في عصر تعتبر فيه نماذج التعلم الآلي (Machine Learning Models) جزءًا أساسيًا من نظام الذكاء الاصطناعي (AI)، أصبح الإشراف عليها وضمان الامتثال لها أمرًا بالغ الأهمية. وقد أُطلق مؤخرًا مشروع مبتكر يحمل اسم مجرة سلسلة تزويد الذكاء الاصطناعي (AI Supply Chain Galaxy) أو AISCG، الذي يقدم حلًا مرئيًا ثلاثي الأبعاد لتحليل بيانات نماذج الذكاء الاصطناعي.

تجزئ مجرة AISCG النماذج في تخطيط مكاني ثلاثي الأبعاد، مما يسهل على المحللين رسم العلاقات والتبعيات بين النماذج المختلفة بطريقة مُبسطة. تعتمد هذه المنصة على محرك امتثال قائم على القواعد، مما يُمكّن المستخدمين من استكشاف شبكة التبعيات الكبيرة والمعقدة بكل سهولة.

الدراسة التي أجريت على 908,449 نموذجًا من منصة "Hugging Face" أظهرت نتائج مثيرة للقلق، حيث اكتشف الباحثون أن 55.46% من هذه النماذج تحمل مخاطر تتعلق بالامتثال أو تعاني من تناقضات أو غيابات في البيانات التعريفية (Metadata). كما أظهرت التحليلات أن هناك نسبة 56.67% من حالات الإغفال عن التراخيص (License Omission) في النماذج المتطورة، و8.05% من الحالات تُمثل "انحراف الترخيص" (License Drift) في نماذج التكييف.

من خلال دراسة حالة لعائلة نماذج "Llama"، قامت AISCG بتزويد المحللين بالأدوات اللازمة لتتبع شروط الاستخدام المحصصة وفهم الجذور وراء المشكلات المعقدة في الأنظمة الهرمية العميقة. بهذا الشكل، تمكنت هذه الأداة من تقليل العبء الذهني المرتبط بعمليات تدقيق الامتثال، مما يجعل العملية أكثر كفاءة وووضوحًا.

إن تطوير نظام مثل AISCG يعد خطوة كبيرة نحو تحسين الشفافية والمساءلة في عالم الذكاء الاصطناعي، حيث يتجه الباحثون والصناعة إلى بيئات أكثر تعقيدًا، مما يتطلب أدوات تقدم الفهم العميق والمعلومات الضرورية للامتثال.