AI: أخلاقيات الذكاء الاصطناعي والمستقبل

# محاكاة كيفية تحيز الكلمات المرتبطة بالجنس على نظام التقييم بالذكاء الاصطناعي
def score_resume(resume_text, model_bias=0.0):
    """محاكاة نظام ذكاء اصطناعي لتقييم السيرة الذاتية مع قابلية ضبط التحيز."""
    base_score = 70

    # الكلمات المفتاحية المرتبطة بالذكور تحصل على تعزيز، والمرتبطة بالإناث تحصل على تخفيض
    male_keywords = ["football", "military", "competitive", "dominant"]
    female_keywords = ["cheerleading", "nursing", "collaborative", "supportive"]

    for kw in male_keywords:
        if kw in resume_text.lower():
            base_score += 5 + model_bias  # التحيز يزيد الفجوة

    for kw in female_keywords:
        if kw in resume_text.lower():
            base_score -= 5 + model_bias

    return min(max(base_score, 0), 100)

# نفس المؤهلات، أنشطة خارجية مختلفة
resume_a = "BS in CS, 5 years experience, football team captain"
resume_b = "BS in CS, 5 years experience, cheerleading captain"

print(f"السيرة الذاتية أ (مرتبطة بالذكور): {score_resume(resume_a, model_bias=3)}")
print(f"السيرة الذاتية ب (مرتبطة بالإناث): {score_resume(resume_b, model_bias=3)}")
print(f"الفجوة: {score_resume(resume_a, model_bias=3) - score_resume(resume_b, model_bias=3)} نقطة")

Resume A (male-coded): 88
Resume B (female-coded): 52
Gap: 36 points

# عرض مفهوم الخصوصية التفاضلية بمثال بسيط
import random

def count_with_dp(data, threshold, epsilon=1.0):
    """عد العناصر فوق الحد مع ضوضاء الخصوصية التفاضلية."""
    true_count = sum(1 for x in data if x >= threshold)

    # آلية لابلاس: إضافة ضوضاء معايرة حسب الحساسية وإبسيلون
    # الحساسية = 1 (إضافة/إزالة شخص واحد يغير العدد بحد أقصى 1)
    sensitivity = 1
    scale = sensitivity / epsilon
    noise = random.gauss(0, scale)  # تغيير لآلية غاوس

    noisy_count = true_count + noise
    return true_count, round(noisy_count, 2)

# رواتب 10 موظفين (بالآلاف)
salaries = [45, 52, 48, 78, 55, 61, 49, 92, 53, 67]

true_val, dp_val = count_with_dp(salaries, threshold=60, epsilon=1.0)
print(f"العدد الحقيقي (راتب >= 60 ألف): {true_val}")
print(f"العدد مع الخصوصية التفاضلية (إبسيلون=1.0):      {dp_val}")
print(f"ضمان الخصوصية: وجود أي شخص واحد يغير المخرجات بحد أقصى ~1/{1.0}")

# إبسيلون أصغر = خصوصية أكثر، ضوضاء أكثر
true_val2, dp_val2 = count_with_dp(salaries, threshold=60, epsilon=0.1)
print(f"\nمع خصوصية أقوى (إبسيلون=0.1):")
print(f"العدد الحقيقي: {true_val2}، العدد مع الخصوصية التفاضلية: {dp_val2}")
print(f"تتم إضافة ضوضاء أكثر، ولكن مع حماية خصوصية أقوى")

العدد الحقيقي (راتب >= 60 ألف): 4
العدد مع الخصوصية التفاضلية (إبسيلون=1.0):      3.72
ضمان الخصوصية: وجود أي شخص واحد يغير المخرجات بحد أقصى ~1/1.0

مع خصوصية أقوى (إبسيلون=0.1):
العدد الحقيقي: 4، العدد مع الخصوصية التفاضلية: 6.15
تتم إضافة ضوضاء أكثر، ولكن مع حماية خصوصية أقوى

دراسة حالة: نزاعات حول حقوق النشر للصور التي ولّها الذكاء الاصطناعي

الحالة 1: Getty Images ضد Stability AI (2023)
- رفعت Getty دعوى قضائية ضد Stability AI لاستخدامها ملايين الصور المحمية بحقوق النشر لتدريب Stable Diffusion دون ترخيص أو تعويض.
- القضية الرئيسية: هل يشكل التدريب على صور محمية بحقوق النشر استخداماً عادلاً؟
- الوضع: دعوى قضائية جارية، قد تشكل سابقة تحدد مسار الصناعة.

الحالة 2: Thaler v. Perlmutter (مكتب حقوق النشر الأمريكي، 2023)
- سعى ستيفن ثالر للحصول على حقوق نشر لصورة تم إنشاؤها بالكامل من قبل نظام الذكاء الاصطناعي الخاص به DABUS دون أي مدخل بشري.
- الحكم: تم رفض حقوق النشر — يشترط أن يكون المؤلف بشرياً.
- الآثار المترتبة: لا تتمتع مخرجات الذكاء الاصطناعي البحتة بحماية حقوق النشر.

الحالة 3: Naruto v. Slater (حالة سيلفي القرد، 2018)
- التقاط قرد ماكاك صورة سيلفي؛ قضت المحكمة بأن غير البشر لا يمكنهم الاحتفاظ بحقوق النشر.
- تمتد السوابق إلى الذكاء الاصطناعي: المبدعون غير البشريين يفتقرون إلى الأهلية القانونية لحقوق النشر.

المغزى الرئيسي للمطورين:
1. لا تفترض أن مخرجات الذكاء الاصطناعي خالية من حقوق النشر — تختلف القوانين حسب الولايات القضائية
2. استخدام بيانات محمية بحقوق النشر للتدريب قد يعرّضك للمخاطر القانونية
3. إضافة مدخلات إبداعية بشرية كبيرة إلى مخرجات الذكاء الاصطناعي تعزز مطالبتك بحقوق النشر
4. تحقق دائمًا من ترخيص/شروط أداة الذكاء الاصطناعي التي تستخدمها

# Simulate a simple Deepfake detection score analysis
def analyze_deepfake_indicators(video_metadata):
    """Analyze video metadata for deepfake indicators."""
    indicators = {
        "face_consistency": video_metadata.get("face_consistency", 0),  # 0-100
        "audio_visual_sync": video_metadata.get("audio_visual_sync", 0),  # 0-100
        "edge_artifacts": video_metadata.get("edge_artifacts", 0),  # 0-100, higher = more artifacts
        "blink_frequency": video_metadata.get("blink_frequency", 0),  # blinks per minute
        "skin_tone_consistency": video_metadata.get("skin_tone_consistency", 0),  # 0-100
    }

    # Weighted scoring (higher = more likely real)
    weights = {
        "face_consistency": 0.25,
        "audio_visual_sync": 0.25,
        "edge_artifacts": 0.15,  # inverse: high artifacts = suspicious
        "blink_frequency": 0.15,
        "skin_tone_consistency": 0.20,
    }

    # Edge artifacts: higher value = more suspicious (invert for score)
    artifact_score = 100 - indicators["edge_artifacts"]

    # Blink frequency: normal is 15-20 per minute
    blink_score = 100 - abs(indicators["blink_frequency"] - 17) * 5

    overall = (
        indicators["face_consistency"] * weights["face_consistency"]
        + indicators["audio_visual_sync"] * weights["audio_visual_sync"]
        + artifact_score * weights["edge_artifacts"]
        + blink_score * weights["blink_frequency"]
        + indicators["skin_tone_consistency"] * weights["skin_tone_consistency"]
    )

    if overall >= 75:
        verdict = "LIKELY AUTHENTIC"
    elif overall >= 50:
        verdict = "UNCERTAIN - Needs manual review"
    else:
        verdict = "LIKELY DEEPFAKE"

    return round(overall, 1), verdict

# Test with a suspicious video
suspicious = {
    "face_consistency": 55,
    "audio_visual_sync": 40,
    "edge_artifacts": 70,
    "blink_frequency": 3,
    "skin_tone_consistency": 50,
}

# Test with a genuine video
genuine = {
    "face_consistency": 92,
    "audio_visual_sync": 88,
    "edge_artifacts": 5,
    "blink_frequency": 16,
    "skin_tone_consistency": 95,
}

score1, v1 = analyze_deepfake_indicators(suspicious)
score2, v2 = analyze_deepfake_indicators(genuine)
print(f"Suspicious video: score={score1}, verdict={v1}")
print(f"Genuine video:    score={score2}, verdict={v2}")

Suspicious video: score=48.4, verdict=LIKELY DEEPFAKE
Genuine video:    score=90.3, verdict=LIKELY AUTHENTIC

خارطة طريق مهارات الذكاء الاصطناعي للمطورين — ربط هذه الدورة بالخطوات التالية

المستوى 1: أساسيات الذكاء الاصطناعي (هذه الدورة، الدروس 1-15)
├── الدرس 01-05: أساسيات Python، هياكل البيانات، NumPy
├── الدرس 06-10: أساسيات التعلم الآلي، التعلم الخاضع للإشراف
├── الدرس 11-14: التعلم العميق، معالجة اللغة الطبيعية، تطبيقات نماذج اللغة الكبيرة (LLM)
└── الدرس 15: الأخلاق، السلامة، الذكاء الاصطناعي المسؤول  <-- أنت هنا

المستوى 2: هندسة الذكاء الاصطناعي (الدورة التالية الموصى بها)
├── عمليات التعلم الآلي (MLOps): نشر النموذج، المراقبة، CI/CD للتعلم الآلي
├── هندسة الأوامر (Prompt Engineering): تقنيات متقدمة، التقييم
├── أنظمة RAG: بناء تطقات تعزيز الاسترجاع
└── الضبط الدقيق (Fine-tuning): LoRA، QLoRA للتكيف مع المجال

المستوى 3: التخصص في الذكاء الاصطناعي (اختر مسارك)
├── المسار أ: أبحاث سلامة الذكاء الاصطناعي
│   ├── تقنيات المحاذاة (RLHF، الذكاء الاصطناعي الدستوري)
│   ├── قابلية التفسير والفهم الميكانيكي
│   └── التقييم بالفريق الأحمر والتقييم التحدي
├── المسار ب: تطوير منتجات الذكاء الاصطناعي
│   ├── أنظمة الوكلاء المتعددة والتنسيق
│   ├── الذكاء الاصطناعي على الحواف (Edge AI) والنشر على الأجهزة
│   └── تصميم التفاعل بين الإنسان والذكاء الاصطناعي
└── المسار ج: بنية تحتية للذكاء الاصطناعي
    ├── أنظمة التدريب الموزعة
    ├── تحسين الاستدلال (الترشيح، التقطير)
    └── معمارية منصة الذكاء الاصطناعي

المستوى 4: قيادة الذكاء الاصطناعي (النمو طويل المدى)
├── أطر حوكمة الذكاء الاصطناعي المسؤول
├── استراتيجية الذكاء الاصطناعي ودمج الأعمال
└── مهارات التعاون متعدد التخصصات

# نظام التوظيف بالذكاء الاصطناعي — مولد تقرير مراجعة أخلاقيات
# الخطوة 1: تحديد التحيز في بيانات التدريب
# الخطوة 2: اقتراح استراتيجيات التخفيف
# الخطوة 3: تصميم اختبارات العدالة
# الخطوة 4: تحديد سياسات حماية الخصوصية
# الخطوة 5: إخراج تقرير مراجعة أخلاقيات منظم

import json
from datetime import datetime


def audit_training_data(data_stats):
    """الخطوة 1: تحديد التحيز في بيانات التدريب."""
    findings = []

    total = data_stats["total_samples"]
    for group, count in data_stats["group_distribution"].items():
        ratio = count / total
        if ratio < 0.2 or ratio > 0.6:
            findings.append({
                "group": group,
                "issue": "Under/over-represented",
                "ratio": round(ratio, 3),
                "severity": "HIGH" if ratio < 0.1 or ratio > 0.8 else "MEDIUM"
            })

    # التحقق من توزيع التسميات عبر المجموعات
    for group, label_dist in data_stats["label_by_group"].items():
        positive_rate = label_dist.get("positive", 0) / sum(label_dist.values())
        findings.append({
            "group": group,
            "issue": "Positive label rate",
            "positive_rate": round(positive_rate, 3),
            "severity": "INFO"
        })

    return findings


def propose_mitigations(findings):
    """الخطوة 2: اقتراح استراتيجيات التخفيف بناءً على النتائج."""
    mitigations = []
    for f in findings:
        if "Under/over" in f.get("issue", ""):
            mitigations.append({
                "target": f["group"],
                "strategy": "Resampling + data augmentation",
                "rationale": f"Group {f['group']} has ratio {f['ratio']}, need balance"
            })
        elif "Positive label" in f.get("issue", ""):
            mitigations.append({
                "target": f["group"],
                "strategy": "Equalized odds constraint during training",
                "rationale": f"Group {f['group']} positive rate: {f['positive_rate']}"
            })
    return mitigations


def design_fairness_tests():
    """الخطوة 3: تصميم اختبارات تقييم العدالة."""
    tests = [
        {
            "name": "Demographic Parity Test",
            "metric": "selection_rate_difference",
            "threshold": 0.05,
            "description": "Difference in positive prediction rates across groups should be < 5%"
        },
        {
            "name": "Equalized Odds Test",
            "metric": "true_positive_rate_difference",
            "threshold": 0.05,
            "description": "TPR difference across groups should be < 5%"
        },
        {
            "name": "Individual Fairness Test",
            "metric": "similar_individual_similarity",
            "threshold": 0.9,
            "description": "Similar candidates should receive similar scores (correlation > 0.9)"
        },
        {
            "name": "Intersectional Bias Test",
            "metric": "selection_rate_by_intersection",
            "threshold": 0.1,
            "description": "Check bias at intersection of protected attributes (e.g., race + gender)"
        }
    ]
    return tests


def define_privacy_policies(data_types):
    """الخطوة 4: تحديد سياسات حماية الخصوصية."""
    policies = []
    for dtype in data_types:
        if dtype in ["name", "email", "phone", "address"]:
            policies.append({
                "data_type": dtype,
                "action": "REMOVE before training",
                "method": "Direct deletion from dataset"
            })
        elif dtype in ["age", "location", "education"]:
            policies.append({
                "data_type": dtype,
                "action": "GENERALIZE / k-anonymize",
                "method": "Bucket into ranges (age: 20-30, 30-40, etc.)"
            })
        elif dtype in ["work_history", "skills"]:
            policies.append({
                "data_type": dtype,
                "action": "DIFFERENTIAL PRIVACY on model",
                "method": "Apply DP-SGD with epsilon <= 3.0 during training"
            })
    return policies


def generate_report(data_stats, data_types):
    """الخطوة 5: إنشاء تقرير مراجعة أخلاقيات كامل."""
    findings = audit_training_data(data_stats)
    mitigations = propose_mitigations(findings)
    tests = design_fairness_tests()
    privacy = define_privacy_policies(data_types)

    report = {
        "title": "تقرير مراجعة أخلاقيات نظام التوظيف بالذكاء الاصطناعي",
        "date": datetime.now().strftime("%Y-%m-%d"),
        "summary": {
            "total_findings": len(findings),
            "high_severity": len([f for f in findings if f.get("severity") == "HIGH"]),
            "mitigations_proposed": len(mitigations),
            "fairness_tests_designed": len(tests),
            "privacy_policies_defined": len(privacy)
        },
        "step1_data_bias_findings": findings,
        "step2_mitigation_strategies": mitigations,
        "step3_fairness_tests": tests,
        "step4_privacy_policies": privacy,
        "recommendations": [
            "1. لا تقم بالنشر حتى يتم حل جميع النتائج ذات الخطورة العالية",
            "2. تشغيل اختبارات العدالة مع كل تحديث للنموذج (بوابة CI/CD آلية)",
            "3. تأسيس لجنة مراجعة بشرية للقرارات الحدية",
            "4. إجراء عمليات تدقيق أخلاقية خارجية ربع سنوية",
            "5. نشر تقرير شفافية سنوي"
        ]
    }
    return report


# تشغيل عملية التدقيق
data_stats = {
    "total_samples": 50000,
    "group_distribution": {
        "male": 35000,
        "female": 12000,
        "non-binary": 3000
    },
    "label_by_group": {
        "male": {"positive": 14000, "negative": 21000},
        "female": {"positive": 2400, "negative": 9600},
        "non-binary": {"positive": 300, "negative": 2700}
    }
}

data_types = ["name", "email", "age", "location", "education", "work_history", "skills"]

report = generate_report(data_stats, data_types)
print(json.dumps(report, indent=2, ensure_ascii=False))

{
  "title": "تقرير مراجعة أخلاقيات نظام التوظيف بالذكاء الاصطناعي",
  "date": "2026-07-07",
  "summary": {
    "total_findings": 6,
    "high_severity": 0,
    "mitigations_proposed": 6,
    "fairness_tests_designed": 4,
    "privacy_policies_defined": 7
  },
  "step1_data_bias_findings": [
    {
      "group": "male",
      "issue": "Under/over-represented",
      "ratio": 0.7,
      "severity": "MEDIUM"
    },
    ...
  ],
  "recommendations": [
    "1. لا تقم بالنشر حتى يتم حل جميع النتائج ذات الخطورة العالية",
    "2. تشغيل اختبارات العدالة مع كل تحديث للنموذج (بوابة CI/CD آلية)",
    "3. تأسيس لجنة مراجعة بشرية للقرارات الحدية",
    "4. إجراء عمليات تدقيق أخلاقية خارجية ربع سنوية",
    "5. نشر تقرير شفافية سنوي"
  ]
}