AI·数据利用合同准则全文译介(13/18)AI 编·第4 利用 AI 技术的开发合同

第4 利用 AI 技术的软件开发合同

1 何谓利用 AI 技术的软件开发

作为利用 AI 技术的软件，可考虑学习用程序和学习完成模型。在实务上，供应商开发学习完成模型并交付给用户等委托者从而获取收益的类型，其通用性被认为特别高，因此本章就学习完成模型的开发（生成），解说其思路及签订合同时的考量事项等。

2 学习完成模型的开发类型 (1) 开发类型的分类

在本工作组听取的用例等中，可见到①仅生成学习完成模型的类型、②开发包含学习完成模型的系统的类型，以及③接受学习完成模型生成的再委托的类型这3 种类型。

图 2：开发类型

① 仅生成学习完成模型的类型

<事例1 用户提供数据，供应商单独仅生成学习完成模型的情形>

例：损害保险公司Y 公司委托数据分析公司X 公司分析本公司的数据。X 公司就该数据执行了机器学习，并向Y 公司交付了具备其所要求功能的学习完成模型。

<事例2 用户与供应商共同提供数据，供应商单独仅生成学习完成模型的情形>

例：机器制造事业者X 公司就提供给Y 公司的监控设备，正在研究搭载以能够检测特定对象为目的的学习完成模型。在生成学习完成模型时，将X 公司与Y 公司双方提供的图像数据合并进行学习。

② 开发包含学习完成模型的系统的类型

<事例3 用户提供数据，供应商单独开发包含学习完成模型的系统的情形>

例：商社Y 公司提供学习用数据集，接受委托的机器学习开发商X 使用该数据开发了包含学习完成模型的系统，并交付给Y 公司。

<事例4 供应商自行准备数据，单独生成学习完成模型，并由另一事业者据此开发整个系统的情形36>

例：Y 公司将身份确认系统的开发委托给供应商X1 公司和系统开发事业者X2 公司。X1 公司使用自行准备的数据生成学习完成模型，X2 公司将其组入身份确认系统，并交付给Y 公司。

③ 接受学习完成模型生成的再委托的类型

<事例5 供应商从接受用户系统整体开发委托的 SIer 等处，接受仅学习完成模型生成部分的再委托的情形>

例：作为 SIer 的Y 公司从物流业界企业（终端用户）承接了自动计算货物装载的系统的开发订单。Y 公司开发了组入供应商X 公司所生成的学习完成模型的系统，并交付给终端用户。

(2) 作为对象的开发类型 本章以前述①仅生成学习完成模型的类型为前提，说明学习完成模型的开发合同。在前述②的类型中由供应商、在前述③的类型中由 SIer，分别接受作为所谓模块包含学习完成模型的系统的开发委托，但关于模块部分的开发，前述①的类型相关讨论同样成立。

另外，关于成果物及开发途中产生的知识产权，有时让供应商享有其知识产权等，有时让用户享有，需要注意：开发型并不必然意味着权利自动归属于某一方当事人。

3 开发方式

为决定有关学习完成模型生成的合同框架，首先需要研究如何生成学习完成模型。因此，首先介绍一般的软件开发方式，然后说明适合学习完成模型生成的开发方式。

(1) 软件的一般开发方式 一般软件开发的开发方式分为①瀑布型和②非瀑布型（原型型、Scrum 型、敏捷型等）。

① 瀑布型 将软件开发过程分割为「需求定义」、「系统设计」、「系统方式设计」、

「软件设计・编程・软件测试」、「系统集成」、「系统测试」、「运行测试」、「运行・评价」等工序，是通过前工序使后工序中的作业逐步细化的一种开发手法。虽然并不完全否定向前工序的回退，但由于软件的规格等在开发初期即被确定，并据此推进开发，因此之后变更规格等往往伴随困难。

图 3：瀑布型开发方式37

② 非瀑布型 泛指不属于瀑布型的开发手法。例如，作为其典型的敏捷型开发，是依照客户要求，针对优先级高的功能，在短时间内反复进行需求・开发・测试・发布，从而将其构建为可运行软件的手法。关于敏捷型开发，有主张提出：先签订规定开发项目整体共通事项的基本合同，然后从个别开发对象已确定的部分起，依次签订个别合同38。

(2) 适合学习完成模型生成的开发方式 在仅开发学习完成模型的情况下，如前述第2-4-⑴ 所述，在签订合同时难以事先预测作为成果物将完成什么，且事后验证其过程中产生的生成物的性能等也较为困难。因此，其开发过程必然具有探索性，需要反复多次试错。在这样的状况下，回退不可避免地会发生，因此以事先确定的需求定义为前提、将开发分阶段细化的瀑布型开发往往未必符合实际，非瀑布型开发更为适合的情形较多。

不过，作为非瀑布型开发代表性手法的敏捷型开发，虽被认为适合具有众多功能的大规模系统开发，但在达成比较小规模特定目的的学习完成模型生成中，例如基本合同与个别合同组合所带来的合同管理成本有时会不被容许39。

因此，本准则（AI 编）提倡采用将开发过程分为多个彼此独立的阶段、进行探索性开发的「探索阶段型」开发方式。具体而言，如下所示，是①评估阶段、

②PoC 阶段、③开发阶段、④追加学习阶段这4 个阶段的开发方式。

图 4：「探索阶段型」的开发方式

这种将开发过程分为多阶段的开发思想与瀑布型开发及敏捷型开发相通，未必新颖。然而，本准则（AI 编）所提倡的「探索阶段型」开发方式，在开发初期不确定成果物这一点上与瀑布型开发不同，在不采用以1 个基本合同规范开发整体的框架这一点上与敏捷型开发不同。

采用此类「探索阶段型」开发方式有2 个优点。

第1，在学习完成模型生成中，如前述第2-4-⑴-① 所述，由于存在与传统型软件开发不同的不确定性，因此难以就开发对象或性能事先预测，用户与供应商的认识容易产生分歧。为此，通过将开发分为多个阶段、明确各阶段的达成目标，能够促进用户与供应商之间的讨论，就最终成果物学习完成模型形成共识。

第2，由于此类学习完成模型生成的不确定性，即便投入了巨大投资，也可能出现在开发途中即明确学习完成模型无法发挥预定性能、从而中止开发的情形。为此，通过将开发分为多个阶段，在查明生成具备充分性能的学习完成模型较为困难时，在该阶段中止开发，从而能够防止损失进一步扩大，实现风险对冲。

(3) 各阶段的说明 以下就本准则（AI 编）推荐的「探索阶段型」开发方式的各阶段进行说明。其概要如下表所示。

评估  PoC  开发  追加学习目的  使用一定量的数据验证学习完成模型生成的可能性  使用学习用数据集验证能否生成用户所希望精度的学习完成模型  生成学习完成模型  针对供应商交付的学习完成模型，使用学习用数据集进行学习成果物  报告等  报告／学习完成模型（试行版）等  学习完成模型等  再利用模型等合同  保密协议  导入验证合同  软件开

※注40等  等  发合同书另外，开发的各阶段未必被明确区分，其一部分或全部连续进行的情形也有。从这个意义上说，这些区分终究只是相对的。此外，这些各阶段有时并非各以1 次完成，在各阶段中分为数次签订合同也是可以考虑的。

① 评估阶段 「评估阶段」是指供应商在与用户之间签订保密协议的基础上，从用户处受领一定量的数据（例如，用户侧无需花费太多劳力即可提供的数据），事前验证是否存在生成学习完成模型可能性的阶段。在这一阶段，有时会伴随提供报告等成果物，但由于是极为初期的阶段，学习完成模型作为成果物被提供的情形几乎没有。

事前验证的内容多种多样，但首先重要的是，用户探索引入 AI 想解决什么，即课题的设定。在实务上，出于对 AI 技术理解不足或过度期待，仅凭「暂且想引入 AI」这种模糊的问题意识即委托生成学习完成模型的情形不在少数。然而，AI 技术终究不过是工具，重要的是以其解决何种事业课题这一视角。

此外，同样地，若能够设定事业课题在何种情况下可评价为达成，即 KPI，则明确 KPI 也很重要。

这些事业课题及 KPI 的设定依存于事业内容，因此由用户负责实施、供应商予以支援这种角色分担符合实际情况。并且，只有这些课题明确之后，用户需要向供应商提供何种数据、必要数据是否充足、若有不充足的数据能否收集等事项，才能由用户与供应商之间事前验证。在此基础上，再就数据的规格等进一步反复协商。

从这个意义上说，在学习完成模型的生成中，用户的积极参与不可或缺。并且，关于数据的商谈与验证作业伴随用户与供应商之间密切的沟通，因此有时也不少见的是，先签订有偿合同，再花费数月单位的时间进行。

另外，若在评估阶段得出大概没有成功可能性的结论，开发也可能就此结束。

此外，也有不经评估阶段而自「PoC 阶段」开始的情形，或将评估阶段与 PoC 阶段一体执行的情形。

② PoC 阶段 在学习完成模型的生成中，「PoC 阶段」多被把握为基于用户或供应商所拥有的数据，验证是否推进学习完成模型生成的阶段。

与评估阶段不同，基本上是使用用户所拥有的一定量的数据（或若新生成数据则为所生成的数据）进行学习完成模型的生成・精度提升作业，并验证事后开发的可否或妥当性。此类验证的结果一般汇总为报告。

此外，PoC 阶段的内容有时包含学习完成模型的试点测试。在这种情况下，PoC 阶段中将既有系统的一部分替换为使用学习完成模型的模块，在对其进行整合（集成）的基础上评价性能。并且，在确认 KPI 可行时，将进入开发阶段。此类试点测试有时在供应商的环境下实施，有时在模拟实际环境的虚拟环境、或实际环境中实施。尤其是，在虚拟环境或实际环境中实施 PoC 时，有时会作为成果物生成学习完成模型。在这种情况下，就需要就其权利归属及利用条件进行协商。

如此，在 PoC 阶段，各种业务都可能成为对象。因此，在实务上，关于 PoC 阶段的合同，就对象范围及对象期间达成合意十分重要。此外，PoC 阶段由于学习完成模型的生成不可避免地伴随试错，因此并非1 次即可完结，实施多次的情形也不在少数。

在 PoC 阶段，由于设想了其后向开发阶段的移行，因此需要梳理是否存在应在各阶段统一处理的事项、或应在各阶段个别处理的事项。例如，关于为验证而提供的数据、及成果物（尤其是学习完成模型）的权利归属或利用条件，最好事先研究各阶段的处理。其结果是，可以设想：关于 PoC 阶段成果物的知识产权等归属供应商，而关于开发阶段的成果物归属用户。

此外，有时也会规定签订开发合同的努力义务，以确认用户・供应商之间关于 PoC 阶段奏效时移行至开发阶段的认识。

③ 开发阶段 「开发阶段」是实际使用学习用数据集生成学习完成模型的阶段。其概要如前述第2-3-⑴ 所述。

④ 追加学习阶段 「追加学习阶段」是针对供应商交付的学习完成模型，使用追加的学习用数据集进行学习的阶段。既可能由生成学习完成模型的供应商提供追加学习支援，也可能由完全不同的供应商实施。也可以考虑与维护运行配套进行。

(4) 用户・供应商的角色 在学习完成模型的生成中，比传统型软件开发更需要用户与供应商双方的积极参与。

① 用户的角色 如上所述，学习完成模型的生成既然是通过使用数据的归纳性方法来进行的，其性能就大幅依存于用于学习的学习用数据集。

并且，生成学习完成模型所需的生数据处于用户的控制之下，供应商原本通常并不知道用户拥有何种数据。因此，仅从用户抽象地被告知希望开发的功能，在原理上难以着手学习完成模型的生成，供应商只有在从用户处获得生数据或学习用数据集的提供后，才能推进开发。

如此，用户如何准备学习用数据集或其来源生数据，是学习完成模型生成中最重要的过程之一，也是与传统型软件开发相比用户所发挥作用较大的要点之一。

并且，用户为准备必要数据，需要在⑴明确认识到通过生成学习完成模型在事业上以获得什么为目标，即事业上的课题及 KPI 的基础上，⑵把握在自身所控制的环境中将生成何种数据，进而⑶选择适合学习或评价的数据。

在此类作业之际，有时可以获得供应商的支援，

但主体归根到底仍是用户。可以说，学习完成模型的生成若无用户积极且主体的参与，便难以推进。

② 供应商的角色 就供应商而言，如上所述，关于学习完成模型，在技术上对完成进行保证或对未知输入（数据）的性能进行保证未必容易，但这并不直接意味着供应商在合同上不承担任何完成责任。因为最终将依当事人的风险分配来确定供应商的义务范围。

因此，可以设想供应商例如在开发阶段，就有限的评价用数据41，在合同上承诺完成具有一定性能的成果物。在这种情况下，将要求供应商达成用户的希望目标。此外，即便供应商不负有学习完成模型的完成义务，也将被要求作为专业人士以一般所要求的水准推进开发。

此外，在如此推进开发的过程中重要的是，与用户之间进行密切沟通。尤其是，考虑到 AI 技术是新技术，用户与供应商之间往往存在技术相关信息差距或认识分歧。因此，供应商同样被要求就学习完成模型生成所内含的不确定性、以及与传统型软件开发的不同，向用户进行恰当且细致的说明，并为形成共通的技术认识而付出最大努力。

在这个意义上，可以说学习完成模型的生成若不依赖用户自不必说、还有供应商的积极且主体的参与，便难以推进。

4 合同中的考量因素 (1) 合同的法律性质

合同的内容原则上可以由当事人通过合意个别具体地确定。不过，理解在供应商与用户之间就一定事项没有明示合意时将适用的默认规则，对于协商并确定合同内容也很重要。

以下，在与传统型软件开发的情形相比较的同时，特别着眼于将劳务的提供视为合同目的是否恰当42（准委任型），还是将直至给付劳务结果视为合同目的是否恰当（承揽型），探讨与学习完成模型生成各阶段相契合的合同性质讨。

① 传统型软件开发的情形 在传统型软件开发中，一般依照各工序性质的差异进行不同的考量。

首先，在传统型软件开发中，在策划・需求定义阶段，对用户・供应商双方而言，作为开发对象的软件的具体内容尚未充分特定，一般认为准委任型合同符合实际。

另一方面，在经由策划・需求定义而移行至设计・开发阶段的阶段，由于作为开发对象的软件的具体内容已被充分特定，因此以特定软件的完成为目的的承揽型合同往往较为契合。

② 学习完成模型生成的情形 与传统型软件开发的情形不同，在学习完成模型生成的情况下，无论哪个阶段，准委任型合同都较为契合。

首先，评估阶段是为验证学习完成模型生成可能性的阶段，PoC 阶段是为验证进一步推进学习完成模型生成的可否及妥当性的阶段，原本都不是以学习完成模型的完成为目的的阶段。

此外，开发阶段虽是以使用学习用数据集生成学习完成模型为目的的阶段，但根据前述第2-4-⑴ 的学习完成模型特性，在合同签订前确定规格或验收基准往往较为困难，且对于未知输入（数据），也难以保证学习完成模型不会做出用户・供应商任何一方都未设想的行为。因此，其难以契合以具体工作的完成为目的、伴随一定瑕疵担保责任的承揽型合同43。另外，在签订准委任型合同时，最好在当事人之间明确是志向于成果完成型，还是志向于履行比例型；并且，若选择成果完成型，则有必要就作为对象的成果物为何种达成合意。

进而，追加学习阶段是以供应商交付的学习完成模型为基础、使用追加的学习用数据集进行学习为目的的阶段

，并非以一定学习完成模型的完成为目的的阶段。

如上所述，学习完成模型生成的各阶段，并非以承诺具体学习完成模型完成为内容的承揽型合同，而是以一定验证或开发这类劳务提供为目的的准委任型合同更适合其实际。

(2) 合同中的交涉要点与注意事项 供应商与用户双方，就学习完成模型生成的各阶段，对「生数据」、「学习用数据集」、「学习用程序」及「学习完成模型」，以及根据需要构成学习完成模型的「学习完成参数」与「推理程序」各自的处理有所意识地进行交涉，这一点很重要。此外，有时将「专有技术」的处理也作为交涉对象是理想的。以下就各自在合同交涉中尤其应留意之点加以叙述。

① 生数据 生数据有时是供应商或用户投入一定劳力收集・积累而成，有时是在允许二次利用的利用规则下公开的所谓开放数据。在后一种情况下，难以设想围绕生数据的利用方法在交涉上产生问题。

另外，向对方披露生数据的当事人，在需要防止超出披露目的所必需最小范围的生数据向第三方披露或复制时，有必要与对方之间签订明确禁止该行为的合同。此外，接受生数据披露的当事人，若希望超出该披露的直接目的利用其，则最好由供应商与用户各自立场出发，充分研究生数据利用的目的、时期、范围、对价及其他利用条件，相互协商。

生数据在实务上的问题，是其权利处理的问题。例如，生数据中有时包含著作物或个人数据（包含个人信息，但不限于此。），但在机器学习手法常要求的大规模生数据中，从所含著作物的著作权人或个人数据的本人逐一取得同意在时间或费用上较为困难，或者原本特定著作权人或本人较为困难的情况下，权利处理的必要性或可否有时会成为问题44。

② 学习用数据集 a 定义的重要性 学习用数据集是对经过预处理的生数据附加正解数据等而二次生成的、并非生数据本身的内容。但是，如前述第2-3-⑵-② 所述，生数据与学习用数据集之间并不当然存在明确界限，关于这些处理有可能产生疑义。因此，在使用这些用语时，从防止纠纷的观点看，明确其在合同上的意义是理想的。

b 角色的分担 学习用数据集的生成虽然是与学习完成模型的生成密切相关的行为，但不能说必然是随之附带的行为。因此，生成学习用数据集的主体，应是由当事人合意确定的内容。不过，考虑到学习完成模型的内容・品质实质依存于其基础的学习用数据集的内容・品质，在用户的协助下，与学习完成模型一并将学习用数据集的生成委诸供应商，往往是恰当的。

另外，为生成学习用数据集，对生数据附加相关信息作为注释的「标注」中，单纯但需要大量劳力的部分有时会被委托给第三方。在用户尤其期待供应商开发能力而进入合同关系的情况下，对于（准）委任给供应商的业务向第三方的再（准）委托，一般在合同上需要用户同意，在这种情况下，承担学习用数据集生成的供应商欲将标注委托给第三方，必须获得用户的相应同意。

c 权利归属・利用条件 学习用数据集的生成，通常需要所收集・积累的生数据及其一定处理・加工。生数据的收集・积累及其处理・加工各自投入相当的费用的情形不在少数，后者有时耗费了生成一系列学习完成模型所需工数的大部分。因此，与学习完成模型的处理相区别，学习用数据集在合同上的权利归属或利用条件有时成为交涉上的重要课题。

在将权利归属、利用条件及其他学习用数据集的处理规定于合同时，如何评价各当事人对学习用数据集生成的贡献，以及作为其基础的生数据的性质，在合同交涉时往往成为讨论对象45。以下整理了此时应考虑的要点。

当事人的贡献性数据性质学习用数据集的处理，最终应在供应商与用户的利益平衡中加以确定。但一般而言，对生数据的预处理、正解数据的作成等需要采用稀缺性高的专有技术的必要性越大，或者通过此类专有技术所期待创造的价值越大，承担学习用数据集生成的当事人在交涉上越容易被认定具有优势性。此外，从事业目的看，对于包含商业秘密性高的生数据的学习用数据集，也可以设想在不允许用于合同目的以外利用的代替下，将投入于学习用数据集生成的费用・劳力另行在对价计算中加以考虑。

另外，如后述第4-4-⑵-④-b 所述，学习完成模型多以二进制文件形式等、判读或二次利用较为困难的方法由供应商提供给用户，目的在于防止其二次利用、或隐蔽生成所用专有技术等。由于不仅学习完成模型本身，从供应商所生成的学习用数据集的分析中也可能被解析出学习完成模型生成的专有技术等，因此为避免这一点，也可能有必要研究不将学习用数据集纳入合同上的提供对象。

此外，尤其作为在用户向供应商披露所收集・积累的生数据或其基础学习用数据集时可能产生的问题，有：在保密协议等下由用户向供应商披露的生数据等被供应商利用、生成了用户合同上要求以外的学习完成模型时，这是否相当于保密协议等所禁止的目的外使用。对此只能依当事人之间的合意内容而定，为预防将来的纠纷，事先规定生数据等利用的目的或范围便很重要46。

③ 学习用程序 学习用程序是通过将其输入作为学习用数据集加以利用、生成学习完成参数的程序

。当然可以为特定开发目的从零作成学习用程序，但迄今为止各种机器学习库（框架）已作为 OSS 被提供并普及，因此学习用程序的作成广泛利用了此类库47。因此，学习用程序的权利归属成为交涉上问题的情况较少，也多不特别涉及供应商开发部分的权利。

不过，这并不意味着认可用户利用学习用程序或向用户披露源代码等没有问题。机器学习库确实降低了学习用程序作成所需的费用与劳力，但为生成适合目的的学习完成模型，无论是否采用此类库，具体手法的选择等都需要高度的专有技术。是否让供应商所开发学习用程序的著作权等归属于用户、或让用户利用其，应在充分考虑用户利用条件是否损害当事人之间的利益平衡的基础上确定。

另外，在确定学习用程序的权利归属・利用条件时，也需要注意：在作为开发对象的学习完成模型生成之后，以其为基础、或与之独立地，存在生成新的学习完成模型的事业上的需要。例如，有通过学习用数据集追加新数据、自行生成学习完成模型的事业需要的用户，必须至少就学习用程序获得使用许可。另一方面，拥有将此类追加学习作为维护・保养服务一环进行的事业模式的供应商，则可能选择不向用户许可学习用程序的利用。

④ 学习完成模型 a 定义的重要性 在以利用 AI 技术的软件开发为目的的合同实务中，学习完成模型的处理是其中心交涉课题之一。然而，学习完成模型在法律上的意义尚不能说已一义明确，在就其处理进行交涉时，从防止纠纷的观点看，就这一点获得共通理解是理想的。

具体而言，可见到这样的例子：就学习完成模型①是否包含学习用数据集、②是否包含学习用程序、以及③是否在包含学习完成参数之外还包含推理程序，未进行充分梳理便进行交涉并签订合同。为避免无谓的讨论混乱、生产性地推进交涉，当事人之间梳理这些内容往往是有益的。

b 提供方法 供应商向用户提供学习完成模型的方法，有时以披露源代码等、能够判读・二次利用的方法提供可否这一形式成为交涉上的课题。由于从以可判读形式提供的学习完成模型中有时也能读取供应商的专有技术，因此除非在用户侧被认定存在需要能够判读・二次利用的学习完成模型的特别情况，一般采取使用二进制文件形式等、判读或二次利用较为困难的方法提供。关于学习完成模型的提供方法，重要的是在充分研究是否采用判读或二次利用较为困难的方法的基础上加以确定。

c 权利归属・利用条件 关于学习完成模型的知识产权的归属及利用条件，是供应商与用户之间交涉上的主要课题。

关于学习完成模型的知识产权的归属，也与就由学习完成参数和推理程序构成的学习完成模型的哪一部分成立何种知识产权尚不存在明确规则相关联，在提供学习用数据集或其基础生数据的当事人，与作成并执行学习用程序、生成学习完成模型的当事人不同的情况下，尤其容易成为问题。

在这种情况下，重要的是在充分研究后述⑤及⑥所记载内容的基础上确定利用条件等48。

d 再利用模型的处理 如前述第2-4-⑴-④ 所述，理论上可以再利用所开发的学习完成模型，生成具有与之不同的学习完成参数等的学习完成模型即再利用模型。再利用前的学习完成模型与再利用模型在法律意义上的同一性未必明确。因此，当用户或供应商希望限制对方当事人利用学习完成模型的目的或范围时，也应就再利用模型生成的准否及内容在合同上明确加以规定。

不过，即便对学习完成模型的再利用设定了限制，

即便如此，从外部掌握软件在计算机中的运行状况仍属困难，要认定对此的违反也未必容易。此外，即便能够认定，证明存在学习完成模型的再利用也伴随着困难。因此，从预防纠纷的角度看，在当事人之间利害很可能对立的一定交易的时期或范围上设置限制等，对交易方式设置一定限制的做法，在有些情况下应值得探讨。

⑤ 学习完成参数 学习完成参数，是指通过将学习用数据集作为学习用程序的输入加以使用，而为一定目的被机械地调整的参数。其以数值等数据来表现，但其排列本身难以说是人类「创造性地表现了思想或感情之物」（著作权法第2条第1项第1号）等，因此一般而言，其属于受著作权法保护的作品的可能性似乎较低。

因此，对于能够现实地访问所生成的学习完成参数的技术提供方（ベンダ），原则上49处于可自由利用并管理该参数的地位，须以此为前提，在技术提供方与用户之间就学习完成参数的利用条件进行交涉，并在合同中予以规定。

另一方面，若以技术提供方向用户提供学习完成模型为内容的合同已不设任何关于其利用方法的保留而缔结，且学习完成参数以具有可读性的形式由技术提供方提供给用户，则技术提供方有可能被解释为已认可用户对学习完成参数的利用。例如，若技术提供方希望在PoC阶段作为成果为性能评估目的而提供学习完成模型等场合，对其利用的目的或范围设置一定限制，则应在合同上明确该意旨。

⑥ 推理程序 推理程序，是指学习完成参数被嵌入其中、使针对输入输出一定结果成为可能的程序，只要满足一定要件，即受著作权法或专利法保护。此外，对其适用前述第3-3-⑴-②关于程序的一般论述。

推理程序是为从作为开发对象的学习完成模型获取输出结果所必需的程序。因此，在合同中已规定由技术提供方提供学习完成模型的情形下，只要未在合同上明确排除用户利用推理程序的可能性，则较多被理解为存在以用户能够利用推理程序为当然前提的合意。

特别需要注意的是在合同中规定使技术提供方与用户双方均归属「学习完成模型」相关权利的情形。在构成学习完成模型的要素中，推理程序部分可能受著作权法及专利法的保护，因此，对于自身的使用、向第三方的使用许可或转让的可行性等，有必要在意识到这些法律规定的前提下进行交涉，并在合同中予以规定。

⑦ 专有技术（know-how） 在合同实务中，专有技术，尤其是学习用数据集或学习完成模型的生成专有技术的处理，有时成为交涉的对象。特别是，技术提供方积累的该专有技术往往是其实际竞争力的源泉，因此对披露可能有损竞争力的专有技术采取慎重态度是合理的。在合同中规定技术提供方披露此类专有技术时，充分探讨当事人之间的利益是否取得平衡十分重要。

另一方面，在利用用户收集、积累的原始数据由技术提供方生成学习用数据集、进而生成学习完成模型的情形下，此类原始数据中可能包含应被评价为用户专有技术的信息，或者适应用途的处理可能需要此类信息。因此，有时会出现用户主张其对学习完成模型的生成也有一定贡献的情况。在此情况下，技术提供方对学习完成模型的（再）利用的可行性往往成为问题，但根据情况适当调整利用条件这一选项也应纳入视野。

(3) 通过具体事例的解说

<事例1 原始数据的继续利用>

例：技术提供方A公司接受生产材料制造商B公司披露的商品销售数据（原始数据），利用以此为基础生成的学习用数据集，生成推定B公司客户购买行为的学习完成模型，并达成协议将其提供给B公司。A公司今后还希望接受B公司的竞争事业者C公司、D公司披露的商品销售数据，生成精度更高的学习完成模型。

技术提供方A公司通常在保密协议等下接受制造商B公司披露的数据，并负担不向第三方披露该数据的义务以及不得为生成制造商B公司学习完成模型以外的目的利用该数据的义务。

如果A公司希望在向B公司提供学习完成模型之后，继续利用从B公司接受披露的数据，并与从制造商C公司、D公司接受披露的数据合并生成精度更高的学习完成模型，则可考虑如下利用条件：例如从B公司、C公司、D公司取得仅为提升具有特定目的的学习完成模型的质量、性能而利用该数据的许可，并与此一并承诺继续提供更新后的学习完成模型。

<事例2 利用被提供的学习用程序进行追加学习>

例：技术提供方A公司接受系统开发技术提供方B公司披露的、B公司从其客户C公司获得的个人照片数据（原始数据），将以此为基础生成的学习用数据集读入A公司开发的学习用程序，生成推定C公司服务的消费者与数据库中人物同一性的学习完成模型，并达成协议将其提供给B公司。B公司希望不仅获得学习完成模型，还接受A公司学习用程序的提供并加以利用，向C公司提供利用新从C公司接受披露的数据进行追加学习的服务。

在向B公司提供技术提供方A公司制作的学习用程序的情形下，有可能从该学习用程序中读取到，为生成符合以更高精度进行人物认证这一目的的学习完成模型所需的A公司专有技术中的重要部分。

若A公司就学习用程序的调整相应地反复试错，或者A公司认为前述专有技术具有高度独创性，则A公司较少会不获得相应充分对价即许可B公司利用学习用程序。另一方面，若B公司认为正是利用事后从B公司客户C公司接受披露的数据所提供的追加学习服务才能产生其事业上的竞争力，且A公司的专有技术并不高到容易与竞争事业者形成差异的程度，则与顽固不愿许可利用学习用程序的A公司缔结合同将较为困难。此时，至少在以能够实现前述服务为限度许可利用学习用程序、且能够调整其对价的情况下，A公司与B公司之间才会进行开发交易。

<事例3 分阶段提供学习完成模型>

例：技术提供方A公司接受机械制造商B公司披露的产品外观数据（原始数据），利用以此为基础生成的学习用数据集，生成推定B公司产品上是否存在划痕的学习完成模型，并达成协议提供给B公司。

① A公司与B公司希望在利用理想环境下取得的数据生成学习完成模型后，在实际现场对其进行评估。

② 由于学习完成模型中反映了B公司的现场信息，B公司希望防止A公司对其（再）利用。

对于利用理想环境下取得的数据生成的学习完成模型，利用噪声较少的数据验证过的其精度，未必能在各种噪声可能混入输入的实际现场环境下如数实现。因此，在将生成的学习完成模型实际投入现场之际，为了进一步验证从预先验证结果所期待的精度在现场环境下是否可实现，需要在向现场导入学习完成模型之前进行现场环境下的性能评估。

进行现场环境下性能评估的一种方法是：在使机械制造商B公司负担保密义务的基础上，将（开发途中的）学习完成模型作为技术提供方A公司的秘密信息披露给B公司，并仅限在满足一定条件的环境下以性能评估为目的许可其利用。

除此之外，还有缔结仅覆盖PoC阶段的开发合同的做法。在此情况下，将以利用噪声较少环境下取得的数据由A公司开发的学习完成模型作为其成果，并向B公司许可限定利用目的的学习完成模型的利用。

此外，例如在B公司担心希望保密的现场信息反映在学习完成模型中、向竞争事业者泄露的风险较大时，B公司有时会产生防止A公司利用或再利用学习完成模型的动机。在此情况下，可考虑：①学习完成模型相关权利仅归属B公司、完全不许可A公司利用的方法；②限定目的或范围等而许可A公司利用学习完成模型的方法等，但作为避免与A公司的交涉陷入僵局、且将泄露风险最小化的方法，③在向A公司许可一定范围内利用学习完成模型的同时，在一定期间限制其与B公司特定竞争事业者竞争的做法，也是可以考虑的。

<事例4 由多数当事人生成学习完成模型>

例：技术提供方A公司分别接受医疗设备制造商B公司与医疗支援服务事业者C公司披露的医用图像数据（原始数据），利用以此为基础生成的学习用数据集，生成推定特定疾病罹患可能性的学习完成模型，并达成协议将其提供给B公司与C公司。A公司、B公司、C公司分别希望自由利用该学习完成模型。

技术提供方A公司从单一当事人接受数据披露而生成为学习完成模型的情形，与从多个当事人接受披露而生成的情形之间，交涉中应考虑的要素并无本质不同。不过，利害关系者数量越多，越容易产生合同上的利害对立，一般而言，会产生超过二者之间协调所需的更大交涉成本。

例如在本事例中，假定分别认可医疗设备制造商B公司与医疗支援服务事业者C公司对学习完成模型的某种利用，则需要形成三方之间的合意，即关于

①是否认可技术提供方A公司利用学习完成模型；②（在认可A公司利用学习完成模型的前提下）在何种利用条件下分别认可A公司、B公司、C公司利用学习完成模型。在此情况下，首先应基于各方投入的费用与劳力等，致力于调整利益，这应是基本做法。不过，若能设定不妨碍其他当事人事业的利用条件，则采用该条件以避免讨论陷入僵局，对全体当事人而言有时也是理想的。