Лицензии датасетов: что можно делать с данными и как не ошибиться

Лицензия датасета — это условия, на которых владелец разрешает другим пользоваться его данными: копировать, менять, обучать на них модели, перепродавать. Если лицензии нет, по умолчанию действует обратное правило: пользоваться чужим набором данных нельзя, даже если он лежит в открытом доступе и скачивается одной кнопкой.

На практике лицензию смотрят в последнюю очередь. Модель уже обучена, продукт запущен, и только потом кто-то замечает в карточке датасета две буквы «NC». Ниже разберём, какие лицензии встречаются чаще всего, что каждая разрешает, как проверить, что указанная лицензия настоящая, и что выбрать, если вы сами продаёте данные.

⚠️ Статья носит информационный характер и не является юридической консультацией. Для крупных сделок и спорных случаев привлекайте юриста.

Почему лицензия важнее, чем кажется

Датасет — это не только файлы, но и права на них. Причём прав бывает несколько слоёв:

• права на сам набор (подбор, структура, затраты на сбор);
• права на содержимое: тексты, фото, аудио внутри набора принадлежат авторам, и они могут отличаться от лицензии на набор целиком;
• права людей, которые попали в данные: персональные данные, изображение лица, голос. Их никакая открытая лицензия не снимает. Подробнее об этом слое — в статье 152-ФЗ и датасеты.

Вторая причина — лицензии на хабах часто указаны неверно. Крупный аудит Data Provenance Initiative проверил больше 1 800 текстовых датасетов для дообучения моделей. У более чем 70 % популярных наборов на GitHub и Hugging Face лицензия вообще не была указана. А из тех, где она была, около двух третей после ручной перепроверки попали в другую категорию использования, причём обычно указанная лицензия оказывалась мягче, чем у автора исходных данных.

Свежее исследование 2026 года про «permissive washing» добавило ещё одну деталь: у подавляющего большинства датасетов с пометкой MIT или Apache нет самого текста лицензии и уведомления об авторских правах, которых эти лицензии требуют. Метка в карточке есть, а юридически значимых документов нет.

Вывод простой: тег license: cc-by-4.0 в карточке — это подсказка, а не гарантия.

Основные лицензии датасетов: шпаргалка

Разберём важные нюансы.

CC0 и общественное достояние

Самый свободный вариант: автор отказался от всех прав, насколько это позволяет закон. Можно брать, менять, продавать, обучать модели без указания авторства. Пример — речевой корпус Mozilla Common Voice. Но CC0 на набор не отменяет прав людей в данных: голос и персональные данные остаются под защитой закона.

CC BY: можно всё, но с атрибуцией

CC BY 4.0 прямо разрешает коммерческое использование и создание производных материалов. Условие одно — корректно указать авторство: кто автор, где оригинал, какая лицензия, что вы изменили. Для обучения модели обычно достаточно вести список использованных датасетов со ссылками и указывать его в документации к модели или продукту.

Частая ошибка — потерять атрибуцию при обработке. Вы склеили пять наборов, почистили дубли, и через месяц никто не помнит, какая строка откуда. Храните источник и лицензию на уровне записи или хотя бы файла.

SA (ShareAlike): заразная лицензия

CC BY-SA и ODbL требуют распространять производные под той же лицензией. Классические примеры: тексты Википедии (CC BY-SA 4.0) и OpenStreetMap (ODbL). Для внутреннего обучения это почти не мешает. Проблема возникает, когда вы хотите продавать набор, собранный на основе таких данных: вы не сможете закрыть его коммерческой лицензией, производный датасет обязан остаться под SA. Распространяется ли SA на веса обученной модели — вопрос юридически не решённый, и консервативный подход — держать SA-данные отдельной частью и помечать их.

NC (NonCommercial): главный подвох

CC BY-NC разрешает только некоммерческое использование. Важно: «коммерческое» определяется целью использования, а не формой организации. Студент, который учит модель для диплома, обычно в рамках NC. Компания, которая обучает модель для своего продукта, — нет, даже если сам датасет она нигде не перепродаёт.

Типичная история: команда берёт NC-датасет «для прототипа», прототип становится продуктом, и в проде работает модель, обученная на данных, которые для этого не лицензированы. Если NC-данные попали в обучение, честный путь — либо получить у автора письменное разрешение, либо переобучить модель без них.

ND (NoDerivatives)

Запрещает распространять изменённые версии. Очистка, переразметка, перевод — это уже изменения. Для ML такие данные почти бесполезны: использовать их как обучающую выборку для модели, которую вы потом выпускаете, рискованно. Оставьте ND-наборы для чтения и ручного анализа.

Apache 2.0 и MIT на данных

Эти лицензии писались для программного кода, но их часто ставят на датасеты. Они разрешают коммерческое использование, но требуют сохранять текст лицензии и уведомление об авторских правах при распространении. Есть и подвох поважнее: нередко MIT относится к коду загрузчика, а сами данные взяты из источника с совсем другой лицензией.

Кастомные лицензии и gated-датасеты

На Hugging Face встречается license: other или закрытый доступ, где перед скачиванием нужно принять соглашение. Условия здесь задаёт именно соглашение, а не тег. ImageNet, например, исторически доступен только для некоммерческих исследований. Читайте текст целиком и сохраняйте копию с датой — условия могут поменяться.

Отдельный случай: составные датасеты

Многие популярные наборы — это сборка из чужих источников. И лицензия «обёртки» не перекрывает лицензий содержимого:

• в COCO разметка доступна по CC BY 4.0, а сами изображения взяты с Flickr и подчиняются условиям Flickr и лицензиям их авторов;
• в наборах ссылок на картинки из интернета лицензия может относиться только к метаданным (ссылкам и подписям), а права на сами изображения никто не передавал;
• инструктивные датасеты для LLM часто сгенерированы через API коммерческих моделей. Условия некоторых API ограничивают использование ответов для разработки конкурирующих моделей, и эти ограничения тянутся в производный датасет независимо от того, какую лицензию на него поставил автор.

Правило: для составного набора действует самое строгое из условий входящих частей.

Как это работает в России

Открытые лицензии вроде Creative Commons в России применяются через механизм открытой лицензии (ст. 1286.1 ГК РФ): правообладатель публично предоставляет право пользования на заранее известных условиях, и договор заключается без подписания бумаг. Но есть несколько местных особенностей.

Права изготовителя базы данных. По ст. 1334 ГК РФ тот, кто вложил существенные затраты в создание базы данных (сбор, обработку, проверку материалов), получает исключительное право извлекать из неё материалы. Пока не доказано обратное, существенными считаются затраты на базу из 10 000 и более самостоятельных элементов. Право действует 15 лет и возникает независимо от того, есть ли в базе объекты авторского права. На практике это значит: даже «просто таблица цен» или «просто выгрузка отзывов» объёмом от десяти тысяч строк может быть чьей-то охраняемой базой данных.

Составное произведение. Если подбор и расположение данных — результат творческого труда, сам набор охраняется ещё и как составное произведение (ст. 1260 ГК РФ).

Нет отдельного исключения для обучения ИИ. В отличие от ЕС с его исключением для text and data mining, в ГК РФ на момент написания нет специальной нормы, разрешающей анализ чужих данных для обучения моделей. Поэтому для российских компаний лицензия — основной правовой фундамент использования датасета.

Открытые данные госорганов. Наборы с порталов открытых данных обычно можно использовать свободно, но условия у разных порталов и ведомств отличаются. Перед коммерческим использованием проверьте условия конкретного портала. Подборка источников — в статье Где взять датасет.

Чек-лист: как проверить лицензию датасета перед обучением

1. Запишите тег из карточки и дату проверки.
2. Найдите первоисточник. Пройдите по цепочке перезаливок до статьи, репозитория или сайта автора. Сравните лицензию там и на хабе.
3. Откройте сам текст лицензии или соглашения и сохраните копию.
4. Разделите код и данные. Лицензия репозитория не обязательно относится к данным.
5. Проверьте содержимое. Из чего собран набор: веб-скрейпинг, Википедия, ответы коммерческих моделей, фото с фотостоков?
6. Проверьте людей в данных. Лица, голоса, имена, телефоны — это отдельный слой рисков вне лицензии.
7. Сопоставьте с целью. Одна и та же лицензия может подходить для исследования и не подходить для продукта.
8. Зафиксируйте версию. Хеш коммита или номер версии на хабе: лицензия у новой версии может смениться.
9. Ведите реестр. Таблица: датасет, версия, источник, лицензия, обязанности (атрибуция, SA), решение, кто проверил.
10. Если неясно — пауза. Нет лицензии или условия противоречат друг другу: не используйте, пока не получите письменное разрешение.

Реестр звучит как бюрократия, но он окупается при первом же вопросе от клиента, инвестора или юриста покупателя: «на чём обучена ваша модель?»

Если вы продаёте датасет: какую лицензию выбрать

Продажа датасета — это обычно не передача «самих данных», а предоставление права пользования ими, то есть лицензионный договор. Решите заранее несколько вещей.

Простая или исключительная лицензия. Простая (неисключительная) позволяет продавать один набор многим покупателям — это модель маркетплейса. Исключительная дороже: покупатель получает набор только себе, а вы больше никому его не продаёте.

Что разрешено покупателю. Типовой набор условий для коммерческого датасета:

• обучение и дообучение своих моделей — да;
• использование обученных моделей в продуктах — да;
• перепродажа и публикация самого набора или его частей — нет;
• передача подрядчикам для работ в интересах покупателя — да, с запретом дальнейшей передачи.

Срок и территория. Бессрочно или на период подписки, весь мир или только РФ. Для аренды данных через API срок обычно привязан к подписке.

Что гарантирует продавец. Что у него есть права на данные, что персональные данные обезличены или собраны с согласием, что в наборе нет чужих материалов под несовместимыми лицензиями.

И проверьте собственный набор: если он собран из CC BY-NC или CC BY-SA источников, вы просто не можете продавать его под закрытой коммерческой лицензией. Об упаковке и ценообразовании — в гайде Как продать данные.

На AI Data Stock лицензия — обязательное поле карточки датасета. Покупатель видит условия до покупки, а продавец не тратит время на объяснения в переписке.

Типичные ошибки

• «Раз лежит в открытом доступе, значит можно». Открытый доступ и открытая лицензия — разные вещи.
• Доверять тегу на хабе. Тег поставил тот, кто перезалил данные, а не автор.
• Путать лицензию кода и данных. MIT на скрипт загрузки ничего не говорит о данных.
• Терять атрибуцию при склейке наборов. Потом её не восстановить.
• Брать NC-данные «для прототипа». Прототипы имеют свойство становиться продуктами.
• Считать, что синтетика свободна от прав. Если генератор обучался на данных с ограничениями или его условия запрещают определённое использование, это касается и синтетического набора. Подробнее — в статье Синтетические данные.
• Забывать про людей в данных. CC0 на корпус речи не делает голос человека свободным от 152-ФЗ.

FAQ

Можно ли использовать датасет с лицензией CC BY 4.0 в коммерческих целях? Да. CC BY 4.0 разрешает коммерческое использование и изменение. Нужно указать автора, дать ссылку на лицензию и отметить, что вы изменили.

Что значит лицензия CC BY-NC? Использовать данные можно только в некоммерческих целях: учёба, исследования, личные проекты. Обучать на них модель для коммерческого продукта нельзя без отдельного разрешения автора.

Если у датасета не указана лицензия, его можно использовать? Безопаснее считать, что нельзя. Отсутствие лицензии означает, что все права сохранены за автором. Напишите автору и попросите письменное разрешение или выберите другой набор.

Распространяется ли лицензия датасета на обученную модель? Однозначного ответа в законах пока нет. Консервативный подход: NC-ограничения распространяются на всё использование, атрибуцию CC BY указывать в документации модели, SA-данные держать отдельно и не выпускать на них модели под закрытой лицензией без консультации юриста.

Чем CC0 отличается от CC BY? CC0 не требует ничего, даже указания автора. CC BY требует атрибуции. Остальное — коммерческое использование, изменения, обучение моделей — разрешают обе.

Можно ли продавать датасет, собранный из Википедии? Тексты Википедии распространяются по CC BY-SA, поэтому производный набор тоже придётся распространять под CC BY-SA. Брать за него деньги формально можно, но покупатель вправе свободно передавать его дальше. Закрытую коммерческую лицензию на такой набор поставить нельзя.

Какую лицензию указать, если я продаю свой датасет? Обычно — простую (неисключительную) коммерческую лицензию: обучение и использование моделей разрешены, перепродажа и публикация набора запрещены. Если хотите максимального распространения и не планируете зарабатывать на самом наборе — CC BY 4.0.

Ищете данные с понятной лицензией? В каталоге каталог у каждого набора в карточке указаны условия использования: смотрите тексты, изображения и таблицы. Собрали свой датасет и знаете, на что у вас есть права? Разместите его на AI Data Stock и выберите лицензию прямо в карточке.