FAQ o blokování trénování AI.

Můžete omezit expozici, ale nemůžete zaručit plnou kontrolu, jakmile jsou fotky veřejné. Uchovávejte citlivé fotky soukromé, projděte nastavení platforem, vyhýbejte se veřejnému nahrávání ve vysokém rozlišení a používejte ovládání crawlerů pro svůj vlastní web.

Jen po odstranění údajů, které pro daný úkol nepotřebujete. Jména, adresy, telefonní čísla, data narození, podpisy, firemní tajemství a reference lze často nahradit zástupnými symboly.

Buďte opatrní. Lékařské dopisy, cestovní pasy, školní dokumenty, právní listiny, bankovní soubory a rodinné záznamy mohou obsahovat citlivá data o jiných lidech. Použijte schválená nastavení soukromí, nebo je nenahrávejte.

Záleží na produktu, typu účtu a nastavení. Někteří poskytovatelé nabízejí ovládací prvky, týmové plány nebo API podmínky, které s daty zacházejí odlišně. Před psaním citlivých informací zkontrolujte aktuální nastavení.

Ne pomocí jediného technického přepínače. robots.txt může požádat crawlery dodržující pravidla, aby se držely stranou, ale je to dobrovolné a neodstraní to kopie, které již existují jinde.

robots.txt je technická konvence, ne sám o sobě smlouva. Může podpořit vaši pozici v rámci zásad, ale právní otázky závisejí na jurisdikci, podmínkách, autorském právu, smlouvách a vymáhání.

Blokování agentů specifických pro AI by se nemělo zaměňovat s blokováním Googlebota. Pokud zablokujete běžné vyhledávací crawlery, může se zhoršit viditelnost ve vyhledávání. Každý user agent pečlivě zkontrolujte.

Jen pokud rozumíte kompromisu. Agenti spouštění uživatelem mohou načítat stránky, když člověk požádá AI nástroj, aby přečetl váš web. Jejich blokování může snížit objevování s pomocí AI.

Google popisuje Google-Extended jako ovládací prvek související s některými využitími generativní AI. Liší se od běžného procházení Google Search, ale měli byste si ověřit nejnovější dokumentaci Google.

Používejte ovládání dat účtu, firemní nebo enterprise ovládání tam, kde je to potřeba, nastavení uchovávání, redakci a přísná pravidla nahrávání. Nespoléhejte se u soukromých nahrávek na pravidla crawlerů pro web.

Obvykle by to mělo být řízeno firemními zásadami. Citlivé zákaznické, HR, právní, finanční, lékařské dokumenty nebo dokumenty s obchodním tajemstvím by neměly být nahrávány bez schválení.

Zásady se liší podle produktu, typu účtu a nastavení. Spotřebitelské, týmové, enterprise a API produkty mohou nakládat s daty odlišně. Vždy zkontrolujte aktuální podmínky poskytovatele.

Riziko můžete snížit ovládáním crawlerů, ověřenými galeriemi, licenčními podmínkami, vodoznaky, metadaty o původu a nastavením platforem, ale veřejné obrázky stále mohou kopírovat aktéři nedodržující pravidla.

Ne. Některé nástroje mohou respektovat určitá metadata, ale podpora není univerzální. Berte to jako signál, ne jako štít.

Ne vždy. Pokud AI odpovídací enginy přinášejí návštěvnost, citace nebo objevování značky, může úplné blokování stát viditelnost. Rozhodujte podle typu stránky: soukromá, placená, veřejný marketing, dokumentace nebo zprávy.

Začněte tím, co ovládáte: nenahrávejte citlivé soubory, nastavte soukromá alba jako soukromá, používejte v promptech zástupné symboly, projděte nastavení AI účtu a přidejte ovládání crawlerů, pokud provozujete web.

Ano, pravidla na straně serveru mohou být pro řízení provozu silnější než robots.txt. Přesto vyžadují údržbu, protože user agenti a rozsahy IP se mění.

Ano. Blokování crawlerů platí pouze do budoucna a jen pro crawlery dodržující pravidla. Nesmaže stará data, zrcadla, archivy, snímky obrazovky ani zkopírovaný text.

Ne. Tento web je vzdělávací kontrolní seznam. Pro smlouvy, autorskoprávní spory, regulovaná data nebo zásady pro zaměstnance se obraťte na kvalifikovaného právníka.

Obvykle jde o dvě různé věci. Odhlášení (opt-out) obecně žádá poskytovatele, aby budoucí data nepoužíval k trénování, zatímco smazání ho žádá o odstranění dat, která již drží. Jedno automaticky neznamená druhé a každé může mít vlastní proces žádosti, takže zkontrolujte ovládací prvky konkrétního poskytovatele.

Záleží na produktu a na tom, jak je daný režim definován. Některé nástroje popisují dočasné chaty jako vyloučené z trénování nebo historie, ale detaily se mezi poskytovateli liší a mohou se měnit. Než budete předpokládat, že je dočasný chat vyloučen, ověřte oficiální dokumentaci pro konkrétní nástroj a typ účtu.

Blokování crawleru ovlivní budoucí procházení dodržující pravidla, ne kopie, které již existují. Data shromážděná dříve už mohou být v datasetech, archivech, zrcadlech nebo kopiích třetích stran. Nástroje pro odhlášení a blokování obecně na tyto existující kopie nedosáhnou, a proto expozici spíše snižují, než odstraňují.

Někdy existují cesty pro odhlášení nebo žádost o odstranění u konkrétních datasetů či poskytovatelů, ale pokrytí je nerovnoměrné a dobrovolné. Žádost jednomu datasetu neovlivní nesouvisející kopie. Zkontrolujte, zda konkrétní dataset nebo poskytovatel nabízí zdokumentovaný proces odstranění, a udržujte realistická očekávání.

Výchozí nastavení se často liší podle úrovně, ale neměli byste to předpokládat. Některé spotřebitelské úrovně mohou používat vstupy ke zlepšování modelů, pokud nezměníte nastavení, zatímco některé firemní, enterprise nebo API úrovně inzerují výchozí nastavení bez trénování. Jediným spolehlivým zdrojem jsou aktuální podmínky pro daný produkt a plán.

Common Crawl je rozsáhlé, veřejně dostupné procházení webu, které mnoho výzkumníků a projektů použilo jako zdroj dat. Být v takovém datasetu samo o sobě neznamená, že konkrétní model trénoval na vaší stránce, ale veřejné stránky mohou skončit v širokých datasetech. Ovládání robotů může ovlivnit budoucí procházení, ale ne existující kopie.

Ne nutně. Tréninkové crawlery, agenti pro živé prohlížení a obecné znalosti jsou různé věci. Blokování tréninkového crawleru může snížit budoucí využití k trénování, ale nástroj může váš web stále popisovat z dřívějších dat, textu poskytnutého uživatelem nebo samostatného prohlížecího agenta. Ověřte roli každého user agenta v dokumentaci poskytovatele.

Ne tak úplně. Detektory AI se snaží uhodnout, zda byl text vygenerovaný AI, což je téma oddělené od toho, zda jsou vaše data použita k trénování. Detektory jsou také známé svou nespolehlivostí, takže s nimi zacházejte opatrně a nezaměňujte je s odhlášením ani ovládáním crawlerů.

Zákony na ochranu dat, jako je unijní GDPR a kalifornský CCPA/CPRA, mohou přiznávat práva k osobním datům, což může být relevantní, když jsou osobní data zpracovávána pro AI. Jak se to na trénování vztahuje, je složité, závislé na konkrétních skutečnostech a stále se to vyvíjí. Tato stránka je pouze vzdělávací; u čehokoli podstatného se obraťte na kvalifikovaného odborníka na ochranu dat nebo právníka.

Data o dětech jsou podle mnoha pravidel a zásad platforem často považována za obzvláště citlivá. Buďte velmi opatrní při nahrávání školních záznamů, fotek nebo dokumentů, které identifikují děti, a raději taková data do spotřebitelských AI nástrojů vůbec nezadávejte. Kde mohou platit povinnosti, vyhledejte kvalifikovanou radu.

Záleží na nástrojích, úrovních a příslušných datech. Krátká interní směrnice, která jmenuje schválené nástroje, definuje zakázaná data a vyžaduje redakci, obvykle pomáhá více než úplný zákaz, který lidé potají obcházejí. Citlivá zákaznická, HR, právní nebo finanční data by se měla vyhýbat neschváleným nástrojům.

Obrázky lze shromažďovat stejným procházením webu jako text, takže ovládání crawlerů, ověřené galerie a licenční podmínky mohou snížit expozici obrázků, které hostujete. Obrázky zkopírované a přehostované jinde nebo již v datasetech jsou však mimo tato ovládání. Metadatové signály jako noai jsou dobrovolné a nerovnoměrně podporované.

Serverové logy, analytika a firewall nebo dashboard CDN mohou ukázat, kteří user agenti požadují vaše stránky, včetně pojmenovaných AI crawlerů. Protože se user agenti a rozsahy IP mění a lze je podvrhnout, berte monitorování jako průběžné, ne jako jednorázové nastavení, a aktuální názvy crawlerů ověřujte v oficiální dokumentaci.