn nguồn lực lớn, làm tăng chi phí vận hành và khiến các nền tảng trở nên khó sử dụng hơn đối với những người đóng góp và người dùng hợp lệ.
Tác động của AI và công nghệ tạo sinh: Người dùng ngày càng có xu hướng tiếp cận thông tin thông qua các chatbot AI thay vì truy cập trực tiếp vào các dự án gốc; trong khi đó, nội dung mở bị thu thập, đóng gói lại và cấp phép lại mà không có sự ghi nhận nguồn, đền bù hay tính minh bạch thỏa đáng, gây ra những lo ngại ngày càng lớn trong cộng đồng những người đóng góp và sáng tạo nội dung.
Tính bền vững về tài chính: Các nguồn tài trợ truyền thống đang trở nên kém ổn định hơn, và việc gây quỹ cũng khó khăn hơn khi các nhà tài trợ chuyển hướng chương trình của họ sang các công nghệ AI mới. Các chỉ số về lưu lượng truy cập và số lượng người dùng sụt giảm cũng làm suy yếu lập luận về việc hỗ trợ một cộng đồng người dùng ổn định. Ngày càng nhiều tổ chức trở nên thận trọng trong việc chia sẻ mở công khai dữ liệu hoặc hoài nghi về việc đầu tư phát triển nội dung mở do lo ngại về vấn đề khai thác giá trị.
Thiếu minh bạch và thiếu cơ chế từ chối tham gia (opt-out): Hiện chưa có tiêu chuẩn hay văn hóa nào được thiết lập để công khai việc sử dụng dữ liệu trong AI, dù là cố ý hay vô ý. Các Hàng hóa công kỹ thuật số (DPGs) thường không nắm rõ thông tin về việc các đơn vị vận hành mô hình ngôn ngữ lớn (LLM) – dù là thương mại hay phi thương mại – đang sử dụng nội dung của họ như thế nào; họ cũng thiếu cơ chế đơn giản để đối thoại, hợp tác vì các mục tiêu chung, yêu cầu tuân thủ các nguyên tắc đạo đức cụ thể, hoặc thực hiện quyền "từ chối" (opt-out) đối với các mục đích sử dụng có rủi ro cao. Việc thiếu thông tin công khai về cách thức và lý do các công ty AI lớn sử dụng dữ liệu cũng gây khó khăn cho các tổ chức trong việc đo lường tác động, bảo vệ tài sản và đảm bảo nguồn tài trợ dài hạn.
Các mối đe dọa đối với mô hình đóng góp: Các mô hình đóng góp từ cộng đồng đang đối mặt với rủi ro khi các doanh nghiệp khai thác dữ liệu và nội dung do tình nguyện viên tạo ra mà không có sự đầu tư tương xứng nhằm đảm bảo tính bền vững của dự án, không có chính sách khuyến khích người đóng góp, hoặc không tôn trọng cơ chế quản trị mở. Tương tự, khi các LLM đứng ra làm trung gian giữa DPG và người dùng cuối, mối liên hệ cũng như thiện chí và động lực từng tạo nên và duy trì DPG sẽ dần phai nhạt. Nếu người đóng góp cảm thấy công sức của mình không được tôn trọng, ghi nhận hoặc đền đáp xứng đáng, họ có thể không còn thấy lợi ích gì trong việc tham gia và hỗ trợ phát triển các DPG.
Tác động tiêu cực đến cộng đồng DPG: Việc ngày càng nhiều LLM sử dụng dữ liệu mà không có sự đồng ý đang buộc các cộng đồng DPG phải xây dựng các chính sách và cơ chế kiểm soát mới. Điều này làm phân tán nguồn lực vốn đã hạn hẹp của các chủ sở hữu sản phẩm và tình nguyện viên DPG vào việc giải quyết các thách thức mới liên quan đến AI, thay vì dành thời gian đó để duy trì và phát triển dữ liệu cũng như nội dung mở phục vụ lợi ích chung. Các biện pháp có thể được đưa ra nhằm cấm các đơn vị thương mại sử dụng dữ liệu và nội dung mở lại đi ngược lại tinh thần của nguồn mở cũng như các loại giấy phép đang được các DPG áp dụng rộng rãi; đồng thời, chúng cũng gây tác động tiêu cực đến những người dùng chân chính – những người có thiện chí ghi nhận nguồn gốc và hỗ trợ các DPG một cách công bằng. Cuối cùng, nếu sự ủng hộ dành cho cộng đồng DPG suy giảm, hoặc việc tương tác với DPG trở nên phức tạp đối với người dùng và các cá nhân có tiềm năng trở thành người bảo trì, thì toàn bộ cơ sở hạ tầng nhân sự của DPG có thể sẽ sụp đổ.
3.0 Khuyến nghị
Dựa trên những thách thức chung đã nêu ở trên, dưới đây là một số khuyến nghị (không vét cạn) nhằm thúc đẩy sự hợp tác với các công ty phát triển mô hình ngôn ngữ lớn (LLM) thương mại, các tổ chức nghiên cứu phi thương mại và hệ sinh thái AI rộng lớn hơn, song song với các cơ chế mà các tổ chức DPG (Hàng hóa Công cộng Kỹ thuật số) đang nghiên cứu triển khai:
3.1. Tính minh bạch và khả năng truy xuất nguồn gốc
Bắt buộc công khai danh mục nội dung: Cần khuyến khích các công ty LLM công bố (ở mức tổng quát) các nguồn dữ liệu chính được thu thập (scraped) để đưa vào kho dữ liệu huấn luyện của họ, qua đó cho phép các tổ chức DPG xác nhận liệu nội dung của mình có được sử dụng hay không.
Cơ chế ghi nhận nguồn gốc: Cần tiếp tục xây dựng các tiêu chuẩn bắt buộc về quy trình phản hồi, trong đó kết quả đầu ra của AI phải liên kết và trích dẫn các bộ dữ liệu gốc đã cung cấp thông tin cho chúng. Việc này nên dựa trên các khuôn khổ ghi nhận nguồn gốc và hướng dẫn thực tiễn tốt nhất—chẳng hạn như các hướng dẫn do Creative Commons phát triển5. Điều này đảm bảo rằng nội dung do máy tạo ra vẫn duy trì khả năng truy xuất rõ ràng về nguồn gốc do con người tạo ra, qua đó củng cố giá trị của nguồn tài nguyên chung kỹ thuật số (digital commons).
3.2. Tính tương hỗ và chia sẻ giá trị
Tái đầu tư tài chính: Các công ty LLM thương mại phụ thuộc nhiều vào nội dung DPG được thu thập cần thiết lập một quỹ hoặc cơ chế bền vững cho cả hai bên, nhằm cung cấp các khoản tài trợ, nguồn vốn không ràng buộc mục đích cụ thể, hoặc các nguồn lực kỹ thuật cho chính các tổ chức DPG có nội dung đóng góp vào thành công thương mại của họ.
Tiếp cận dữ liệu vì mục đích nghiên cứu một cách có đạo đức: Các công ty LLM thương mại cần cam kết cung cấp quyền truy cập miễn phí, chuyên biệt và đảm bảo độ trung thực cao vào các mô hình tiên tiến của họ để phục vụ hoạt động nghiên cứu và phát triển phi thương mại trong cộng đồng DPG và các cộng đồng vì lợi ích công cộng.
3.3. Việc cấp phép, quản trị và các công cụ pháp lý
Tôn trọng chính sách dành cho robot (robots.txt): Các tổ chức DPG cần duy trì và cập nhật thường xuyên tệp robots.txt, trong đó quy định rõ ràng các hạn chế đối với trình thu thập dữ liệu tự động (crawlers) và bot AI, xác định các tham số sử dụng, cũng như bảo vệ nguồn tài nguyên máy chủ khỏi việc thu thập dữ liệu bừa bãi. Tương tự, các công ty LLM thương mại và tổ chức nghiên cứu phi thương mại cần cam kết xây dựng các biện pháp bảo vệ về mặt kỹ thuật và chính sách để đảm bảo tuân thủ các quy tắc này.
Các điều khoản chống thu thập dữ liệu trong Điều khoản Dịch vụ – ToS (Terms of Service): Các tổ chức nên áp dụng các Điều khoản Dịch vụ rõ ràng, trong đó cấm dứt khoát hành vi thu thập dữ liệu quy mô lớn và thu thập dữ liệu tự động khi chưa được phép; qua đó thiết lập cơ sở pháp lý để quản lý các tương tác thương mại và bảo vệ các tài sản dữ liệu thuộc quyền sở hữu riêng.
3.4 Các cơ chế kỹ thuật cho DPG
Mô hình API phân cấp: Triển khai mô hình truy cập nhiều cấp độ, trong đó người dùng phổ thông, phi thương mại hoặc nghiên cứu vẫn được truy cập miễn phí và không bị hạn chế, trong khi các đơn vị thương mại có lưu lượng truy cập lớn sẽ được chuyển hướng sang cấp độ API trả phí với các điểm cuối (endpoint) chuyên dụng6. Theo mô hình này, các đơn vị thương mại có thể trả phí cho các tính năng chuyên biệt khác như luồng dữ liệu thời gian thực và siêu dữ liệu có cấu trúc. Cơ chế này chuyển đổi hiệu quả việc khai thác nguồn tài nguyên mở thành một chu trình tài chính bền vững, tái đầu tư vào công tác bảo trì và cơ sở hạ tầng nhân lực của hệ sinh thái DPG.
Triển khai CAPTCHA: Áp dụng CAPTCHA hoặc các bài kiểm tra xác thực tương tác (challenge-response) tương tự đối với lưu lượng truy cập đáng ngờ để xác minh sự tương tác của con người; qua đó ngăn chặn hiệu quả sự truy cập của bot tự động mà vẫn đảm bảo khả năng truy cập cho người dùng thực.
Giới hạn tốc độ cho các yêu cầu có điểm số bot cao: Cấu hình giới hạn tốc độ API linh hoạt dựa trên mô hình mẫu lưu lượng truy cập để ngăn chặn tình trạng suy giảm hiệu năng máy chủ do hoạt động khai thác dữ liệu cường độ cao, đảm bảo sự ổn định cho người dùng thực và các nhà nghiên cứu khoa học mở.
Tường lửa ứng dụng web – WAF (Web Application Firewalls): Triển khai các giải pháp WAF để giám sát và lọc lưu lượng truy cập, tự động chặn các bot thu thập dữ liệu (scraper bot) tự động đã biết và các nguồn lưu lượng độc hại vượt quá ngưỡng an toàn được thiết lập.
4.0 Kết luận
Các khuyến nghị này đóng vai trò là điểm khởi đầu cho các cuộc đối thoại và là khung chính sách nhằm điều chỉnh mối quan hệ công bằng và có đạo đức hơn giữa các đơn vị quản lý hàng hóa công kỹ thuật số (DPG) và các nhà phát triển công nghệ AI thương mại mang tính đột phá. Các chủ sở hữu sản phẩm DPG mong muốn nhận được sự hỗ trợ có chủ đích nhằm khẳng định lại giá trị của cơ sở hạ tầng nhân lực đằng sau các DPG, đồng thời xây dựng một cơ chế an toàn hơn—không hạn chế người dùng hợp pháp tiếp tục đổi mới sáng tạo dựa trên các hàng hóa công này, nhưng vẫn khuyến khích các thành viên cộng đồng tham gia hỗ trợ công tác bảo trì. Chúng ta thực sự cần một cuộc đối thoại cởi mở, nơi các thành viên cộng đồng không bị buộc phải chọn phe trong vấn đề sử dụng AI, mà thay vào đó có thể cùng các đơn vị thương mại và phi thương mại xác định một lộ trình phát triển phù hợp.
Ban Thư ký của Liên minh Hàng hóa Công cộng Kỹ thuật số – DPGA (Digital Public Goods Alliance) cũng đã xây dựng "Cẩm nang Bảo vệ DPG" (DPG Defence Playbook) (bản dịch sang tiếng Việt). Tài liệu này cung cấp cái nhìn tổng quan về các cơ chế hiện có nhằm bảo vệ khỏi việc lạm dụng khai thác của AI, đồng thời đối chiếu các cơ chế đó với định nghĩa về tính mở hiện hành và rộng hơn là Tiêu chuẩn DPG. Mục tiêu của cẩm nang là nâng cao hiểu biết và làm rõ các khái niệm liên quan đến sự cân bằng giữa việc duy trì quyền truy cập mở và việc đảm bảo sự tồn tại lâu dài của nguồn tài nguyên mở. Chúng tôi sẽ tiếp tục hợp tác với tất cả các bên liên quan và chủ sở hữu sản phẩm DPG để thúc đẩy hơn nữa công việc này.
Nếu bạn là chuyên gia về bất kỳ khuyến nghị hoặc thách thức nào nêu trên và muốn chia sẻ tài nguyên hoặc hiểu biết chuyên môn với các chủ sở hữu sản phẩm DPG thuộc nhóm Nội dung Mở & Dữ liệu Mở thông qua các lời kêu gọi cộng đồng (đặc biệt là về các chủ đề dưới đây), vui lòng gửi email cho chúng tôi.
Đo lường tác động của các DPG về Nội dung Mở và Dữ liệu Mở.
Sử dụng AI có đạo đức cho các DPG về Nội dung Mở và Dữ liệu Mở.
Tính bền vững về tài chính cho các DPG về Nội dung Mở và Dữ liệu Mở.
5.0 Ghi nhận đóng góp
Các DPG về Dữ liệu Mở và Nội dung Mở sau đây đã tham gia vào quá trình thu thập dữ liệu và cung cấp thông tin chuyên môn làm cơ sở cho bản tóm tắt ý tưởng này; đồng thời nhận được sự đánh giá chuyên sâu từ các chủ sở hữu sản phẩm như Malvika Sharan, Lucia Ixtacuy, Sergio Bogazzi, Miguelángel Verde, Alicia Seidle và Marc McGowan.
6. Tài liệu tham khảo
Tính mở bị biến thành vũ khí? Hướng tới một khế ước xã hội mới về dữ liệu trong kỷ nguyên AI
Từ tín hiệu đến cơ sở hạ tầng: Củng cố nguồn tài nguyên chung (Commons) cho kỷ nguyên AI
Table of Contents
1.0 Introduction and Purpose
2.0 Context: The Shared Challenges
3.0 Recommendations
3.1 Transparency and Traceability
3.2 Reciprocity and Value Sharing
3.3 Licensing, Governance, and Legal Tools
3.4 Technical Mechanisms for DPGs
4.0 Conclusion
5.0 Acknowledgement
6.0 References
This concept note presents a consolidated set of recommendations, mechanisms, and a foundational position developed by digital public goods (DPG) product owners across various Open Content and Open Data DPGs in response to shared challenges and concerns described in the subsequent sections below. Its primary purpose is to address the emergent practical challenges associated with the ingestion, processing, and use of open content and open data from DPGs by commercial Large Language Model (LLM) companies, artificial intelligence entities, and other non-commercial research organisations 1.
The recommendations outlined here are born out of a shared necessity to ensure that the open, public-good nature of DPGs’ data and content is preserved, that the original intent and licensing are respected, and that the value generated by these public-good resources is reinvested and fairly acknowledged, in a manner that benefits the communities and stakeholders who created it 2.
2.0 Context: The Shared Challenges
The rapid proliferation and increasing commercialisation of generative AI, particularly large language models, present a novel set of challenges for DPGs, which, by definition, operate on principles of openness, public benefit, and non-exclusivity 3. LLMs derive significant commercial value from ingesting, training on, and repackaging content created for the public good. This dynamic creates a fundamental power imbalance in the ability to use data and derive value from it. The public-good sector provides the foundational “raw material” for proprietary commercial and non-commercial products, yet lacks a mechanism for reciprocal value-sharing, acknowledgement, or reinvestment into the DPG ecosystem 4. The core challenges shared by DPG product owners include:
Infrastructure & Technical Challenges: Bot scraping and crawler abuse overwhelm APIs, consume significant resources, increase operational costs, and make platforms less usable for legitimate contributors and users.
AI and Generative Technology Impact: Users are increasingly accessing information through AI chatbots rather than visiting original projects, while open content is being scraped, repackaged, and relicensed without adequate attribution, compensation, or transparency, raising growing concerns among contributors and creators.
Financial Sustainability: Traditional grant funding is becoming less reliable, and fundraising is harder as funders route their programs to new AI technologies. Lower traffic and visitor metrics also weaken the argument for supporting a consistent user base. More organisations are becoming cautious about sharing data openly or sceptical about investing in developing open content due to concerns about value extraction.
Lack of Transparency and Opt-Out Mechanisms: There is currently no established standard or culture for disclosing the use of data in AI, whether knowingly or inadvertently. DPGs often have no clear visibility into which commercial or non-commercial LLM entities are utilising their content, how it is being used, or a straightforward mechanism to engage in dialogue, collaborate on shared goals, request adherence to specific ethical guidelines, or effectively ‘opt out’ of certain high-risk uses. Limited disclosure of how and why major AI companies use data also makes it difficult for organisations to measure impact, protect their assets, and secure long-term funding.
Contribution Model Threats: Community contribution models are at risk as corporate actors extract volunteer-created data and content without clear reciprocal investment in project sustainability, contributor incentives, or respect for open governance. Likewise, when LLMs step between the DPG and its end user, the contact and the goodwill/motivation that produced and sustains the DPG begin to fade. If contributors no longer feel that their work is respected, attributed, or reciprocated, they may not perceive benefit in engaging with and supporting the development of DPGs.
Negative Impact on the DPG Community: The increasing use of LLMs without consent is requiring DPG communities to develop new policies and guardrails, diverting the limited capacity of DPG product owners and volunteers towards solving new AI-related challenges, which is taking away the time needed for maintaining and developing open data and content for shared use. Possible steps to prohibit commercial entities from using open data and open content run counter to the open-source ethos and the licenses broadly applied by DPGs, and negatively impact legitimate users who intend to fairly credit and support DPGs. Finally, if support for the DPG community declines or engagement with DPG for users and potential maintainers becomes complicated, the entire human infrastructure of DPG may collapse.
Based on the shared challenges described above, the following non-exhaustive recommendations are put forth for engagement with commercial large language model companies, non-commercial research organisations, and the broader AI ecosystem, alongside mechanisms DPGs are exploring:
3.1. Transparency and Traceability
Mandatory Content Index Disclosure: LLM companies should be encouraged to publish, at a high level, the major sources of scraped data used in their training corpora, enabling DPGs to confirm whether their content was used.
Attribution Mechanism: The work should continue on standards that mandate a behavioural loop in which AI outputs must link back to and cite the original source datasets that informed them. Drawing on attribution frameworks and best practice guidance—such as those developed by Creative Commons 5. This ensures that machine-generated content maintains clear traceability to its human-authored origins, reinforcing the value of the digital commons.
3.2. Reciprocity and Value Sharing
Financial Reinvestment: Commercial LLM companies that rely heavily on scraped DPG content should establish a mutually sustainable fund or mechanism to provide grants, unrestricted funding, or technical resources back to the DPG organisations whose content contributes to their commercial success.
Ethical Data Access for Research: Commercial LLM companies should commit to providing free, dedicated, and high-fidelity access to their advanced models for non-commercial research and development within the DPG and public-good communities.
3.3. Licensing, Governance, and Legal Tools
Respecting Robot Policies (robots.txt): DPGs should maintain up-to-date robots.txt files that clearly specify disallowances for automated crawlers and AI bots, specify usage parameters, and protect server resources from indiscriminate scraping. Likewise, commercial LLM companies and non-commercial research organisations should commit to developing technical and policy safeguards to ensure compliance with these rules.
Terms of Service (ToS) Anti-Scraping Clauses: Organisations should implement clear ToS that explicitly prohibit unauthorised large-scale data harvesting and automated scraping, establishing a legal baseline for managing commercial interactions and protecting proprietary data assets.
3.4 Technical Mechanisms for DPGs
Tiered API Scheme: Implement a multi-tier access model in which public/non-commercial/research users retain free, unrestricted access, while high-volume commercial entities are routed to a paid API tier that provides dedicated endpoints 6. Under this model, commercial entities can pay for other specialised features such as real-time data streams and structured metadata. This mechanism effectively transforms the extraction of open resources into a sustainable funding loop that reinvests in the maintenance and human infrastructure of the DPG ecosystem.
CAPTCHA Implementation: Deploy CAPTCHA or similar challenge-response tests for suspicious traffic to verify human interaction, effectively mitigating automated bot access while maintaining accessibility for genuine users.
Rate-Limiting for Requests with High Bot Score: Configure dynamic API rate limits based on traffic patterns to prevent server degradation from aggressive data extraction, ensuring stability for legitimate human users and open-science researchers.
Web Application Firewalls (WAF): Deploy WAF solutions to monitor and filter traffic, automatically blocking known automated scraper bots and malicious traffic sources that exceed defined safety thresholds.
These recommendations serve as a starting point for dialogue and a policy framework to govern a more equitable and ethical relationship between the stewards of digital public goods and the developers of transformative commercial AI technologies. DPG product owners desire intentional support to reiterate the value of the human infrastructure behind DPGs and to build a safer mechanism that doesn’t restrict legitimate users from continuing to innovate with our public goods while still motivating community contributors to support maintenance. We do need an open dialogue that doesn’t require community members to pick sides on whether to use AI, but rather to engage with commercial and non-commercial entities to identify an appropriate path forward.
The DPGA Secretariat has likewise developed a DPG Defence Playbook, an overview of available mechanisms to protect against AI exploitation and how they map against the current open definition, and, by extension, the DPG Standard. The playbook’s aim is to deepen understanding and conceptual clarity around the tension between maintaining open access and ensuring the survival of an open resource. We will continue to work with all relevant stakeholders and DPG product owners to advance this work further.
If you’re an expert on any of the recommendation/challenge outlined above and would like to share resources or insights with Open Content & Open Data DPG product owners via their community calls (specifically on the topics below), please send an email.
Measuring Impact for Open Content and Data DPGs.
Ethical Use of AI for Open Content and Data DPGs.
Financial Sustainability for Open Content and Data DPGs.
The following Open Data and Open Content DPGs were involved in data collection and insights that informed this concept note, with specific in-depth reviews from product owners such as Malvika Sharan, Lucia Ixtacuy, Sergio Bogazzi, Miguelángel Verde, Alicia Seidle, and Marc McGowan.
Quo Vadis, Crawlers? Progress and what’s next on safeguarding our infrastructure
The Weaponisation of Openness? Toward a New Social Contract for Data in the AI Era
From Signals to Infrastructure: Strengthening the Commons for the AI Era
Dịch: Lê Trung Nghĩa
letrungnghia.foss@gmail.com
