AILP — AI શિક્ષણ અનુમતિ પ્રોટોકોલ

01 · વ્યાખ્યા

AILP શિક્ષણના વિશિષ્ટ પ્રશ્ન માટે AIRS સ્પેક્ટ્રમને કાર્યાન્વિત કરે છે. તે એવી ક્રિયાઓને અલગ પાડે છે જેને દ્વિઆધારી ક્રોલર નિયમો એકસાથે ભેળવી દે છે: વંચાવું એ શિક્ષણ-સ્રોત બનવા બરાબર નથી; પુનઃપ્રાપ્ત થવું એ તાલીમ-સ્રોત બનવા બરાબર નથી; ફાઇન-ટ્યુનિંગ એ ડિસ્ટિલેશન નથી; શબ્દશઃ સ્મૃતિ-સંગ્રહ આંકડાકીય આંતરિકીકરણથી અલગ છે. AILP પ્રકાશકને એક જ મશીન-વાંચનીય ફાઇલમાં, પરિમાણ-દર-પરિમાણ અનુમતિઓ ઘોષિત કરવા દે છે — ઍક્સેસ, ઇન્ડેક્સિંગ, ઇન્ફરન્સ ઇનપુટ, એમ્બેડિંગ, તાલીમ, ફાઇન-ટ્યુનિંગ, ડિસ્ટિલેશન, મેમરી, આઉટપુટ, એટ્રિબ્યુશન અને વળતર — દરેકને અનુમત, નકારેલ અથવા લાઇસન્સ-જરૂરી તરીકે.

02 · હેતુ

• “શું AI આમાંથી શીખી શકે?” એ પ્રશ્નનો જવાબ ક્રોલ-બિટને બદલે પરિમાણ-સ્તરની ચોકસાઈ સાથે આપો.
• શિક્ષણ અનુમતિ (મોડેલમાં આંતરિકીકરણ) ને ઍક્સેસ અનુમતિ (પૃષ્ઠો મેળવવા) થી અલગ પાડવી.
• વળતર મોડેલોને સપોર્ટ કરવો: મફત, બિન-વ્યાવસાયિક, લાઇસન્સ-જરૂરી, આવક-વહેંચણી.
• ખાતરી કરો કે ખુલ્લાપણું મશીન-અમલપાત્ર છે — જેથી સદ્‌ભાવનાને કાનૂની અનિશ્ચિતતા તરીકે કાઢી ન નાખવામાં આવે.

03 · વ્યાપ

04 · મશીન-વાંચનીય ઉદાહરણ

એક શિક્ષણ-અનુમતિ ઘોષણા — /ai/rights-spectrum.json (AILP પ્રોફાઇલ)

{
  "version": "0.1",
  "protocol": "AILP",
  "publisher": "example.org",
  "default": {
    "access": "allowed",
    "indexing": "allowed",
    "inference_input": "allowed",
    "embedding": "allowed",
    "training": "license_required",
    "fine_tuning": "license_required",
    "distillation": "denied",
    "verbatim_memory": "denied",
    "attribution": "required",
    "compensation": "contact"
  },
  "contact": "licensing@example.org"
}

05 · મર્યાદાઓ

• શિક્ષણ-અનુમતિની અર્થચ્છાયા તકનીકી રીતે ચકાસવી સૌથી અઘરી છે — AILP હેતુ ઘોષિત કરે છે, તે હજુ અનુપાલન સાબિત કરી શકતું નથી.
• પરિમાણ યાદી એક મુસદ્દો છે; તાલીમ, ફાઇન-ટ્યુનિંગ અને ડિસ્ટિલેશન વચ્ચેની સીમાઓ હજુ ચર્ચામાં છે.
• શિક્ષણ અનુમતિઓની કાનૂની માન્યતા અધિકારક્ષેત્ર પ્રમાણે બદલાય છે અને હજુ અનિરાકૃત છે.