الذكاء الاصطناعي المدعوم بالحوسبة المتعددة الأطراف الآمنة لإجابات سرية على استبيانات الموردين

المقدمة

تُعد استبيانات الأمان بوابة عقود SaaS بين الشركات. فهي تطلب معلومات مفصلة عن البنية التحتية، ومعالجة البيانات، والاستجابة للحوادث، وضوابط الالتزام. كثيرًا ما يحتاج الموردون إلى الإجابة على عشرات هذه الاستبيانات كل ربع سنة، كل منها يتطلب أدلة قد تحتوي على بيانات داخلية حساسة—مخططات بنية، اعتماديات متميزة، أو أوصاف عمليات مملوكة.

تُسرّع أتمتة الذكاء الاصطناعي التقليدية، مثل محرك Procurize AI, توليد الإجابات بشكل كبير، لكنها عادةً ما تتطلب وصولًا مركزيًا إلى المادة المصدرية الخام. يُدخل هذا التركيز مخاطر رئيسية:

1. تسريب البيانات – إذا تم اختراق نموذج الذكاء الاصطناعي أو التخزين الأساسي، قد يتم كشف معلومات الشركة السرية.
2. عدم الامتثال التنظيمي – تُقيد القوانين مثل GDPR، CCPA، والقوانين الناشئة لسيادة البيانات مكان وطريقة معالجة البيانات الشخصية أو المملوكة.

نقدم الحوسبة المتعددة الأطراف الآمنة (SMPC)—بروتوكول تشفيري يتيح للعديد من الأطراف حساب دالة جماعية على مدخلاتهم مع إبقاء هذه المدخلات خاصة. من خلال دمج SMPC مع الذكاء الاصطناعي التوليدي، يمكننا إنتاج إجابات دقيقة وقابلة للتدقيق على الاستبيانات دون الكشف أبدًا عن البيانات الخام للنموذج أو لأي عقدة معالجة واحدة.

تستكشف هذه المقالة الأسس التقنية، خطوات التنفيذ العملية، وفوائد الأعمال لأنابيب Secure‑SMPC‑AI، المخصصة لمنصة Procurize.

الاستنتاج الرئيسي: الذكاء الاصطناعي المدعَّم بـ SMPC يوفر سرعة الأتمتة و ضمانات الخصوصية بصفر معرفة، معيدًا تشكيل طريقة استجابة شركات SaaS لاستبيانات الأمان.

1. أساسيات الحوسبة المتعددة الأطراف الآمنة

تمكّن الحوسبة المتعددة الأطراف الآمنة مجموعةً من المشاركين، كل منهم يمتلك مدخلًا خاصًا، من حساب دالة مشتركة f بحيث:

• الصحة – يحصل جميع الأطراف على الناتج الصحيح f(x₁, x₂, …, xₙ).
• الخصوصية – لا يتعلم أي طرف شيئًا عن مدخلات الآخرين بخلاف ما يمكن استنتاجه من الناتج.

تنقسم بروتوكولات SMPC إلى عائلتين رئيسيتين:

لحالتنا—استخراج النص، التشابه الدلالي، وتوليف الأدلة—يُعد نهج تقسيم الأسرار الجمعي هو الأنسب لأنه يدعم عمليات المتجهات عالية الأبعاد بفعالية باستخدام أطر عمل MPC الحديثة مثل MP‑SPDZ، CrypTen، أو Scale‑MPC.

2. نظرة عامة على الهندسة المعمارية

فيما يلي مخطط Mermaid عالي المستوى يوضح تدفق الذكاء الاصطناعي المدعَّم بـ SMPC داخل Procurize.

  graph TD
    A["مالك البيانات (الشركة)"] -->|تشفير & مشاركة| B["عقدة SMPC 1 (حوسبة AI)"]
    A -->|تشفير & مشاركة| C["عقدة SMPC 2 (مستودع السياسات)"]
    A -->|تشفير & مشاركة| D["عقدة SMPC 3 (سجل التدقيق)"]
    B -->|عمليات متجه آمنة| E["استدلال LLM (مشفر)"]
    C -->|استرجاع سياسات| E
    D -->|إنشاء إثبات| F["إثبات تدقيق بصفر معرفة"]
    E -->|إجابة مشفرة| G["مجمّع الإجابات"]
    G -->|إجابة مكشوفة| H["واجهة استبيان المورد"]
    F -->|سجل تدقيق| H

شرح المكوّنات

• مالك البيانات (الشركة) – يمتلك المستندات المملوكة (مثل تقارير SOC 2، مخططات البنية). قبل أي معالجة، يقوم المالك بتقسيم الأسرار لكل مستند إلى شظايا مشفرة ثلاثية ويُوزِّعها على عقد SMPC.
• عقد SMPC – تحسب كل عقدة بشكل مستقل على الحصص. العقدة 1 تُشغِّل محرك استدلال LLM (مثل نموذج Llama‑2 المُضبط) داخل التشفير. العقدة 2 تحتفظ برسوم بيانية للسياسات (مثل ضوابط ISO 27001) مشفرة كذلك. العقدة 3 تحافظ على سجل تدقيق لا يمكن تغييره (بلوكشين أو سجل إضافة فقط) يسجل بيانات الطلب دون كشف البيانات الخام.
• استدلال LLM (مشفر) – يتلقى النموذج المتجهات المشفرة المستخرجة من المستندات المفرَّغة، ينتج متجهات إجابة مشفرة، ثم يرسلها إلى المجمّع.
• مجمّع الإجابات – يُعيد تجميع الإجابة النصية فقط بعد انتهاء الحساب بالكامل، ما يضمن عدم وجود تسريب وسيط.
• إثبات تدقيق بصفر معرفة – تُولِّده العقدة 3 لإثبات أن الإجابة استُخرِجت من مصادر السياسات المحددة دون كشف هذه المصادر نفسها.

3. سير العمل المفصل

3.1 الاستيعاب وتقسيم الأسرار

1. تطبيع المستند – تحويل PDFs، ملفات Word، وشفرة المصدر إلى نص عادي وتقطيعه إلى توكنات.
2. إنشاء المتجهات – يستخدم مشفر خفيف (مثل MiniLM) لإنتاج متجهات كثيفة لكل فقرة.
3. تقسيم الجمعي – لكل متجه v، يتم توليد حصص عشوائية v₁, v₂, v₃ بحيث v = v₁ + v₂ + v₃ (mod p).
4. التوزيع – تُرسل الحصص عبر TLS إلى العقد الثلاث.

3.2 استرجاع سياسات آمن

• الرسوم البيانية للسياسات (الضوابط، الروابط إلى المعايير) تُخزن مشفرة عبر العقد.
• عند وصول سؤال استبيان (مثل “صف تشفير البيانات الساكنة”)، يقوم النظام بإجراء تقاطع مجموعات آمن لتحديد الفقرات ذات الصلة دون إفشاء الرسم الكامل.

3.3 استدلال LLM المشفر

• تُغذَّى المتجهات المشفرة مع متجهات السياسات المستخرجة إلى محول يحافظ على الخصوصية يعمل على حصص الأسرار.
• تُستَخدم تقنيات مثل انتباه متوافق مع FHE أو Softmax محسن للـ MPC لحساب تسلسل الإجابة الأكثر احتمالًا داخل المجال المشفر.

3.4 التجميع وإثبات التدقيق

• بعد جاهزية رموز الإجابة المشفرة، يقوم مجمّع الإجابات بإعادة تجميع النص عبر جمع الحصص.
• في الوقت نفسه، تُولِّد العقدة 3 إثبات zk‑SNARK مختصر غير تفاعلي يثبت أن الإجابة:
  • اختارت الفقرة السياسية الصحيحة.
  • لم تُفضِ إلى تسريب محتوى المستند الخام.

3.5 التسليم للمستخدم النهائي

• تظهر الإجابة النهائية في واجهة Procurize مع شعار إثبات تشفير.
• يمكن للمدققين التحقق من الشعار باستخدام مفتاح التحقق العام، مُظهرين الامتثال دون طلب المستندات الأصلية.

4. الضمانات الأمنية

5. اعتبارات الأداء

على الرغم من أن SMPC يضيف عبئًا، فإن التحسينات الحديثة تحافظ على زمن الاستجابة ضمن نطاق مقبول لأتمتة الاستبيانات:

التحسينات الأساسية

• التجميع – معالجة عدة أسئلة استبيان في آن واحد عبر نفس الحصص.
• بروتوكول هجين – يستخدم تقسيم الأسرار للعمليات الخطية الضخمة، ويتحول إلى دوائر مشوشة للعمليات غير الخطية (مثل المقارنات).
• نشر الطرفية – تشغيل إحدى عقد SMPC داخل بيئة الشركة يقلل الاعتماد على السحابة الخارجية.

6. التكامل مع Procurize

توفر Procurize حاليًا:

• مستودع المستندات – تخزين مركزي للوثائق الامتثالية.
• مُنشئ الاستبيانات – واجهة لإنشاء، تعيين، وتتبع الاستبيانات.
• محرك AI – نموذج LLM مُضبط لتوليد الإجابات.

لدمج SMPC‑AI:

1. تفعيل وضع SMPC – يفعُّل المسؤول علمًا في إعدادات المنصة.
2. إعداد عقد SMPC – نشر ثلاثة حاويات Docker (العقد 1‑3) باستخدام صورة procurize/smpc-node الرسمية. تُسجِّل الحاويات تلقائيًا مع طبقة التنسيق في المنصة.
3. تعريف رسم بياني للسياسات – تصدير خرائط السياسات الحالية إلى JSON‑LD؛ تُشفّر المنصة وتوزِّعها.
4. تهيئة إثباتات التدقيق – تقديم مفتاح التحقق العام؛ ستعرض الواجهة تلقائيًا شارات الإثبات.
5. تدريب LLM الآمن – يستخدم نفس مجموعة البيانات كما في محرك AI العادي؛ يتم التدريب خارج السحابة ولكن يُحمَّل وزن النموذج إلى العقدة 1 داخل حاوية موثقة (مثلاً Intel SGX) لمزيد من الأمان.

7. حالة استخدام واقعية: تدقيق مورد FinTech

الشركة: FinFlow، مزود SaaS متوسط الحجم في مجال التقنية المالية.

المشكلة: طلبت بنوك شريكة تدقيقًا ربعًا يتضمن تفاصيل تشفير البيانات الساكنة. كانت مفاتيح التشفير وسياسات إدارة المفاتيح مملوكة وسرية ولا يمكن رفعها إلى خدمة AI خارجية.

الحل:

1. نشرت FinFlow عقد SMPC‑AI؛ العقد 1 على جهاز Azure Confidential Compute، العقد 2 داخل مقر الشركة، والعقد 3 كعقد Hyperledger Fabric.
2. قُسّمت الوثيقة الخاصة بسياسة التشفير (5 ميغابايت) إلى حصص سرية ووزّعت على العقد.
3. أجاب النظام على سؤال الاستبيان “صف جدول تدوير المفاتيح” في 4.2 ثانية مع إثبات قابل للتدقيق.
4. تحقَّق مدققو البنك من الإثبات باستخدام المفتاح العام، مؤكدين أن الإجابة استُخرجت من سياسة الشركة دون رؤية السياسة نفسها.

النتيجة: انخفض زمن إتمام التدقيق من 7 أيام إلى ساعتين، ولم يُسجَّل أي خرق للامتثال.

8. الاتجاهات المستقبلية

الخلاصة

توفر الحوسبة المتعددة الأطراف الآمنة، عند دمجها مع الذكاء الاصطناعي التوليدي، حلاً مُحافظًا على الخصوصية، قابلًا للتدقيق، وقابلًا للتوسع لأتمتة إجابات استبيانات الأمان. إنه يلبي ثلاثة مطالب أساسية لشركات SaaS الحديثة:

1. السرعة – توليد إجابات شبه فورية يخفّف من عوائق العقود.
2. الأمان – لا تغادر البيانات الحساسة مالكها، مما يحميها من التسريبات والانتهاكات التنظيمية.
3. الثقة – تُظهر الأدلة المشفرة للمراجعين أن الإجابات مُستندة إلى سياسات معتمدة دون الكشف عن هذه السياسات.

من خلال دمج SMPC‑AI في Procurize، يمكن للمؤسسات تحويل نقطة اختناق يدوية إلى ميزة تنافسية، تمكّن إغلاق العقود بسرعة أكبر مع الالتزام بأعلى معايير الخصوصية.

انظر أيضًا

• مدونة Procurize: دمج الذكاء الاصطناعي في تدفقات CI/CD للامتثال