Provenience: dohledatelný a ověřitelný původ informací

LLM a generativní AI
Dalimil
Proveniencia: Dohľadateľný a overiteľný pôvod informácie

Proč je provenience klíčová v éře LLM a moderního SEO

Provenience (dohledatelný původ informace) je soubor metadat a důkazů, které umožňují ověřit, odkud informace pochází, jak vznikla, kdo ji vytvořil či změnil a kdy se tak stalo. V kontextu optimalizace webů pro ChatGPT/LLM, AIO/AEO a moderního SEO je jejím cílem zvýšit citovatelnost, důvěryhodnost a reprodukovatelnost tvrzení tak, aby je asistenční systémy mohly bezpečně použít a výslovně citovat.

Citovatelná definice pojmu „provenience“

Provenience
Dohledatelný a auditovatelný řetězec původu informace, který popisuje zdroje, transformace, autory, čas a verze a je podpořen strojově čitelnými metadaty a ověřitelnými důkazy (např. kryptografickými otisky).
Chain of custody (řetězec předání)
Dokumentovaný záznam toho, kdo a kdy s obsahem nakládal, od získání vstupů přes zpracování až po zveřejnění, včetně práv a omezení použití.
Evidence pack
Soubor příloh (CSV, PDF, výpočetní skripty, metodika) a metadat, který umožňuje reprodukovat tvrzení a ověřit původ i transformace dat.

Prvky silné provenience (co je třeba uchovávat)

  • Identita a autorství: author, publisher, accountablePerson, kontaktní kanál pro opravy.
  • Časová razítka: dateCreated, dateModified, datePublished ve formátu ISO-8601 a s lokální časovou zónou.
  • Verze a stavy: version, creativeWorkStatus (draft/reviewed/published), changelog s odkazy na rozdíly.
  • Výchozí zdroje: isBasedOn, citation, sameAs, identifier (DOI, URI, registrace).
  • Transformace a metody: metodika, nástroje (verze), parametry zpracování, známá omezení.
  • Kryptografické důkazy: kontrolní součty (např. SHA-256), digitální podpisy, případně záznam v transparentních protokolech.
  • Licence a práva: license, usageInfo, copyrightNotice, creditText.

Modely a standardy: jak to pojmenovat pro stroje

Vrstva Standard/ontologie Účel Klíčová pole/vztahy
Webová metadata Schema.org (JSON-LD) Popis článků, datasetů, autorů isBasedOn, citation, version, dateModified, identifier
Provenience W3C PROV Formální záznam původu a procesů prov:wasDerivedFrom, prov:wasGeneratedBy, prov:used, prov:wasAttributedTo
Integrita obsahu C2PA (manifesty) Podpisy médií, historie úprav claims, ingredients, actions, signatures
Datasety DataCite, SPDX Identifikátory, licence, původ souborů DOI, spdx:checksum, spdx:hasFile
Médium IPTC/EXIF/XMP Autor, místo, čas, práva Creator, Copyright, LocationCreated

Implementace na webu: minimální kostra JSON-LD

Vyplňte tato pole u každého článku či studie, aby LLM dokázaly spolehlivě citovat:

{ "@context":"https://schema.org", "@type":"TechArticle", "@id":"https://example.sk/clanok/proveniencia#id", "headline":"Provenience: dohledatelný původ informace", "author":{ "@type":"Person","name":"Jana Nováková" }, "publisher":{ "@type":"Organization","name":"Example Media" }, "dateCreated":"2025-10-20", "dateModified":"2025-10-22T14:30:00+02:00", "version":"1.1.0", "creativeWorkStatus":"published", "isBasedOn":[ "https://doi.org/10.1234/xyz", "https://example.gov/dataset/abc" ], "citation":[ "https://example.sk/metodika/proveniencia" ], "identifier":[ { "@type":"PropertyValue","propertyID":"DOI","value":"10.1234/xyz" }, { "@type":"PropertyValue","propertyID":"SHA-256","value":"b1946ac92492d2347c6235b4d2611184" } ], "license":"https://creativecommons.org/licenses/by/4.0/", "maintainer":{ "@type":"Person","name":"editor@example.sk" }, "subjectOf":{ "@type":"Dataset","name":"Evidence pack – výpočty", "distribution":{ "@type":"DataDownload","encodingFormat":"text/csv","contentUrl":"https://example.sk/evidence/pack.csv" } } }

Mapování PROV → Schema.org: praktické propojení

  • prov:Entity ⇔ CreativeWork/Dataset/MediaObject
  • prov:Activity ⇔ Action/HowTo/SoftwareApplication (jako proces nebo nástroj)
  • prov:Agent ⇔ Person/Organization
  • prov:wasDerivedFrom ⇔ isBasedOn; prov:wasAttributedTo ⇔ author/editor
  • prov:used vyjádřete pomocí citation/workExample/softwareRequirements

Provenience médií: obrázky, video, audio

  • Vkládejte manifesty C2PA pro podpis a historii úprav (původní zařízení → editor → export).
  • Ukládejte IPTC/XMP/EXIF s autorem, datem, geolokací, referencemi Artwork or Object a kontaktem pro záležitosti práv.
  • Zveřejňujte MediaObject v JSON-LD s údaji contentUrl, encodingFormat, creditText, license, checksum.

{ "@context":"https://schema.org", "@type":"ImageObject", "@id":"https://example.sk/img/foto-123#id", "contentUrl":"https://example.sk/img/foto-123.jpg", "encodingFormat":"image/jpeg", "creditText":"© 2025 Example Media", "license":"https://example.sk/licencie#editorial", "identifier":{ "@type":"PropertyValue","propertyID":"SHA-256","value":"9f86d081884c7d659a2fe..." }, "associatedMedia":{ "@type":"MediaObject","name":"Manifest C2PA","url":"https://example.sk/img/foto-123.c2pa" } }

Datasety a výpočty: reprodukovatelnost nade vše

  • Používejte DOI/DataCite pro stabilní odkazy.
  • U balíčků souborů doplňte metadata SPDX (soubor → kontrolní součet → licence → původ).
  • Evidence pack musí obsahovat soubor README s verzemi nástrojů, seedy, parametry a časem extrakce.

{ "@context":"https://schema.org", "@type":"Dataset", "name":"Měření CWV – Q3/2025", "dateModified":"2025-10-15", "identifier":[ { "@type":"PropertyValue","propertyID":"DOI","value":"10.5678/cwv.q3.2025" }, { "@type":"PropertyValue","propertyID":"SPDX","value":"SPDXRef-Dataset-CWV-Q3" } ], "distribution":[ { "@type":"DataDownload","contentUrl":"https://example.sk/data/cwv_q3_2025.csv","encodingFormat":"text/csv","checksum":"sha256:2c26b46b68ffc68ff99b453c1d304134" } ], "isBasedOn":"https://chromium.org/crux" }

Kryptografická vrstva: otisky, podpisy, transparentní protokoly

  • Kontrolní součty: u každého souboru zveřejněte SHA-256 (nebo vyšší); pro HTML generujte hash podobný SRI a ukládejte jej do changelogu.
  • Digitální podpisy: podepisujte manifesty (C2PA), poznámky k vydání a evidence packy; zveřejněte veřejný klíč a informace o jeho obměně.
  • Transparentní protokoly: případně zapisujte identifikátory verzí do neměnných protokolů (např. časové razítko u externího notáře).

Changelog a verzování: aby bylo jasné, co se změnilo

  • 2025-10-22 (1.1.0): Aktualizovány definice, doplněny příklady C2PA a SPDX; k datasetu přidán checksum.
  • 2025-10-20 (1.0.0): První zveřejnění článku a evidence packu.

Procesní metodika: od zdroje ke zveřejnění

  1. Označení zdrojů: u každého vstupu uveďte typ (primární/sekundární), identifikátor a úroveň důvěryhodnosti.
  2. Záznam transformací: u každé úpravy uveďte „kdo–co–kdy–proč–nástroj (verze)“.
  3. Kontrola integrity: před zveřejněním vygenerujte kontrolní součty a spárujte je s distribucemi.
  4. Zveřejnění: JSON-LD, manifesty, evidence pack; odeslání do archivu/registru (DOI, katalog).
  5. Monitoring: sledujte citace AI a nefunkční odkazy; při změnách aktualizujte sameAs a citation.

Governance: role, odpovědnosti, eskalace

  • Content Owner: schvaluje verze, spravuje changelog a licence.
  • Data Steward: zaručuje kvalitu a reprodukovatelnost datasetů.
  • Security/Legal: správa podpisů a klíčů, audit použití, soulad s licencemi.
  • Public Contact: adresa pro hlášení chyb a žádostí o opravu (SLA do 5 pracovních dnů).

Měření úspěšnosti provenience (metriky pro SEO/LLM)

  • Citation Pass Rate: % odpovědí AI, které správně citují @id našeho díla.
  • Evidence Coverage: % tvrzení s primárním zdrojem a identifikátorem.
  • Integrity Match: % stažení, u nichž se kontrolní součet shoduje se zveřejněným.
  • Time-to-Correction: medián počtu dnů od nahlášení chyby po opravu a vydání nové verze.

Antivzory: čemu se vyhnout

  1. „Zdroj: internet“ bez identifikátoru a data přístupu.
  2. Přepisování URL bez přesměrování a bez zachování @id → narušení citací.
  3. PDF bez metadat (autor, datum, licence, kontrolní součet) – nelze auditovat.
  4. Slučování verzí bez changelogu – ztrácíte řetězec důvěry.

Kontrolní seznam před zveřejněním

  1. Má dílo @id, version, dateModified a author/publisher?
  2. Jsou isBasedOn/citation kompletně vyplněné a stabilní (DOI/perma-URI)?
  3. Existují kontrolní součty pro všechny soubory a jsou zveřejněné?
  4. Je připojen evidence pack s metodikou a distribucemi?
  5. Je dostupný changelog s identifikovatelnými změnami?

FAQ (specifické scénáře)

  • Musím mít vždy DOI? Ne, ale používejte trvalé URI a archivní kopie; pro datasety se DOI důrazně doporučuje.
  • Stačí uvést „poslední aktualizace“? Ne – uveďte také version, ideálně semver a odkaz na rozdíly.
  • Jak řešit citace dynamických API? Uložte snapshot, časové razítko, verzi API a parametry dotazu do evidence packu.

Praktická minišablona do CMS

„Tento článek (verze [X.Y.Z], [dateModified], @id [URL#id]) vychází z [isBasedOn]. Primární zdroje: [citation]. Evidence pack: [URL]. Kontaktní místo pro opravy: [email]. SHA-256: [hash].“

Shrnutí

Provenience proměňuje obsah v auditovatelné aktivum: jasně identifikované, verzované a podložené důkazy. Pro moderní SEO, AIO/AEO a práci LLM je podmínkou důvěry a citovatelnosti. Implementací standardů (Schema.org, PROV, C2PA, DataCite/SPDX), kryptografických otisků a disciplinovaného changelogu zajistíte, že vaše tvrzení budou nejen viditelná, ale také ověřitelná a udržitelná v čase.