تخيل حياتك اليومية كقصة خيالية ضخمة وغير مرئية. في كل مرة تذهب فيها إلى المدرسة، أو تتناول قهوتك، أو تتوجه إلى منزلك، فإنك تكتب فصلاً جديداً في كتاب لم يقرأه أحد غيرك. لفترة طويلة، حاول العلماء بناء "قراء خارقين" — وهي برامج حاسوبية يمكنها تخمين ما ستفعله بعد ذلك بناءً على فصولك الماضية. تُسمى هذه البرامج "نماذج التنبؤ بالحركة" (mobility prediction models). وهي العقل المدبر وراء اقتراح نظام تحديد المواقع العالمي (GPS) لأسرع طريق، أو التطبيقات التي توصي بمطعم بالقرب من مكتبك. ولكن إليك المفاجأة: تماماً مثل الطالب الذي يحفظ الكتاب المدرسي كلمة بكلمة بدلاً من فهم القصة، فإن هذه البرامج الحاسوبية تصبح أحياناً جيدة جداً في التذكر. فهي لا تتعلم فقط القواعد العامة لكيفية تحرك الناس؛ بل تحفظ عن طريق الخطأ مسارك الدقيق، وأماكن تواجدك السرية، وروتينك اليومي. يُسمى هذا "الحفظ الصم" (memorization). وهذا أمر بالغ الأهمية لأنه إذا حفظ الكمبيوتر قصتك المحددة بدقة شديدة، فقد يتمكن مخترق ماكر من سؤال الكمبيوتر: "ماذا يحدث بعد مغادرته للعمل؟" فيقوم الكمبيوتر ببصق عنوان منزلك بالضبط، ظناً منه أنه مجرد تقديم للمساعدة.

هذه الورقة البحثية، التي تحمل عنوان "الأسرار في كل مكان"، تشبه قصة بوليسية حيث يعمل المؤلفون كجواسيس متخفين لتدقيق حساب هؤلاء القراء الخارقين. أرادوا معرفة: هل تقوم هذه النماذج حقاً بحفظ أسرارنا، وإذا كان الأمر كذلك، فما هي أسرار من التي تحتفظ بها؟ اكتشف الباحثون أن هذه النماذج تحتفظ بالفعل بتحركاتنا الخاصة، ولكن ليس بالطريقة التي ظنناها. اتضح أن الأشخاص الذين تكون أيامهم مملة وروتينية هم الأكثر عرضة للحفظ. إذا كنت "مستكشفاً" يتجول في جميع أنحاء المدينة، فإن الكمبيوتر ينسى مسارك. ولكن إذا كنت "روتينياً" يذهب إلى نفس الصالة الرياضية في نفس الوقت كل يوم، فإن الكمبيوتر يتذكر كل خطوة تقوم بها بدقة مخيفة. كما وجد المؤلفون أن الطريقة القديمة للتحقق من هذه الأسرار لم تكن تعمل مع بيانات الموقع، لذا ابتكروا مجموعة جديدة من الأدوات لقياس مقدار ما يسرقه الكمبيوتر من حياتك بدقة.

أدوات المحقق: لماذا لم تنجح القواعد القديمة؟

لفهم الاكتشاف الكبير لهذه الورقة، نحتاج أولاً إلى النظر في كيفية فحص العلماء عادةً لعملية الحفظ. في عالم النماذج اللغوية (مثل تلك التي تكتب المقالات أو تدردش معك)، يستخدم الباحثون خدعة تسمى "التعرض" (exposure). يقومون بتسلل جملة وهمية وعشوائية — مثل رقم هاتف مخترع — إلى بيانات التدريب. إذا قام الكمبيوتر لاحقاً بنطق هذا الرقم الوهمي بدقة عند سؤاله، فهذه علامة على أن الكمبيوتر قد حفظه. وهذا ينجح لأن رقم الهاتف الوهمي هو محض هراء؛ ولا ينبغي للكمبيوتر أن يعرفه إلا إذا كان قد حفظه. وهذا يعمل لأن رقم الهاتف الوهمي ليس له معنى؛ لكن في الواقع، لا توجد "تحركات وهمية". فكل مسار يسلكه الشخص هو مسار حقيقي، وكل مسار هو مسار حساس. لا يمكنك اختراع مسار "سري" عشوائي لاختبار النموذج لأن المسار العشوائي قد يبدو بلا معنى بالنسبة للكمبيوتر، مما يجعل من السهل التمييز بينه وبين الحقيقة. الخطر الحقيقي هو أن الكمبيوتر يحفظ مسارات حقيقية تبدو طبيعية تماماً. ويجادل المؤلفون بأنه بالنسبة لنماذج الحركة، فإن "الأسرار" هي ذات الأشياء التي يُفترض بالنموذج تعلمها ليكون بارعاً في التنبؤ بها. الأمر يشبه معلماً من المفترض أن يتعلم قواعد النحو، ولكنه يحفظ عن طريق الخطأ مذكراتك الشخصية بدلاً من ذلك.

الإطار الجديد: قياس "تسرب الذاكرة"

لحل هذه المشكلة، بنى المؤلفون إطاراً جديداً لتدقيق هذه النماذج. بدلاً من البحث عن أسرار وهمية، أنشأوا نظاماً لمعرفة ما إذا كان النموذج يفضل مسارك الخاص على المسارات الأخرى التي تبدو مشابهة له. وقد قسموا ذلك إلى ثلاثة مستويات من "التسريب":

1. حفظ الموقع (Location Memorization): هل يتذكر الكمبيوتر الإحداثيات الدقيقة لمنزلك؟
2. حفظ أزواج النقاط المرجعية (Anchor-Pair Memorization): هل يتذكر الرابط المحدد بين منزلك ومكان عملك؟
3. حفظ المقاطع (Segment Memorization): هل يتذكر المسار الصغير والمحدد الذي تسلكه للوصول من محطة الحافلات إلى المقهى؟

ولاختبار ذلك، لم يكتفوا بالتخمين، بل بنوا "مجموعات مرجعية". تخيل أنك أنت النموذج، ويتم عرض صورة لمسارك اليومي عليك. ثم، يتم عرض 100 صورة أخرى لمسارات تبدو مشابهة جداً لمسارك (نفس المسافة، ونفس الوقت من اليوم) ولكنها تخص أشخاصاً آخرين. إذا قلت أنت، أي النموذج: "أوه، أنا أعرف هذا المسار تماماً!" وأعطيته درجة ثقة أعلى بكثير من الـ 99 مساراً الأخرى، فأنت قد حفظت المسار.

النتائج: المملون هم الأكثر عرضة للخطر

اختبر الباحثون أدواتهم الجديدة على ثلاث مجموعات بيانات ضخمة تحتوي على ملايين سجلات الحركة من أشخاص في شنغهاي، وشينزين، واليابان. وقاموا بتدريب أنواع مختلفة من النماذج، من النماذج البسيطة إلى أنظمة التعلم العميق المعقدة. وإليكم ما وجدوه:

1. الحفظ موجود في كل مكان:
كانت النماذج تحفظ البيانات بالتأكيد. في بعض الحالات، أظهر ما يصل إلى 85% من مسارات التدريب علامات قوية على الحفظ. لم يكن هذا مجرد حالات استثنائية قليلة؛ بل كانت مشكلة واسعة الانتشار. حتى النماذج التي كانت بارعة جداً في التنبؤ بالموقع التالي (بدقة تتجاوز أحياناً 90%) كانت لا تزال تخزن سراً التفاصيل الدقيقة للمسارات التي تعلمتها.

2. مفارقة "الروتيني":
كانت النتيجة الأكثر إثارة للدهشة هي من الذي تم حفظ بياناته. صنف المؤلفون المستخدمين إلى ثلاثة أنواع:

• الروتينيون (Routiners): الأشخاص الذين لديهم حياة متوقعة ومتكررة للغاية (ثبات عالٍ، وتنوع منخفض).
• المنتظمون (Regulars): أشخاص لديهم روتين ولكن لديهم بعض التنوع.
• المستكشفون (Scouters): الأشخاص الذين يتجولون كثيراً ولديهم مسارات غير متوقعة.

لقد أحبت النماذج الروتينيين. في الواقع، أظهرت 99.4% من المسارات في إحدى مجموعات البيانات إشارات حفظ إيجابية، وكان معظم هؤلاء هم المستخدمون المتوقعون. وجد الكمبيوتر أنه من السهل تعلم نمط الشخص الذي يذهب إلى نفس المكان كل يوم، فقام بتخزين التفاصيل الدقيقة. وعلى العكس من ذلك، كان المستكشفون أصعب في الحفظ؛ فمساراتهم كانت فوضوية للغاية، مما اضطر النماذج إلى التعميم (تعلم الفكرة العامة) بدلاً من حفظ التفاصيل المحددة.

3. تأثير "المرساة" (The Anchor Effect):
كانت النماذج بارعة بشكل خاص في تذكر "أزواج المرساة" — أي الربط بين مكانين رئيسيين، مثل المنزل والعمل. إذا عرفت أين يعيش شخص ما، فغالباً ما يستطيع النموذج التنبؤ بمكان عمله بالضبط، والعكس صحيح، لأن النموذج قد حفظ هذا الزوج المحدد.

4. تغييرات صغيرة، فروق كبيرة:
وجد المؤلفون أيضاً أن تصميم النموذج يلعب دوراً مهماً. على سبيل المثال، اختبروا نموذجاً يسمى Graph-Flashback، والذي يمتلك "ذاكرة" صغيرة جداً (10 وحدات فقط من الحالة المخفية). قد تعتقد أن النموذج الصغير سينسى الأشياء، ولكنه أظهر في الواقع "ذيلاً" هائلاً من الحفظ، حيث وصلت درجات التعرض فيه إلى 469.15. وهذا يشير إلى أنه حتى النماذج البسيطة يمكن أن تكون خطيرة إذا لم يتم تصميمها بعناية.

الخطر الحقيقي: من السهل سرقة الأسرار

أخيراً، طرحت الورقة السؤال المخيف: "إذا حفظ النموذج المسار، فهل يمكن لمخترق سرقته فعلياً؟" قاموا بمحاكاة مهاجم يعرف القليل عن يوم شخص ما (مثل روتينه الصباحي) وحاول تخمين بقية اليوم. ووجدوا رابطاً واضحاً: كلما زاد حفظ النموذج للمسار (مقاساً بـ "مقدار" أو magnitude)، سهل على المهاجم إعادة بناء الرحلة بأكملها.

في إحدى التجارب، وجدوا أنه بالنسبة للمستخدمين ذوي درجات الحفظ العالية، احتاج المهاجم إلى عدد أقل بكثير من التخمينات لمعرفة بقية اليوم. الأمر يشبه إذا عرف لص أنك تغادر منزلك دائماً في الساعة 8:00 صباحاً وتسير إلى نفس المخبز؛ فهو لا يحتاج إلى التخمين إلى أين ستذهب بعد ذلك. لقد أعطت "ذاكرة" النموذج اللص الإجابة.

الخلاصة

هذه الورقة لا تكتفي بالقول إن "الخصوصية مهمة" فحسب؛ بل تقدم أول طريقة منهجية لقياس مقدار الخصوصية التي تُفقد في تطبيقات الحركة. خلص المؤلفون إلى أن الحفظ ليس مجرد خطأ تقني، بل هو ميزة في كيفية تعلم هذه النماذج، وهو يحدث أكثر للأشخاص الذين يمتلكون حياة أكثر قابلية للتوقع. ويقترحون أنه قبل نشر هذه النماذ في العالم الحقيقي، نحتاج إلى إجراء عمليات "تدقيق الخصوصية" الجديدة هذه لمعرفة المستخدمين المعرضين للخطر. وإذا لم نفعل ذلك، فقد نسلم أسرارنا اليومية لأجهزة كمبيوتر متحمسة جداً لتذكرها.