Data provenance

Definicja robocza

Pochodzenie danych (data provenance) to zapis tego, skąd dany element informacji się wziął: z jakich źródeł, przez jakie przekształcenia i za czyją odpowiedzialnością przeszedł, zanim trafił do tabeli, wykresu albo zbioru treningowego. W sensie technicznym jest to graf, którego węzłami są encje (dane), aktywności (operacje) i agenci (ludzie, programy, instytucje), a krawędziami relacje typu „wygenerowane przez”, „pochodzi od”, „przypisane do”. W sensie potocznym słowo oznacza po prostu „źródło danych”, co gubi istotę rzeczy: proweniencja nie jest adresem pierwotnym, lecz całym łańcuchem pośredników. Użyteczność pojęcia polega na tym, że pozwala zapytać o wiarygodność konkretnej liczby, a nie całego zbioru.

Geneza i rodowód

Słowo przyszło z historii sztuki i archiwistyki, gdzie proweniencja oznacza udokumentowany łańcuch właścicieli dzieła albo zasadę, by akta jednego wytwórcy trzymać razem; archiwalną wersję zasady upowszechnił holenderski podręcznik Mullera, Feitha i Fruina z 1898 r. Do informatyki pojęcie weszło w teorii baz danych około 2000 r., kiedy Peter Buneman, Sanjeev Khanna i Wang-Chiew Tan rozróżnili why-provenance (które rekordy źródłowe uzasadniają wynik zapytania) i where-provenance (skąd dosłownie skopiowano wartość). W połowie dekady przejęła je nauka obliczeniowa (e-science): systemy przepływów pracy zaczęły zapisywać, które skrypty i wersje danych wyprodukowały dany wynik, a przegląd Simmhana, Plale’a i Gannona z 2005 r. nadał temu nurtowi taksonomię. Cykl „Provenance Challenge” pod kierunkiem Luca Moreau doprowadził do Open Provenance Model, a następnie do rodziny standardów W3C PROV, przyjętej jako rekomendacja 30 kwietnia 2013 r. Od około 2018 r. pojęcie zostało przechwycone przez dwa nowe obiegi: etykę uczenia maszynowego (karty zbiorów danych) i przemysł mediów, gdzie koalicja C2PA używa słowa content provenance dla kryptograficznie podpisanych metadanych obrazu i nagrania. Różnica między tymi obiegami jest istotna: pierwszy dokumentuje przekształcenia, drugi tożsamość i nienaruszalność.

Rodowód środkowoeuropejski

Nie znaleźliśmy udokumentowanego związku tego pojęcia z myślą lub doświadczeniem Europy Środkowej.

Dlaczego teraz

Trzy procesy z lat 2018–2026 zamieniły akademicką specjalność w wymóg prawny i przedmiot sporów sądowych. Po pierwsze, modele językowe zaczęto trenować na korpusach zebranych z sieci bez metadanych o źródle; audyt Data Provenance Initiative z października 2023 r. wykazał, że w popularnych repozytoriach ponad 70% zbiorów nie ma poprawnie podanej licencji, a pozwy wydawców i autorów (m.in. „New York Timesa” przeciwko OpenAI z grudnia 2023 r.) sprowadzają się do pytania, co dokładnie było w danych treningowych. Po drugie, unijny Akt o sztucznej inteligencji (2024) w art. 10 wymaga od dostawców systemów wysokiego ryzyka praktyk zarządzania danymi obejmujących „procesy zbierania danych i pochodzenie danych”, a przepisy o przejrzystości modeli ogólnego przeznaczenia nakładają obowiązek streszczenia treści treningowych. Po trzecie, upowszechnienie generatorów obrazu i wideo przeniosło pytanie o pochodzenie na media: standard Content Credentials koalicji C2PA, tworzonej przez producentów aparatów, oprogramowania i platformy, ma umożliwić sprawdzenie, czy zdjęcie wyszło z matrycy, czy z modelu dyfuzyjnego. W tle rośnie czwarty motyw: kryzys replikacji w naukach empirycznych, w którym brak zapisanego łańcucha przetwarzania od pomiaru do wykresu okazał się jedną z głównych przyczyn niemożności odtworzenia wyników.

Siła wyjaśniająca

Pojęcie pozwala zobaczyć, że „jakość danych” nie jest własnością zbioru, lecz własnością historii zbioru, i że wiele sporów o prawdę jest w istocie sporami o pochodzenie. Trzy przykłady. Kiedy w 2024 r. okazało się, że duże zbiory obrazów do trenowania modeli zawierały materiały nielegalne i zdjęcia prywatne, winny był nie algorytm, lecz brak proweniencji: nikt nie potrafił powiedzieć, skąd przyszły konkretne pliki. Kiedy sąd ocenia dowód cyfrowy, nie pyta, czy nagranie „wygląda prawdziwie”, lecz czy łańcuch nadzoru (chain of custody) od urządzenia do sali rozpraw jest nieprzerwany; to proweniencja w stroju prawniczym. Kiedy analityk w firmie odkrywa, że dwa raporty podają różne liczby klientów, zwykle nie myli się żadne z nich: różnią się ścieżkami przekształceń (inna definicja „aktywnego klienta”, inny moment odcięcia), a bez zapisu rodowodu obu liczb spór rozstrzyga ten, kto ma większy autorytet, nie ten, kto ma rację. We wszystkich trzech przypadkach pojęcie zamienia pytanie „czy to prawda?” na operacyjne „jak to powstało?”.

Osie sporu

Niedoceniany kąt

Proweniencja jest pojęciem z epistemologii świadectwa przebranym za pojęcie inżynierskie. Filozofowie od dawna pytają, kiedy wolno wierzyć cudzemu słowu; graf PROV udziela odpowiedzi strukturalnej: wiarygodność nie przysługuje zdaniu, lecz łańcuchowi agentów i operacji, a każde ogniwo wnosi własne ryzyko. Z tego wynika rzadko zauważany wniosek o kosztach. Pełna proweniencja rośnie szybciej niż same dane, bo każda operacja dodaje węzeł, a większość tych węzłów nikogo nigdy nie zainteresuje. Systemy, które próbowały zapisywać wszystko, tonęły w metadanych; systemy, które zapisują tylko to, co „ważne”, odtwarzają problem selekcji, przed którym miały chronić. Praktyczna proweniencja jest więc zawsze decyzją o tym, komu będziemy musieli się kiedyś tłumaczyć — regulatorowi, sądowi, recenzentowi, przyszłemu sobie — i tę decyzję warto podejmować jawnie, zamiast delegować ją na domyślne ustawienia narzędzia.

W przekładzie

Polski termin nie jest ustalony. „Pochodzenie danych” jest naturalne, ale myli się ze zwykłym „źródłem” i nie oddaje łańcucha przekształceń. „Proweniencja danych” ma oparcie w terminologii archiwalnej i muzealnej, gdzie proweniencja od dawna oznacza udokumentowaną historię obiektu, i dlatego lepiej niesie sens techniczny; jego kosztem jest brzmienie fachowe. „Rodowód danych” jest obrazowy, lecz w tym serwisie zarezerwowany dla czego innego. Kalka data lineage („linia danych”) nie funkcjonuje. Proponujemy „proweniencję danych” jako termin główny i „pochodzenie danych” jako objaśnienie przy pierwszym użyciu.