هل يمكن للمؤسسات حماية البيانات دون جعل الذكاء الاصطناعي أقل موثوقية؟

تواجه المؤسسات التي تزيد استثماراتها في الذكاء الاصطناعي عنق زجاجة غير متوقع: الحصول على بيانات محمية وقابلة للاستخدام في الوقت نفسه. وفي مقال مدعوم نُشر على The New Stack، يشرح Mayank Ahluwalia، مدير منتج أول في Perforce Delphix، كيف تعقّد مبادرات الخصوصية الوصول إلى مجموعات البيانات التي تعتمد عليها فرق الذكاء الاصطناعي والهندسة.

الأرقام وراء عنق الزجاجة

يستند المقال إلى تقرير "2026 State of AI and Data Privacy Report" الصادر عن Perforce Delphix. ومن بين المؤسسات التي شملها الاستطلاع، يقول 26% إن ضوابط الخصوصية تجعل الحصول على بيانات بجودة الإنتاج أصعب، ويجد 25% صعوبة في الحفاظ على العلاقات بين كيانات البيانات. ويشير أكثر من النصف، 51%، إلى مشكلات في جودة البيانات، ويعترف 84% بوجود استثناء للخصوصية في بيئاتهم غير الإنتاجية. ويشير ذلك إلى أن الشركات لا تزال تختار بين الامتثال والابتكار بدلًا من التوفيق بينهما.

يكتب Ahluwalia: "حماية البيانات لا تكفي إذا لم تعد قادرة على دعم الأنظمة التي تعتمد عليها." ويقول إن البيانات منخفضة الجودة تؤدي إلى تحليلات غير دقيقة، ونماذج سيئة التدريب، وتغطية اختبار ناقصة، وإعادة عمل أكبر، وتأخير في الإصدارات.

لماذا تكتسب سلامة العلاقات أهمية أكبر

إخفاء الحقول الحساسة ليس إلا جزءًا من المشكلة. فإذا انقطعت العلاقات بين السجلات أثناء الحماية، تتوقف البيانات عن محاكاة الواقع: قد يبقى سجل العميل أو الطلب أو الدفع موجودًا، لكن التحقق من الفوترة الذي يمتد عبر عدة جداول لم يعد ينتج نتائج صحيحة. تعتمد خطوط التحليلات على معرفات متسقة، وتحتاج نماذج تعلم الآلة إلى سياق أعمال كامل، ويحتاج اختبار البرمجيات إلى علاقات واقعية بين السجلات.

يصعب اكتشاف هذه الأعطال لأن الخطوط تستمر في العمل وتنتج نتائج متدهورة بصمت. ولهذا صنّف ربع المؤسسات التي شملها الاستطلاع الحفاظ على العلاقات بين كيانات البيانات كتحدٍّ كبير.

من مؤشرات الامتثال إلى استراتيجية البيانات

يوصي الكاتب بقياس مبادرات الخصوصية ليس بمؤشرات الامتثال وحدها، بل بجودة البيانات وواقعيتها وسلامة العلاقات وإمكانية الوصول وسرعة التجهيز. ويدعو إلى تضمين الحوكمة افتراضيًا عبر رسم دورة حياة البيانات كاملة، من الطلب والاكتشاف إلى إعادة الاستخدام والإيقاف، وإلى نهج مركّب: افتراضية البيانات من أجل السرعة، والإخفاء من أجل الأمان، والبيانات الاصطناعية لتغطية السيناريوهات.

ويختم Ahluwalia: "في عصر الذكاء الاصطناعي، قد تكون البيانات الموثوقة، لا المخرجات السريعة للنموذج، هي الميزة التنافسية الحاسمة."