OpenWALDO wil trainingsdata van AI controleerbaar maken

De man die Rocky Linux en CentOS op de kaart zette begint opnieuw. Gregory Kurtzer lanceerde op 11 augustus OpenWALDO, een open source project dat een gedeelde, controleerbare berg trainingsdata voor AI-modellen wil opbouwen. Niet nog een model dus, maar de laag eronder: de data waar modellen op getraind worden, met een papieren spoor per document.

Wat OpenWALDO precies bouwt

De naam staat voor Open Weights, Artifacts, Licenses, Data, Origins. Volgens het persbericht op GlobeNewswire gaat het om een corpus van trainingsmateriaal plus de gereedschapskist die daar controleerbare modellen van maakt. Op de projectsite staat hoe dat technisch werkt: materiaal wordt geindexeerd als documenten, corpora en shards, elk met een licentie-identificatie erbij. Opslag is content-addressed, wat betekent dat een hash bepaalt welk object je precies te pakken hebt. De betekenis van dat object, de metadata, wordt via Git-review beheerd.

Wie iets bijdraagt tekent met een Developer Certificate of Origin, hetzelfde mechanisme dat de Linux-kernel gebruikt om te kunnen aantonen wie welke code heeft ingebracht en onder welke voorwaarden. De herkomst blijft daarmee hangen aan het materiaal, van binnenkomst tot het moment dat er een model uit rolt. Je kunt via de toolchain trainen vanaf nul of verder bouwen op bestaande open gewichten, en dan alsnog terugzien waar de data vandaan kwam.

Waarom dit nu gebeurt

Het tijdstip is geen toeval. Rechtszaken over trainingsdata stapelen zich op. Een Duitse rechter veroordeelde muziekgenerator Suno in de GEMA-zaak, en in de Verenigde Staten hield een rechter Reddits DMCA-claim tegen Perplexity overeind. Wie een model traint kan steeds moeilijker volstaan met de mededeling dat de data van het open web komt.

Tegelijk verschijnen open modellen in hoog tempo, van Nemotron 3.5 Lightning van NVIDIA tot de open weights van Qwen3.8. Open gewichten zeggen alleen niets over de herkomst van het materiaal waarop die gewichten zijn gevormd. Dat gat probeert OpenWALDO te dichten. Kurtzer zelf verwoordde het in het persbericht zo: “Open source heeft dit argument eerder gewonnen.” Zijn stelling is dat AI dezelfde inspecteerbare, forkbare eigenschappen nodig heeft die Linux groot maakten.

Wie betaalt en wie beslist

CIQ, het bedrijf dat Kurtzer in 2020 oprichtte en dat achter Rocky Linux, Apptainer en Warewulf zit, financiert het werk als eerste commerciele sponsor. Het bestuur ligt volgens de aankondiging bij de gemeenschap, niet bij CIQ. Dat model kent Kurtzer goed, want precies dat verschil, wie betaalt versus wie beslist, lag ten grondslag aan de breuk rond CentOS in 2020. Meedoen kan nu via GitHub en Slack.

De vraag is of grote labs zullen aanschuiven. Een corpus met sluitende licentieadministratie is trager op te bouwen dan het web leegtrekken, en de bedrijven met de grootste modellen hebben hun data al binnen. Voor onderzoekers, universiteiten en Europese bedrijven die onder de AI Act moeten kunnen uitleggen waar hun data vandaan komt, ligt de rekensom anders.

Wat betekent dit

Herkomst van AI-materiaal wordt langzaam een administratieve verplichting in plaats van een academisch punt. Je ziet het aan de labeling van AI-output, bijvoorbeeld bij de AI Persona-badge die Spotify invoerde, en nu dus ook aan de invoerkant. Voor Nederlandse organisaties die zelf modellen finetunen is het praktische advies simpel: leg vast welk materiaal je gebruikt en onder welke licentie, ook als niemand er vandaag om vraagt. OpenWALDO moet zich nog bewijzen, en een corpus zonder deelnemers is een lege bibliotheek. Maar de infrastructuur om die vastlegging te doen bestaat nu tenminste in open vorm.