البيانات المصطنعة أصبحت من أهم الأدوات العملية أمام المؤسسات السعودية التي تريد تطوير نماذج ذكاء اصطناعي من دون نسخ السجلات الحساسة أو تعريض بيانات الأفراد لاستخدام غير ضروري. وفي 31 أكتوبر 2026، سلّطت دراسة للهيئة السعودية للبيانات والذكاء الاصطناعي «سدايا» الضوء على فرص هذه التقنية وتحدياتها وآليات حوكمتها، ولا سيما في قطاعات مثل الرعاية الصحية والخدمات المالية التي تحتاج إلى بيانات غنية، لكنها لا تستطيع التعامل معها كمواد تدريب مفتوحة.
الفكرة ليست إنشاء بيانات عشوائية أو مزيفة بالمعنى الشائع. المطلوب هو إنتاج مجموعة جديدة تحاكي الأنماط الإحصائية والعلاقات المهمة في البيانات الأصلية، من دون أن تكون نسخة من شخص حقيقي أو معاملة بعينها. هذا الدليل يشرح التقنية بلغة واضحة، ويفرق بينها وبين إخفاء الهوية، ويعرض طرق التوليد والاختبار والحوكمة، ثم يقدم خطة تنفيذ تصلح للفرق التقنية والقانونية والأمنية.
ما هي البيانات المصطنعة؟
البيانات المصطنعة هي سجلات تُنشأ حسابيًا لتشبه بيانات واقعية في خصائص محددة. قد تكون صفوفًا في قاعدة بيانات، أو صورًا طبية، أو معاملات مالية، أو قراءات حساسات، أو محادثات خدمة عملاء. يبني النظام مولدًا يتعلم التوزيعات والعلاقات من عينة أصلية خاضعة للضوابط، ثم ينتج سجلات جديدة لا تمثل الأحداث أو الأشخاص أنفسهم.
إذا احتوت البيانات الأصلية على العمر والمنطقة ونوع الخدمة ووقت الطلب، فإن المولد الجيد يحافظ على علاقات مفيدة، مثل اختلاف أنماط الاستخدام بين الفئات أو الساعات، من دون إعادة سجل مواطن بعينه. لذلك لا تقاس الجودة بمدى التشابه البصري فقط، بل بقدرة البيانات الجديدة على خدمة الغرض المقصود مع إبقاء مخاطر الخصوصية ضمن حدود مقبولة.
لا توجد مجموعة مصطنعة صالحة لكل الأغراض. بيانات ممتازة لاختبار أداء تطبيق قد تكون غير مناسبة لتدريب نموذج يتنبأ بالتعثر المالي. يجب تحديد الاستخدام، والمتغيرات المهمة، والقرارات التي ستُبنى على النتائج قبل اختيار طريقة التوليد.
لماذا تتصدر البيانات المصطنعة نقاش الذكاء الاصطناعي في السعودية؟
تريد المؤسسات الانتقال من التجارب الصغيرة إلى تطبيقات ذكاء اصطناعي تعمل على نطاق واسع، لكن جودة النموذج تعتمد على بيانات تمثل الحالات الحقيقية. في المقابل، تتعامل المستشفيات والبنوك والجهات الحكومية وشركات الاتصالات مع بيانات شخصية أو مالية أو تشغيلية لا يجوز تداولها بلا أساس وضوابط. تنشأ هنا فجوة بين حاجة الابتكار وواجب الحماية.
تساعد البيانات المصطنعة على تضييق هذه الفجوة. يمكن استخدامها لتوفير بيئات تطوير واختبار، ومشاركة عينات مع فريق بحثي، وزيادة أمثلة الحالات النادرة، وتجربة نظام قبل ربطه بالبيانات الحية. كما تخفض بعض تكاليف الجمع والتنظيف، لأن الفريق يستطيع إنتاج أحجام وحالات محددة بعد بناء المولد واعتماده.
لكنها ليست إعفاءً من نظام حماية البيانات الشخصية أو سياسات الأمن. إذا تعلم المولد من مصدر حساس أو أمكن استنتاج معلومات عن أشخاص منه، تظل المخاطر قائمة. القيمة الحقيقية تظهر عندما توضع التقنية داخل برنامج حوكمة بيانات، لا عندما تستخدم كملصق يبرر مشاركة أي ملف.
الفرق بين البيانات المصطنعة وإخفاء الهوية
إخفاء الهوية يبدأ عادة بسجلات حقيقية ثم يزيل الأسماء أو يبدل المعرفات أو يعمم بعض القيم. قد يتحول تاريخ الميلاد إلى فئة عمرية، أو يستبدل رقم العميل بمعرف عشوائي. المشكلة أن مجموعة السمات المتبقية قد تسمح بإعادة التعرف، خصوصًا إذا دُمجت مع مصدر خارجي.
أما التوليد الاصطناعي فينشئ سجلات جديدة. لا يفترض أن يقابل كل صف شخصًا موجودًا. ومع ذلك، قد يحفظ النموذج عن طريق الخطأ أمثلة نادرة أو يعيد إنتاج قيمة شديدة الخصوصية، لذلك لا يكفي القول إن البيانات «مولدة». يجب إجراء اختبارات تسرب وعضوية وتشابه، وتحديد ما إذا كان المهاجم يستطيع معرفة أن سجلًا معينًا كان ضمن بيانات التدريب.
هناك أيضًا بيانات مقنعة أو مستبدلة، حيث تُغيّر الحقول الحساسة بقيم واقعية الشكل مع بقاء أجزاء من السجل الأصلي. هذه مفيدة في الاختبار، لكنها ليست مساوية للبيانات المصطنعة بالكامل. التسمية الدقيقة مهمة لأن مستوى المخاطر والمسؤوليات يختلف باختلاف الطريقة.
أهم أنواع البيانات المصطنعة
البيانات الجدولية
تشمل جداول العملاء والمعاملات والمطالبات والمخزون. التحدي هو الحفاظ على العلاقات بين الأعمدة والقيود المنطقية؛ فلا يظهر طفل بصفة وظيفية غير ممكنة، ولا تحدث معاملة قبل فتح الحساب. تستخدم الفرق نماذج احتمالية، أو شبكات توليدية، أو نماذج انتشار، أو حلولًا هجينة تجمع القواعد بالتعلم الآلي.
النصوص والمحادثات
يمكن إنشاء رسائل دعم أو استفسارات عربية ولهجية لتدريب مصنفات النوايا واختبار المساعدات. لكن النص قد يحمل أسماء وأرقامًا أو عبارات نادرة حفظها النموذج. يلزم فحص الكيانات الحساسة، وقياس التنوع اللغوي، ومنع المولد من إنتاج محتوى ضار أو متحيز.
الصور والإشارات
في الطب والصناعة، يمكن توليد صور أشعة أو عيوب تصنيع أو إشارات حساسات. هذه التطبيقات تحتاج خبراء مجال، لأن صورة مقنعة للعين قد تتضمن نمطًا غير صحيح علميًا. لا يجوز استخدامها لتأكيد أداء سريري أو قرار سلامة من دون تحقق مستقل ومقارنة ببيانات واقعية.
السيناريوهات والمحاكاة
تولد المحاكاة أحداثًا لم تقع بعد، مثل ازدحام مروري أو هجوم سيبراني أو عطل شبكة. هنا لا يكون الهدف تقليد سجل موجود، بل تغطية فضاء احتمالات واختبار قدرة النظام على التعامل مع الظروف النادرة. نجاحها يعتمد على صحة النموذج الفيزيائي أو التشغيلي والافتراضات.
كيف تُولّد البيانات المصطنعة عمليًا؟
تبدأ العملية بتعريف الغرض، ثم جرد البيانات الأصلية وتصنيف حساسيتها. ينظف الفريق الأخطاء التي لا يريد أن يتعلمها المولد، ويحدد القيود المنطقية والتوزيعات المهمة. بعد ذلك يقسم البيانات إلى جزء لبناء المولد وآخر للتقييم، حتى لا يختبر الأداة على الأمثلة نفسها التي تعلمت منها.
تصلح الأساليب القائمة على القواعد عندما يكون المجال محدودًا، مثل أرقام طلبات وعناوين اختبار وحالات عمل معروفة. وهي واضحة وسهلة التدقيق، لكنها قد تنتج تنوعًا ضعيفًا. النماذج الإحصائية أفضل في الحفاظ على التوزيعات البسيطة، بينما تستطيع النماذج العميقة تمثيل علاقات معقدة، لكنها أصعب في التفسير وأكثر عرضة للحفظ والتسرب إن لم تضبط.
يمكن إضافة الخصوصية التفاضلية أثناء التدريب أو التوليد. تضيف هذه التقنية ضوضاء محسوبة تحد من أثر أي سجل منفرد، وتقدم ميزانية خصوصية قابلة للقياس. المقابل هو احتمال انخفاض الدقة، لذلك يجب اختيار المعلمات حسب حساسية الاستخدام لا حسب رقم تسويقي موحد.
ثلاثة اختبارات لا بد منها قبل الاستخدام
اختبار المنفعة
يسأل: هل تنجز البيانات المهمة المطلوبة؟ قارن التوزيعات، والارتباطات، والحالات الحدية، ثم درّب نموذجًا على البيانات المصطنعة واختبره على مجموعة واقعية مستقلة. إذا كان ترتيب النماذج والنتائج قريبًا ضمن حدود معروفة، فهذا دليل منفعة أقوى من مجرد رسمين متشابهين.
اختبار الخصوصية
ابحث عن أقرب الجيران والتطابقات النادرة، وجرّب هجوم استنتاج العضوية وإعادة البناء. افحص ما إذا كانت السجلات الصغيرة أو الفئات النادرة أكثر تعرضًا. يجب أن يشارك فريق أمني أو جهة مستقلة في الاختبار عند ارتفاع الحساسية، لأن منشئ المولد قد لا يرى نقاط ضعفه.
اختبار العدالة والتمثيل
قد يكرر المولد انحياز البيانات الأصلية أو يضاعفه. قارن جودة التمثيل والأخطاء بين المناطق والأعمار والجنس والفئات ذات الصلة بالمجال. لا تعالج نقص مجموعة صغيرة بتوليد آلاف النسخ المتشابهة؛ فالكم لا يعوض غياب التنوع الحقيقي.
استخدامات عملية في الرعاية الصحية
تستطيع المنشأة إنشاء بيانات لاختبار نظام المواعيد أو الفوترة من دون نقل سجلات مرضى إلى بيئة التطوير. ويمكن للباحثين بناء نماذج أولية على عينات مصطنعة قبل طلب وصول أشد تقييدًا. كما تساعد التقنية على زيادة أمثلة لحالة نادرة، بشرط ألا تستبدل الدليل السريري الحقيقي.
يجب أن يحتفظ الفريق بالفصل بين الاستخدام التقني والقرار الطبي. البيانات المصطنعة جيدة لاختبار الأنابيب والواجهات والتغطية، لكنها لا تثبت وحدها سلامة نموذج تشخيص. يلزم تحقق على بيانات واقعية ممثلة، ومراجعة اختصاصيين، وتوثيق مصدر البيانات ومعايير الاستبعاد.
في الصور الطبية، ينبغي فحص التشريح والآثار الجانبية للأجهزة وجودة الوسوم، لا المظهر العام فقط. وقد يؤدي المولد إلى اختراع علامة تبدو منطقية لكنها غير موجودة، أو محو تفاصيل نادرة مهمة. لذلك يجب قياس الأداء لكل فئة وموقع تصوير وجهاز.
استخدامات في الخدمات المالية
يمكن استخدام البيانات المصطنعة لاختبار كشف الاحتيال، وتدريب فرق التحليل، ومحاكاة ضغط المعاملات، وبناء بيئة تجريبية لشركة تقنية مالية. كما تسمح بإنشاء سيناريوهات احتيال نادرة يصعب انتظارها في الواقع، ثم قياس سرعة النظام ودقة تنبيهاته.
الخطر هو أن تصبح المعاملات المصطنعة مرتبة أكثر من الواقع. الأنظمة المالية تحتوي سلوكًا موسميًا وتأخيرات وأخطاء إدخال وتفاعلات بين قنوات متعددة. إذا حذف المولد هذه الفوضى، سيبدو النموذج ممتازًا في المختبر ويفشل عند التشغيل. يجب مزج التحقق الاصطناعي باختبار واقعي مراقب.
لا ينبغي استخدام البيانات المصطنعة لإخفاء ضعف الأساس القانوني أو تجاوز مبدأ تقليل البيانات. إذا كان الفريق لا يحتاج حقلًا حساسًا لتحقيق الغرض، فالأفضل ألا يصل إليه المولد أصلًا. التوليد ليس سببًا لجمع مزيد من البيانات.
استخدامات في المدن الذكية والصناعة
تستفيد المدن من محاكاة حركة المرور واستهلاك الطاقة وتدفق الزوار واختلالات الخدمات. ويمكن للمصانع توليد قراءات لأعطال نادرة لتدريب الصيانة التنبؤية. يسمح ذلك باختبار قرارات قبل تطبيقها على شارع أو منشأة حقيقية.
لكن المحاكاة تعكس افتراضات مصممها. إذا لم تشمل اختلاف الطقس والمواسم والسلوك البشري وتعطل الحساسات، فقد تعطي ثقة زائفة. يجب نشر قائمة الافتراضات، ومقارنة النتائج بفترات واقعية، وتحديث المولد عند تغير البنية أو نمط الاستخدام.
في البنية الحرجة، تعامل مع بيانات الشبكات الاصطناعية كأصل أمني؛ فقد تكشف البنية المنطقية أو قواعد التشغيل حتى لو لم تتضمن قراءات فعلية. طبّق التحكم في الوصول والتسجيل وفترة احتفاظ مناسبة.
حوكمة البيانات المصطنعة داخل المؤسسة
يجب أن يكون لكل مجموعة مالك وغرض وتصنيف ومصدر وإصدار. يوثق السجل طريقة التوليد والمعلمات والبيانات الداخلة والاختبارات والقيود والمستخدمين المصرح لهم. عندما يتغير المصدر أو المولد، تُصدر نسخة جديدة ويعاد التقييم بدل استبدال الملف بصمت.
من المفيد إنشاء بطاقة بيانات تتضمن: وصف الحقول، والاستخدامات المسموحة والممنوعة، ومقاييس المنفعة، ونتائج اختبارات الخصوصية، والفئات المعروفة بضعف التمثيل، وتاريخ الانتهاء. هذه البطاقة ترافق المجموعة إلى كل فريق يتسلمها.
حدد نقطة توقف واضحة. إذا فشلت المجموعة في اختبار الخصوصية أو أعطت أداء متفاوتًا لفئة حساسة، لا تُنشر بحجة أنها تجريبية. صحح المصدر أو الطريقة، ثم أعد التقييم. كما يجب وجود إجراء لحذف الإصدارات القديمة وإلغاء الوصول.
مصفوفة قرار قبل اعتماد المشروع
- الغرض: هل هو اختبار نظام، تدريب نموذج، بحث، مشاركة خارجية أم محاكاة؟
- الحساسية: ما أسوأ ضرر إذا أعاد المولد معلومة أو كشف نمطًا؟
- البدائل: هل تكفي بيانات قاعدة أو عينة أقل أو بيئة محكومة؟
- المنفعة: ما المقياس الذي يثبت أن المجموعة تصلح للقرار المقصود؟
- الخصوصية: ما الهجمات التي ستختبر ومن سينفذها؟
- العدالة: ما الفئات التي يجب قياسها بصورة منفصلة؟
- التشغيل: من يعتمد الإصدار، ويراقبه، ويوقف استخدامه؟
إذا كانت الإجابات عامة مثل «سنحسن الخصوصية» أو «ستبدو البيانات واقعية»، فالمشروع غير جاهز. المعيار الجيد قابل للقياس ويرتبط بقرار. يمكن للفرق الاستفادة من مبادئ عزل بيانات الذكاء الاصطناعي الحساسة لفهم أهمية تقليل مسارات الوصول، ومن دليل الدفاع السيبراني بالذكاء الاصطناعي لبناء مراقبة مستمرة بدل فحص لمرة واحدة.
خطة تنفيذ من ثماني خطوات
- اختر حالة محدودة: ابدأ باختبار تطبيق داخلي، لا قرار عالي الخطورة.
- شكّل فريقًا متعدد التخصصات: بيانات، أمن، خصوصية، قانون، وممثل مجال.
- صنف المصدر: حدد الحقول الحساسة والأساس والغرض وفترة الاحتفاظ.
- ابنِ خط أساس: قس الأداء والتمثيل قبل التوليد لتعرف ما تريد الحفاظ عليه.
- جرّب أكثر من طريقة: قارن القواعد والنماذج الإحصائية والعميقة وفق المخاطر.
- اختبر بثلاثة محاور: منفعة، خصوصية، وعدالة مع مجموعة مستقلة.
- اعتمد وقيّد: وثق الاستخدامات المسموحة واربط الوصول بالدور والحاجة.
- راقب وأعد التقييم: راجع المجموعة عند تغير المصدر أو المهمة أو التهديد.
يمكن تنفيذ تجربة خلال أسابيع، لكن اعتمادها المؤسسي يحتاج دورة حياة. لا تُقاس السرعة بموعد إنتاج الملف الأول، بل بقدرة المؤسسة على إعادة الاختبار وإثبات القرارات وحذف المجموعة عندما تنتهي الحاجة.
أخطاء شائعة يجب تجنبها
أول خطأ هو مساواة الاصطناعي بالمجهول. قد يحفظ النموذج سجلًا أو يسمح باستنتاج العضوية. الثاني هو تقييم الشكل لا المهمة؛ مخطط جميل لا يثبت أن نموذجًا مدربًا على المجموعة سيعمل. الثالث هو تجاهل الحالات النادرة، وهي غالبًا الأكثر حساسية والأعلى قيمة.
من الأخطاء أيضًا توليد البيانات بعد تقسيم غير صحيح، فيتسرب أثر مجموعة الاختبار إلى التدريب. وقد ينشر الفريق عينة صغيرة للعامة ثم يكتشف أنها تكشف منطقًا تشغيليًا. وأخيرًا، لا ينبغي الاعتماد الكامل على تقييم المورد؛ اطلب تفاصيل المنهج ونفذ اختبارًا مستقلًا.
أسئلة شائعة عن البيانات المصطنعة
هل البيانات المصطنعة مجهولة الهوية تلقائيًا؟
لا. قد يحفظ المولد أمثلة أو يكشف معلومات عن بيانات التدريب. يلزم اختبار خصوصية وتقييم سياق الاستخدام قبل المشاركة.
هل يمكن تدريب نموذج كامل عليها؟
يمكن في بعض الحالات، لكن الأداء يجب أن يُختبر على بيانات واقعية مستقلة وممثلة. غالبًا تكون أفضل كجزء من مزيج يشمل بيانات حقيقية محكومة.
ما أهم مقياس للجودة؟
لا يوجد مقياس واحد. يجب الجمع بين منفعة المهمة، ومخاطر الخصوصية، وتمثيل الفئات، والقيود المنطقية.
هل تقلل التكلفة دائمًا؟
قد تقلل جمع البيانات وتجهيز بيئات الاختبار، لكنها تضيف تكلفة بناء المولد والتحقق والحوكمة. تُحسب الجدوى على دورة الحياة كاملة.
هل تصلح للقطاعات الحساسة؟
نعم عند استخدام ضوابط أقوى واختبارات مستقلة، لكنها لا تستبدل التحقق الواقعي أو المسؤولية النظامية والمهنية.
الخلاصة
تمنح البيانات المصطنعة المؤسسات السعودية طريقًا عمليًا لتسريع تطوير الذكاء الاصطناعي مع تقليل تداول السجلات الحقيقية، لكنها ليست حلًا سحريًا للخصوصية. النجاح يبدأ بغرض محدد، ويستمر بتوليد مناسب، ثم يثبت باختبارات المنفعة والخصوصية والعدالة، وينتهي بحوكمة إصدار ووصول ومراقبة.
أفضل مشروع ليس الذي ينتج أكبر ملف، بل الذي يوضح ما الذي تحافظ عليه البيانات وما الذي تخفيه وما الذي لا تستطيع تمثيله. بهذه الشفافية تتحول التقنية من تجربة مختبرية إلى أصل موثوق يدعم الابتكار من دون التضحية بحقوق الأفراد أو سلامة القرارات.
