Кабінет Міністрів України ухвалив постанову про створення національного корпусу даних, призначеного для навчання та тестування великих мовних моделей (LLM). Документ, про який повідомляє РБК-Україна з посиланням на текст постанови, закріплює за державою роль куратора єдиної бази текстових ресурсів українською мовою та встановлює чіткі правила доступу для розробників штучного інтелекту. Розгортанням платформи займатиметься Міністерство цифрової трансформації спільно з державним підприємством «ДІЯ», а розробники зможуть користуватися зібраним масивом даних безоплатно на підставі ліцензійного договору.

Розподіл ролей та строки розвитку системи

Постанова визначає чітке розмежування функцій між учасниками проєкту. Організатором та куратором національної бази виступає Мінцифри, тоді як за технічне наповнення, структурування даних та кіберзахист відповідає ДП «ДІЯ». Після запуску платформи міністерство спільно з Міністерством освіти і науки та за участю Національної академії наук отримує шість місяців на вироблення пропозицій щодо подальшого розвитку національної системи мовних ресурсів. Таким чином, запуск корпусу даних розглядається не як фінальний етап, а як стартова точка багаторічного процесу формування цифрової мовної інфраструктури країни.

Що увійде до складу національного корпусу

Національний корпус об'єднає знеособлені структуровані та неструктуровані тексти українською мовою, що відображають культурний та історичний контекст держави. До його складу увійдуть державні бази даних, літературні твори, наукові праці та архівні матеріали. Постанова передбачає два механізми наповнення: обов'язкове передання відкритих наборів даних органами виконавчої влади протягом місяця після отримання запиту від Мінцифри чи ДП «ДІЯ», а також добровільну участь приватних компаній, бібліотек, освітніх і наукових установ, фізичних осіб-підприємців та громадян на основі ліцензійних договорів із дотриманням законодавства про інтелектуальну власність.

Хто отримає доступ і на яких умовах

Користуватися зібраним масивом даних розробники зможуть безоплатно, проте коло претендентів суворо обмежене. Доступ надаватимуть лише українським юридичним особам та фізичним особам-підприємцям, які мають підтверджений досвід створення або тестування LLM і зобов'язуються використовувати матеріали виключно для цих завдань. Заявки від розробників ДП «ДІЯ» розглядатиме протягом десяти робочих днів. У разі фіксації системою порушення правил безпеки або нецільового використання інформації доступ анулюється миттєво.

Жорсткі запобіжники безпеки та захист правовласників

Постанова встановлює низку заборон, спрямованих на захист даних. Доступ до бази закритий для фінансових установ, інвестиційних фондів, підсанкційних компаній, а також для бізнесу, що веде діяльність на тимчасово окупованих територіях, у Росії чи Білорусі, або має кінцевих бенефіciарів чи акціонерів із часткою від 10 відсотків. Окремо прописано механізм захисту правовласників: у разі надходження скарги на неправомірне використання тексту доступ до спірного набору даних тимчасово блокується протягом одного робочого дня на період проведення перевірки. Ці заходи покликані збалансувати інтереси розвитку вітчизняного ШІ-сектора та захист авторських прав, а також запобігти використанню національної бази в інтересах третіх країн.

Значення проєкту для українського ШІ-сектора

Створення національного корпусу даних стає системним кроком у формуванні суверенної екосистеми штучного інтелекту українською мовою. Безплатний доступ до структурованих і неструктурованих текстів, що поєднують літературну, наукову та архівну спадщину, знижує поріг входу для локальних розробників LLM і створює основу для створення спеціалізованих мовних моделей, які адекватно відображають українську лінгвістику та культурний контекст. Спільна робота Мінцифри, ДП «ДІЯ», МОН та НАН України протягом наступних шести місяців має визначити дорожню карту подальшого розширення та розвитку національної системи мовних ресурсів.