Data Provenance

منشأ البيانات هو السجل الموثّق لتاريخ عنصر بيانات ما: مصدره، ومن أنشأه أو جمعه، والترخيص أو الموافقة التي خضع لها، وكل تحويل طُبّق عليه قبل وصوله إلى نموذج. وفي التعلّم الآلي، يشمل المنشأ الصور أو النصوص الخام، ووسم البيانات المطبق عليها، وخطوات التنظيف والمعالجة المسبقة للبيانات، وتقسيمات مجموعات البيانات وإصداراتها، وعمليات التدريب التي استخدمتها، بحيث يمكن تتبّع أي نموذج منشور إلى بيانات التدريب المحددة التي استند إليها. ويُستخدم مصطلح نسب البيانات غالبًا مرادفًا له. وعند التمييز بينهما، يصف نسب البيانات تدفق البيانات وتحولها عبر خطوط المعالجة والأنظمة، بينما يضيف المنشأ معلومات المصدر والملكية وحقوق الاستخدام.

نموذج W3C PROV#

نشرت W3C PROV، وهي مجموعة من المعايير لتمثيل منشأ البيانات، في عام 2013. ويصف النموذج أي سجل بثلاثة أنواع: الكيانات، مثل الملفات ومجموعات البيانات؛ والأنشطة، مثل التعليق التوضيحي أو التدريب، التي تستخدم الكيانات وتنتجها؛ والوكلاء، مثل الأشخاص أو المؤسسات أو البرمجيات، المسؤولة عن الأنشطة. وعند تطبيقه على مجموعة بيانات للرؤية، يشكّل السجل رسمًا بيانيًا:

أهمية منشأ البيانات#

يخدم توثيق المنشأ أولًا أغراض تصحيح الأخطاء وقابلية إعادة الإنتاج. فعندما تنخفض الدقة أو يظهر انجراف البيانات في الإنتاج، يتيح للمهندس معرفة دفعة الوسم أو كاميرا المصدر أو خطوة التنظيف التي أدخلت المشكلة، وإعادة التدريب باستخدام البيانات نفسها تمامًا. كما تكشف السجلات نفسها تحيز مجموعة البيانات، مثل مجموعة بيانات للمشاة جُمعت في وضح النهار فقط أو في بلد واحد، وتساعد على احتواء تسميم البيانات: فعندما يُعرف مصدر كل عينة، يمكن حذف كل العينات الواردة من مصدر مخترق.

الحقوق هي الشاغل الثاني. راجعت مبادرة منشأ البيانات أكثر من 1,800 مجموعة بيانات نصية في عام 2023، ووجدت أن التراخيص غير مدرجة لأكثر من 70% منها على مواقع الاستضافة الشائعة، وأن تصنيفها خاطئ لأكثر من 50%. وفي تحليل الصور الطبية، تسجّل معلومات المنشأ المستشفى الذي قدم كل صورة، والموافقة أو الأساس القانوني لاستخدامها، وما إذا كانت المعرّفات قد أزيلت، وهي حقائق تفرض قوانين خصوصية البيانات على المؤسسات إثباتها. ومع انتشار الصور والنصوص المولّدة على الإنترنت، يساعد تتبّع العينات التي تُعد بيانات اصطناعية أيضًا على تجنّب انهيار النموذج، وتحمل بيانات اعتماد المحتوى معلومات المنشأ داخل ملفات الوسائط نفسها.

أصبح توثيق المنشأ مطلوبًا بموجب اللوائح. إذ يفرض قانون الذكاء الاصطناعي للاتحاد الأوروبي على مزوّدي الأنظمة عالية المخاطر توثيق عمليات جمع البيانات ومصادرها، وعلى مزوّدي نماذج الذكاء الاصطناعي ذات الأغراض العامة نشر ملخص لمحتوى التدريب باستخدام قالب أصدرته المفوضية الأوروبية في يوليو 2025.

تسجيل منشأ البيانات عمليًا#

يُجمع توثيق المنشأ على ثلاثة مستويات. تجيب وثائق مجموعة البيانات، مثل Datasheets for Datasets، التي اقترحها Timnit Gebru وزملاؤها في عام 2018، عن أسئلة تتعلق بدوافع مجموعة البيانات وتكوينها وعملية جمعها ومعالجتها المسبقة والاستخدامات المقصودة منها، وتُقرن بـبطاقات النماذج الخاصة بالنماذج المدرّبة عليها. وتأخذ أدوات إدارة الإصدارات لقطات لمجموعات البيانات وتحدد الملفات ببصمة تجزئة المحتوى، حتى يتمكن النموذج من الإشارة إلى إصدار ثابت من مجموعة البيانات. وتصدر أدوات خطوط المعالجة أحداث نسب البيانات أثناء تشغيل المهام، وفق مواصفات مفتوحة مثل OpenLineage.

المستوى الثالث هو البيانات الوصفية المخزنة داخل العناصر نفسها. يكتب كل تشغيل تدريب لـUltralytics YOLO إعداده كاملًا، بما في ذلك مسار YAML لمجموعة البيانات وإعدادات زيادة البيانات، في args.yaml ضمن دليل التشغيل، وتحمل نقطة التحقق المحفوظة وسيطات التدريب نفسها إلى جانب إصدار Ultralytics وتاريخ الحفظ:

from ultralytics import YOLO

# ⁨تحميل نقطة تحقق؛ تخزّن ملفات أوزان Ultralytics سجلًا لعملية التشغيل التي أنشأتها⁩
model = YOLO("yolo26n.pt")
ckpt = model.ckpt

# ⁨مجموعة البيانات والإعدادات المستخدمة في التدريب، إضافةً إلى إصدار الحزمة وتاريخ الحفظ⁩
print(ckpt["train_args"]["data"], ckpt["train_args"]["epochs"], ckpt["train_args"]["imgsz"])
print(ckpt["version"], ckpt["date"])

يربط هذا السجل أوزان النموذج بمرجع البيانات والإعدادات التي أنتجتها، وهي الأدلة التي تعتمد عليها مراجعات الشفافية في الذكاء الاصطناعي وحوكمة الذكاء الاصطناعي. عند انتهاء التدريب، تزيل Ultralytics حالة المحسّن من best.pt لتقليص حجمه، لكنها تحتفظ بهذه الحقول، فيبقى السجل مرفقًا بالملف المنشور.