🤖 machine learning

What's a Credit Worth? A Market Framework for Attribution-Aware Compensation in Generative Music

यह शोध पत्र कैटलॉग-स्तरीय एट्रिब्यूशन स्कोर के आधार पर जनरेटिव एआई प्रणालियों में संगीत रचनाकारों को मुआवजा देने के लिए एक बाजार ढांचे का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि इन एट्रिब्यूशन संकेतों की सटीकता यह निर्धारित करती है कि रॉयल्टी या निश्चित-शुल्क अनुबंध (fixed-fee contracts) में से कौन सा अनुकूल है और रचनाकारों एवं प्लेटफॉर्म दोनों के आर्थिक कल्याण को सीधे प्रभावित करती है।

मूल लेखक: Luyang Zhang, Xirui Jiang, Junwei Deng, Beibei Li, Jiaqi W. Ma, Chris Donahue

प्रकाशित 2026-07-02

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luyang Zhang, Xirui Jiang, Junwei Deng, Beibei Li, Jiaqi W. Ma, Chris Donahue

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके इस शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: जब AI संगीत बनाता है, तो भुगतान किसे मिलना चाहिए?

एक विशाल, जादुई रसोई (AI प्लेटफॉर्म) की कल्पना करें जो अलग-अलग शेफ (रचनाकार/Creators) की हज़ारों रेसिपीज़ (व्यंजनों) को चखकर अद्भुत व्यंजन (नया संगीत) बनाना सीख रही है। अब यह रसोई इतनी कुशल हो गई है कि वह इन व्यंजनों को जनता को बेचकर बहुत पैसा कमा रही है।

यह शोध पत्र एक बड़ा सवाल पूछता है: रसोई को मूल शेफ को भुगतान कैसे करना चाहिए?

वर्तमान में, रसोई आमतौर पर एक "निश्चित शुल्क" (जैसे एक तय कीमत पर कुकबुक खरीदना) या कितनी बार कोई व्यंजन ऑर्डर किया गया, इसके आधार पर एक छोटा सा रॉयल्टी देती है। लेकिन लेखकों का तर्क है कि यह अनुचित है क्योंकि:

कुछ शेफ की रेसिपीज़ ही वह "सीक्रेट सॉस" हैं जो रसोई के खाना बनाने को अद्भुत बनाती हैं, जबकि अन्य केवल बुनियादी सामग्री (basic ingredients) हैं।
रसोई को हमेशा यह पता नहीं होता कि किसी विशिष्ट व्यंजन के लिए किस शेफ की रेसिपी का उपयोग किया गया था।

मुख्य विचार: "एट्रिब्यूशन स्कोर" (Attribution Score)

इसे ठीक करने के लिए, लेखक एट्रिब्यूशन पर आधारित एक नई प्रणाली का प्रस्ताव करते हैं। एट्रिब्यूशन को एक "फ्लेवर ट्रैकर" (स्वाद पहचानने वाला यंत्र) की तरह समझें।

जब AI एक नया गाना बनाता है, तो सिस्टम उस स्वाद का पता लगाने की कोशिश करता है कि वह मूल शेफ से कहाँ से आया है। यह प्रत्येक शेफ को एक स्कोर देता है: "आपने इस गाने में 10% योगदान दिया, और आपने उस दूसरे गाने में 2% योगदान दिया।"

शोध पत्र का मुख्य लक्ष्य यह पता लगाना है कि इन स्कोर के आधार पर शेफ को भुगतान करने का सबसे अच्छा तरीका क्या है।

दो बड़ी समस्याएँ

लेखकों ने इस प्रणाली को काम करने में दो प्रमुख बाधाएँ पाईं:

1. "नॉइज़ी सिग्नल" की समस्या (स्टैटिक रेडियो)
कल्पte हैं कि आप एक भीड़भाड़ वाले शोर वाले कमरे में एक विशिष्ट आवाज़ सुनने की कोशिश कर रहे हैं।

लक्ष्य: सिस्टम यह जानना चाहता है कि एक विशिष्ट शेफ ने कितना योगदान दिया।
वास्तविकता: वर्तमान तकनीक एक ऐसे रेडियो की तरह है जिसमें 'स्टैटिक' (शोर) है। यह मोटे तौर पर बता सकता है कि कौन बोल रहा है (जैसे, "यह शेफ A जैसा लग रहा है"), लेकिन आवाज़ का वॉल्यूम और स्पष्टता धुंधली है। कभी-कभी इसे लगता है कि शेफ A बोला था जबकि वास्तव में वह शेफ B था, या यह वॉल्यूम का अंदाज़ा गलत लगा देता है।
शोध पत्र का निष्कर्ष: क्योंकि "सिग्नल" (स्कोर) इतना शोर भरा (noisy) है, इसलिए इस आधार पर शेफ को भुगतान करना जोखिम भरा है। यदि आप एक धुंधले स्कोर के आधार पर भुगतान करते हैं, तो एक शेफ को उस गाने के लिए बहुत अधिक भुगतान मिल सकता है जिसे उन्होंने शायद ही छुआ हो, या उन्हें उस गाने के लिए कुछ भी नहीं मिलेगा जिसे उन्होंने लिखा था।

2. "जोखिम" की समस्या
शेफ जोखिम लेने से बचते हैं; वे लॉटरी टिकट नहीं, बल्कि एक स्थिर वेतन चाहते हैं।

यदि भुगतान एक शोर भरे स्कोर पर आधारित है, तो शेफ की आय एक रोलरकोस्टर की तरह ऊपर-नीचे होती रहेगी।
शोध पत्र गणित का उपयोग करके यह दिखाता है कि जब "शोर" (noise) अधिक होता है, तो सबसे सुरक्षित और निष्पक्ष अनुबंध एक "फिक्स्ड फीस" (एक गारंटीकृत एकमुश्त राशि) होता है।
जब "शोर" कम होता है (सिग्नल स्पष्ट होता है), तब "रॉयल्टी" (बिक्री का एक प्रतिशत) सबसे अच्छा काम करती है।

अनुबंधों के लिए "गोल्डिलॉक्स" नियम (Goldilocks Rule)

शोध पत्र एक सरल नियम निकालता है कि एट्रिब्यूशन सिग्नल की स्पष्टता के आधार पर शेफ को किस तरह का अनुबंध मिलना चाहिए:

यदि सिग्नल धुंधला है (Noisy): तो रसोई को "फिक्स्ड फीस" देनी चाहिए। यह शेफ के पूरे कैटलॉग को एक तय कीमत पर खरीदने जैसा है। यह शेफ को AI की "अनुमान लगाने वाली गलतियों" से बचाता है।
यदि सिग्नल एकदम स्पष्ट है (Precise): तो "रॉयल्टी" देनी चाहिए। यह कहने जैसा है, "आपने जिस गाने में मदद की, उसके हर बिक्री पर आपको 5% मिलेगा।" यह शेफ को उनके सटीक योगदान के लिए पुरस्कृत करता है।
वर्तमान वास्तविकता: लेखकों ने वास्तविक AI संगीत मॉडलों पर इसका परीक्षण किया। उन्होंने पाया कि वर्तमान तकनीक बहुत शोर भरी (noisy) है। रेडियो पर "स्टैटिक" बहुत तेज़ है। इसलिए, लगभग सभी शेफों के लिए, एक "फिक्स्ड फीस" वास्तव में बेहतर और अधिक निष्पक्ष विकल्प है। रॉयल्टी-आधारित प्रणालियाँ वास्तव में शेफ को नुकसान पहुँचाएंगी क्योंकि माप बहुत ही गलत है।

"मोट" (Moat) और प्रतिस्पर्धा

शोध पत्र यह भी देखता है कि क्या होता है जब दो प्रतिस्पर्धी रसोई (AI प्लेटफॉर्म) मौजूद हों।

यदि रसोई A के पास बेहतर "फ्लेवर ट्रैकर" (कम शोर वाला) है, तो रसोई A सर्वश्रेष्ठ शेफों को आकर्षित कर सकती है।
रसोई B एक "डेड ज़ोन" में है। भले ही वे अपने ट्रैकर को सुधारने की कोशिश करें, वे तब तक शेफ नहीं जीत पाएंगे जब तक कि वे रसोई A से बेहतर न हो जाएं।
यह एक "मोट" (सुरक्षा घेरा) बनाता है: जिस प्लेटफॉर्म के पास बेहतर तकनीक है, वही जीतता है, और दूसरे-सबसे-अच्छे प्लेटफॉर्म के पास तब तक सुधार करने का कोई प्रोत्साहन नहीं होता जब तक कि वे लीडर से आगे न निकल जाएं। यह शेफ के लिए बुरा है क्योंकि यह प्रगति को धीमा कर देता है।

"स्मूथिंग" स्कैम (Smoothing Scam)

शोध पत्र एक संभावित धोखाधड़ी के बारे में भी चेतावनी देता है।

यदि किसी शेफ को पता चलता है कि रसोई स्कोर के आधार पर भुगतान करती है, तो शेफ अपने योगदान को अधिक सुसंगत और कम जोखिम भरा दिखाने के लिए सिस्टम के साथ "खेलने" (manipulate करने) की कोशिश कर सकता है।
शोध पत्र सिद्ध करता है कि यदि भुगतान एक लीनियर स्कोर पर आधारित है, तो एक शेफ गणितीय रूप से सिस्टम को ऐसा दिखाने के लिए हेरफेर कर सकता है कि उसका काम "सुरक्षित" है, बिना वास्तव में अपने काम को बदले।
समाधान: रसोई को स्कोर खुद ही कंप्यूट करना चाहिए (अपने स्वयं के उपकरणों का उपयोग करके), न कि शेफ द्वारा रिपोर्ट किए गए नंबरों पर भरोसा करना चाहिए।

निष्कर्षों का सारांश

वर्तमान तकनीक शोर भरी (Noisy) है: अभी, AI सटीक रूप से यह पता नहीं लगा सकता कि एक नए AI गाने में किस गाने का योगदान रहा। "सिग्नल" बहुत धुंधला है।
फिक्स्ड फीस अभी बेहतर है: क्योंकि ट्रैकिंग धुंधली है, इसलिए शेफ (और प्लेटफॉर्म) के लिए रॉयल्टी देने के बजाय एक निश्चित राशि (flat fee) देना बेहतर है। रॉयल्टी के लिए सटीक ट्रैकिंग की आवश्यकता होती है, जो हमारे पास अभी नहीं है।
बेहतर ट्रैकिंग = अधिक पैसा: यदि हम योगदान को ट्रैक करने के बेहतर तरीके विकसित करते हैं (शोर को कम करते हैं), तो सभी का लाभ होगा। शेफ को सटीक रूप से भुगतान मिलेगा, और प्लेटफॉर्म को अधिक मूल्य मिलेगा।
"डेड ज़ोन": एक प्रतिस्पर्धी बाजार में, दूसरा-सबसे-अच्छा प्लेटफॉर्म अपने ट्रैकिंग में सुधार नहीं करेगा जब तक कि वह लीडर को पछाड़ न दे, जिससे नवाचार (innovation) धीमा हो जाता है।

संक्षेप में: हम AI संगीत में उनके काम के लिए शेफ को उचित रूप से भुगतान करना चाहते हैं, लेकिन हमारे वर्तमान उपकरण इसे पूरी तरह से करने के लिए बहुत धुंधले हैं। जब तक हमारे पास बेहतर उपकरण नहीं आ जाते, तब तक एक गारंटीकृत एकमुश्त राशि देना सबसे निष्पक्ष दृष्टिकोण है। एक बार जब हमारे पास बेहतर उपकरण आ जाएंगे, तो हम उन्हें उनके सटीक योगदान के आधार पर भुगतान करने की ओर स्विच कर सकते हैं।

तकनीकी सारांश: जनरेटिव संगीत में एट्रिब्यूशन-जागरूक मुआवजे के लिए एक बाजार ढांचा

समस्या विवरण
कॉपीराइट वाली रिकॉर्डिंग के बड़े कैटलॉग पर प्रशिक्षण द्वारा संचालित, जनरेटिव एआई की तीव्र प्रगति ने प्लेटफॉर्म डिजाइन में एक महत्वपूर्ण अंतर पैदा कर दिया है: जब उनके कार्य का उपयोग वाणिज्यिक आउटपुट उत्पन्न करने के लिए मॉडलों को प्रशिक्षित करने के लिए किया जाता है, तो रचनाकारों को मुआवजा देने के लिए कोई विश्वसनीय, निष्पक्ष तंत्र नहीं है। वर्तमान लाइसेंसिंग प्रथाएं आमतौर पर कैटलॉग या शैली के स्तर पर बातचीत की गई फ्लैट फीस (निश्चित शुल्क) पर निर्भर करती हैं, जो दो प्रमुख आर्थिक वास्तविकताओं की अनदेखी करती हैं: (1) विशिष्ट डेटा का सीमांत योगदान (marginal contribution) जनरेटेड आउटपुट के बीच काफी भिन्न होता है, और (2) फ्लैट फीस एआई द्वारा उत्पन्न राजस्व के साथ स्केल नहीं होती है। इसके अलावा, मौजूदा डेटा एट्रिब्यूशन विधियां अक्सर योगदान के शोर वाले (noisy) अनुमान प्रदान करती हैं, फिर भी भुगतान तंत्र शायद ही कभी इस शोर को ध्यान में रखते हैं, जिससे रचनाकारों और प्लेटफॉर्म दोनों के लिए कल्याण हानि (welfare losses) हो सकती है।

कार्यप्रणाली
लेखक एक प्रिंसिपल-एजेंट फ्रेमवर्क प्रस्तावित करते हैं जो डेटा एट्रिब्यूशन (योगदान का अनुमान लगाना) को कॉन्ट्रैक्ट थ्योरी (अनिश्चितता के तहत भुगतान नियमों को डिजाइन करना) के साथ एकीकृत करता है। यह फ्रेमवर्क एक बाजार को मॉडल करता है जिसमें $N$ रचनाकार, एक एआई प्लेटफॉर्म और उपयोगकर्ता शामिल हैं, जो मुख्य रूप से उन रचनाकारों के साथ इंटरैक्शन पर केंद्रित है जो अपने कैटलॉग थोक (wholesale) में लाइसेंस देते हैं।

एट्रिब्यूशन और सूचनात्मकता (Informativeness): मुख्य तकनीकी प्रिमिटिव एट्रिब्यूशन सिग्नल की सूचनात्मकता ( $I_j$ ) है। केवल डेटा पॉइंट्स की रैंकिंग पर ध्यान केंद्रित करने वाले पिछले कार्यों के विपरीत, यह फ्रेमवर्क एट्रिब्यूशन स्कोर ( $\hat{a}_j$ ) को वास्तविक काउंटरफैक्चुअल योगदान ( $a^*_j$ ) के एक शोर वाले अनुमान के रूप में मानता है। सूचनात्मकता को मापे गए एट्रिब्यूशन पर ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) स्लोप के रूप में परिभाषित किया गया है:
$I_j := \frac{\text{Cov}(\hat{a}_j, a^*_j)}{\text{Var}(\hat{a}_j)}$
एडिटिव गौसियन नॉइज़ के तहत, यह सिग्नल-टू-नॉइज़ रेशियो (SNR) ट्रांसफॉर्मेशन के अनुरूप है: $I_j = \text{SNR}_j / (1 + \text{SNR}_j)$ ।
अनुबंध डिजाइन (Contract Design): प्लेटफॉर्म रैखिक अनुबंध $\theta_j = (f_j, \rho_j)$ पेश करता है जिसमें एक निश्चित शुल्क ( $f_j$ ) और एक रॉयल्टी दर ( $\rho_j$ ) शामिल है। रचनाकारों को जोखिम-विमुख एजेंटों (पैरामीटर $\alpha_j$ ) के रूप में मॉडल किया गया है जो भुगतान स्थिरता को महत्व देते हैं। प्लेटफॉर्म रचनाकार की भागीदारी बाधा (इंडिविजुअल रेशनैलिटी) के अधीन अपने लाभ को अधिकतम करता है।
इष्टतम भुगतान नियम: लेखक एक क्लोज्ड-फॉर्म एट्रिब्यूशन-अलाइन्ड रॉयल्टी बेंचमार्क व्युत्पन्न करते हैं। इष्टतम रॉयल्टी दर $\rho^*_j$ भुगतान के योगदान के साथ संरेखण और शोर वाले सिग्नल्स के कारण होने वाले जोखिम प्रीमियम के बीच संतुलन बनाती है:
$\rho^*_j = \text{clip}\left(\frac{I_j}{\alpha_j}, [0, 1]\right)$
यह एक रिजीम-आधारित समाधान प्रदान करता है:
- उच्च सूचनात्मकता ( $I_j \to 1$ ): रॉयल्टी-आधारित अनुबंध इष्टतम हैं।
- निम्न सूचनात्मकता ( $I_j \to 0$ ): फिक्स्ड-फी (निश्चित शुल्क) लाइसेंसिंग इष्टतम है।
- मध्यवर्ती: हाइब्रिड अनुबंध।
कल्याण विश्लेषण (Welfare Analysis): यह फ्रेमवर्क अपूर्ण एट्रिब्यूशन के कारण होने वाली कल्याण हानि ( $L_j$ ) को मापता है:
$L_j = \frac{\text{Var}(v_j)}{2\alpha_j}(1 - I_j)^2$
यह एक कॉनवेक्स (convex) फंक्शन है, जिसका अर्थ है कि एट्रिब्यूशन में सुधार का सीमांत लाभ उन रचनाकारों के लिए सबसे अधिक है जिनके सिग्नल्स सबसे अधिक शोर वाले हैं।
अनुभवजन्य माप (Empirical Measurement): सिद्धांत को आधार देने के लिए, लेखक एक लीव-वन-कैटलॉग-आउट मेजरमेंट पाइपलाइन लागू करते हैं। वे डेटा के उपसमुच्चयों (subsets) पर मॉडलों को फाइन-ट्यून करते हैं, विशिष्ट कैटलॉग को अलग करते हैं, और जनरेटेड आउटपुट पर लॉस डेल्टा को मापने के लिए विशिष्ट कैटलॉग को होल्ड आउट करते हैं ताकि एक ग्राउंड ट्रुथ ( $a^*_j$ ) स्थापित किया जा सके। वे इसकी तुलना स्केलेबल एट्रिब्यूशन विधियों (ऑडियो के लिए EKFAC, D-TRAK; सिम्बोलिक संगीत के लिए LoGra, TRAK) से करते हैं ताकि वास्तविक $I_j$ और कैलिब्रेशन स्केल ( $K_j$ ) को मापा जा सके।

मुख्य परिणाम

एट्रिब्यूशन नॉइज़ वर्तमान प्रथाओं पर हावी है: 22 ऑडियो कैटलॉग (Stable Audio Open) और 100 सिम्बोलिक कैटलॉग (Anticipatory Music Transformer) पर अनुभवजन्य माप प्रकट करते हैं कि वर्तमान एट्रिब्यूशन विधियां रॉयल्टी-आधारित भुगतान का समर्थन करने के लिए बहुत अधिक शोर वाली हैं। कैलिब्रेटेड SNR रॉयल्टी को फिक्स्ड-फी से बेहतर बनाने के लिए आवश्यक थ्रेसहोल्ड से लगभग एक क्रम (order of magnitude) नीचे है। फलस्वरूप, वर्तमान तकनीक के तहत लगभग सभी रचनाकारों के लिए कल्याण-इष्टतम अनुबंध एक फिक्स्ड-फी लाइसेंस है।
रैंक बनाम कार्डिनल कैलिब्रेशन: ऐसी एट्रिब्यूशन विधियां जो रचनाकारों की रैंकिंग (Spearman correlation) पर सहमत होती हैं, वे कार्डिनल स्केल (कैलिब्रेशन स्लोप) पर आदेशों (orders) के अंतर से असहमत हो सकती हैं। चूंकि कल्याण हानि कार्डिनल कैलिब्रेशन पर निर्भर करती है, इसलिए रैंक-आधारित मूल्यांकन भुगतान डिजाइन के लिए अपर्याप्त है।
एट्रिब्यूशन मोट (The Attribution Moat): एक मल्टी-प्लेटफॉर्म प्रतिस्पर्धा सेटिंग में, बेहतर एट्रिब्यूशन परिशुद्धता (precision) वाला प्लेटफॉर्म निरंतर लाभ रखता है। पिछड़ने वाले प्लेटफॉर्म एट्रिब्यूशन निवेश पर शून्य निजी रिटर्न कमाते हैं जब तक कि वे लीडर की परिशुद्धता को पार न कर लें, जो एक "डेड ज़ोन" बनाता है जो प्रतिस्पर्धियों द्वारा एट्रिब्यूशन गुणवत्ता में व्यवस्थित कम निवेश का कारण बनता है।
एकसमान अनुबंध विशिष्ट रचनाकारों को नुकसान पहुंचाते हैं: यह पेपर प्रदर्शित करता है कि एकसमान मुआवजा नीतियां (जैसे, सभी के लिए फ्लैट दर) उच्च-मूल्य वाले, विशिष्ट रचनाकारों (जिनके पास उच्च बाहरी विकल्प और गैर-एडिटिव मूल्य होते हैं) को प्लेटफॉर्म छोड़ने के लिए असमान रूप से प्रेरित करती हैं। इस निकास के परिणामस्वरूप सुपरलीनियर (superlinear) कल्याण हानि होती है क्योंकि विशिष्ट शैलियों को अन्य रचनाकारों के काम को मिलाने से आसानी से प्रतिस्थापित नहीं किया जा सकता है।
हेरफेर की भेद्यता (Manipulation Vulnerability): रचनाकार अपने जोखिम प्रीमियम को कम करने के लिए (बिना माध्य बदले) स्कोर के प्रसार (variance) को "स्मूथिंग" करके रिपोर्ट किए गए एट्रिब्यूशन स्कोर में हेरफेर कर सकते हैं। रैखिक अनुबंधों के तहत इस हेरफेर को रोकना असंभव है, जिसके लिए केवल अनुबंध डिजाइन के बजाय संस्थागत निरीक्षण (तीसरे पक्ष के ऑडिटर्स) की आवश्यकता होती है।

महत्व और दावे
पेपर का दावा है कि यह जनरेटिव संगीत बाजारों के लिए विशेष रूप से डेटा एट्रिब्यूशन और अनुबंध डिजाइन को जोड़ने वाला पहला प्रिंसिपल-एजेंट फ्रेमवर्क प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

मेट्रिक में बदलाव: एट्रिब्यूशन विधियों के मूल्यांकन को रैंक सहसंबंध से कार्डिनल कैलिब्रेशन की ओर ले जाना, जो रॉयल्टी-आधारित अनुबंधों को निर्धारित करने के लिए आवश्यक है।
आर्थिक प्रेरणा: यह प्रदान करना कि एट्रिब्यूशन परिशुद्धता में सुधार क्यों महत्वपूर्ण है, इसके लिए एक ठोस आर्थिक तर्क ( $L_j$ के रूप में कल्याण हानि) देना। फ्रेमवर्क दिखाता है कि बेहतर एट्रिब्यूशन सीधे कल्याण लाभ में परिवर्तित होता है, लेकिन केवल तभी जब सिग्नल इतना सटीक हो कि वह फिक्स्ड-फी से रॉयल्टी की ओर जाने के लिए उचित हो।
नीति और शासन: यह स्थापित करना कि एट्रिब्यूशन गुणवत्ता एक मापने योग्य आर्थिक प्रिमिटिव है। लेखक तर्क देते हैं कि पारदर्शिता और तीसरे पक्ष के निरीक्षण के बिना, बाजार एट्रिब्यूशन तकनीक में कम निवेश और विशिष्ट रचनात्मक शैलियों के नुकसान से ग्रस्त होगा।
व्यावहारिक बेंचमार्किंग: विभिन्न मोडैलिटीज (ऑडियो डिफ्यूजन और सिम्बोलिक लैंग्वेज मॉडल्स) में एट्रिब्यूशन सूचनात्मकता का पहला अनुभवजन्य बेंचमार्क प्रदान करना, जो पुष्टि करता है कि परिशुद्धता की कमी वर्तमान ML की एक व्यापक विशेषता है, न कि केवल एक विशिष्ट आर्किटेक्चर की।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह फ्रेमवर्क सिद्धांत में रॉयल्टी-आधारित मुआवजे का समर्थन करता है, वर्तमान एट्रिब्यूशन तकनीक व्यवहार में इसे समर्थन देने के लिए अपर्याप्त है। इसलिए, तत्काल उद्योग निहितार्थ रॉयल्टी-आधारित मॉडलों को अनलॉक करने के लिए भविष्य में रॉयल्टी-आधारित मॉडल की ओर बढ़ने के लिए एट्रिब्यूशन परिशुद्धता में तत्काल निवेश के साथ फिक्स्ड-फी लाइसेंसिंग की ओर बढ़ना है।