数据来源的实际含义及如何验证

为什么数据集级别的来源不够？

因为最终被问到的问题是关于特定项的，而不是整个数据集。当权利持有人或监管者质询某一图像时，声称该集合是合乎道德来源的并不能回答任何问题。

每项的来源意味着每一行都可以追溯到由谁生产、何时、在何种同意下以及使用哪个规则版本。这是唯一能经受挑战的形式。

哪些证据实际上构成了来源？

对于捕获的图像：完整的EXIF显示捕获时间和设备，这区分了原始捕获与抓取文件。对于语音：录音条件和说话者的同意记录。对于标签：标注者、时间戳和应用的冻结规则版本。

在评估期间，要求查看特定行样本的这些信息。能够为您选择的行提供这些信息的供应商拥有真实来源；提供政策文件的供应商则没有。

• 图像上的完整捕获元数据
• 出现人物的每项同意记录
• 每项的贡献者归属
• 每个标签上的规则版本标记
• 交付后仍然保留的时间戳

为什么捕获元数据经常被破坏？

因为大多数收集管道通过图库、消息应用或调整大小步骤传输图像，这些步骤会删除或重写EXIF。当文件到达买家时，来源已经丢失且无法重建。

这就是为什么应用内捕获在操作上很重要，而不仅仅是一个功能。如果贡献者从他们的图库上传，元数据已经丢失，无论合同怎么说。

合同应要求什么？

要求来源证据与数据一起交付，而不是由供应商保留，并且它们在交付管道中的任何格式转换中都能保留。保存在供应商内部系统中的来源是当关系结束时您会失去的来源。

还应要求有权对样本行进行审核，并至少在早期使用一次，而不是留待争议时使用。

AI训练数据中的数据来源是什么？

能够展示每一项的来源、由谁生产、在何种同意下及使用哪个标注标准。它是每项的属性，而不是数据集级别的声明。

我如何检查供应商的来源声明？

在评估期间选择特定行并要求提供其来源证据：捕获元数据、同意记录、贡献者归属和规则版本。政策文件不是答案。

为什么EXIF元数据对图像数据集很重要？

它记录了图像的捕获时间和设备，这是区分原始现场捕获与抓取材料的主要证据。除非在应用内捕获，否则大多数管道会删除它。