شركة Cisco تطلق أداة مفتوحة المصدر للتحقق من سلالة نماذج الذكاء الاصطناعي
أطلقت شركة Cisco رسمياً في الثلاثين من أبريل لعام 2026 حزمة “Model Provenance Kit”، وهي أداة برمجية مفتوحة المصدر تم تطويرها بلغة Python وتعمل عبر واجهة سطر الأوامر (CLI).
تهدف هذه الأداة إلى تمكين المؤسسات من التحقق من الأصول المشتركة لنماذج المحولات (Transformer Models)، وذلك من خلال إجراء فحص دقيق للبنية المعمارية وبنية المرمزات (tokenizer)، بالإضافة إلى أوزان النموذج.
تأتي هذه الخطوة لمعالجة النقص الواضح في توثيق مصادر النماذج المفتوحة والأعمال المشتقة منها، لا سيما مع تزايد اعتماد الشركات على النماذج المستضافة في مستودعات، مثل Hugging Face، التي تضم ما يزيد عن مليوني نموذج.
وغالباً ما تفتقر هذه المنصات إلى سجلات تعديل مكتملة، كما تبرز فيها احتمالات تعديل البيانات الوصفية أو حذفها. يؤدي ذلك بدوره إلى إضعاف قدرة المؤسسات على تحديد المكونات الفعلية العاملة في بيئات الإنتاج الخاصة بها بشكل دقيق.
حوكمة سلسلة إمداد الذكاء الاصطناعي وتقنيات الفحص الثنائي
يرتبط إطلاق حزمة “Model Provenance Kit” باستراتيجية Cisco الرامية لتعزيز أمن سلسلة إمداد الذكاء الاصطناعي؛ حيث كشف تقرير “State of AI Security 2026” أن هذه السلاسل أصبحت هدفاً للمخاطر الأمنية المتكررة، نتيجة الاتصال المباشر للأنظمة الذكية بقواعد البيانات وسير العمل التشغيلي.
تعتمد الأداة في عملها على مرحلتين أساسيتين؛ تبدأ الأولى بفحص معماري سريع يقارن الإعدادات والبيانات البنيوية للنموذج قبل تحميل الأوزان. وفي حال عدم الوصول إلى نتيجة حاسمة، تنتقل الأداة إلى المرحلة الثانية التي تستهدف استخراج 5 إشارات من الأوزان لقياس درجة القرابة بدقة.
تتضمن هذه المؤشرات التقنية:
- تشابه التضمين المرجعي (Embedding Anchor Similarity).
- توزيع معيار التضمين (Embedding Norm Distribution).
- بصمة طبقات التطبيع (Norm Layer Fingerprint).
- ملف طاقة الطبقات (Layer Energy Profile).
- تشابه جيب التمام بين الأوزان والقيم (Weight-Value Cosine).
تدمج هذه الإشارات لاحقاً في درجة موحدة لتقدير السلالة المشتركة، مع استبعاد إشارات المرمز (tokenizer) من التقييم النهائي وقصر استخدامها على الأغراض التشخيصية فقط؛ وذلك لتفادي النتائج المضللة التي قد تنتج عن تشارك نماذج مستقلة في المرمز نفسه.
الكفاءة التشغيلية والامتثال للمعايير التنظيمية الدولية
أظهرت نتائج اختبار الأداة على 111 زوجاً من النماذج دقة إجمالية بلغت 96.4%، مع تسجيل نسبة استرجاع (Recall) وصلت إلى 94.6%، وكفاءة تامة في كشف حالات الاشتقاق التقليدي، مثل الضبط الدقيق والكم (Quantization).
تعمل الأداة بكفاءة عالية على المعالجات المركزية (CPU)، وتوفر وضعين أساسيين للتشغيل: وضع “Compare” للمقارنة التفصيلية بين النماذج، ووضع “Scan” المخصص لمطابقة نموذج معين مع قاعدة بصمات شاملة تغطي 150 نموذجاً أساسياً تنتمي إلى 45 عائلة مختلفة.
إلى جانب الفوائد التقنية، تدعم هذه الأداة متطلبات الامتثال القانوني، مثل المادة 11 من قانون الذكاء الاصطناعي الأوروبي (EU AI Act) وإطار (NIST AI RMF)، واللذين يفرضان ضرورة توثيق الأنظمة عالية المخاطر.
وبذلك، تضع Cisco بين أيدي فرق الحوكمة والأمن وسيلة عملية للتحقق من منشأ الأصول الذكية قبل إدماجها في الأنظمة الأساسية، مما يقلل من الاعتماد الكلي على البيانات الوصفية المنشورة التي قد لا تعكس التاريخ الفعلي للنموذج بدقة.
