FOIA: هوش مصنوعی سیاه‌کردن اطلاعات را از هفته‌ها به ساعت‌ها می‌رساند
به‌روزرسانی‌شده برای 2026.
دولت فدرال آمریکا در 2024 حدود 500 میلیون $ برای پردازش درخواست‌های FOIA هزینه کرد. بیشتر این هزینه صرف سیاه‌کردن دستی شد. عقب‌ماندگی DOJ از 100,000 درخواست باز فراتر رفت.
ARPA-H در 2025 مناقصه‌ای برای نرم‌افزار سیاه‌کردن مبتنی بر هوش مصنوعی صادر کرد. HHS دریافت که بخش CMS آن به ابزارهای مبتنی بر هوش مصنوعی نیاز دارد. کار دستی عقب‌ماندگی‌هایی ساخته بود که کارکنان نمی‌توانستند پاک کنند.
پرسش تغییر کرده است. دیگر دربارهٔ این نیست که آیا باید خودکارسازی کرد. دربارهٔ این است که چگونه باید این کار را به شکلی انجام داد که در دادگاه پایدار بماند.
مسئلهٔ عقب‌ماندگی فدرال
بر اساس 5 U.S.C. §552، سازمان‌ها باید ظرف 20 روز کاری پاسخ دهند. در عمل بسیاری ماه‌ها طول می‌کشند. برخی سال‌ها.
عقب‌ماندگی DOJ با 100,000+ درخواست تقریباً برابر 2 میلیارد دقیقه بازبینی دستی است. این با فرض تنها 20 دقیقه برای هر درخواست است. با نرخ‌های ساعتی دولتی، هزینهٔ نیروی کار به میلیاردها می‌رسد.
بیشتر آن زمان صرف یک کار می‌شود. کارکنان صفحه‌ها را برای نام‌ها، نشانی‌ها و شمارهٔ تلفن‌ها مرور می‌کنند. این کار قضاوت وکیل نمی‌خواهد. تطبیق الگو می‌خواهد. یک الگوریتم آن را در چند ثانیه انجام می‌دهد.
آنچه ARPA-H و HHS خواستند
ARPA-H به دنبال نرم‌افزار سیاه‌کردن مبتنی بر هوش مصنوعی برای پردازش اسناد FOIA بود. الزامات اعلام‌شدهٔ آن‌ها این‌ها بود:
- شناسایی خودکار داده‌های شخصی مشمول Exemption 6 و 7(C).
- پردازش دسته‌ای مجموعه‌های بزرگ سند.
- پشتیبانی از قالب‌های ترکیبی: PDF، Word و ایمیل.
- مستندسازی رد ممیزی.
- خروجی قابل دفاع برای پاسخ FOIA.
HHS/CMS به همان نتیجه رسیدند. حجم‌های رو به رشد و نیروی انسانی ثابت، بازبینی دستی را ناپایدار کرد. این سازمان‌ها به دنبال فناوری جدید نبودند. آن‌ها در حال حل یک بحران انطباق بودند.
ایالت و محلی: منابع کمتر، همان قواعد
سازمان‌های فدرال دفاتر اختصاصی FOIA و بودجهٔ حقوقی دارند. دولت‌های ایالتی و محلی با همان تعهدات قانونی روبه‌رو هستند، اما با منابع بسیار کمتر.
CPRA کالیفرنیا پاسخ ظرف 10 روز تقویمی را الزامی می‌کند. یک شهرستان با تیم حقوقی سه‌نفره نمی‌تواند در آن بازه 2,000 سند را پردازش کند. گزینه‌ها محدودند:
- رد یا تأخیر – که ریسک حقوقی ایجاد می‌کند.
- استخدام نیروی موقت – گران و کند.
- خودکارسازی مرحلهٔ مکانیکی سیاه‌کردن.
گزینهٔ 3 اکنون در دسترس است. همان پردازش دسته‌ای که سازمان‌های فدرال استفاده می‌کنند برای بخش‌های حقوقی شهرستان‌ها در دسترس است. نیازی به زمان‌بندی طولانی تدارکات نیست. برای اینکه ببینید قواعد سوابق عمومی در حوزه‌های قضایی مختلف چگونه اعمال می‌شود، نمای کلی انطباق ما را ببینید.
DSAR در اتحادیهٔ اروپا: همان مسئله
درخواست‌های دسترسی صاحب داده (DSAR) موضوع ماده 15 GDPR چالشی موازی برای سازمان‌های اروپایی ایجاد می‌کنند. برخلاف FOIA، تعهدات DSAR بر همهٔ سازمان‌هایی که داده شخصی پردازش می‌کنند اعمال می‌شود. یک شرکت کوچک SaaS می‌تواند همان حجم DSAR را که یک بانک بزرگ دریافت می‌کند، دریافت کند.
چالش عملی بازتاب FOIA است. سازمان باید همهٔ داده‌های نگهداری‌شده دربارهٔ یک شخص مشخص را ارائه کند. داده‌های شخصی اشخاص ثالث باید از پاسخ سیاه شوند. مهلت 30 روز است.
هر DSAR که آرشیوهای ایمیل، تیکت‌های پشتیبانی و سوابق سفارش را شامل شود می‌تواند به معنای صدها سند برای بررسی باشد. برای سازمان‌هایی که ماهانه 20–50 DSAR دارند، بازبینی دستی یک یا چند کارمند تمام‌وقت می‌خواهد. خودکارسازی دسته‌ای آن را به کاری پاره‌وقت کاهش می‌دهد.
پردازش دسکتاپ برای سوابق حساس
برخی سازمان‌ها نمی‌توانند از ابزارهای تحت وب استفاده کنند. داده‌هایی که باید در سامانه‌های سازمان بمانند، پردازش محلی می‌خواهند.
برنامهٔ دسکتاپ anonym.legal برای همین مورد استفاده ساخته شده است:
- برنامهٔ دسکتاپ فایل‌ها را روی سخت‌افزار خود سازمان می‌خواند؛ تشخیص روی API میزبانی‌شده در اتحادیهٔ اروپا اجرا می‌شود که تنها رفت‌وبرگشت مجاز است.
- اتصال مبتنی بر اینترنت است و با فهرست مجاز فقط به anonym.legal محدود شده است – اتصال زنده لازم است.
- اجراهای دسته‌ای 1–5,000 فایل را در هر نوبت پردازش می‌کنند.
- قالب‌های پشتیبانی‌شده: PDF، DOCX، XLSX، TXT، CSV، JSON، XML.
- فایل‌های پردازش‌شده به شکل آرشیو ZIP بسته‌بندی می‌شوند.
- خروجی CSV و JSON با فراداده برای هر فایل گنجانده شده است.
برای سازمان‌هایی با قواعد سخت‌گیرانهٔ اقامت داده اما با اتصال بیرونی مجاز، این گزینهٔ مناسب است: برنامهٔ دسکتاپ از همان مدل تشخیص – XLM-RoBERTa با 273 نوع موجودیت – که پلتفرم وب استفاده می‌کند بهره می‌برد. برای سازمان‌هایی با شبکهٔ واقعاً ایزوله و بدون هیچ اتصال بیرونی، برنامهٔ دسکتاپ مناسب نیست؛ محصول خواهر ما anonym.plus تشخیص را به‌طور کامل روی دستگاه اجرا می‌کند.
برای جزئیات راه‌اندازی مستندات برنامهٔ دسکتاپ ما را ببینید.
یادداشت‌های پیاده‌سازی
رد ممیزی. گردش‌کارهای دولتی سوابقی می‌خواهند از اینکه چه چیزی سیاه شد، بر چه مبنایی و توسط چه کسی. فراداده‌های دسته دو مورد اول را پوشش می‌دهد. هدایت اسناد استثنا به بازبینی کارکنان مابقی را پوشش می‌دهد.
ثبات. پاسخ FOIA که نامی را در یک سند سیاه می‌کند اما در سندی دیگر از قلم می‌اندازد، مواجهه حقوقی ایجاد می‌کند. یک پیکربندی خودکار ثابت این ناهماهنگی را از میان می‌برد.
مواد SBU. بسیاری از اسناد دولتی حساس اما طبقه‌بندی‌نشده‌اند. پردازش محلی فایل‌های SBU را بدون استفاده از شبکه مدیریت می‌کند. پردازش تحت وب با توافق‌نامه‌های DPA مناسب فایل‌های غیر SBU را پوشش می‌دهد.
قالب خروجی. روش Redact از جایگزینی با نوار سیاه استفاده می‌کند. این با ظاهر سیاه‌کردن‌های استاندارد FOIA مطابقت دارد و برای ارائه به دادگاه مناسب است. رویکرد توکن – مانند [REDACTED - Exemption 6] – برای سوابق دقیق‌تر ارجاع صریح به استثنا را می‌افزاید.
جمع‌بندی
FOIA یک تکلیف قانونی است. مهلت 20 روز کاری یک هدف نیست. وقتی حجم درخواست‌ها از توان کارکنان فراتر رود، شکست‌ها از پی می‌آید.
سیاه‌کردن دسته‌ای مبتنی بر هوش مصنوعی جایگزین قضاوت حقوقی نمی‌شود. مرحلهٔ مکانیکی را برمی‌دارد – یافتن و علامت‌گذاری داده‌های شخصی استاندارد در هزاران سند. این مرحله 70–80% زمان بازبینی را می‌بلعد. کارکنان آن‌گاه می‌توانند بر 10–20% اسنادی تمرکز کنند که بافت در آن‌ها اهمیت دارد.
هم ARPA-H و هم HHS/CMS این را دیدند. دولت‌های ایالتی و محلی و سازمان‌های اروپایی که با تعهدات DSAR روبه‌رو هستند، همان چالش را دارند. برای ساختار گردش‌کارهای سیاه‌کردن قابل دفاع، نمای کلی امنیت و انطباق ما را ببینید.
وقتی این رویکرد محدودیت دارد
خودکارسازی مرحلهٔ مکانیکی سیاه‌کردن تقسیم کار درستی است – زمان کارکنان به تصمیم‌های قضاوتی تعلق دارد، نه مرور صفحه‌ها برای نام‌ها. اما سه محدودیت وجود دارد.
پردازش محلی حضانت را کنترل می‌کند، نه کیفیت تشخیص را. برای سازمان‌هایی با اتصال بیرونی مجاز، برنامهٔ دسکتاپ فایل‌ها را روی سخت‌افزار سازمان نگه می‌دارد در حالی که تشخیص روی سرورهای anonym.legal اجرا می‌شود – این مسئلهٔ اقامت داده را حل می‌کند اما سیاه‌کردن را دقیق‌تر نمی‌کند. برای سازمان‌هایی با اتصال واقعاً صفر، anonym.plus همان رده از مدل را به‌طور کامل روی دستگاه اجرا می‌کند. در هر دو حالت، نامی که از قلم افتاده از قلم افتاده است، چه فایل هرگز از ساختمان خارج شده باشد چه نشده باشد. کنترل مکان و کیفیت تشخیص تضمین‌های جداگانه‌اند، و رفتار با پردازش محلی گویی کامل‌بودن را گواهی می‌کند، خطای مقوله‌ای است که ارزش دارد صریح نامیده شود.
مدل بسته‌بندی‌شدهٔ آفلاین بدون به‌روزرسانی عمدی کهنه می‌شود. anonym.plus مدل تشخیص روی دستگاه را در همان نسخه‌ای که نصب شده منجمد می‌کند؛ قالب‌های جدید شناسه، کدهای پروندهٔ ویژهٔ سازمان و چیدمان‌های در حال تحول اسناد شناسایی نمی‌شوند تا زمانی که کسی عمداً بسته را به‌روز کند، و در شبکهٔ ایزوله تازه‌سازی خودکار وجود ندارد. تشخیص میزبانی‌شدهٔ anonym.legal – که برنامهٔ دسکتاپ و پلتفرم وب هرجا اتصال زنده باشد استفاده می‌کنند – در عوض خودکار به‌روز می‌شود. به‌روزرسانی مدل را برای حالت آفلاین به‌عنوان یک وظیفهٔ عملیاتی زمان‌بندی و آزمایش کنید و پس از هر به‌روزرسانی در برابر نمونه‌های فعلی سند دوباره اعتبارسنجی کنید، وگرنه دقت بی‌صدا افت می‌کند در حالی که خط لوله ظاهراً دقیقاً مثل قبل کار می‌کند.
استاندارد دفاع‌پذیری قضاوت انسانی می‌طلبد، نه خروجی ابزار. یک گزارش دستهٔ پاک و یک گزارش ممیزی از پاسخ FOIA یا DSAR پشتیبانی می‌کنند، اما خودِ آن پاسخ نیستند. تصمیم‌های Exemption 6 در برابر 7(C)، تمایز میان مقام رسمی و شخص خصوصی و پرسش‌های مصونیت، تعیین‌های حقوقی‌اند. در میان هزاران سند، یک نقص نظام‌مند در پیکربندی هزاران بار تکرار می‌شود، پس مقیاس دسته‌ای یک خطا را بزرگ می‌کند نه آنکه میانگین‌گیری کند. مرحلهٔ مکانیکی قابل خودکارسازی است؛ تعهد مراقبت معقول بر عهدهٔ وکیل بازبین می‌ماند و صف استثناها باید به همان نسبت با نیرو تأمین شود.