AI тренувальні дані минулого року були предметом найбільш гарячих обговорень не через відсутність матеріалів, а через те, що навіть використані, їх походження було важко довести — як тільки модель запускалась, її звинувачували у "порушенні авторських прав на дані". Останнім часом екосистема Walrus представила модуль Seal, який є новим підходом: при завантаженні файлу спочатку розбиває його за допомогою коду з виправленням помилок на сотні фрагментів, а потім за допомогою порогового ключа записує доступні права безпосередньо у об'єкт у ланцюгу Sui. Сервіс для обробки запитів може отримати доступ лише до авторизованих фрагментів у ізольованому середовищі, а сам оригінальний файл залишається недоторканим. Таким чином, джерело тренування моделі юридично підтверджене, спільнота може його перевірити, і звинуватити у порушенні буде важко.

На відміну від інших рішень — наприклад, провідний сховище, яке може лише надати хеш вмісту, або платформи, що використовують відкритий постійний сховищний сервіс для "одноразової купівлі" — Seal поєднує захист приватності, контрольоване видалення та незмінність у одному рішенні.

Недоліки також очевидні: витрати на ротацію ключів досить високі. Якщо потрібно одноразово змінити ключ для 200GB даних, спочатку потрібно розблокувати старий ключ, потім надати дозвіл на новий фрагмент, а процес є складнішим за звичайний, особливо коли потрібно швидко виконати дедлайн проекту, що може спричинити головний біль для команди розробників. Однак у спільноті вже поширені готові шаблони скриптів, і в майбутньому інтеграція їх у процеси CI/CD має значно покращити ситуацію.