Domain Agnostic Text Redaction from Natural Language Rules using Instruction Tuning

في العالم الحديث، توجد كميات هائلة من المعلومات الشخصية والمؤسسية في شكل نصوص بسيطة، بدءاً من السجلات الطبية والعقود القانونية وصولاً إلى التقارير المالية. ومع تحول هذه البيانات إلى صيغ رقمية بشكل متزايد، يبرز تحدٍ حاسم: كيف يمكن مشاركة هذه المستندات أو تحليلها دون كشف الأسرار الحساسة. تفرض قوانين مثل اللائحة العامة لحماية البيانات (GDPR) وقانون نقل التأمين الصحي والمساءلة (HIPA) إخفاء تفاصيل محددة، مثل الأسماء أو العناوين أو الحالات الطبية الخاصة، قبل أن يغادر المستند بيئة آمنة. تقليدياً، اعتمدت مهمة "التطهير" هذه على برامج حاسوبية جامدة تبحث عن أنماط يمكن التنبؤ بها، مثل رقم الهاتف أو رقم الضمان الاجتماعي. وبينما كانت هذه الأدوات فعالة لتلك التنسيقات القياسية، إلا أنها غالباً ما تفشل عندما تظهر معلومات حساسة في جمل معقدة وغير منظمة، مثل بند معين في عقد أو تشخيص طبي دقيق. علاوة على على ذلك، عندما تتخذ هذه الأدوات الآلية قراراً بإخفاء نص ما، فإنها نادراً ما تشرح السبب، مما يترك المدققين البشريين في حالة تخمين للمنطق الكامن وراء عملية الحجب.

ولحل هذه المعضلة، طور فريق من الباحثين في شركة "مفاسيس ليميتد" (Mphasis Limited) نهجاً جديداً يعامل حجب النصوص ليس كمجرد مهمة بحث واستبدال بسيطة، بل كمسألة استدلال منطقي. فبدلاً من برمجة قواعد ثابتة لكل نوع محتمل من البيانات الحساسة، أنشأوا نظاماً يمكن للإنسان من خلاله وصف ما يجب إخفاؤه بلغة إنجليزية بسيطة. على سبيل المثال، قد يذكر المستخدم ببساطة: "اخفِ أي ذكر لرسوم عملاء محددة في هذا التقرير المالي"، أو "أزل جميع التفاصيل المتعلقة بموقع قطعة الأرض في هذه الاتفاقية القانونية". بعد ذلك، يستخدم النظام نموذج لغة ضخم لترجمة هذه التعليمات المكتوبة بلغة طبيعية إلى مجموعة من القواعد المنطقية. وتُستخدم هذه القواعد لتدريب نموذج لغة أصغر وأكثر كفاءة يمكنه قراءة المستند، وفهم السياق، وتحديد الكلمات أو العبارات التي تطابق تعريف المستخدم للمعلومات الحساسة بدقة. والأهم من ذلك، أن هذا النظام لا يكتفي فقط بتغطية النص باللون الأسود؛ بل يولد شرحاً مكتوباً لكل معلومة يقوم بإزالتها، مستشهداً بالقاعدة المحددة التي أدت إلى هذا الإجراء.

اختبر الباحثون هذه الطريقة على أنواع متنوعة من المستندات، بما في ذلك الإفصاحات المالية، وتفاصيل تعاقد العملاء، والسجلات الطبية. ووجدوا أن النظام يمكنه تحديد وحجب المحتوى الحساس الذي قد تغفله الأدوات التقليدية، مثل المصطلحات القانونية المعقدة أو استراتيجيات الأعمال المحددة، مع ترك المعلومات غير الحساسة دون تغيير. ولضادة ضمان أمان النظام حقاً، أخضعوه لاختبار صارم حيث حاول ذكاء اصطناعي قوي تخمين المعلومات المخفية بناءً على النص المحيط بها. وقد أثبت النظام مرونة عالية؛ إذ لم يتمكن الذكاء الاصطناعي من إعادة بناء التفاصيل المحجوبة، مما يشير إلى أن المعلومات الحساسة قد تمت إزالتها بفعالية ولم يتم مجرد إخفائها. وفي اختباراتهم، نجح النموذج في تحديد وحجب أكثر من 95 بالمائة من الحالات الحساسة التي طُلب منه البحث عنها.

ويتمثل أحد الابتكارات الرئيسية في هذا العمل في استخدام البيانات الاصطناعية لتدريب النظام. فبدلاً من تغذية النموذج بوثائق حقيقية وخاصة، استخدم الباحثون نموذج لغة ضخم لتوليد آلاف الوثائق المزيفة التي تحاكي سيناريوهات من العالم الحقيقي. احتوت هذه الوثائق الاصطناعية على محتوى حساس وغير حساس، جنباً إلى جنب مع عمليات الحجب والشروحات الصحيحة. وقد سمح ذلك للنموذج الأصغر بتعلم كيفية الاستدلال حول قواعد الخصوصية دون رؤية أي بيانات خاصة لأشخاص حقيقيين أثناء تدريبه. والنتيجة هي أداة تتسم بالمرونة والشفافية؛ فهي قادرة على التكيف مع أنواع جديدة من المستندات وتعريفات جديدة للحساسية بشكل فوري، بمجرد الاستماع إلى تعليمات البشر. ومن خلال تقديم تبرير واضح بلغة طبيعية لكل عملية حجب، يسد هذا النظام الفجوة بين الكفاءة الآلية والمساءلة البشرية، ويقدم وسيلة لحماية الخصوصية تكون مفهومة بقدر ما هي فعالة.