إدارة مخاطر الذكاء الاصطناعي في المؤسسات

By Mirko Peters · 2026-04-26 · Updated 2026-07-18

ابنِ استراتيجية لإدارة مخاطر الذكاء الاصطناعي في المؤسسة تشمل أطر الحوكمة، وضوابط الأمان، والمراقبة، وإجراءات الحماية العملية لـ Microsoft AI.

Automatically translated with AI from the original post. Read the English original

تدور إدارة مخاطر الذكاء الاصطناعي في المؤسسات حول التأكد من أن مؤسستك تكبح المخاطر المرتبطة بالذكاء الاصطناعي قبل أن تخرج الأمور عن السيطرة. ومع تزايد دور الذكاء الاصطناعي في عملياتك، لا سيما عبر Microsoft 365 وAzure وكل أدوات Copilot، تزداد الحاجة إلى إدارة كل شيء، من تعقيدات الامتثال إلى الكوارث المحتملة في الأتمتة، وتسرب البيانات، واستمرارية الأعمال.

هذا الموضوع ليس مجرد بند في قائمة مراجعة لفرق الامتثال. إنه عملية حية تربط بين الأطر، والحوكمة، والأمن السيبراني، وضوابط البيانات، والاستجابة للحوادث، وكلها مصممة لمساعدتك على تجنب المفاجآت غير المرغوب فيها (أو الدعاوى القضائية) في ظل تسارع وتيرة الرقابة والتنظيمات. ولتحقيق ذلك، لا يكفي الجانب التقني، بل نحتاج إلى الحوكمة والشفافية واستراتيجية طويلة الأمد لتفادي الأضرار التشغيلية والقانونية والمتعلقة بالسمعة مع توسع حضور الذكاء الاصطناعي لديك.

على امتداد هذا الدليل، ستحصل على جولة عملية في الاستراتيجيات الأساسية والمعايير والحلول المدعومة من Microsoft التي تحتاجها لبناء وضع متين لمخاطر الذكاء الاصطناعي، سواء كنت تدير الوكلاء أو الروبوتات المحادثة أو النماذج التنبؤية عبر بيئات معقدة.

إطار إدارة مخاطر الذكاء الاصطناعي

التعريف: إطار إدارة مخاطر الذكاء الاصطناعي هو مجموعة منظمة من المبادئ والعمليات والأدوات المصممة لتحديد المخاطر المرتبطة بتطوير أنظمة الذكاء الاصطناعي ونشرها وتشغيلها داخل المؤسسة، وتقييمها، والتخفيف منها، ومراقبتها، وحوكمتها. ويوائم هذا الإطار بين الضوابط التقنية والسياسات التنظيمية والمتطلبات القانونية والأخلاقية، لضمان استخدام الذكاء الاصطناعي بأمان وموثوقية وامتثال.

شرح موجز: في سياق إدارة مخاطر الذكاء الاصطناعي في المؤسسات، يوفر الإطار نهجاً قائماً على دورة الحياة يرشد أصحاب المصلحة خلال تحديد المخاطر وتقييمها واختيار الضوابط وتطبيقها والمراقبة المستمرة وإعداد التقارير. ويتناول فئات المخاطر الرئيسية، مثل جودة البيانات وحوكمتها، ومتانة النماذج ودقتها، والخصوصية والأمن، والإنصاف والتحيز، وقابلية التفسير، والمرونة التشغيلية، كما يحدد الأدوار والمعايير والمقاييس ومسارات التصعيد. ومن خلال تضمين هذه الممارسات، يمكن للمؤسسات الموازنة بين الابتكار وتقليل المخاطر، والوفاء بالتوقعات التنظيمية، وبناء الثقة في القرارات المدفوعة بالذكاء الاصطناعي.

فهم أطر إدارة مخاطر الذكاء الاصطناعي ومعاييرها

قبل أن تتمكن من ضبط عالم مخاطر الذكاء الاصطناعي المتشعب، تحتاج إلى خطة عمل تضفي النظام على الفوضى. وهنا تأتي أطر إدارة المخاطر والمعايير. فهذه الأطر، الصادرة عن جهات موثوقة مثل NIST وISO/IEC والجهات التنظيمية في القطاع، ليست مجرد أوراق إجرائية، بل هي العمود الفقري لكل مؤسسة ذكية تسعى إلى حوكمة الذكاء الاصطناعي بمسؤولية والحفاظ على سلامة عملياتها.

مع البيئات القائمة على Microsoft التي تشغّل سحابتك وأعباء عملك الحرجة، يصبح فهم المعايير والتوافق معها أمراً ضرورياً، لا سيما عند التعامل مع عمليات النشر الهجينة والمتطلبات التنظيمية العابرة للمناطق. فكل إطار، سواء كان أمريكي المنشأ أو دولياً، له نهجه الخاص في تقييم المخاطر والتخفيف منها ومراقبتها. ومع ذلك، تشترك جميعها في أمر واحد: توفير البنية والوضوح والخطوات القابلة للتنفيذ، حتى لا تتوه استثماراتك في الذكاء الاصطناعي في متاهة الامتثال.

ستتعرف على كيفية عمل هذه المعايير كأدلة وحواجز حماية، تساعدك على وضع السياسات والحوكمة والضوابط بما يتناسب مع حجم أعباء عمل Microsoft لدى مؤسستك وحساسيتها. وفي الأقسام التالية، سنستعرض الأطر الرائدة في هذا المجال، ولماذا تهم، وكيف يمكنك توظيفها دون أن تغرق في التعقيد.

تطبيق إطار إدارة مخاطر الذكاء الاصطناعي من NIST

1. تعريف فرقك بالوظائف الأساسية لـ NIST: الخطوة الأولى هي أن يفهم الجميع الركائز الرئيسية للإطار: الحوكمة (Govern) والرسم (Map) والقياس (Measure) والإدارة (Manage) لمخاطر الذكاء الاصطناعي. فـ"الحوكمة" تشمل السياسات والثقافة، و"الرسم" يعني تحديد كيفية استخدام الذكاء الاصطناعي ومكانه، و"القياس" يتعمق في تقييم المخاطر، و"الإدارة" تعني إجراءات التخفيف. وتساعدك هذه الركائز على تنظيم كل مرحلة من مراحل تطوير الذكاء الاصطناعي ونشره.
2. توثيق أنظمة الذكاء الاصطناعي وجردها: ابدأ بإدراج جميع أحمال عمل الذكاء الاصطناعي والنماذج وخطوط معالجة البيانات العاملة ضمن بيئات Microsoft لديك. تأكد من توثيق كل نموذج، بدءًا من مطالبات Copilot وصولًا إلى نماذج Azure ML، توثيقًا واضحًا يتضمن الغرض المقصود من استخدامه، ومصادر بيانات التدريب، وملفات المخاطر الخاصة به. يُعد حفظ السجلات بشكل جيد الخطوة الأولى للامتثال وحل المشكلات على حد سواء.
3. تحديد المخاطر ورسم خريطتها: ارسم خريطة لمواضع استخدام الذكاء الاصطناعي في سير عملك والمخاطر المحتملة المرتبطة بكل حالة استخدام. استعن بتصنيف المخاطر الخاص بـ NIST لإبراز نتائج مثل التحيز، والهجمات العدائية، وتسرب البيانات. وفي بيئات Microsoft، يعني ذلك فحص M365 وخدمات Azure AI وروبوتات Power Platform بحثًا عن نقاط التكامل الحساسة.
4. تقييم المخاطر ومراقبتها بشكل مستمر: ابنِ سير عمل تقييم قابلًا للتكرار يتيح لك قياس المخاطر بصورة منتظمة. استفد من الأدوات الأصلية في Microsoft، مثل Azure Monitor وSentinel وDefender for Cloud، للحصول على القياس عن بُعد في الوقت الفعلي، واكتشاف الحالات الشاذة، وتعديل الضوابط عند الحاجة.
5. الدمج مع برامج الحوكمة والامتثال: ضمّن توجيهات NIST في مراجعات مجالس الحوكمة القائمة، ونهج الاستخدام، وعمليات الإشراف التشغيلي. تُبقي التحديثات المنتظمة وحلقات التغذية الراجعة إدارة مخاطرك مرنة مع إطلاق Microsoft لميزات جديدة، أو مع تغيّر اللوائح التنظيمية.
6. الاستجابة للحوادث وإعداد التقارير: صمّم بروتوكولات لتوثيق حوادث الذكاء الاصطناعي وتصعيدها ومعالجتها، مثل انحراف النموذج، وتسميم البيانات، أو المخرجات الخاطئة. ويشمل ذلك دورات «الدروس المستفادة» ومواءمة سجلات خدمات Microsoft مع عملياتك المستندة إلى NIST لمراجعات التدقيق والامتثال.

معايير ISO IEC والامتثال لقانون الذكاء الاصطناعي الأوروبي

1. فهم مشهد المعايير الدولية: تحدد المعايير ISO/IEC 23894 و42001 متطلبات إدارة مخاطر الذكاء الاصطناعي ومراقبتها وتوثيقها عبر مجموعات التقنيات المختلفة. إذا كانت أعمالك تعمل على نطاق عالمي، فهذه المعايير ضرورية للتدقيق ومواءمة العمليات، خاصةً مع الحضور الدولي الواسع لـ Microsoft.
2. ربط النهج الداخلية بمتطلبات المعايير: قارن نهج حوكمة الذكاء الاصطناعي وأمنه وحماية البيانات لديك الحالية بما تفرضه المعايير. ويشمل ذلك توثيق دورة حياة النموذج، ومصدر البيانات، وضوابط المخاطر ضمن أدوات مثل Microsoft Purview وAzure ML ومركز الامتثال في Microsoft 365.
3. تقييم الجاهزية لقانون الذكاء الاصطناعي الأوروبي: يُدخل قانون الذكاء الاصطناعي الصادر عن الاتحاد الأوروبي تصنيفًا إلزاميًا للمخاطر، وشفافية في الخوارزميات، ومتطلبات توثيق، وغرامات كبيرة على عدم الامتثال. وعلى الشركات الأمريكية التي لديها أي نشاط في أوروبا أن تأخذ هذه المتطلبات في الحسبان ضمن مراجعات برامجها الدورية، وأن تحدّث خطوط نشر الحلول وسيناريوهات Copilot وفقًا لذلك.
4. وضع خطط العمل وتوثيقها: استخدم تحليل الفجوات لتحديد أولويات المعالجة، سواء كان ذلك بإضافة سجلات التدقيق، أو تحسين قابلية تفسير النماذج، أو وضع ضوابط على استخدام النماذج الحساسة. وتعمل أدوات الأتمتة والامتثال لدى Microsoft على تبسيط عمليات التحقق المستمر وجمع الأدلة، مما يجعل عمليات التدقيق أقل فوضوية.
5. مراقبة التغييرات التنظيمية: المعايير والقوانين في تطور مستمر. ضمّن مراجعات دورية لتحديثات ISO وIEC وقانون الذكاء الاصطناعي الأوروبي، وعدّل ضوابطك ونهجك حسب الحاجة. دع منظومة Microsoft لديك تعمل لصالحك من خلال الاستفادة من ميزات إدارة النهج ومراقبة التغييرات التنظيمية، لتحظى براحة البال مع استمرار تطور عالم تنظيم الذكاء الاصطناعي.

قائمة مراجعة إطار إدارة مخاطر الذكاء الاصطناعي للمؤسسات

تدعم قائمة المراجعة هذه ممارسات إدارة مخاطر الذكاء الاصطناعي في المؤسسات عبر الحوكمة، والبيانات، والنمذجة، والنشر، والمراقبة، والامتثال.

حوكمة الذكاء الاصطناعي في المؤسسات والإشراف عليه

حوكمة الذكاء الاصطناعي في المؤسسات ليست شيئًا يمكن ترقيعه على عجل عندما تسوء الأمور. إنها الهيكل الذي يُبقي عمليات الذكاء الاصطناعي لديك نزيهة وخاضعة للمساءلة وتعمل بسلاسة من الداخل إلى الخارج. ومع توسّعك في استخدام الذكاء الاصطناعي، ولنفكّر في Microsoft Copilot وروبوتات Power Platform والأتمتة المتواصلة، تصبح أدوار الحوكمة والنهج التنظيمية بالغة الأهمية لاستباق المخاطر قبل أن توقعك في مأزق يتعلق بالامتثال.

هذا النوع من الإشراف يتطلب أكثر من كتابة دليل إجراءات وأمل في أفضل النتائج. تحتاج إلى قيادة متعددة التخصصات، وعقود استخدام، وأدوات تُرسّخ سلوكيات الذكاء الاصطناعي المسؤول على كل مستوى. تقدم Microsoft مجموعة أدوات لتطبيق كل ذلك عمليًا، تشمل إدارة الهوية، والضوابط القائمة على الأدوار، وفرض سياسات البيانات، والتسجيل في الخلفية الذي يضمن المساءلة في كل شيء.

تتناول الأقسام التالية الجوانب العملية: من المسؤول عن ماذا، وكيف تصيغ سياسات قابلة للتطبيق (لا مجرد عبارات جميلة على الورق)، وكيف تمنحك سجلات النماذج في الوقت الفعلي رؤية شاملة لكل نموذج يعمل نيابةً عنك. ادمج ذلك مع استراتيجيات الحوكمة الخاصة بـ Microsoft، بدءًا من حوكمة وكلاء الذكاء الاصطناعي وصولًا إلى ضوابط Azure الوقائية القوية، وستحصل على دليل لبناء المرونة، لا لتجنب المخاطر فقط.

أدوار حوكمة الذكاء الاصطناعي وسياسات الاستخدام

1. إنشاء أدوار الحوكمة الأساسية: تشمل المناصب الرئيسية مسؤولي سياسات الذكاء الاصطناعي (تحديد الاتجاه وحل التعارضات)، ومشرفي البيانات على المخاطر (ملكية مجموعات البيانات وإدارة الوصول ومراجعة المشكلات)، وقادة أخلاقيات الذكاء الاصطناعي (الدفاع عن الشفافية والإنصاف والامتثال). ينبغي أن يكون لكل دور تفويض واضح، ومسارات تصعيد، وارتباط بقيادة المخاطر التجارية. تعمل مجالس الحوكمة كخط الدفاع الأخير، إذ تشرف على قبول المخاطر وتضمن الامتثال لقانون الذكاء الاصطناعي الأوروبي.
2. صياغة سياسات الاستخدام وفرضها: حدّد بوضوح ما هو مسموح به مع الذكاء الاصطناعي، ومن يحق له الوصول إلى النماذج أو مخرجاتها، وكيف تُحمى خصوصية البيانات. استخدم إمكانات الحوكمة في Microsoft مثل Purview وDLP وRBAC لضمان ألا تبقى هذه السياسات مجرد توجيهات، بل ضوابط فعلية. وتُعد استراتيجيات حوكمة Copilot نموذجًا واضحًا للمزج بين التراخيص والعقود والضوابط التقنية اللازمة على نطاق واسع.
3. المراجعة والتكيف بشكل منتظم: مع تطور استخدام الذكاء الاصطناعي وتغير اللوائح، أعد مجالس الحوكمة إلى طاولة النقاش لمراجعة السياسات، وإجراء عمليات تدقيق للمخاطر، والتحقق من الامتثال في عمليات النشر الجديدة للذكاء الاصطناعي منذ التصميم. تدعم المراقبة الآلية والتسجيل وتتبع الاستخدام، المعتمدة على لوحات المعلومات ومراكز الامتثال الخاصة بـ Microsoft، التحسين المستمر.
4. تفعيل الضوابط الوقائية عبر المنصات: طبّق ضوابط وقائية متسقة عبر Microsoft 365 وPower Platform وAzure لتجنب انحراف السياسات، أو فوضى الهوية، أو تسرب البيانات غير المقصود. فحوكمة الذكاء الاصطناعي لا تقتصر على السياسات، بل تتعلق أيضًا بالضوابط على مستوى النظام والتكامل.

إدارة مخاطر النماذج باستخدام أنظمة سجل نماذج الذكاء الاصطناعي

1. مركزية إدارة دورة حياة النماذج: اعتمد سجل نماذج ذكاء اصطناعي على مستوى المؤسسة، يُسجَّل فيه كل نموذج منشور، سواء كان المحرك التنبؤي في Copilot أو نموذجًا مخصصًا على Azure ML، ويُوثَّق ويُؤرشَف بإصدارات. يتيح ذلك رؤية واضحة لما هو نشط، وما هو قيد المراجعة، وما تم إيقافه.
2. تتبع عوامل مخاطر النماذج وتقييمها: استخدم السجل لالتقاط بيانات النموذج الأساسية: درجات الانحراف، وسجل التدقيق، وتصنيفات الحساسية، أو وسوم المخاطر التنظيمية (GDPR وHIPAA وقانون الذكاء الاصطناعي الأوروبي). تتيح منصات مثل Microsoft Purview وAzure ML ربط هذه المؤشرات ببعضها، مما يدعم تقييم المخاطر بشكل أفضل والاستجابة للحوادث. وتُعد إمكانات الحوكمة المتقدمة في Purview بالغة الأهمية هنا للمراقبة المستمرة وسياسات البيانات على مستوى الموصلات.
3. تبسيط عمليات الموافقة والمراجعة: اجعل إدخال النموذج في السجل إلزاميًا قبل منحه أي صلاحية للإنتاج. وأتمتة تشغيل سير العمل لمراجعة المخاطر، وفحوصات الأخلاقيات، وعمليات التدقيق المتعلقة بالامتثال. أما في سيناريوهات Fabric أو Power Platform، فاعتمد القيود المفروضة وسجلات الملكية، لا التوثيق وحده (تفنيد أوهام الحوكمة).
4. تمكين التتبع من البداية إلى النهاية: عند حدوث أي خلل، يصبح السجل نقطة انطلاقك للتحقيق الجنائي. فهو لا يوفر سجلاً تاريخياً للامتثال فحسب، بل يتيح أيضاً التراجع عن منطق القرار أو إعادة تشغيله عند الحاجة. إدارة دورة الحياة هنا تتجاوز مجرد النظافة التقنية؛ فهي أساسية للدفاع القانوني عن القرارات.

استراتيجيات التخفيف من المخاطر التقنية لأنظمة الذكاء الاصطناعي

لا قيمة لأفضل سياسة لمخاطر الذكاء الاصطناعي إذا لم تكن لديك القدرة التقنية اللازمة لدعمها. وهنا تبرز أهمية المراقبة الفورية، والاختبار المستمر، والأمن السيبراني. ومع تطور الجهات المهاجمة وظهور مخاطر جديدة مع كل تحديث، تحتاج المؤسسات التي تعمل بالذكاء الاصطناعي المدعوم من Microsoft إلى بناء التخفيف من المخاطر التقنية في كل مستوى من مستويات بنيتها.

فكّر في هذا باعتباره جهازك المناعي للذكاء الاصطناعي. تحتاج إلى طبقات متعددة: مراقبة لرصد السلوك المشبوه، وضوابط وصول آمنة لمنع ما لا ينبغي حدوثه، واختبار آلي يحافظ على سلامة نماذجك حتى مع ظهور بيانات جديدة أو لوائح تنظيمية جديدة. توفر Microsoft Defender، ومجموعات التشخيص في Azure، ونهج الأذونات الدقيقة، مجموعة الأدوات اللازمة لتأمين بيئتك والتكيف بمرونة مع أي تطورات قادمة.

في الأقسام التالية، ستتعرف على كيفية دمج هذه الضوابط التقنية مباشرة في منظومة الذكاء الاصطناعي لديك، مدعومةً بأفضل الممارسات الحديثة. هل تريد تجنب الأخطاء المتضخمة الناتجة عن الوكلاء، أو الإخفاقات الصامتة، أو الثغرات الأمنية غير المرئية؟ هنا تطبّق استراتيجيات الدفاع هذه عملياً، مستفيداً خصوصاً من الدروس المستخلصة من عمليات نشر حقيقية لـ Microsoft.

بناء سير عمل مراقبة الذكاء الاصطناعي واختباره

1. إعداد لوحات المعلومات الفورية والتسجيل: استخدم لوحات المعلومات وتسجيل الأحداث بدقة وأنظمة التنبيه (مثل Azure Monitor أو Power BI) لتحقيق رؤية لحظية لعمليات الذكاء الاصطناعي، وتنفيذ النماذج، ومخرجات القرارات. ادمج ذلك مع Microsoft Defender for Cloud لتوحيد بيانات الأمان والامتثال والتشغيل (اطلع على المزيد هنا).
2. أتمتة الاختبار عبر دورة حياة النموذج: ابنِ اختبارات آلية للوحدات والتكامل والانحدار في كل مرحلة من مراحل تطوير النموذج: قبل النشر، وأثناء التحديثات، وفي الاستخدام المستمر في بيئة الإنتاج. غطِّ كلاً من فحوصات الدقة وجوانب الامتثال لتجنب المفاجآت غير المرغوبة أثناء التوسع.
3. مراقبة انحراف النموذج وشذوذ البيانات: راقب البيانات الواردة ومخرجات التنبؤ لاكتشاف التغيرات، أو تراجع الأداء، أو السلوكيات غير المتوقعة، باستخدام سلاسل أدوات ML Ops، أو تحليلات Power Platform، أو نصوص برمجية مخصصة. يتيح لك التنبيه الفوري الاستجابة قبل أن تتحول المشكلات الصغيرة إلى حوادث كبيرة.
4. تمكين إعادة تشغيل الحوادث وسجلات التدقيق: خزّن سجلات الأحداث ولقطات البيانات حتى تتمكن من إعادة بناء الحوادث لأغراض التحليل والامتثال والمعالجة. ومع تغذية أدوات Microsoft لبيانات التدقيق إلى لوحات معلومات Power BI، يحصل القادة على الشفافية وقدرات الإنذار المبكر، مما يساعدهم على ترتيب أولويات الاستجابات والحفاظ على مشاركة القيادة.

الضمانات التقنية وتكامل الأمن السيبراني

1. تشديد ضوابط الوصول والمصادقة: استخدم Microsoft Entra ID، ونهج الوصول المشروط القوية، والمصادقة متعددة العوامل للحد من الجهات (البشرية أو البرمجية) التي يمكنها الوصول إلى مسارات الذكاء الاصطناعي أو النماذج أو البيانات. ضع نهجاً شاملاً ومحدد المدة مع إدارة واضحة للاستثناءات (دليل الوصول المشروط). وتجنب تشتت الهويات من خلال فرض حلقة حوكمة منضبطة (تمت مناقشته هنا).
2. تأمين الأذونات باعتماد أقل الامتيازات: امنح فقط الأدوار الدنيا اللازمة لحسابات الخدمة والوكلاء والمستخدمين، وخصوصاً في السيناريوهات التي تستخدم Microsoft Graph أو تكاملات OAuth. راجع الأذونات القديمة أو الواسعة وألغِها بانتظام، واستفد من سير عمل الموافقة الإدارية (شرح إساءة استخدام موافقة OAuth).
3. تشفير تدفقات البيانات وتجزئتها: حماية البيانات أثناء النقل وفي حالة السكون باستخدام معايير التشفير المدمجة في Azure وMicrosoft 365 وPower Platform. استخدم تجزئة الشبكة وحدود البيئات، مثل فصل مستأجري الإنتاج والاختبار، لإبقاء أحمال عمل الذكاء الاصطناعي الحساسة معزولة بأمان.
4. اكتشاف التهديدات والاستجابة لها: انشر Defender for Cloud وAzure Sentinel للمراقبة المستمرة والاستجابة للحوادث. أتمتة اكتشاف الحالات الشاذة، والهجمات العدائية، أو الوصول غير المصرح به، ثم شغّل سير العمل لتنبيه أصحاب المصلحة، وتقييد المناطق المتأثرة، وبدء مراجعات ما بعد الحادث.

حوكمة البيانات وحمايتها في أنظمة الذكاء الاصطناعي

تبدأ مخاطر الذكاء الاصطناعي غالبًا من البيانات، وهي أيضًا المكان الذي يصعب فيه رصدها. لا تقتصر حوكمة البيانات الجيدة على تأمين الملفات الحساسة، بل تتعلق بترسيخ منهجية منضبطة تضمن أن مجموعات التدريب وبيانات الإنتاج والمحتوى المستمد من الذكاء الاصطناعي تبقى آمنة ومصدرها أخلاقي ومتوافقة مع الأنظمة عبر جميع أنظمة المؤسسة.

تواجه المؤسسات التي تعتمد بدرجة كبيرة على منتجات Microsoft تحدي تنسيق ضوابط البيانات وبروتوكولات الخصوصية عبر SharePoint وFabric وDataverse وPower Platform وOneLake، ولكل منها خصائصه الخاصة. وإذا لم تُعالَج هذه الجزئية بشكل صحيح، فإنك تعرّض عملك للفوضى التشغيلية والمخاطر القانونية والتحيز في الذكاء الاصطناعي الذي قد يصعب كثيرًا التراجع عنه لاحقًا.

تتناول الأقسام التالية الأسس: كيفية فرض ضوابط البيانات، وكيفية حماية المعلومات الأكثر قيمة من المخاطر، وكيفية رصد التحيز قبل أن يتفاقم ليتحول إلى كارثة تجارية أو تتعلق بالامتثال. ويتحقق ذلك بتثبيت المنصات باستخدام قوائم تحقق عملية واستراتيجيات بيانات، والاستعانة ببنى مثل Microsoft Fabric لتحقيق حوكمة قابلة للتوسع ومتسقة.

حوكمة البيانات ومخاطرها في سير عمل الذكاء الاصطناعي

1. بناء إطار عمل لحوكمة البيانات: ضع سياسات واضحة تحدد من يملك البيانات (وليس من يصل إليها فقط)، والمسؤولية عن إدارتها، وكيفية عمل الأذونات. وفي سيناريوهات الذكاء الاصطناعي الحساسة، استخدم Microsoft Dataverse بدلًا من SharePoint لتحقيق قابلية توسع أفضل، والتحكم في المخطط، وأمان على مستوى الحقل (اطلع على المزالق هنا).
2. تحديد أولويات البيانات الحساسة وتصنيفها: استخدم تسميات الحساسية الآلية، والفهرسة، وأدوات تتبع مصدر البيانات (مثل Purview) لضمان تتبع مجموعات البيانات الخاضعة للتنظيم أو عالية القيمة ومعالجتها بشكل صحيح، عبر Microsoft 365 وحدود السحابة.
3. فرض الوصول إلى البيانات المنظمة وتسجيلها: ميّز بين من يملك البيانات ومن يصل إليها، وراجع الأذونات بانتظام، واحتفظ بسجلات التدقيق لجميع الإجراءات الرئيسية. تورث مساعدات الذكاء الاصطناعي مثل Copilot هذه الضوابط، لذا تكمن مخاطرك على مستوى البيانات وليس على مستوى التطبيق فقط (المزيد حول هذه الدقة).
4. مراقبة انحراف البيانات ومخاطر الجودة: قيّم بشكل مستمر حداثة البيانات واكتمالها ومصدرها، وضع عمليات لاكتشاف المشكلات وتصحيحها. يتجنب ذلك مشكلة "القمامة تدخل فتخرج قمامة" التي تُفسد سير العمل التشغيلي وجهود الإنصاف في الذكاء الاصطناعي على حد سواء.
5. الاستجابة السريعة لإخفاقات البيانات: ضع بروتوكولات صارمة للاكتشاف والتوثيق والاستعادة عندما تتسرب مشكلات البيانات، من خلال فرض انضباط المخطط، والأعمدة المفهرسة، ونماذج أذونات واضحة في كل المجالات.

اكتشاف التحيز في الذكاء الاصطناعي المؤسسي والتخفيف منه

• عمليات تدقيق منتظمة للتحيز: استخدم الأدوات المدمجة من Microsoft أو الإضافات التابعة لجهات خارجية لتدقيق مخرجات نماذج الذكاء الاصطناعي بشكل دوري بحثًا عن التحيز عبر جميع الفئات الديموغرافية الرئيسية والسيناريوهات.
• قياس النتائج والإبلاغ عنها: قِس التحيز باستخدام الاختبارات الإحصائية، واعرض النتائج في لوحات معلومات الامتثال للقيادة وفرق التدقيق. ادمج ذلك مع Purview وSentinel للمحتوى المُنشأ بالذكاء الاصطناعي (اطلع على كيفية عمل حوكمة Copilot).
• استراتيجيات التخفيف الآلي: طبّق إعادة تدريب النماذج، أو إعادة أخذ العينات، أو تعزيز البيانات تلقائيًا عند اكتشاف التحيز، بدلًا من انتظار أن يُبلّغ فريق الامتثال عن السلوك الإشكالي بعد أسابيع.
• ربط الجهود بأهداف الأعمال: ضَع تقليل الانحياز ضمن أهداف الأعمال، سواء للامتثال القانوني أو لتجنب الإضرار بالسمعة، فإصلاح الضرر اللاحق بالسمعة يكلّف دائمًا أكثر من الوقاية منه.

إدارة المخاطر التشغيلية ومخاطر الأعمال في الذكاء الاصطناعي المؤسسي

حتى أفضل فرق التقنية تدرك أن مخاطر الذكاء الاصطناعي لا تقتصر على البيانات والشيفرة البرمجية. يجب أن تعالج الجوانب التشغيلية ومتطلبات الأعمال أيضًا، وإلا فقد تُفاجأ بالاضطرابات، أو بأعطال الأنظمة المتتالية، أو بانهيار الامتثال عندما لا تسير الأمور وفق الخطة.

يتطلب الذكاء الاصطناعي على مستوى المؤسسة نهجًا واضحًا في تصنيف المخاطر والمرونة والأثر عبر المنصات المختلفة، خصوصًا عندما تُبنى أدواتك الأساسية على Microsoft 365 أو Azure أو السحب الشريكة. فإذا تعطّل جزء واحد، ستظهر آثاره متتابعةً عبر Teams وPower Automate وSharePoint وغيرها.

تُقدّم المقالات التالية هذه المفاهيم بشكل عملي: كيفية رصد التهديدات التشغيلية مبكرًا، وبناء خطط استمرارية أعمال مرنة، وتصنيف مشاريع الذكاء الاصطناعي حسب مستوى المخاطر، بحيث تتناسب جهود التخفيف مع الأثر المحتمل. لا تقع في خطأ حوكمة الأداة الخاطئة أو إغفال التهديدات المنظومية، وتعلّم من إخفاقات الآخرين (التحليل الكامل هنا) وابدأ بالتفكير "من منظور النظام أولًا"، وليس "أداةً بأداة" فقط.

تقييم المخاطر التشغيلية وبناء القدرة على التعافي

• تقييم شامل للمخاطر: ارسم خريطة لجميع نقاط الفشل الرئيسية، مثل اعتماديات نماذج الذكاء الاصطناعي، وتدفقات البيانات، وسلاسل الأتمتة، من خلال مراجعات دورية وورش عمل مشتركة بين الفرق.
• تخطيط استمرارية الأعمال: ضع خطط استمرارية أعمال تغطي البيانات الاحتياطية، والمسارات البديلة لسير العمل، وإجراءات التحويل السريع إلى أنظمة بديلة لأنظمة الذكاء الاصطناعي الأكثر أهمية للأعمال.
• نماذج تشغيل مرنة: استخدم أطرًا مثل اختبار التعافي من الكوارث ومراجعات الوصول القائمة على الأدوار للحفاظ على وضوح العمليات والتعافي السريع من أعطال الأنظمة.
• المراقبة والتكيّف: راقب وقِس وطوّر دليل المرونة لديك باستمرار مع تغيّر عمليات النشر وملفات المخاطر عبر بيئات Microsoft والبيئات السحابية المتعددة.

تصنيف مخاطر الذكاء الاصطناعي لحالات استخدام مثل الرعاية الصحية وكشف الاحتيال

• تحديد مستويات المخاطر حسب حالة الاستخدام: عيّن علامات مخاطر "عالية" أو "متوسطة" أو "منخفضة" لتطبيقات الذكاء الاصطناعي. تحظى تطبيقات الرعاية الصحية وكشف الاحتيال والتوظيف الآلي بأعلى درجات التدقيق والضوابط.
• تقييم حساسية البيانات والأثر: لكل مشروع، قيّم بناءً على حساسية البيانات المعالجة وعواقب الخطأ أو الانحياز، مثل المسائل المتعلقة بالحياة أو الموت في الرعاية الصحية، والأثر المالي الكبير في كشف الاحتيال.
• تطبيق ضوابط متدرجة: فرض أذونات أكثر صرامةً، ومشاركة بشرية إلزامية في الحلقة، وقابلية تدقيق أعلى للفئات عالية المخاطر، خصوصًا في المجالات الخاضعة للتنظيم والمُدارة عبر سير عمل يعتمد على Microsoft.
• الدمج مع سير عمل الحوكمة: تأكد من تسجيل كل حالة استخدام وتتبعها ضمن سجل نماذج الذكاء الاصطناعي لديك، مع إتاحة بيانات التصنيف لدورات الامتثال والمراجعة الحوكمية.

الأخلاقيات والامتثال القانوني في الذكاء الاصطناعي المؤسسي

لا أحد يريد أن يكون العنوان الرئيسي التالي لنظام ذكاء اصطناعي خرج عن السيطرة. لهذا السبب تقع الأخلاقيات والامتثال القانوني في صميم إدارة مخاطر الذكاء الاصطناعي المؤسسي. فالأمر أكبر من مجرد خانة تُختار للإنجاز، إنه بناء الشفافية وقابلية التفسير والإشراف البشري الحقيقي في كل مرحلة من دورة حياة الذكاء الاصطناعي.

يجب أن يعكس نشر Microsoft لديك، مثل Copilot وDynamics وPower Platform، قيمك، وأن يحافظ على الامتثال التنظيمي، وأن يكون مستعدًا لإثبات المساءلة أمام المدققين والجمهور على حد سواء. وهذا يعني الذكاء الاصطناعي القابل للتفسير، والسجلات القابلة للتدقيق، ونقاط التحقق بمشاركة بشرية، والكشف الاستباقي عن كل الفخاخ القانونية الصغيرة المختبئة في عقودك وخطوط معالجتك.

تتناول الأقسام التالية تحويل هذه المبادئ إلى إجراءات عملية: قابلية التفسير (لأنك لا تستطيع إصلاح ما لا تفهمه)، ونماذج الإشراف البشري، ونهج عملي للحد من المخاطر القانونية، مستندةً إلى أحدث ما توفره الأنظمة الضريبية والتنظيمية، مثل مبادرة ViDA الأوروبية (اطلع على رؤى الامتثال).

قابلية التفسير ودور الإشراف البشري في أنظمة الذكاء الاصطناعي

1. مخرجات نماذج شفافة: استخدم طرق الذكاء الاصطناعي القابل للتفسير (XAI)، مثل قيم SHAP وتفسيرات LIME أو بطاقات النماذج (model cards)، لجعل مخرجات التنبؤ مفهومة للمستخدمين والمدققين وأصحاب المصلحة.
2. الإشراف البشري في الحلقة: اشترط المراجعة البشرية للقرارات الرئيسية في الذكاء الاصطناعي، مثل الموافقة على القروض أو قوائم المرشحين للتوظيف، خاصةً في السيناريوهات عالية المخاطر. ضمّن في عمليتك نقاط تحقق إلزامية يجب فيها على البشر التحقق من مخرجات النموذج أو تجاوزها أو التحقيق فيها.
3. تدريب المستخدمين النهائيين وتمكينهم: وفّر تعليمًا مستمرًا عبر مراكز تعلم خاضعة للحوكمة أو مصادر مركزية، للحفاظ على إطلاع الموظفين ومشاركتهم ومساءلتهم عن الاستخدام السليم للذكاء الاصطناعي (انشر مركز تعلم لرؤية أوضح).
4. قابلية التدقيق للمراجعة التنظيمية: سجّل جميع القرارات الحرجة في الذكاء الاصطناعي وتدخلات البشر للحفاظ على مسار تدقيق واضح، وهو أمر أساسي لمتطلبات GDPR وقانون الذكاء الاصطناعي الأوروبي وغيرها من المتطلبات التنظيمية.

استراتيجيات التخفيف من المخاطر القانونية والامتثال

1. حدّد المسؤولية وحقوق الملكية الفكرية مسبقًا: عرّف ملكية النماذج والبيانات والمخرجات في كل عقد مع المورّد وفي كل نهج داخلي. وبالنسبة لأي خدمة ذكاء اصطناعي مُسندة إلى جهة خارجية، اطلب شروطًا واضحة بشأن التعويض وحقوق الملكية الفكرية والمساءلة في العقود.
2. طبّق حماية البيانات والامتثال للخصوصية: طبّق تقليل البيانات وضوابط وصول قوية ومسارات تدقيق آلية، وهو ما يسهل تحقيقه عبر سجلات Microsoft Purview الشاملة (تدقيق نشاط المستخدمين هنا)، للامتثال لـ GDPR وCCPA واللوائح الخاصة بكل قطاع.
3. مراقبة الامتثال التنظيمي بشكل استباقي: تابع التغييرات في اللوائح الرئيسية (قانون الذكاء الاصطناعي الأوروبي وHIPAA والقواعد الخاصة بكل قطاع)، وعيّن مسؤولين عن الامتثال لتحديث تقييمات المخاطر وخطط العمل.
4. تخفيف مخاطر الداخليين والموردين: استخدم صلاحيات وصول متدرجة، ومراجعات دورية للوصول، ومراقبة شاملة (تشمل Microsoft Sentinel) لاكتشاف احتمالات خرق البيانات أو إساءة استخدام النماذج أو إخفاقات الامتثال، خاصةً مع عمليات التكامل مع الأطراف الخارجية.
5. ضع بروتوكولات تدريب وتواصل بشأن المخاطر القانونية: تأكد من أن قادة الأعمال والمطوّرين وفرق الدعم يدركون الأبعاد القانونية لقرارات الذكاء الاصطناعي. فبرامج التدريب وتحديثات السياسات وورش الامتثال المنتظمة تُبقي الجميع على الصفحة نفسها (المنظَّمة).

الأخطاء الشائعة في الأخلاقيات والامتثال القانوني لذكاء الاصطناعي في المؤسسات

فيما يلي أخطاء متكررة ترتكبها المؤسسات عند التعامل مع الأخلاقيات والامتثال القانوني ضمن إدارة مخاطر الذكاء الاصطناعي في المؤسسات، مع شرح موجز وإجراءات تصحيحية مقترحة.

الخطأ: إجراء مراجعة قانونية أو تدقيق لمرة واحدة والافتراض أن الامتثال مستمر.

لماذا هو خطير: القوانين والنماذج ومصادر البيانات وحالات الاستخدام في الأعمال تتطور، ومعها تتطور المخاطر والالتزامات.

التخفيف: طبّق مراقبة مستمرة وإعادة تقييم دورية، وحدّث السياسات والضوابط كلما تغيّرت النماذج أو حالات الاستخدام.

الخطأ: إعادة استخدام إجراءات حماية البيانات القديمة دون تقييم تدفقات البيانات الخاصة بالذكاء الاصطناعي، أو مجموعات التدريب، أو مخرجات النماذج.

لماذا هو خطير: يمكن للذكاء الاصطناعي استنتاج سمات حساسة، أو تمكين إعادة تحديد الهوية، أو إنتاج مخرجات لم تكن الضوابط التقليدية تتوقعها.

التخفيف: ارسم مسار أصل البيانات (data lineage) لخطوط أنابيب الذكاء الاصطناعي، ونفّذ تقييمات DPIA وPIA لتطوير النماذج ونشرها، وطبّق تقليل البيانات وإخفاء الهوية وقيود الغرض حيثما كان ذلك مناسبًا.

3. إهمال التحيز والإنصاف بما يتجاوز البيانات المعلنة على مستوى عالٍ

الخطأ: إصدار مبادئ أخلاقية دون تحويلها إلى اختبار للتحيز أو معالجته أو حوكمته بشكل عملي.

لماذا هو خطير: التحيز غير المكتشف أو غير المعالَج قد يؤدي إلى التمييز وإلحاق الضرر بالسمعة والتعرض للمساءلة القانونية.

التخفيف: حدّد مقاييس إنصاف قابلة للقياس، ونفّذ تقييمات للتحيز قبل النشر وبشكل مستمر، ووثّق الفحوصات، واشترط خطوات المعالجة قبل الإنتاج.

الخطأ: التعامل مع نماذج المورّدين أو النماذج مفتوحة المصدر كصناديق سوداء دون إجراء العناية الواجبة لسلسلة التوريد.

لماذا هو خطير: التراخيص وأصل النموذج ومشكلات بيانات التدريب والقدرات المخفية قد تُنشئ مخاطر امتثال وملكية فكرية.

التخفيف: إجراء تقييمات لمخاطر الموردين، والمطالبة بتوثيق مصدر النماذج وأصلها، والتحقق من شروط الترخيص، وتنفيذ اختبارات مستقلة للأمان والسلامة.

الخطأ: إبقاء فريق القانون والامتثال منعزلًا عن فرق المنتج والهندسة والمخاطر.

لماذا هذا محفوف بالمخاطر: يؤدي سوء المواءمة إلى اكتشاف المشكلات متأخرًا، أو وضع ضوابط غير مناسبة، أو اتخاذ قرارات تجارية تزيد من التعرض القانوني.

التخفيف: إنشاء هيئات حوكمة متعددة التخصصات، ودمج مراجعات الأخلاقيات والقانون في دورة حياة تطوير المنتج، وتضمين نقاط تحقق للامتثال في عمليات الإصدار.

الخطأ: نشر النماذج دون توثيق كافٍ للقرارات والبيانات وقيود النموذج والاستخدام المقصود.

لماذا هذا محفوف بالمخاطر: قد تطلب الجهات التنظيمية والعملاء وفرق الاستجابة للحوادث تفسيرات، ويعيق غياب التوثيق عمليات التدقيق والمعالجة.

التخفيف: الاحتفاظ ببطاقات النماذج وأوراق البيانات وتسجيل القرارات وتقارير الاختبار، وتوثيق الاستخدام المقصود والأداء والقيود.

الخطأ: افتراض أن نظامًا قانونيًا واحدًا ينطبق عالميًا، أو أن القانون الحالي ثابت لا يتغير.

لماذا هذا محفوف بالمخاطر: تختلف قواعد الذكاء الاصطناعي والخصوصية وحماية المستهلك والقواعد القطاعية بين الولايات القضائية، وتظهر لوائح جديدة بسرعة.

التخفيف: متابعة التطورات التنظيمية العالمية، وإجراء تحليلات للأثر القضائي، وتصميم ضوابط قابلة للتكيف مع أنظمة أكثر صرامة.

الخطأ: الاعتقاد بأن مجموعات الأدوات (مثل خوارزميات إزالة التحيز) تكفي وحدها لحل المخاوف الأخلاقية.

لماذا هذا محفوف بالمخاطر: تنطوي القضايا الأخلاقية غالبًا على مفاضلات وحوكمة وحكم بشري يتجاوز التعديلات الخوارزمية.

التخفيف: الجمع بين الضوابط التقنية والسياسات والحوكمة والإشراف البشري وإشراك أصحاب المصلحة، لاتخاذ قرارات تتوافق مع القيم.

الخطأ: غياب إجراءات واضحة وأدوار ومسارات تصعيد للأضرار المرتبطة بالذكاء الاصطناعي أو الاستفسارات القانونية.

لماذا هذا محفوف بالمخاطر: تؤدي الاستجابات البطيئة أو غير المنسقة إلى تفاقم الضرر والعقوبات التنظيمية وفقدان الثقة.

التخفيف: تحديد خطط استجابة للحوادث خاصة بحوادث الذكاء الاصطناعي، وتعيين مالكين مسؤولين، والتدرب على سيناريوهات الاستجابة.

الخطأ: استخدام إشعارات غامضة أو موافقات غير واضحة للقرارات المدفوعة بالذكاء الاصطناعي وجمع البيانات.

لماذا هذا محفوف بالمخاطر: يتوقع المستهلكون والجهات التنظيمية شفافية ذات معنى؛ وقد يؤدي الإفصاح غير الكافي إلى مخالفة القوانين وتآكل الثقة.

التخفيف: تقديم إفصاحات واضحة وسهلة الوصول حول استخدام الذكاء الاصطناعي وممارسات البيانات، مع توفير خيارات الانسحاب أو المراجعة البشرية عند الاقتضاء.

الخطأ: التعامل مع الأخلاقيات كخطاب نوعي فقط، بدلًا من دمجها في تقييم المخاطر وتخطيط رأس المال.

لماذا هذا محفوف بالمخاطر: لا تستطيع الإدارة تحديد الأولويات أو تخصيص الموارد للتخفيف دون مقاييس مخاطر قابلة للقياس.

التخفيف: إدراج مقاييس أخلاقيات الذكاء الاصطناعي والامتثال ضمن إطار إدارة المخاطر المؤسسية، وربطها بمؤشرات أداء الحوكمة.

الخطأ: افتراض أن المهندسين ومديري المنتجات والتنفيذيين يدركون المتطلبات القانونية والأخلاقية الخاصة بالذكاء الاصطناعي.

لماذا هذا محفوف بالمخاطر: يعود سوء الاستخدام ومعالجة البيانات بشكل غير سليم وقرارات النشر الخاطئة إلى نقص الوعي.

التخفيف: توفير تدريب مبني على الأدوار، وأدلة إجراءات واضحة، وإتاحة خبرات قانونية وأخلاقية لفرق الذكاء الاصطناعي.

معالجة هذه الأخطاء تعزز إدارة مخاطر الذكاء الاصطناعي في المؤسسة، إذ تجعل الأخلاقيات والامتثال القانوني عمليين وقابلين للقياس، وجزءًا من عملية اتخاذ القرار اليومية.

التحديات الناشئة في إدارة مخاطر الذكاء الاصطناعي

ما إن تظن أنك أحكمت السيطرة على مخاطر الذكاء الاصطناعي، حتى يتغير المشهد من جديد. فنماذج الذكاء الاصطناعي التوليدي، وأنواع جديدة من الوكلاء المستقلين، وانتشار Shadow AI تقلب التهديدات القديمة رأسًا على عقب، وتفرض تحديات جديدة حتى على أكثر قادة تقنية المعلومات خبرة.

تواجه المؤسسات الكبيرة، خاصةً تلك التي تعتمد على منظومة Microsoft المتطورة باستمرار، تحديات فريدة في الحوكمة والأمن، مثل عمليات النشر غير الخاضعة للرقابة، وبحيرات البيانات غير المُدارة، ومنظومات الروبوتات التي لا تلتزم بالقواعد. ولمواكبة هذه التحديات لا يكفي الاكتفاء بالسياسات والتوثيق، بل يجب تضمين ضوابط تكتشف هذه المخاطر قبل أن تتفاقم.

في الجزء التالي سنتناول بالتفصيل كيفية إدارة التحديات المفاجئة للذكاء الاصطناعي التوليدي والحد من الذكاء الاصطناعي الظلي، مع الاستفادة من الاستراتيجيات المستخلصة من حوادث حقيقية لتكنولوجيا المعلومات الظلية ومن حوكمة وكلاء الذكاء الاصطناعي في Microsoft 365. استعدّوا، فهذه ليست مخاطر الأمس، ويجب أن تكون خطتكم جاهزة للتكيّف معها.

إدارة مخاطر الذكاء الاصطناعي التوليدي والوكلاء المتقدمين

1. مراقبة المخرجات غير المتوقعة والمعلومات المضللة: يمكن للنماذج التوليدية أن تنتج مخرجات متحيزة أو غير منطقية أو ضارة تماماً. أنشئ مسارات مراجعة قبل المعالجة وبعدها لتحديد المخرجات الإشكالية وتصفيتها، خاصةً في أدوات مثل Microsoft Copilot Notebooks، حيث يمكن أن تظهر "بحيرات بيانات ظلية" جديدة تحتوي على محتوى يصعب تتبّعه (للمزيد هنا).
2. اكتشاف انحراف الامتثال والبيانات الظلية: يمكن للذكاء الاصطناعي التوليدي أن ينشئ بيانات مشتقة تتجاوز تصنيف البيانات المعتاد أو بروتوكولات تسمية الحساسية. استخدم وسم البيانات الآلي، والمراجعات الدورية، والتسمية الافتراضية للمخرجات المولّدة لمنع مخالفات الامتثال لاحقاً.
3. تقييد هويات الوكلاء وأذوناتهم: استخدم Entra Agent ID وRBAC وضوابط قوية لحدود البيانات في بيئات Power Platform لمنع الوكلاء من "الانحراف" نحو بيانات لا ينبغي لهم الوصول إليها. وقيّد الاتصال بالشبكة ونطاقات الموصلات واستمرارية الجلسات للحد بشكل كبير من احتمال خروج الوكيل عن الغرض المحدد له.
4. المراجعة الدورية واختبار القدرات المتقدمة: جدوِل مراجعات واختبارات "الفريق الأحمر" للنماذج والوكلاء الذين يتطورون عبر التعلم الذاتي أو تمتلك مجموعات قدرات مفتوحة، لاكتشاف المخاطر الخفية قبل أن تتوسع عبر بيئاتكم المبنية على Microsoft.

معالجة الذكاء الاصطناعي الظلي والاستخدام غير المصرح به ومنظومة الذكاء الاصطناعي

1. تحديد الذكاء الاصطناعي الظلي وجرده: يشمل الذكاء الاصطناعي الظلي أي روبوتات أو تطبيقات أو نماذج غير معتمدة تعمل خارج الحوكمة المعتمدة. استخدم Defender for Cloud Apps وسجلات Entra ID وحدود DLP في Purview لكشف عمليات النشر غير الخاضعة للرقابة (احصل على خطة عملية).
2. فرض مسارات الموافقة وحدود DLP: اشترط أن تمر جميع عمليات نشر الذكاء الاصطناعي الجديدة بتقييمات موثّقة للمخاطر وتدفق البيانات قبل منحها الوصول إلى بيئة الإنتاج، مع تطبيق نهج DLP ونهج الوصول المشروط لتأمين نقاط النهاية الحساسة في Microsoft 365 وAzure.
3. تقييد نطاقات التطبيقات والوكلاء افتراضياً: طبّق مبدأ أقل الصلاحيات على أدوات الذكاء الاصطناعي والتكاملات، وامنع موصلات HTTP غير المعتمدة ونطاقات أذونات Graph الواسعة، واربط الحوكمة بقيود النظام الفعلية لا بالنوايا فقط (اقرأ لماذا لا تنفع السياسات وحدها).
4. الحفاظ على المراقبة المستمرة والمعالجة: نفّذ جولات دورية لاكتشاف تكنولوجيا المعلومات الظلية، ووفّر للموظفين توعية حول المخاطر، وضع إجراءات لتوثيق المخالفات ومعالجتها دون الإخلال بالإنتاجية المشروعة.

إدارة مخاطر سلسلة توريد الذكاء الاصطناعي والأطراف الثالثة

لا يكتمل برنامج مخاطر الذكاء الاصطناعي في المؤسسة دون النظر إلى ما وراء جدرانها الداخلية. ومع توسّع عمليات نشر الذكاء الاصطناعي القائمة على Microsoft، تصبح الجهات الموردة الخارجية والنماذج مفتوحة المصدر ضيوفاً دائمين في مطبخكم الرقمي، ويحمل كل منها معه مفاجآت (قد تكون سيئة) خاصة به.

ومع ذلك، غالباً ما تُغفَل هذه المخاطر الخارجية، فتترك ثغرات يستغلها المهاجمون، أو فجوات في الامتثال، أو مفاجآت تشغيلية. لا تدع مخاطر الموردين تباغتك. تحتاج إلى إجراءات منضبطة لتقييم الموردين والمكونات مفتوحة المصدر، والتحقق من الثغرات الأمنية، وعدم التوافق القانوني، ومخاطر "نماذج المجتمع"، خاصةً مع دمج الذكاء الاصطناعي في كل جانب من عمليات أعمالكم.

في الأقسام التفصيلية التالية ستحصل على إطار عملي للعناية الواجبة عند تقييم الموردين، إضافة إلى نصائح للاستفادة بأمان من الذكاء الاصطناعي مفتوح المصدر ضمن بيئة Microsoft لديك. فإذا لم تكن تعرف مصدر برمجياتك، فلن تتمكن من معرفة مخاطرك.

تقييم مخاطر الموردين لحلول الذكاء الاصطناعي المؤسسية

• وضعية الأمان: دقّق في الأمن السيبراني للمورد، مع البحث عن أدلة على اختبار ضوابط الوصول والتشفير وقدرات الاستجابة للحوادث.
• الشهادات والامتثال: تحقّق من الشهادات (ISO وSOC والجاهزية للائحة GDPR)، واطلب دليلاً عملياً على الامتثال التنظيمي، لا مجرد شرائح عروض تقديمية.
• ممارسات الذكاء الاصطناعي الأخلاقية: راجع منهجيات المورد في معالجة الانحياز، وقابلية التفسير، وتتبّع أصل البيانات، وذلك ضمن مفاوضات العقد.
• المرونة التشغيلية: قيّم قنوات الدعم، وضمانات التوفر، واتفاقيات مستوى الخدمة للاستجابة عندما تسوء الأمور، فالسؤال ليس «هل»، بل «متى».
• الحماية التعاقدية: تأكد من أن العقود تحدد بوضوح توزيع المخاطر والمسؤولية والتعويضات، وإجراءات واضحة للتدقيق وسيناريوهات إنهاء العلاقة.

إدارة الثغرات في نماذج الذكاء الاصطناعي مفتوحة المصدر

• الامتثال للترخيص: تأكد من أن كل نموذج مفتوح المصدر مستخدم يحمل ترخيصاً واضحاً ومتوافقاً، وأن جميع التبعيات موثّقة بشكل صحيح، وتجنّب التعدي غير المقصود على حقوق الملكية الفكرية.
• إدارة التصحيحات والثغرات: راجع النماذج بشكل دوري بحثاً عن ثغرات غير مُصحّحة أو تبعيات قديمة. ضع سياسات تقضي بتصحيح التحديثات واختبارها قبل استخدامها في بيئة الإنتاج.
• فحوصات الانحياز والشفافية: راجع بيانات التدريب ووثائق النموذج لكشف الانحيازات الخفية التي قد تكون تسللت من المجتمع أو من مجموعات بيانات خارجية.
• فحوصات الأمان للتكامل: قبل نشر نماذج مفتوحة المصدر في أنظمة Microsoft، أجرِ فحوصات صارمة للأمان والخصوصية للتأكد من عدم وجود أبواب خلفية أو إعدادات خاطئة متبقية.

الاستجابة للحوادث المتعلقة بالذكاء الاصطناعي ونمذجة الأثر المالي

حتى مع أفضل التخطيط، تقع إخفاقات الذكاء الاصطناعي. والاختبار الحقيقي يكمن في ما تفعله بعد ذلك. وهنا تكون خطط الاستجابة للحوادث ونمذجة الأثر المالي مفيدتين: فهما تمنحان فريقك بروتوكولات واضحة للحد من الأضرار، وإعادة بناء الثقة، وضمان ألّا تتعرض الميزانيات (والسمعة) لضربة أكبر مما يجب.

الاستعداد للحوادث يعني أكثر من فتح تذكرة والأمل في الأفضل. تحتاج إلى أدلة إجرائية خطوة بخطوة لكل شيء، بدءاً من انحراف النموذج وصولاً إلى تسميم البيانات، مدعومةً بالتوثيق، وإمكانية إعادة التشغيل، وتحليلات دقيقة للقيادة والمدققين على حد سواء. أما على الجانب المالي، فالأمر يتطلب تحديد الأثر المحتمل كمياً، وتبرير ميزانيات التأمين، والتفاوض على نقل المخاطر مع الموردين والشركاء، حتى لا تُغرق ليلة سيئة واحدة السفينة بأكملها.

تعرض الأقسام التالية كيفية هيكلة بروتوكولات الاستجابة للإخفاقات ووضع أرقام تقريبية لحجم التعرض للمخاطر. وبامتلاك هذه الأدوات، ستكون مستعداً لأي فوضى قد تُلقيها أنظمة الذكاء الاصطناعي في الغد، سواء على مستوى الميزانية أو مجلس الإدارة أو ما هو أبعد من ذلك.

إرساء بروتوكولات الإخفاق لأنظمة الذكاء الاصطناعي

• اكتشاف الحوادث وفرزها: أعدّ تنبيهات آلية وإجراءات فرز لتحديد الشذوذ والإخفاقات والمخرجات المشبوهة بسرعة، حتى لا تضيع وقتاً ثميناً في الاستجابة.
• الاحتواء والتوثيق: أوقف الأنظمة المتأثرة، وسجّل كل النشاط، ووثّق الجدول الزمني لتوفير سجل واضح لتحليل ما بعد الحادثة ومراجعات الامتثال.
• تحليل السبب الجذري وإمكانية إعادة الإنتاج: استخدم البيانات المسجّلة وحالات النموذج لإعادة تشغيل الإخفاق، بما يتيح تشخيصاً دقيقاً واكتشافاً أسرع للسبب الجذري.
• المعالجة والتواصل: طبّق إجراءات الإصلاح المعتمدة (الرجوع إلى نسخة سابقة، وإعادة التدريب، وتطبيق التصحيحات)، وأشرك قادة التواصل لإبلاغ الأطراف المعنية، وعند الحاجة الجهات التنظيمية.

تحديد الأثر المالي ونقل مخاطر الذكاء الاصطناعي

1. تحديد المخاطر الرئيسية للذكاء الاصطناعي وتصنيفها: قيّم أنواع الأحداث، كخروقات البيانات وحوادث الانحياز والمخالفات التنظيمية والإخفاقات التشغيلية، التي قد تضرب مؤسستك في أهم ما تملك. يتيح التصنيف تحديد قيم المخاطر وتوقع احتياجات التأمين.
2. تخصيص قيم نقدية للمخاطر: اعمل مع فرق المالية ومسؤولي المخاطر والمستشارين القانونيين لتقدير التكاليف المباشرة وغير المباشرة، مثل الغرامات التنظيمية ونفقات المعالجة والإيرادات المفقودة والضرر المحتمل بالسمعة. ونمذج السيناريوهات بالاستناد إلى الحوادث التاريخية والبيانات الداخلية والمعايير الصناعية.
3. الميزانية وتحديد الأولويات بناءً على حجم التعرّض: استخدم هذا القياس لتوجيه استثماراتك في تخفيف المخاطر، فتخصص الميزانية للضوابط والتدقيق أو توسيع الفريق في المجالات الأعلى خطورة (راجع سبب أهمية إعادة الإسناد والتطبيق الفعّال للنهج لتحقيق المساءلة الحقيقية).
4. نقل المخاطر عبر التأمين والعقود: ابحث عن وثائق التأمين ضد المخاطر السيبرانية المصممة خصيصاً للخسائر المرتبطة بالذكاء الاصطناعي، بما يشمل تغطية المسؤولية عن الأخطاء الخوارزمية أو خروقات البيانات. وسّع نطاق التغطية من خلال عقود مع الموردين مُفاوَض عليها بعناية، وبنود لتوزيع المخاطر، مع تحميل الشركاء الخارجيين المسؤولية حيثما يكون ذلك مناسباً.
5. إعادة التقييم المستمر: راجع قياس المخاطر واستراتيجيات نقلها مرة واحدة على الأقل سنوياً، أو بعد الحوادث الكبرى، لضمان بقاء التغطية والضوابط ذات صلة مع تطور بيئة الذكاء الاصطناعي لديك والتزاماتك التنظيمية.

المخاطر المرتبطة بأنظمة الذكاء الاصطناعي ودورة حياة الذكاء الاصطناعي

ما أكثر المخاطر شيوعاً المرتبطة بأنظمة الذكاء الاصطناعي في المؤسسات؟

تشمل أكثر المخاطر شيوعاً المرتبطة بأنظمة الذكاء الاصطناعي: التحيز في النماذج ومشكلات العدالة، وخروقات خصوصية البيانات، والمخاطر الأمنية الناتجة عن الهجمات العدائية، وغياب إمكانية التفسير، والمخالفات المتعلقة بالامتثال والتنظيم، وإخفاقات التشغيل أثناء النشر، والإضرار بالسمعة. تنشأ هذه المخاطر طوال دورة حياة الذكاء الاصطناعي، بدءاً من جمع البيانات وتدريب النماذج وصولاً إلى النشر والمراقبة. ويجمع إدارة المخاطر الفعّالة للذكاء الاصطناعي بين هيكل الحوكمة، وأطر المخاطر مثل NIST AI RMF، والضوابط التقنية، للتخفيف من مخاطر الذكاء الاصطناعي ودعم الذكاء الاصطناعي الجدير بالثقة.

كيف تختلف المخاطر عبر دورة حياة الذكاء الاصطناعي عن مخاطر تقنية المعلومات التقليدية؟

المخاطر عبر دورة حياة الذكاء الاصطناعي غالباً ما تكون ديناميكية ومرتبطة بالسياق: فالنماذج تتغير مع بيانات التدريب الجديدة، ويمكن أن ينحرف الأداء في بيئة الإنتاج، وتعتمد المخرجات على طبيعة الذكاء الاصطناعي وبيئة تدريبه. وعلى عكس تقنية المعلومات التقليدية، قد تُنتج منتجات الذكاء الاصطناعي مخرجات احتمالية، وتفتقر إلى مسارات تدقيق حتمية، وتتطلب تحققاً مستمراً. لذلك تستلزم المخاطر وعمليات الضبط عملاً مصمماً خصيصاً لدورة حياة الذكاء الاصطناعي، يشمل حوكمة البيانات، والتحقق من صحة النماذج، والمراقبة، لضمان تطوير ذكاء اصطناعي مسؤول وأنظمة ذكاء اصطناعي جديرة بالثقة.

أي مراحل دورة حياة الذكاء الاصطناعي هي الأعلى خطورة في الاستخدام المؤسسي للذكاء الاصطناعي؟

تشمل المراحل عالية الخطورة عادةً: الحصول على البيانات (الخصوصية والتحيز)، وتدريب النماذج (تضخيم التحيز والتدريب غير الآمن)، والتحقق والاختبار (تقييم غير كافٍ وضعف في التعميم)، والنشر (إخفاقات التكامل والسلوك غير المتوقع)، والصيانة والمراقبة (انحراف النماذج وتدهورها). وبالنسبة لأنظمة الذكاء الاصطناعي عالية الخطورة وحالات الاستخدام في الخدمات المالية، تُعدّ الضوابط الأكثر صرامة والإشراف، ووضوح ملكية المخاطر، والتدقيق الدوري أموراً حاسمة لإدارة مخاطر الذكاء الاصطناعي بفعالية.

NIST AI RMF وأطر المخاطر وحوكمة المخاطر وإدارتها

ما هو NIST AI RMF وكيف يساعد في إدارة مخاطر الذكاء الاصطناعي؟

إطار NIST AI RMF هو إطار طوعي يقدّم مبادئ وإرشادات لإدارة مخاطر الذكاء الاصطناعي طوال دورة حياته. ويساعد المؤسسات من خلال توفير نهج منظّم لتحديد المخاطر وتقييمها والتخفيف منها، ومواءمة الحوكمة وإدارة المخاطر، وتعزيز الذكاء الاصطناعي الجدير بالثقة. ويدعم تطبيق المفاهيم الأساسية لإطار AI RMF إدارةً فعّالة لمخاطر الذكاء الاصطناعي، ويوضح مستوى تحمّل المخاطر، ويدمج الضوابط التقنية والتنظيمية.

كيف تدعم أطر المخاطر مثل NIST AI RMF بناء ذكاء اصطناعي جدير بالثقة على نطاق واسع؟

تُرسي أطر المخاطر عمليات قابلة للتكرار، وأدواراً ومقاييس تتوسع عبر مشاريع الذكاء الاصطناعي المتعددة. فهي تتيح تصنيف أنظمة الذكاء الاصطناعي بشكل متسق حسب مستوى الخطورة، وتحدد متطلبات الذكاء الاصطناعي، وتدعم هيكل الحوكمة وتكامل المخاطر مع الحوكمة. ويسهّل هذا التوحيد نشر الذكاء الاصطناعي على نطاق واسع مع الحفاظ على الثقة فيه، من خلال المراقبة والتحقق والتوثيق الواضح لقرارات تتوافق مع ممارسات الذكاء الاصطناعي المسؤول.

كيف ينبغي للمؤسسة أن تحدد مستوى تحمّل المخاطر لمبادرات الذكاء الاصطناعي؟

يتطلب تحديد مستوى تحمّل المخاطر مواءمة شهية المؤسسة للمخاطر مع الفوائد المحتملة للذكاء الاصطناعي، والالتزامات التنظيمية، وتوقعات أصحاب المصلحة. ينبغي للمؤسسات تصنيف أنظمة الذكاء الاصطناعي (مثلاً: مخاطر منخفضة، أو متوسطة، أو عالية)، وتحديد مسؤولية واضحة عن المخاطر، وتعريف حدود مقبولة للأداء والإنصاف والخصوصية. إن إشراك الفرق القانونية والامتثال وقادة الأعمال والفرق التقنية يضمن أن يحقق نهجكم لمخاطر الذكاء الاصطناعي توازناً بين الابتكار والتخفيف من المخاطر، ويدعم إدارة فعّالة لمخاطر الذكاء الاصطناعي.

إدارة مخاطر الذكاء الاصطناعي، والتخفيف من مخاطره، وممارسات الذكاء الاصطناعي المسؤول

ما الضوابط التقنية وغير التقنية التي تساعد على التخفيف من مخاطر الذكاء الاصطناعي؟

تشمل الضوابط التقنية تتبع منشأ البيانات وأصلها، والتحقق القوي من البيانات، وأدوات قابلية تفسير النماذج، والاختبار العدائي، والخصوصية التفاضلية، وتقديم النماذج بشكل آمن، والمراقبة المستمرة لانحراف النموذج (Drift). أما الضوابط غير التقنية فتشمل هيكل الحوكمة، وسياسات تطوير الذكاء الاصطناعي المسؤول، وتدريب الموظفين، ووضوح مسؤولية المخاطر، وخطط الاستجابة للحوادث، وإدارة الموردين الخارجيين. إن الجمع بين النوعين يُنشئ نهجاً شاملاً للتخفيف من مخاطر الذكاء الاصطناعي والحفاظ على أنظمة ذكاء اصطناعي جديرة بالثقة.

كيف يمكن للمؤسسات ضمان تطوير الذكاء الاصطناعي ونشره بشكل مسؤول؟

ينبغي للمؤسسات اعتماد إرشادات لتطوير الذكاء الاصطناعي المسؤول تغطي الأخلاقيات والشفافية والإنصاف والخصوصية. وتشمل الممارسات اختبار التحيز، وبناء مجموعات بيانات شاملة، وتوثيقاً دقيقاً (بطاقات النماذج، وأوراق البيانات)، ومجالس مراجعة متعددة الوظائف، وفحوصات الامتثال قبل نشر أنظمة الذكاء الاصطناعي. كما أن المراقبة المستمرة بعد النشر، وقنوات استقبال ملاحظات أصحاب المصلحة، أمران أساسيان للحفاظ على الذكاء الاصطناعي المسؤول طوال دورة حياته.

ما الدور الذي تؤديه قابلية التفسير في التخفيف من المخاطر المرتبطة بالذكاء الاصطناعي؟

تساعد قابلية التفسير أصحاب المصلحة على فهم قرارات النماذج، وتدعم الامتثال التنظيمي، وتكشف التحيزات المحتملة وأنماط الفشل. ورغم أنها ليست متاحة بالكامل دائماً للنماذج المعقدة، فإن استخدام النماذج القابلة للتفسير حيثما أمكن، وتقنيات التفسير المحلي، والتوثيق، يحسّن الشفافية. وتُعدّ قابلية التفسير عنصراً أساسياً في الثقة بالذكاء الاصطناعي، وغالباً ما تكون مطلوبة لأنظمة الذكاء الاصطناعي عالية المخاطر، خاصةً في قطاعات مثل الخدمات المالية والرعاية الصحية.

إدارة مخاطر الذكاء الاصطناعي عبر القطاعات، والذكاء الاصطناعي على نطاق واسع، وإدارة مخاطر الذكاء الاصطناعي الكبرى

كيف تختلف إدارة مخاطر الذكاء الاصطناعي بين قطاعات مثل الخدمات المالية والرعاية الصحية؟

تواجه الخدمات المالية والرعاية الصحية تدقيقاً تنظيمياً أشد، واحتمالاً أعلى للضرر، ومتطلبات امتثال أكثر تعقيداً. ويجب على الخدمات المالية إدارة مخاطر النماذج في الإقراض والتداول وكشف الاحتيال بضوابط قوية وقابلية للتدقيق، بينما يجب على الرعاية الصحية إعطاء الأولوية لسلامة المرضى والخصوصية والتحقق السريري. ويتطلب القطاعان التحقق والحوكمة والتوثيق الخاصة بكل مجال، غير أن حجم العواقب وطبيعتها تحدد النهج المتبع في إدارة مخاطر الذكاء الاصطناعي في كل قطاع.

ما التحديات التي تنشأ عند توسيع نطاق الذكاء الاصطناعي عبر المؤسسة، وكيف يمكن معالجتها؟

تشمل التحديات جودة البيانات غير المتسقة، والحوكمة المجزأة، وتفاوت ممارسات تطوير النماذج، وتفعيل المراقبة عملياً، وإدارة الإصدارات. ولمعالجتها ينبغي إرساء معايير على مستوى المؤسسة، وسلاسل أدوات مشتركة، وسجلات مركزية للنماذج، وخطوط أتمتة للاختبار والنشر، وهيكل حوكمة يفرض أطر المخاطر ويعزز التعاون بين علم البيانات وتقنية المعلومات ووحدات الأعمال، بما يتيح ذكاءً اصطناعياً جديراً بالثقة على نطاق واسع.

ما الأنشطة الرئيسية لإدارة مخاطر الذكاء الاصطناعي في المؤسسات الكبيرة؟

تشمل الأنشطة الرئيسية تقييم مخاطر أنظمة الذكاء الاصطناعي وتصنيفها، وتطبيق إطار NIST AI RMF أو أطر مكافئة له، وإنشاء هيكل حوكمة ومسؤولية واضحة عن المخاطر، وتصميم ضوابط لسلامة البيانات والنماذج، والمراقبة المستمرة وإدارة الحوادث، وتدريب الموظفين على ممارسات الذكاء الاصطناعي المسؤول. كما تُعد عمليات التدقيق المنتظمة، والتقييمات الخارجية، والمواءمة مع المتطلبات التنظيمية، عناصر أساسية في نهج ناضج لإدارة مخاطر الذكاء الاصطناعي.

الذكاء الاصطناعي الجدير بالثقة، ودورة حياة الذكاء الاصطناعي، وتنفيذ إدارة المخاطر

كيف تبني أنظمة ذكاء اصطناعي جديرة بالثقة من مرحلة التصميم وحتى الإيقاف؟

يتطلب بناء الذكاء الاصطناعي الموثوق دمج الأخلاقيات والأمن والخصوصية والمتانة منذ مرحلة التصميم، ويشمل ذلك تحديد المتطلبات، واختيار مجموعات البيانات المناسبة، وفرض حوكمة البيانات، وإجراء اختبارات دقيقة، وضمان قابلية التفسير. وأثناء النشر، ينبغي تطبيق ضوابط الوصول والمراقبة والتحقق من الأداء. وعند الإيقاف، ينبغي الحفاظ على مسارات التدقيق، وأرشفة النماذج والبيانات بشكل آمن، وإدارة عملية الإيقاف لتجنب المخاطر المتبقية. إن تطبيق هذه الضوابط طوال دورة حياة الذكاء الاصطناعي يدعم أنظمة الذكاء الاصطناعي الموثوقة، ويساهم في الامتثال لتوقعات الحوكمة وإدارة المخاطر.

ما مدى أهمية تحديد مالك واضح للمخاطر في إدارة مخاطر الذكاء الاصطناعي الفعّالة؟

إن تحديد مالك واضح للمخاطر أمر بالغ الأهمية، إذ يضمن المالكون المعيّنون المساءلة عن تقييمات المخاطر، وخطط التخفيف، والمراقبة، والاستجابة للحوادث. ويجب أن تكون الملكية متعددة الوظائف، حيث يؤدي قادة الأعمال، وعلماء البيانات، وفرق الامتثال، وفرق الأمن أدوارًا محددة. ويسهّل الملكية الواضحة اتخاذ القرار، ويوضح مستوى تحمل المخاطر، ويتيح تنفيذ إجراءات التخفيف في الوقت المناسب للحد من مخاطر الذكاء الاصطناعي عبر المشاريع.

كيف ينبغي للمؤسسات التعامل مع مكوّنات الذكاء الاصطناعي من أطراف خارجية ومفتوحة المصدر؟

تعامل مع المكوّنات الخارجية ومفتوحة المصدر باعتبارها جزءًا من سلسلة توريد الذكاء الاصطناعي، وذلك عبر إجراء العناية الواجبة فيما يخص المصدر والترخيص والثغرات المعروفة، وتقييم سلوك النموذج باستخدام بياناتك، وتطبيق تقييمات مخاطر الموردين، وإدراج هذه المكوّنات في عمليات المراقبة والترقيع. ينبغي أن تتضمن العقود متطلبات الشفافية والضوابط التي تدعم تطوير الذكاء الاصطناعي المسؤول، وأن تغطي أطر المخاطر استخدام تقنيات الذكاء الاصطناعي المقدَّمة من مزودين خارجيين، بما يسهم في التخفيف الفعّال من مخاطر الذكاء الاصطناعي.

استمع أيضًا إلى

إذا كنت تبحث في إدارة مخاطر الذكاء الاصطناعي على مستوى المؤسسات، فإن هذه الحلقات تضيف سياقًا عمليًا يساعد على ربط مفاهيم الحوكمة والأمن والامتثال والذكاء الاصطناعي ببيئات Microsoft الفعلية.

• Microsoft Purview – Simply Explained — توضيح كيفية تكامل التصنيف والاستبقاء والامتثال وحوكمة البيانات عبر Microsoft 365.
• Microsoft Defender XDR – Simply Explained — معرفة كيفية ارتباط إشارات مخاطر البيانات بالاكتشاف والتحقيق والاستجابة المنسقة.
• Conditional Access – Simply Explained — فهم كيف يعزز سياق الهوية والجهاز والمخاطر الحماية المحيطة بالبيانات الحساسة.
• Microsoft Teams Governance – Simply Explained — استكشاف نموذج التشغيل الخاص بالحوكمة اللازم لتحويل السياسات إلى سلوك متسق لدى المستخدمين.

إنها خطوات تالية مفيدة عندما تريد الانتقال من تعريف أو إطار عمل إلى قرارات التنفيذ.