Privacy-Preserving Action Recognition: Taxonomy, Methods, and Privacy-Utility Trade-offs

تخيل أنك تسير في شارع مزدحم، وهناك كاميرا أمنية تراقبك. هي لا تراقبك فقط لترى ما إذا كنت ستتعثر أو تسقط مفاتيحك؛ بل هي ذكية بما يكفي لتعرف بالضبط ما تفعله—ربما تلوح بيدك مرحباً، أو تطهو وجبة، أو تساعد شخصاً ما على النهوض. هذا ما يسمى بـ "التعرف على الأفعال" (action recognition)، وهو أمر أصبح شائعاً جداً في المستشفيات، والمنازل الذكية، والأماكن العامة للحفاظ على السلامة والكفاءة. ولكن هنا تكمن المشكلة: لكي تعرف الكاميرا ما تفعله، يجب أن "تراك". إنها ترى وجهك، ملابسك، لون بشرتك، وطولك. الأمر يشبه كون الكاميرا تقرأ سيرتك الذاتية الكاملة لمجرد معرفة ما إذا كنت تلوح بيدك. وهذا يخلق مشكلة كبيرة: نحن نريد من الروبوت المساعد أن يعرف ما نفعله، لكننا لا نريد منه أن يعرف "مَن" نحن.

هنا يأتي دور فكرة "الحفاظ على الخصوصية" (privacy-preserving). فكر في الأمر كأنك ترتدي قناع تنكر يجعلك غير مرئي للجاسوس، ولكنه لا يزال يسمح لأصدقائك بالتعرف على حركات رقصك. يحاول العلماء بناء أنظمة حاسوبية يمكنها مشاهدة فيديو، وفهم الفعل (مثل "الجري" أو "الرقص")، ولكن مع نسيان هوية الشخص تماماً. إنهم يحاولون حل عملية توازن صعبة: إذا أخفيت الكثير، فلن يستطيع الحاسوب تمييز ما تفعله؛ وإذا أخفيت القليل، فقد يتمكن من تخمين اسمك. هذه الورقة البحثية هي استقصاء ضخم لكل الطرق المختلفة التي يحاول بها العلماء حل هذا اللغز، حيث تفحص أي "أقنعة التنكر" تعمل بشكل أفضل وأيها مجرد خدع براقة لا تحميك فعلياً.

---

رحلة البحث عن محقق الخصوصية العظيم

هذه الورقة تشبه تقريراً ضخماً لمحقق يبحث في 32 "قضية" (دراسات علمية) من عام 2018 إلى 2026. قرر المؤلفون، وهم فريق من الباحثين، التوقف عن التخمين والبدء في القياس. أرادوا معرفة: أي الطرق تحافظ حقاً على أسرارنا مع السماح للحواسيب بأداء مهامها؟

وجدوا أن العلماء يستخدمون حالياً خمس "أدوات" رئيسية لإخفاء هوياتنا، ولكل أداة منها قدرات خارقة ونقاط ضعف خاصة بها.

1. فريق "الشرطي السيئ" و"الشرطي الجيد" (التعلم التنافسي - Adversarial Learning)
تخيل أنك تدرب روبوتاً للتعرف على رقصة ما. عادةً، ستعرض عليه فيديو وتقول: "هذه رقصة!". ولكن في هذه الطريقة، تقوم أيضاً بتدريب روبوت ثانٍ، وهو "شرطي الخصوصية"، ومهمته الوحيدة هي محاولة تخمين اسم الراقص أو عمره. يحاول الروبوت الأول تعليم الرقصة بينما يحاول في الوقت نفسه خداع "شرطي الخصوصية" ليفشل. إنها تشبه لعبة الغميضة حيث يحاول الراقص التحرك بحيث لا يستطيع الشرطي معرفة هويته، ولكن تظل الرقصة واضحة بما يكفي للمعلم ليقيمها.

• النتيجة: هذا يعمل بشكل جيد جداً! وجدت الورقة أن هذه الطرق يمكنها الحفاظ على حوالي 80% من الفائدة (الدقة) مع خفض مخاطر الخصوصية بشكل كبير. ومع ذلك، إذا أصبح "شرطي الخصوصية" أكثر ذكاءً (مهاجم متكيف - adaptive attacker)، فقد يفشل قناع التنكر هذا.

2. تبديل الهيكل العظمي (طرق تعتمد على الهيكل العظمي - Skeleton-Based Methods)
هذه هي الخدعة الأكثر فعالية التي وُجدت حتى الآن. بدلاً من إظهار فيديو لشخص يرتدي قميصاً أحمر وقبعة زرقاء للكاميرا، يقوم الحاسوب بإزالة كل شيء باستثناء عظام "رجل العصا" (الهيكل العظمي). الأمر يشبه مشاهدة رسوم متحركة لرجل عصا بدلاً من فيلم حقيقي.

• النتيجة: هذا هو البطل في هذه المجموعة. نظرًا لعدم وجود وجه، ولا شعر، ولا ملابس لرؤيتها، فمن المستحيل تقرياً تخمين من هو الشخص. تحافظ هذه الطرق على حوالي 85% إلى 95% من الفائدة في التعرف على الأفعال. إنه فوز للطرفين، ولكنه يتطلب كاميرات خاصة أو برامج لتحويل الأشخاص الحقيقيين إلى رسوم "رجل العصا" أولاً.

3. الشفرة السرية (الطرق التشفيرية - Cryptographic Methods)
هذا يشبه وضع الفيديو داخل خزنة مغلقة. لا يزال بإمكان الحاسوب قراءة جزء "الفعل" من الشفرة دون فتح الخزنة أبداً لرؤية الشخص.

• النتيعة: إنها آمنة جداً، ولكنها بطيئة وثقيلة للغاية. الأمر يشبه محاولة الجري في ماراثون وأنت تحمل خزنة. تشير الورقة إلى أن هذه الطريقة بطيئة جداً للاستخدام في الوقت الفعلي حالياً.

4. الضجيج الساكن (الخصوصية التفاضلية - Differential Privacy)
تخيل إضافة القليل من "التشويش" أو "النقاط" إلى شاشة التلفاز بحيث لا يمكنك رؤية وجه الشخص بوضوح، ولكن لا يزال بإمكانك رؤية الفعل. من الناحية الرياضية، هم يضيفون ضجيجاً عشوائياً إلى البيانات.

• النتيجة: هذا يعطي وعداً رياضياً قوياً بأنه لا يمكن لأحد معرفة من كان في الفيديو. لكن التكلفة عالية: يصبح الفيديو "مشوشاً" جداً لدرجة أن الحاسوب غالباً ما يرتبك بشأن الفعل. يمكن أن تنخفض الدقة إلى أقل من 70%، مما يجعلها غير مفيدة في الحياة الواقعية.

5. المزيج المتنوع (الطرق الهجينة - Hybrid Methods)
يحاول بعض العلماء دمج هذه الأدوات معاً، مثل استخدام تبديل الهيكل العظمي و إضافة القليل من الضجيج. هذه طرق جديدة وواعدة، لكن ليس لدينا بيانات كافية بعد لنقول ما إذا كانت هي الحل النهائي.

المشكلة الكبرى: الجميع يتحدث لغة مختلفة

إليك أهم شيء اكتشفته الورقة البحثية: لا يمكننا حقاً مقارنة هذه الطرق بعد.

الأمر يشبه إذا قام أحد العلماء بقياس "الخصوصية" بالبوصة، وآخر بالسنتيمتر، وثالث قال فقط: "إنه يبدو خاصاً جداً". وجدت الورقة أن:

• 10% فقط من الدراسات تستخدم تعريفاً صارماً ورسمياً للخصوصية.
• 65% تستخدم طرقاً "ارتجالية" (ad-hoc) لقياس الخصوصية.
• العديد من الدراسات تختبر فقط ضد "المهاجمين العاديين" (برامج آلية لا تعرف الخدعة) ولا تختبر ضد "المهاجمين المتكيفين" (برامج آلية ذكية تعرف الخدعة).

بسبب هذا، فإن الطريقة التي قد تبدو رائعة على الورق قد تكون في الواقع سيئة جداً في العالم الحقيقي. تجادل الورقة بأننا بحاجة إلى قاعدة بيانات موحدة (بروتوكول تقييم موحد - Unified Evaluation Protocol) حتى يستخدم كل عالم نفس الاختبارات، ونفس مجموعات البيانات، ونفس التعريفات.

الحكم النهائي

تخلص الورقة إلى أننا قريبون تقنياً من حل هذا الأمر، لكننا لسنا مستعدين لثقته في حياتنا بعد.

• الأخبار الجيدة: لدينا طرق (مثل تبديل الهيكل العظمي) يمكنها الحفاظ على تمييز الأفعال مع إخفاء الهويات بشكل جيد جداً.
• الأخبار السيئة: ليس لدينا طريقة معيارية لإثبات نجاحها ضد المخترقين الأذكياء، ولم نختبرها بما يكفي على بيانات العالم الحقيقي الفوضوية.
• المستقبل: يقترح المؤلفون أن الخطوة الكبيرة التالية ليست مجرد اختراع خدع جديدة، بل بناء "صالة ألعاب رياضية" مشتركة (معيار قياسي - benchmark) حيث يمكن اختبار كل هذه الطرق بشكل عادل. كما يشيرون إلى مستقبل "ذكاء الحافة الاصطناعي" (Edge AI)، حيث تتم حماية الخصوصية مباشرة على الكاميرا أو الهاتف، بحيث لا يغادر الفيديو الجهاز أبداً.

باختصار، التكنولوجيا التي تراقب ما تفعله دون معرفة من أنت هي حقيقة وتعمل، ولكننا بحاجة إلى التوقف عن اللعب بقواعد مختلفة والبدء في اختبار كل شيء بشكل عادل قبل أن نتركها تدير العالم.