データの来歴とは

データの来歴は、データの「生い立ち」の記録です。食品の産地をたどれるようにするのと同じように、AIの学習に使うデータについても、どこから来て、どう扱われてきたかを後からたどれるようにしておきます。W3Cの標準PROVは、来歴を、データなどの作成や受け渡し、それに影響を与えることに関わった人、組織、もの、活動を記述した記録と定義しています。

記録する主な内容

• 出所：どのサイト、機器、組織から得たデータか
• 収集の条件：いつ、どのような目的で、どのような同意やライセンスのもとで集めたか
• 加工の履歴：欠損の処理、匿名化、アノテーションなど、どのような手順を経たか
• 版：どの時点のデータを、どのモデルの学習に使ったか

なぜ透明性に欠かせないのか

学習済みモデルの性質は、学習データに強く左右されます。来歴がわかれば、個人情報や著作物が適切に扱われているか、特定の集団に偏ったデータでないかを後から確かめられます。問題のあるデータが見つかったときに、影響を受けるモデルを特定することもできます。

AI事業者ガイドラインは、共通の指針の「トレーサビリティの向上」で、データの出所などを追跡・遡求できる状態の確保を挙げています。別添では、具体的な手法として、データの来歴の管理やデータリネージ（来歴メカニズムの構築）を示しています。データセットの作成目的や構成、収集方法を文書にまとめるDatasheets for Datasetsも、来歴を残す実践の1つです。

近い概念との違い

説明可能性は、モデルが「なぜその出力をしたか」を示すことです。データの来歴は、その前提となる「何から学んだか」を示します。トレーサビリティは、データに加えてモデルの版や運用中の判断まで含めて、後から追跡できる状態を指す、より広い概念です。生成AIが作った画像などに作成元の情報を付けるコンテンツの来歴は、同じ考え方を生成物に当てはめたものです。