ericyoc/ai-security-literacyخط أنابيب Colab قابل لإعادة الإنتاج يرسّخ ستة أبعاد لكفاءة الأمن السيبراني بالذكاء الاصطناعي في معايير عامة وبيانات استقصائية دقيقة، وينتج رسومًا بيانية وجداول ونتائج قابلة للاستئناف.
خط أنابيب تحليلي قابل لإعادة الإنتاج يؤصّل أبعاد الكفاءة الستة لمحو الأمية الأمنية للذكاء الاصطناعي في المعايير المرجعية العامة وبيانات المسح الممثلة وطنيًا. يعمل في Google Colab. كل مُخرَج — ذاكرة التخزين المؤقت لمجموعة البيانات، ونقطة تفتيش النموذج، والشكل البياني، وجدول النتائج — يُحفظ في Google Drive، وكل مرحلة قابلة للاستئناف.
وصل الذكاء الاصطناعي إلى المدارس أسرع من أي إرشاد حول كيفية استخدامه بأمان. يُسلَّم الطلاب أنظمة صندوق أسود ويُتوقع منهم أن يستشعروا حدسيًا ما يمكن الوثوق به في تلك الأنظمة. وينقسم المعلمون بين تبنّي الذكاء الاصطناعي والخوف منه. وتكتب المناطق التعليمية سياسات الاستخدام المقبول بينما تتغير الأدوات الكامنة تحتها كل بضعة أشهر.
أُطُر محو الأمية القائمة تعلّم الطلاب فهم الذكاء الاصطناعي واستخدامه. وأُطُر الأمن السيبراني القائمة كُتبت قبل أن توجد التهديدات الخاصة بالذكاء الاصطناعي. ولا يعامل أيٌّ منهما العمل بأمان في بيئة يتوسطها الذكاء الاصطناعي ككفاءة قائمة بذاتها — بأبعادها الخاصة، وتدرجها التطوري الخاص، ومهاراتها القابلة للتعليم الخاصة.
تلك الكفاءة هي ما يعرّفه AISL، عبر ستة أبعاد تشمل منظومة المدرسة بأكملها وليس الطلاب وحدهم.
إطار الكفاءة الذي لم يختبره أحد مقابل البيانات ليس سوى تصنيف. يمكن لأي شخص أن يجزم بأن على الطلاب "التعرف على التلاعب" أو "معايرة الثقة". السؤال الأصعب هو ما إذا كانت تلك العبارات تسمّي ظواهر حقيقية قابلة للقياس — وإن كانت كذلك، فماذا تُظهر القياسات فعليًا.
هذا هو الغرض من خط الأنابيب هذا. فهو يسأل عمّا يمكن للبيانات العامة أن تثبته حول كل بُعد، والإجابات محددة:
كل واحد من تلك الأمور درس يمكن أن يُقاد المتعلم عبره بنماذج حقيقية وبيانات حقيقية، وهذا هو المقصد: الإطار مقصود للتعليم، وليس للاستشهاد فقط.
يمكن لخط الأنابيب أن ينتج أشكالًا بيانية تبدو صحيحة وليست كذلك: منحنى متانة من نموذج لم يُدرَّب بشكل صحيح، أو نتائج معيارية مرتبطة بفئات خاطئة لأن ملفين جُمِعا حسب موضع الصف. تلك هي نفس أنواع الفشل التي يعلّم البُعد الأكثر تقدمًا في الإطار الطلاب اكتشافها.
لذلك بُنيت خط المعالجة لجعلها صعبة بنيويًا: تقييم الهجمات مشروط بفحص سلامة الدقة النظيفة، وتُجرى عمليات الربط على المحتوى بدلًا من الموضع، والمراحل المحظورة تُعلن عن نفسها بدلًا من إصدار مخرجات فارغة، وأخذ العينات مبذور، وكل رقم مُبلَّغ عنه يُكتب في ملف نتائج قابل للقراءة آليًا بدلًا من نسخه يدويًا. إن قابلية إعادة الإنتاج هنا ليست عملًا روتينيًا — بل هي الموضوع نفسه.
يعمل خط المعالجة على مستويين.
المستوى 1 يؤسس الأبعاد الاتجاهية من البيانات الجزئية للاستبيانات الممثلة وطنيًا والتي تقوم أنت بتنزيلها بنفسك بموجب تسجيل مجاني. وإلى أن تصبح الملفات موجودة، تُعلن مراحلها عن نفسها بحالة skipped. راجع
إعداد المستوى 1.
المستوى 2 يؤسس الأبعاد التقنية من مصادر عامة. لا حاجة إلى أي إعداد — افتح وشغّل. تُنزَّل كل مجموعة بيانات تلقائيًا.
| البُعد | المستوى 1 (الاستبيانات) | المستوى 2 (البيانات العامة) | |
|---|---|---|---|
| D1 | الإذن والأعراف | RAND ATP Fall 2025، Pew ATP W142 | — |
| D2 | أمن البيانات والخصوصية | Pew ATP W152 | — |
| D3 | التعرّف على التهديدات والتلاعب | Pew ATP W152، W168 | RealToxicityPrompts، SMS Spam Collection، BBQ |
| D4 | معايرة الثقة والتحقق | Pew ATP W142، W152 | TruthfulQA + GPT-2 baseline، BBQ |
| D5 | الفهم العدائي والتقني | — | CIFAR-10 + FGSM/PGD، 3 seeds |
| D6 | النزعة والفاعلية | RAND ATP Fall 2025، Pew ATP W152 | — |
افتح AISL_analysis_poc.ipynb في Colab وشغّل جميع الخلايا من الأعلى إلى الأسفل.
Runtime > Change runtime type > GPU # optional; D5 training is ~10x faster
Runtime > Run all
يُنزّل التشغيل الأول CIFAR-10 (بحجم ~170 ميغابايت)، ومجموعات بيانات Hugging Face، وGPT-2، ومجموعة SMS Spam Collection. تُخزَّن جميعها مؤقتًا في Drive ولا يُعاد تنزيلها أبدًا. يمكن مقاطعة التشغيل في أي لحظة بأمان — راجع استئناف تشغيل.
إذا أضفت ملفات الاستبيان إلى Drive أثناء فتح جلسة Colab، فأعد تشغيل
الجلسة (Runtime > Restart session) قبل إعادة التشغيل: لا تكتشف Colab دائمًا
الملفات المضافة بعد تركيب Drive.
كل ما هو دائم موجود تحت MyDrive/AISL_data/. لا يُكتب أي شيء ذي قيمة
إلى قرص Colab المؤقت.
AISL_data/
├── cache/
│ ├── hf/ # Hugging Face datasets and GPT-2
│ └── torch/ # CIFAR-10
├── checkpoints/
│ └── cifar10_cnn_seed{N}.pt # one per seed, written after every epoch, atomically
├── figures/ # 300-dpi JPGs
├── tables/ # CSV + JSON + TeX macro exports
├── logs/
│ └── status.json # per-stage completion record
└── microdata/
├── sms/ # SMS Spam Collection (downloaded automatically)
├── pew/ # <- you place the Pew ATP .sav files here
└── rand/ # <- you place the RAND ATP .dta file here
تُصدَّر النتائج بثلاث صيغ: aisl_results.json (قابل للقراءة آليًا)، وملفات .csv لكل مرحلة، وaisl_results.tex (مجموعة من وحدات TeX الماكرو، واحدة لكل قيمة مُبلَّغ عنها، لاستخدامها في التنضيد اللاحق).
| معرّف المرحلة | البُعد | البيانات | المخرجات |
|---|---|---|---|
d3_rtp | D3 | allenai/real-toxicity-prompts | d3_rtp_toxicity.jpg، d3_rtp_summary.csv |
d4_truthfulqa | D4 | truthfulqa/truthful_qa (generation) | d4_truthfulqa_categories.jpg + CSV |
d4_baseline | D4 | TruthfulQA (multiple_choice) + gpt2 | d4_truthfulqa_baseline.jpg + CSV |
d34_bbq | D3، D4 | walledai/BBQ (11 إعدادًا للسمات) | d34_bbq_configs.jpg، d34_bbq_counts.csv |
d5_train | D5 | CIFAR-10، 3 بذور | cifar10_cnn_seed{N}.pt |
d5_fgsm | D5 | CIFAR-10 + torchattacks | d5_fgsm_sweep.jpg + CSV |
d3_threshold | D3 | RealToxicityPrompts | d3_threshold_sensitivity.jpg + CSV |
d5_pgd | D5 | CIFAR-10 + torchattacks | d5_attack_comparison.jpg + CSV |
d3_sms | D3 | UCI SMS Spam Collection | d3_sms_threshold.jpg + CSV |
tier1_pew_inventory | Tier 1 | ملفات Pew ATP في microdata/pew/ | pew_item_inventory.csv |
tier1_rand_inventory | Tier 1 | ملف RAND في microdata/rand/ | rand_item_inventory.csv |
tier1_mapped | D1–D4، D6 | Pew ATP + RAND ATP | tier1_survey_evidence.jpg، tier1_mapped_results.csv |
تكتب خليّتان إضافيتان جدولي ملخّص (grounding_matrix، alignment_matrix) وملف ماكرو TeX، وتطبع خلية أخيرة تقرير التشغيل الكامل. وتعيد خلية اختيارية بعد مرحلة Tier 1 رسم tier1_survey_evidence.jpg للطباعة من جدول النتائج المحفوظ دون إعادة حساب أي شيء.
تسجّل كل مرحلة ok / failed / skipped في logs/status.json مع طابع زمني وملخّص.