एआई, ओपन सोर्स और बौद्धिक संपदा

ओपन सोर्स हमेशा एक साधारण लेकिन शक्तिशाली आदान-प्रदान पर आधारित रहा है: आप कोड का उपयोग, अध्ययन, संशोधन और साझा कर सकते हैं, लेकिन आपको लाइसेंस का सम्मान करना होगा। इसी समझ ने लिनक्स, कुबेरनेट्स, पोस्टग्रेएसक्यूएल, पाइथन, अनगिनत सुरक्षा लाइब्रेरीज़ और आधुनिक इंटरनेट का बड़ा हिस्सा तैयार किया।

जनरेटिव एआई इस समझौते पर दबाव डालता है।

बड़े एआई मॉडल विशाल मात्रा में टेक्स्ट, चित्र, ऑडियो, वीडियो और सोर्स कोड पर प्रशिक्षित किए जाते हैं। इन सामग्रियों का एक महत्वपूर्ण हिस्सा उन लोगों द्वारा सार्वजनिक किया गया था, जो साझा करना, सहयोग करना, प्रलेखन, शिक्षा या प्रकाशन करना चाहते थे। सार्वजनिक उपलब्धता का मतलब हर संभावित व्यावसायिक उपयोग की अनुमति नहीं है। इंटरनेट पर एक रिपॉजिटरी स्वचालित रूप से कॉपीराइट का त्याग नहीं है। एक ओपन सोर्स लाइसेंस किसी भी श्रेय, कॉपीलेफ्ट, सूचना, सोर्स-शेयरिंग या डिपेंडेंसी लाइसेंस में दिए गए प्रतिबंधों की अनदेखी का निमंत्रण नहीं है।

यही मुख्य दुविधा है: एआई कंपनियां अक्सर तर्क देती हैं कि प्रशिक्षण विश्लेषण, सीखने या फेयर यूज़ के तहत आता है। कई रचनाकार और ओपन सोर्स मेंटेनर तर्क देते हैं कि मॉडल प्रशिक्षण में संरक्षित कार्य का औद्योगिक पैमाने पर कॉपी करना भी शामिल है, अक्सर बिना अनुमति, मुआवज़ा, श्रेय या बाहर निकलने के व्यावहारिक तरीके के।

ओपन सोर्स क्यों खासतौर पर संवेदनशील है

ओपन सोर्स कोड को इकट्ठा करना आसान है। यह संरचित, खोजने योग्य, वर्ज़न्ड और सार्वजनिक रिपॉजिटरीज़ में होस्टेड होता है। इसमें कमेंट्स, टेस्ट, इश्यू चर्चाएं, उदाहरण, कमिट हिस्ट्री, डोक्युमेंटेशन और कॉन्फ़िगरेशन फाइलें भी होती हैं।

एआई मॉडल निर्माताओं के लिए यह बेहद मूल्यवान प्रशिक्षण सामग्री है। लेकिन मेंटेनरों के लिए इससे कई जोखिम पैदा होते हैं।

• प्रशिक्षण इनपुट और जनरेटेड आउटपुट के बीच में लाइसेंस दायित्व गायब हो सकते हैं।
• जब कोई मॉडल कोड का सुझाव देता है तो अक्सर श्रेय नहीं दिया जाता।
• कॉपीलेफ्ट कोड जनरेट की गई स्निपेट्स को बिना यूज़र को स्रोत लाइसेंस या जुड़े दायित्व बताए प्रभावित कर सकता है।
• मेंटेनर देख सकते हैं कि उनका काम ऐसे वाणिज्यिक टूल बनाने में उपयोग हुआ है, जो उनके खुद के कंसल्टिंग, सपोर्ट या होस्टेड प्रोडक्ट्स के प्रतिस्पर्धी हैं।
• सुरक्षा-संवेदनशील कोड पैटर्न बिना संदर्भ के दोहराए जा सकते हैं।
• कमजोर या पुराना कोड बड़े पैमाने पर कॉपी होने के लिए आसान बन सकता है।

यह केवल इस सवाल तक सीमित नहीं है कि क्या कोई मॉडल किसी फंक्शन की परफेक्ट कॉपी आउटपुट कर सकता है। ये चीज़ें शुरुआती एआई कोडिंग टूल्स में ज्यादा दिखती थीं, जिसमें प्रॉम्प्ट कभी-कभी पहचाने जाने योग्य कोड निकाल सकते थे। जैसे-जैसे उत्पाद परिपक्व हुए, प्रदाता फ़िल्टर, समानता जांच और आउटपुट नियंत्रण के बारे में अधिक सतर्क हो गए। लेकिन सिर्फ स्पष्ट रूप से हूबहू कॉपी से बचना, गहरे मुद्दे को हल नहीं करता। प्रशिक्षण प्रक्रिया फिर भी ऐसे कोड पर निर्भर हो सकती है, जिसके लाइसेंस शर्तें कभी आगे बढ़ी ही नहीं।

दूसरे शब्दों में, कॉपीराइट की समस्या केवल इसलिए गायब नहीं होती क्योंकि प्रमाण आउटपुट में छिप जाता है।

यह जीपीएल और एजीपीएल जैसी पारस्परिक (रिसीप्रोकल) लाइसेंस के लिए ख़ास तौर पर महत्वपूर्ण है। ये लाइसेंस सिर्फ अनुमति-पत्र नहीं हैं। ये व्यापक आजादी देते हैं, लेकिन साथ ही यह भी सुनिश्चित करते हैं कि व्युत्पन्न कार्य या लाइसेंस की उपयुक्त स्थितियों में वितरित सॉफ़्टवेयर वे आज़ादियाँ बनाए रखे। यदि किसी मॉडल को जीपीएल कोड पर प्रशिक्षित किया गया और वह कोड जो बाद में उत्पादित हुआ, वह मूल जीपीएल इनपुट पर भारी रूप से आधारित रहा, तो यूज़र अनजाने में अपने प्रोजेक्ट में जीपीएल दायित्व ले आएगा। अगर वह प्रोजेक्ट क्लोज्ड सोर्स, स्वामाधिकारयुक्त या असंगत लाइसेंस के तहत वितरित है, तो यह लाइसेंस उल्लंघन बन सकता है।

व्यावहारिक समस्या यह है कि यूज़र आमतौर पर यह जान ही नहीं सकता। एआई असिस्टेंट कभी नहीं कहता: "यह सुझाव जीपीएल-लाइसेंस प्राप्त कोड से लिया गया था", "यह पैटर्न एजीपीएल परियोजना से आया है", या "यह आउटपुट अपाचे-लाइसेंसयुक्त कोड जैसा है और नोटिस को बनाए रखना आवश्यक है"। लाइसेंस संदर्भ प्रशिक्षण डेटा में था, लेकिन जवाब में अनुपस्थित है। इससे वह अनुपालन चैन टूटी जाती है, जिस पर ओपन सोर्स लाइसेंसिंग निर्भर करती है।

पढ़ने और प्रशिक्षण के बीच असहज अंतर

डेवलपर्स हमेशा ओपन सोर्स से सीखते हैं। हम कोड पढ़ते हैं, पैटर्न समझते हैं, और अपनी खुद की इम्प्लीमेंटेशन लिखते हैं। यह सामान्य और स्वास्थ्यकर है। ओपन सोर्स इसी तरह की सीख पर टिका है।

एआई प्रशिक्षण पैमाने, स्वचालन और बाजार प्रभाव में अलग है। एक मानव डेवलपर प्रोजेक्ट पढ़ता है, लेकिन आमतौर पर लाखों रिपॉजिटरीज़ को प्रशिक्षण पाइपलाइन में नहीं डालता, उनके सांख्यिकीय पैटर्न को एक व्यापारिक मॉडल में संपीड़ित नहीं करता, और कोड जेनरेशन को उत्पाद के रूप में नहीं बेचता। मॉडल फाइलों को डेटाबेस की तरह नहीं स्टोर कर सकता, लेकिन व्यापारिक मूल्य फिर भी दूसरों के कार्य से पैटर्न निकालने से मिलता है।

इसीलिए यह बहस इतनी कठिन है। अगर हर सार्वजनिक कोड से मशीन लर्निंग के हर कार्य के लिए व्यक्तिगत अनुमति की जरूरत होती, तो कई एआई सिस्टम को प्रशिक्षित करना अव्यावहारिक हो जाता। अगर कोई अनुमति आवश्यक ही नहीं रही, तो रचनाकारों के आर्थिक व नैतिक अधिकार कमजोर हो जाते हैं। दोनों चरम समस्याएं पैदा करते हैं।

ईयू बनाम अमेरिका: दो बहुत अलग कानूनी प्रवृत्तियां

कानूनी परिदृश्य एकसमान नहीं है। देश एआई को कॉपीराइट सिस्टम में फिट करने की कोशिश कर रहे हैं, जो बड़े पैमाने के मॉडल प्रशिक्षण के लिए बनाए ही नहीं गए थे।

यूरोपीय संघ

ईयू के पास एक अधिक स्पष्ट ढांचा है। डिजिटल सिंगल मार्केट में कॉपीराइट पर निर्देश में टेक्स्ट और डेटा माइनिंग छूट शामिल हैं। अनुच्छेद 3 शोध संगठनों और सांस्कृतिक विरासत संस्थानों को कवर करता है। अनुच्छेद 4 वाणिज्यिक रूप से भी टेक्स्ट और डेटा माइनिंग की अनुमति देता है, लेकिन अधिकार धारकों को उनके अधिकार सुरक्षित रखने का विकल्प देता है, उदाहरण के लिए मशीन-पठनीय रूप में।

ईयू एआई अधिनियम सर्वसाधारण एआई मॉडल के लिए एक और स्तर जोड़ता है। प्रदाताओं पर पारदर्शिता और कॉपीराइट संबंधी दायित्व हैं, जिनमें ईयू कॉपीराइट कानून का पालन करने की नीति और प्रशिक्षण सामग्री का सारांश शामिल है। इससे यह पूरी तरह स्पष्ट नहीं होता कि कोई विशेष प्रशिक्षण रन कानूनी था या नहीं, लेकिन यह ईयू को ऐसे मॉडल की ओर ले जाता है, जिसमें एआई प्रदाताओं को अधिक दस्तावेज़ीकरण करना होगा और अधिकार धारकों को आपत्ति जताने के लिए स्पष्ट टूल मिलते हैं।

कमज़ोरी व्यावहारिक प्रवर्तन है। ऑप्ट-आउट मेकैनिज़्म बिखरे हुए हैं। 'robots.txt' वेब क्रॉलर के लिए डिज़ाइन किया गया था, न कि स्रोत रिपॉजिटरी, पैकेज रजिस्ट्री, मिरर, डेटा सेट और फोर्क्स में जटिल कॉपीराइट संरक्षण के लिए। एक छोटे ओपन सोर्स मेंटेनर के पास उपयोग रोकने का कानूनी अधिकार हो सकता है, लेकिन यह जाँचना लगभग असंभव है कि अग्रणी मॉडल ने उसे माना या नहीं।

संयुक्त राज्य अमेरिका

अमेरिका में प्रशिक्षण के लिए कोई समकक्ष एआई-विशिष्ट कॉपीराइट छूट नहीं है। बहस मुख्यतः फेयर यूज, मुकदमेबाजी, लाइसेंसिंग डील और बाज़ार नुकसान के इर्दगिर्द घूमती है। यूएस कॉपीराइट कार्यालय ने एआई और कॉपीराइट पर कई रिपोर्ट्स तैयार की हैं, जिसमें डिजिटल रेप्लिका, एआई आउटपुट की कॉपीराइटबिलिटी और जनरेटिव एआई ट्रेनिंग शामिल है। इसकी फेयर यूज़ गाइडेंस यह स्पष्ट करती है कि फेयर यूज़ केस-दर-केस है और उद्देश्य, उपयोग की गई मात्रा और बाज़ार पर प्रभाव जैसे कारकों पर निर्भर करता है।

यह अमेरिका को अधिक लचीला, लेकिन कम पूर्वानुमानित बनाता है। एआई कंपनियां तर्क दे सकती हैं कि प्रशिक्षण रूपांतरणशील (ट्रांसफॉर्मेटिव) है। अधिकार धारक कह सकते हैं कि पूरे पैमाने पर कॉपी करना व्यापारिक है, लाइसेंसिंग बाजारों का विकल्प बनता और उनके काम के मूल्य को कम करता है। अदालतें अभी भी सीमाएँ तय कर रही हैं।

ओपन सोर्स के लिए यह रवैया अनिश्चितता पैदा करता है। कोई कंपनी मान सकती है कि सार्वजनिक रिपॉजिटरीज़ पर मॉडल प्रशिक्षण फेयर यूज है, जबकि मेंटेनर मान सकते हैं कि कंपनी ने लाइसेंस शर्तों की अनदेखी की। जब तक अदालत या कानून स्पष्ट जवाब नहीं देता, व्यावहारिक असंतुलन बना रहेगा: बड़ी कंपनियां कानूनी जोखिम झेल सकती हैं, मगर व्यक्तिगत मेंटेनर के लिए यह मुमकिन नहीं।

यूनाइटेड किंगडम

यूके इन दोनों के बीच स्थित है। सरकार ने एक ऐसा कॉपीराइट और एआई ढांचा प्रस्तावित किया है, जिसमें टेक्स्ट और डेटा माइनिंग छूट, अधिकार सुरक्षा, लाइसेंसिंग और मज़बूत पारदर्शिता का संयोजन हो। आधिकारिक परामर्श मानता है कि वर्तमान यूके कानून विवादित है और रचनाकार तथा एआई डेवलपर दोनों को निश्चितता नहीं है।

यह एक मध्य मार्ग निकालने का प्रयास है: जहां अधिकार सुरक्षित नहीं हैं, वहां बड़े पैमाने पर एआई प्रशिक्षण की अनुमति देना, लेकिन अधिकार धारकों को अधिक नियंत्रण और दृश्यता देना। यह काम करेगा या नहीं, यह तकनीकी विवरणों पर निर्भर करता है। ऐसा ऑप्ट-आउट जो केवल बड़े प्रकाशकों द्वारा उपयोगी है, स्वतंत्र डेवलपर, संगीतकार, लेखक और छोटे ओपन सोर्स प्रोजेक्ट्स के लिए निष्पक्ष नहीं है।

जापान और सिंगापुर

जापान को अक्सर सूचना विश्लेषण और मशीन लर्निंग के लिए उदार कहा जाता है, हालांकि प्रक्रियाओं की व्याख्या और मार्गदर्शन अभी भी चल रहा है। जापान की सांस्कृतिक मामलों की एजेंसी ने एआई और कॉपीराइट पर सामान्य समझ प्रकाशित की है, जो बना रहता है कि विषय अभी भी कानूनी रूप से जटिल है।

सिंगापुर में भी अपेक्षाकृत व्यापक गणनात्मक डेटा विश्लेषण छूट है। नीति का लक्ष्य नवाचार और एआई विकास का समर्थन करना है, लेकिन समझौता वही दिखता है: व्यापक प्रशिक्षण अनुमतियां अधिकार धारकों की सौदेबाजी कमजोर कर सकती हैं, अगर साथ में पारदर्शिता, लाइसेंसिंग मार्केट या अन्य सुरक्षा नहीं हो।

यह सिर्फ सोर्स कोड से बड़ा विषय है

ओपन सोर्स विवाद डिजिटल पहचान और रचनात्मक श्रम पर व्यापक संघर्ष का हिस्सा है।

अभिनेता उन एआई सिस्टम्स का विरोध कर रहे हैं, जो चेहरा, शरीर की हरकत, और प्रदर्शन की नकल करते हैं। वॉयस एक्टर्स और गायक उन क्लोन आवाज़ों का विरोध कर रहे हैं, जो बिना सहमति के नए प्रदर्शन निकाल सकते हैं। लेखक और पत्रकार उन मॉडल्स के खिलाफ लड़ रहे हैं जो किताबों, लेखों और आर्काइव्स पर प्रशिक्षित हैं। विजुअल आर्टिस्ट उन इमेज जेनरेटर्स के खिलाफ हैं, जो उनके स्टाइल की नकल कर सकते हैं या बाज़ार को व्युत्पन्न जैसी छवियों से भर सकते हैं।

हर मामले में पैटर्न एक जैसा है:

• रचनात्मक कार्य बड़े पैमाने पर इकट्ठा किया जाता है।
• मॉडल इससे बगैर रचनाकार के सीधे संबंध सींखता है।
• परिणामस्वरूप प्राप्त क्षमता के साथ एक उत्पाद बेचा जाता है।
• रचनाकार के पास बहुत कम पारदर्शिता, सौदेबाज़ी शक्ति व सीमित क्षमता होती है यह साबित करने की कि क्या हुआ।

अभिनेताओं और गायकों के लिए, मुद्दा केवल कॉपीराइट नहीं है। इसमें व्यक्तित्व अधिकार, प्रचार अधिकार, श्रम कानून, अनुबंध कानून, उपभोक्ता सुरक्षा और सहमति भी शामिल है। एक आवाज़ एक प्रदर्शन, बायोमेट्रिक मार्कर, ब्रांड और व्यक्तिगत पहचान एक साथ हो सकती है। एक चेहरा एक कलात्मक संपत्ति तो है ही, लेकिन व्यक्ति खुद भी है।

ओपन सोर्स डेवलपर्स स्वयं को परफ़ॉर्मर नहीं मानते, लेकिन अर्थव्यवस्था तुलनीय है। उनका काम उस सिस्टम का प्रशिक्षण डेटा बनता है, जो उनसे प्रतिस्पर्धा कर सकता है, श्रेय कम कर सकता है और कई छोटे रचनाकारों के मूल्य को कुछ बड़े मॉडल प्रदाताओं की ओर ले जा सकता है।

"यह सार्वजनिक था" — इस दलील की समस्या

एआई की बहस में सबसे कमजोर तर्क है कि सार्वजनिक अभिगम का अर्थ असीमित उपयोग है। वेब ने कभी ऐसा काम नहीं किया। एक ब्लॉग पोस्ट सार्वजनिक है, मगर किताब के रूप में रिप्रिंट करने के लिए स्वतंत्र नहीं। एक फोटो सार्वजनिक है, मगर विज्ञापन में उपयोग के लिए स्वतंत्र नहीं। एक गिटहब रिपॉजिटरी सार्वजनिक है, मगर उस पर भी कॉपीराइट और लाइसेंस शर्तें लागू हैं।

ओपन सोर्स लाइसेंस इसी अंतर पर आधारित हैं। वे व्यापक अनुमति देते हैं, लेकिन कुछ शर्तों के साथ। एमआईटी, अपाचे, बीएसडी, जीपीएल, एजीपीएल, एमपीएल और दूसरे लाइसेंस श्रेय, पेटेंट, सोर्स वितरण, नेटवर्क यूज़ व व्युत्पन्न कार्यों पर अलग-अलग व्यवहार करते हैं। अगर सब सार्वजनिक कोड को कच्चे माल की तरह लें, तो ये चयन मिट जाएंगे।

यह खतरनाक है, क्योंकि लाइसेंस विविधता इत्तेफाक नहीं, बल्कि मेंटेनर की मंशा की अभिव्यक्ति है।

निष्पक्ष प्रणाली कैसी दिखेगी?

कोई सरल हल नहीं है, लेकिन कुछ सिद्धांत इस इकोसिस्टम को स्वस्थ बना सकते हैं।

1. पारदर्शिता डिफ़ॉल्ट रूप से

एआई प्रदाताओं को प्रशिक्षण डेटा स्रोतों के सार्थक सारांश प्रकाशित करने चाहिए। जरूरी नहीं कि हर फ़ाइल सूचीबद्ध हो, लेकिन "सार्वजनिक डेटा पर प्रशिक्षित" जैसी सामान्य बातें पर्याप्त नहीं। डेवलपर्स, कलाकारों, प्रकाशकों व यूज़र्स को जानना चाहिए कि किस तरह की सामग्री काम आई और किस कानूनी आधार पर।

2. मशीन-पठनीय अधिकारों का सम्मान

अगर कानून ऑप्ट-आउट पर निर्भर है, तो उसे मानकीकृत, सुलभ और लागू करने वाला बनाया जाए। किसी छोटे प्रोजेक्ट को अपने रिपॉजिटरी पर "इस पर प्रशिक्षण न करें" कहने के लिए कानूनी विभाग की जरूरत नहीं होनी चाहिए। रिपॉजिटरी, पैकेज रजिस्ट्रियां, वेबसाइट्स व कंटेंट प्लेटफॉर्म्स में स्पष्ट तंत्र होने चाहिए, जिन्हें एआई क्रॉलर वाकई मानें।

3. लाइसेंस-अवगत एआई टूलिंग

कोड असिस्टेंट्स को यूज़र्स को लाइसेंसिंग रिस्क समझाने में मदद करनी चाहिए। अगर जेनरेटेड कोड ज्ञात ओपन सोर्स कोड से मिलता-जुलता है, तो टूल को चेतावनी देनी चाहिए और प्रासंगिक लाइसेंस दिखाना चाहिए। अल्पावधि में समानता की समस्या छुपाने से मुकदमेबाजी तो घट सकती है, मगर डेवलपर्स और कंपनियों के लिए नीचे जाकर अनुपालन जोखिम बढ़ जाता है।

4. बेहतर मुआवज़ा मॉडल

कुछ प्रशिक्षण कार्यों के लिए लाइसेंस जरूरी किया जाना चाहिए। इसमें प्रत्यक्ष लाइसेंसिंग, सामूहिक लाइसेंसिंग, डेटा सेट मार्केटप्लेस या रेवेन्यू-शेयरिंग मॉडल शामिल हो सकते हैं। विवरण स्रोत कोड, संगीत, फिल्म, पत्रकारिता और चित्रकला के लिए भिन्न होंगे, लेकिन सिद्धांत एक जैसा है: अगर किसी वाणिज्यिक एआई उत्पाद की गुणवत्ता मानव श्रम पर निर्भर है, तो उन लोगों को अदृश्य नहीं होना चाहिए, जिन्होंने वह काम किया।

5. प्रतिरूपण से मज़बूत सुरक्षा

आवाज, चेहरे और प्रदर्शन की डिजिटल नकल के लिए सहमति जरूरी होनी चाहिए। केवल लेबलिंग काफी नहीं, अगर नकली आवाज़ या चेहरा भटकाने, परेशान करने, धोखा देने या व्यावसायिक प्रतिस्थापन के लिए इस्तेमाल हो सके। यहां कॉपीराइट सिर्फ जवाब का एक हिस्सा है।

ओपन सोर्स मेंटेनर आज क्या कर सकते हैं

कानूनी स्थिति अस्थिर है, लेकिन मेंटेनरों के पास व्यावहारिक विकल्प हैं:

• सोच-समझकर लाइसेंस चुनें और कारण दस्तावेज़ बनाएं।
• अगर प्रोजेक्ट के लिए एआई प्रशिक्षण मायने रखता है, तो रिपॉजिटरी में स्पष्ट सूचना डालें।
• ओपन सोर्स अधिकारों की वकालत करने वाले फाउंडेशन और संगठनों को समर्थन दें।

यह सब समस्या का समाधान नहीं करता। यह कानून और उद्योग की प्रथा के परिपक्व होने तक जोखिम कम करता है।

ओपन सोर्स के लिए असली खतरा

सबसे बड़ा खतरा यह नहीं कि एआई ओपन सोर्स से सीखता है। ओपन सोर्स से सीखना सॉफ़्टवेयर जगत की खूबसूरती है।

खतरा यह है कि एआई ओपन सहयोग को एकतरफा निकासी में बदल दे। अगर मेंटेनर कोड, दस्तावेज़, बग रिपोर्ट, उदाहरण और सामुदायिक ज्ञान साझा करते हैं, मगर व्यावसायिक मूल्य बिना श्रेय, लाइसेंस अनुपालन या कॉमन्स को समर्थन दिए कहीं और चला जाता है, तो सामाजिक अनुबंध कमजोर हो जाता है।

ओपन सोर्स विश्वास पर निर्भर है। एआई कंपनियों को ओपन सोर्स चाहिए, लेकिन वे जिस इकोसिस्टम पर निर्भर हैं, उसी को चोट पहुंचा सकते हैं। लाइसेंस का सम्मान, डेटा पारदर्शिता, मेंटेनर समर्थन, ऑप्ट-आउट और लाइसेंसिंग तंत्र विकसित करना एआई-विरोधी नहीं, बल्कि स्थिरता के लिए है।

एआई डेवलपर, कलाकार, लेखक, गायक, अभिनेता और कंपनियों के लिए उपयोगी टूल हो सकता है। लेकिन उपयोगिता अधिकार, सहमति या श्रेय को मिटा नहीं सकती। अगर समाज को एआई सिस्टम चाहिए जो लाखों लोगों के काम पर प्रशिक्षित हैं, तो उसे यह भी तय करना होगा कि उन लोगों का अपने रचे पर नियंत्रण कैसे बना रहे।

यह निर्णय सिर्फ उन कंपनियों के भरोसे नहीं छोड़ा जा सकता, जो पहले ही डेटा नकल कर चुकी हैं।