Une matrice de conformité mise à jour mensuellement a été publiée pour les 4 893 ensembles de données en langues indiennes sur le Hub Hugging Face, révélant que 65,1 % ne déclarent aucune balise de licence au 1er août 2026.

  • 3 185 des ensembles de données n'ont pas de balise de licence, représentant 46,1 % de tous les téléchargements.
  • 154 ensembles de données utilisent des licences CC-BY-NC, présentant des risques pour les pipelines d'entraînement commerciaux.
  • 139 ensembles de données portent des balises ambiguës telles que 'other', 'cc' ou 'unknown'.
  • Les données complètes sont disponibles aux formats CSV et Parquet sous licence CC0.

La matrice aide les équipes à éviter les pièges de licence en identifiant les ensembles de données effectivement exclus de l'utilisation commerciale conformément aux obligations de documentation GPAI du règlement IA de l'UE.