إعادة تصوّر السلامة العامة بالإعتماد على الذكاء المستند إلى البيانات: دور الشبكات المعرفية وطرق تحليلها في تعزيز فعالية الشرطة الذكية
by sailforchange | May 20, 2025 | UA at SAIL Blogs
نور صقر ومايا طليعة
المقدمة
تواجه الأجهزة الأمنية اليوم تحديات متزايدة في التعقيد، تتراوح من الجريمة المنظمة والاحتيال إلى الإرهاب. وعلى الرغم من أن الأساليب التقليدية للتحقيق لا تزال ذات قيمة، فإنها غالبًا ما تعجز عن مواكبة الكم الهائل وتعقيد البيانات المعاصرة.
أدّت التقنيات الحديثة مثل الشبكات المعرفية وطرق تحليلها إلى تحوّل جذري في طريقة عمل الشرطة الحديثة. هذه الأدوات تتيح للجهات الأمنية الربط بين نقاط بيانات متفرقة، ورؤية العلاقات البينية، واكتشاف الأنماط الخفية في النشاط الإجرامي—مما يتيح اتخاذ قرارات أكثر ذكاءً واستباقية.
فهم قوة البيانات المترابطة
كل معلومة تروي جزءًا من قصة، وعند ربط هذه الأجزاء ببعضها، تظهر أنماط أعمق تساعد في منع الجرائم وحلها. الشبكة المعرفية توفر هذا الربط؛ فهي تمثل البيانات بطريقة منظمة تربط بين الكيانات (مثل الأشخاص، الأماكن، الأحداث) من خلال علاقاتها.
تساعد هذه الرسوم البيانية الجهات الأمنية على استكشاف الشبكات المعقدة من الروابط عبر مصادر بيانات متعددة. تخيّل أن يتمكن المحققون من ربط مركبة مشتبه به بسجلات اتصالاته، ومواقعه المعروفة، وتفاعلاته السابقة—كل ذلك في مكان واحد. هذا النهج الشامل في جمع المعلومات يمكن أن يُحدث فارقًا ملموسًا في تعزيز أمن المجتمع.
أمثلة من تحليل الشبكات الإجرامية
تعتمد الكثير من المنهجية المعروضة هنا على أعمال الدكتور أليساندرو نيجرو، كبير العلماء في GraphAware، والتي عرضها في مقال بعنوان “دور الشبكات المعرفية وتحليلات الرسم البياني في الشرطة الذكية”. يطرح الدكتور نيجرو نهجًا عمليًا من ثلاث مراحل لتوظيف الشبكات المعرفية في عمل الأجهزة الأمنية: من دمج البيانات إلى الاستكشاف ثم التحليل التنبؤي.
ولرؤية هذه المفاهيم في التطبيق العملي، نستعرض أمثلة من الشبكات الاجرامية كما قدمها فريق GraphAware:
ثلاثة مجرمين—كوينتون، تريستين، وكليمنتين—يرتبطون مباشرة، ما يُظهر تعاونًا واضحًا بينهم –
– مجموعة أخرى—ليليان، ميسي، وآخرون—تعمل بشكل منفصل
يساعد تصور هذه الشبكات الأجهزة الأمنية على التمييز بين المجموعات المعزولة وتلك المتصلة، ما يسمح باتخاذ قرارات استراتيجية.
graphaware.com
مثال آخر: إذا كان المجرم (A) يتعاون مع المجرم (C) في جرائم متعددة، لكنه يعمل مع المجرم (B) مرة واحدة فقط، فهذا يشير إلى أن (C) هو شخصية محورية، بينما يعمل (A) كحلقة وصل بين أشخاص غير مرتبطين في الأصل. هذه الرؤى ضرورية لتحديد أولويات التحقيق.
graphaware.com
دور الشبكات المعرفية في عمل الأجهزة الأمنية: استخبارات شاملة من مصادر متعددة
يكمن سر استخراج الرؤى الفعالة في جمع المعلومات بشكل شمولي. فبيانات الجريمة متناثرة في مصادر متعددة: مثل كاميرات المراقبة، سجلات المكالمات، تقارير الشرطة، وملاحظات الضباط. لكل مصدر تنسيقه الخاص، مما يصعّب عملية الدمج باستخدام قواعد البيانات التقليدية. هنا تبرز أهمية الشبكة المعرفية.
إطار عملي لتطبيق الشبكات المعرفية في قضايا الأمن
من أبرز التقدّمات في هذا المجال ما قدمه كل من كيو وتشانغ (2023)، حيث اقترحا إطارًا مبنيًا على الشبكة المعرفية لمعالجة تحديات البيانات غير المنظمة ومنخفضة الجودة في الأمن. يعتمد هذا الإطار على هيكلية من طبقتين:
الطبقة الأولى: نمذجة الأنطولوجيا لبناء المخطط المفاهيمي.
الطبقة الثانية: استخراج البيانات باستخدام أدوات معالجة اللغة الطبيعية مثل Jieyu وSimBERT من Baidu.
نجحت هذه المنهجية في إنتاج أكثر من 24,000 علاقة ثلاثية (مثال: “المشتبه به X → استخدم → السلاح Y”)، مما أتاح تصور شبكات الجريمة وكسر حواجز البيانات التي أعاقت التحقيقات.
وعلى الرغم من تطوير هذا الإطار في سياق الأمن الصيني، إلا أنه يحمل أهمية عالمية في هيكلة بيانات إنفاذ القانون غير المنظمة، وكسر الحواجز بين جهات التحقيق المختلفة.
الشبكات المعرفية ومبادئ FAIR
تُبنى الشبكات المعرفية وفق مبادئ FAIR، وهي:
قابلة للإيجاد (Findability): إثراء البيانات بالسمات والمعرّفات الفريدة.
قابلة للوصول (Accessibility): سهولة الوصول للبيانات من قبل البشر والآلات.
قابلة للتشغيل البيني (Interoperability): استخدام تنسيقات معيارية تتيح التكامل بين الأنظمة.
قابلة لإعادة الاستخدام (Reusability): توثيق واضح لأصل البيانات وإرشادات استخدامها لضمان استمرارية فائدتها.
تُمكّن هذه المبادئ الأجهزة الأمنية من الانتقال من البيانات المعزولة إلى منظومة استخبارات مترابطة.
بناء شبكة معرفية
تبدأ عملية إنشاء الشبكة المعرفية باستخراج البيانات وتحويلها. في سياق التحقيق الجنائي، يجب تجميع معلومات من مصادر متنوعة—تقارير الضباط، الشهادات، لقطات المرور، وروابط الضحايا. ولأن هذه البيانات غالبًا ما تكون غير متناسقة، لا بد من “تطبيعها” لتوحيد المصطلحات والتنسيقات.
بعد ذلك تأتي مرحلة “الربط”، حيث يتم توصيل نقاط البيانات ذات الصلة—مثل علاقات الضحية وآخر المواقع المعروفة لها—عبر مصادر مختلفة. ثم تُحل مشكلات التكرار أو الالتباس (مثل كتابة الاسم بطريقة مختلفة) عبر ما يُعرف بـ”حل الكيانات”.
بهذا الشكل، يتم تحويل مدخلات متناثرة إلى هيكل موحد يسهل استكشافه وتحليله.
استخدام الشبكات المعرفية في كشف الجرائم
بمجرد بناء الشبكة المعرفية، يمكن للجهات الأمنية استكشاف العلاقات، واكتشاف الروابط الخفية، وطرح استفسارات معقدة دون الحاجة إلى مهارات تقنية عالية (Qazi وWong، 2017).
الاستكشاف
من التطبيقات العملية: الاستعلام عن جميع المركبات المرتبطة بمعارف الضحية التي ظهرت في لقطات مرور على بعد 10 كم من موقع الجريمة. يمكن للمحللين استكشاف هذه العلاقات بصريًا، وتحديث فهمهم مع ظهور روابط جديدة.
graphaware.com
الشرطة التنبؤية
تتجاوز فائدة الشبكات المعرفية حل الجرائم السابقة، إذ تتيح أيضًا التنبؤ بالأنشطة الإجرامية القادمة. عبر تحليل شبكات الجريمة المشتركة، يمكن للجهات الأمنية توقّع أنماط السلوك واتخاذ تدابير استباقية.
من الأمثلة البارزة في هذا المجال ما قدمه باحثو معهد جورجيا للتقنية، الذين استخدموا شبكات معرفية ضخمة على منصة Neo4j للتحليلات التنبؤية في الأمن القومي. أظهر الفريق، بقيادة البروفيسور ديفيد بادير، كيف أن دمج مصادر بيانات متفرقة—مثل لقطات المراقبة وسجلات المكالمات وتقارير الشرطة—في شبكة معرفية موحدة يمكن أن يكشف التهديدات الناشئة في الوقت الحقيقي.
إحدى تقنيات التحليل المستخدمة تُعرف بـ”تنبؤ الروابط” Link Prediction، والتي تكشف عن الشخصيات الخفية في الشبكات الإجرامية. فقد يبدو أحد المشتبه بهم طرفًا غير مهم، لكن تحليل الرسم البياني قد يكشف روابط غير مباشرة تظهر دوره المحوري في تنسيق الأنشطة غير القانونية. هذه المنهجية تتيح للشرطة رصد الأفراد المهمين الذين قد لا يُلاحظون في البداية.
graphaware.com
تطبيق على لبنان: معالجة قضايا المفقودين
لا تقتصر فائدة الشرطة الذكية على الجرائم، بل تمتد أيضًا إلى السياقات الإنسانية. في لبنان، حيث لا يزال آلاف الأفراد في عداد المفقودين بسبب النزاعات السابقة، يمكن للشبكات المعرفية أن تقدم إطارًا منظمًا لتحليل البيانات المتاحة. من خلال الربط بين الشهادات، وآخر المواقع المعروفة، وسجلات الدولة، يمكن للجهات الأمنية والمنظمات الإنسانية اكتشاف أنماط تساعد في العثور على المفقودين أو تقديم إجابات لعائلاتهم.
الخاتمة
يُعد دمج الشبكات المعرفية وتحليلات الرسم البياني في عمل الشرطة نقلة نوعية في أساليب إنفاذ القانون الحديثة. تُمكّن هذه التقنيات الضباط من تجاوز الطرق التقليدية، واستخدام الكم الهائل من البيانات لاستخلاص رؤى جوهرية والتنبؤ بالأنشطة الإجرامية. ومع استمرار التطور في هذا المجال، فإن تطبيقه في قضايا مثل المفقودين في لبنان يحمل آفاقًا واعدة.
References – المصادر
- Negro, A. (2023). The Role of Knowledge Graphs and Graph Analytics in Intelligent Policing. GraphAware. https://graphaware.com
- David Barder (Georgia Tech), Predictive Analysis from Massive Knowledge Graphs on Neo4j https://neo4j.com/blog/knowledge-graph/predictive-analysis-from-massive-knowledge-graphs-on-ne
- Qiu Mingyue, Zhang Xueying Establishment Method of Knowledge Graphs for Public Security Cases. Aut. Control Comp. Sci. 57, 543–551 (2023). https://doi.org/10.3103/S0146411623060056
- N. Qazi and B. L. W. Wong, “Behavioural & Tempo-Spatial Knowledge Graph for Crime Matching through Graph Theory,” 2017 European Intelligence and Security Informatics Conference (EISIC), Athens, Greece, 2017, pp. 143-146, doi: 10.1109/EISIC.2017.29. keywords: {Data mining;Pattern matching;Visualization;Data visualization;Feature extraction;Search problems;Data mining;associative questioning;data visualization;knowledge graph;Linked Analysis}
عن نور صقر:ة
طالبة في علم الكومبيوتر في الجامعة الأميركية في بيروت
عن مايا طليعة:ة
خريجة علم الكمبيوتر من الجامعة الأميركية في بيروت