Problèmes de respect des droits d'auteur lors de la réécriture de ScanCode en Rust avec l'aide de l'IA

L'outil open source ScanCode Toolkit, destiné à analyser le code à la recherche de violations des droits d'auteur, d'identification des licences utilisées et de détection des vulnérabilités non corrigées, a critiqué un projet qui a créé un clone du produit ScanCode à l'aide de l'IA, réécrit de Python en Rust (le nom du clone n'est pas mentionné, mais tous les indices pointent vers le projet Provenant). Il est affirmé que le projet réécrit enfreint la marque déposée ScanCode et a supprimé les mentions de droits d'auteur et de licences. Les plaintes sont justifiées par le fait que le clone réécrit continue d'utiliser les algorithmes clés de ScanCode, tout en préservant l'architecture du projet et la structure du code.

Selon le responsable de ScanCode, la création réussie du clone a été facilitée par la présence d'un ensemble de tests automatisés exhaustif, comprenant plus de 90 000 tests, dont 40 000 sont consacrés à la détection de l'utilisation de certaines licences dans le code. Les auteurs de la version réécrite ont déclaré qu'ils avaient significativement augmenté les performances (de 10 à 100 fois), mais selon le responsable de ScanCode, cette accélération s'est faite au prix d'un passage incomplet de l'ensemble des tests, ainsi qu'une baisse de la précision de fonctionnement et de la complétude des informations fournies (le clone produisait des résultats incorrects et ne trouvait pas toutes les informations lors de l'analyse).

Bien que dans des tests de performance spécifiques le port Rust ait largement devancé ScanCode, lors du passage d'un ensemble de tests standard, le clone s'est avéré plus lent, malgré le fait que certaines vérifications aient été omises. Après l'implémentation d'optimisations dans ScanCode, telles que la mise en cache, les performances de ScanCode lors de l'analyse de code sont devenues équivalentes à celles du clone en Rust, tout en préservant totalement la précision de fonctionnement.

Les auteurs du clone sont également accusés d'avoir enfreint les droits d'auteur et la licence Apache 2.0, sous laquelle le code de ScanCode est distribué. Il est noté que, lors du réécriture, quatre exigences principales de la licence ont été enfreintes : le maintien du fichier original avec une mention (NOTICE), la préservation des mentions de droits d'auteur, la mise en évidence des modifications effectuées et le changement de nom dans l'œuvre dérivée. Après des remarques, les auteurs du clone ont placé le fichier NOTICE et ont renommé leur projet, mais les deux autres violations restent à ce jour non corrigées.

Le responsable de ScanCode estime que la communauté doit établir des critères pour distinguer ce qui doit être considéré comme une œuvre dérivée lors de l'utilisation de l'IA, et ce qui constitue une réalisation indépendante. Selon lui, même après la réécriture du code dans un autre langage tout en conservant les algorithmes et la structure, le résultat demeure une œuvre dérivée, même si les variables ont été renommées et que des commentaires ont été modifiés ou supprimés durant le processus. Les allégations des auteurs du portage Rust concernant une refonte indépendante, inspirée uniquement par le projet ScanCode, ne sont pas correctes dans ce cas, car le travail vise à créer une apparence de développement original, ce qui est même pire qu'une copie directe, car ces manœuvres sont plus difficiles à détecter.

Un problème majeur lors de la génération de code par l'IA est l'absence de suivi de l'origine du code utilisé pour obtenir le résultat. Par défaut, les agents IA utilisant du code provenant de projets ouverts ignorent les informations sur les auteurs, sauf si des moyens spécifiques de détection et de conservation des métadonnées liées aux licences et à la paternité sont mis en œuvre. Le problème d'attribution concerne non seulement la réécriture de code d'un langage à un autre, mais aussi la génération de code en général — le résultat peut dans ce cas répéter assez fidèlement les modèles du code source existant utilisé lors de l'apprentissage du modèle.

Source : opennet.ru