سياسة البيانات المفتوحة في مصر 2025 وعلاقتها بحوكمة الذكاء الاصطناعي والبيانات الحكومية

ما هي سياسة البيانات المفتوحة المصرية؟

أصدرت مصر في 2025 سياسة وطنية للبيانات المفتوحة تحت مظلة المجلس الوطني للذكاء الاصطناعي.

السياسة تستهدف تنظيم إتاحة وإعادة استخدام البيانات الحكومية غير الحساسة بما يدعم:

• الشفافية.
• المساءلة.
• الابتكار.
• البحث العلمي.
• الخدمات الرقمية.
• اتخاذ القرار المبني على البيانات.
• الاقتصاد الرقمي.

لكن وصفها بأنها “سياسة بيانات مفتوحة” لا يعني أن الأصل هو نشر أي بيانات تمتلكها الدولة دون ضوابط.

سياسة انتقالية

من أهم خصائص الوثيقة أنها تقدم نفسها كإطار يعمل خلال المرحلة السابقة لصدور قانون حوكمة البيانات وإطار تصنيف البيانات المصاحب له.

وهذه نقطة قانونية مهمة.

السياسة لا ينبغي قراءتها باعتبارها النسخة النهائية الدائمة من النظام الوطني لحوكمة البيانات.

هي آلية انتقالية تسمح بتطوير open data بطريقة منظمة بينما يتم بناء الإطار التشريعي الأشمل.

ما هي البيانات المفتوحة؟

بحسب السياسة، Open Data هي بيانات حكومية يتم توفيرها بشكل يسمح بالوصول وإعادة الاستخدام مع قيود محدودة.

لكن يجب أن تكون مناسبة للنشر.

السياسة تستهدف أساساً:

• non-sensitive data.
• non-personal data.
• non-confidential data.

ما الذي لا يجوز اعتباره Open Data تلقائياً؟

تستبعد السياسة من النشر المفتوح فئات مثل:

• البيانات المرتبطة بالأمن القومي أو الدفاع.
• البيانات الشخصية المحمية بموجب قانون حماية البيانات الشخصية.
• المعلومات التجارية أو التعاقدية المحمية.
• البيانات الخاضعة لقيود قانونية.
• المعلومات التي يمنع نشرها أمر قضائي أو التزام قانوني.

لذلك فإن مصطلح “Open by Default” داخل السياسة لا يعني “publish everything”.

بل يطبق على البيانات التي تم تصنيفها بالفعل باعتبارها مناسبة للنشر.

العلاقة مع الذكاء الاصطناعي

AI يعتمد بصورة مباشرة على البيانات.

وجود بيانات حكومية منظمة وقابلة للقراءة آلياً يمكن أن يدعم:

• الأبحاث.
• التحليلات.
• تطوير النماذج.
• GovTech.
• التخطيط.
• الخدمات الذكية.
• التطبيقات الاقتصادية.
• التنبؤ والإنذار المبكر.

لكن العلاقة ليست:

Open Data = Free AI Training Data Without Conditions.

يجب دائماً مراجعة:

• الترخيص.
• الغرض.
• جودة البيانات.
• حقوق الأطراف الأخرى.
• الخصوصية.
• مخاطر إعادة التعرف.
• شروط attribution.
• القيود الأخرى المرتبطة بالdataset.

Open by Default

تتبنى السياسة مبدأ Open by Default ضمن الحدود المحددة للبيانات المصنفة كبيانات عامة قابلة للنشر.

القيمة العملية لهذا المبدأ أنه يحول السؤال من:

“لماذا ننشر هذه البيانات؟”

إلى:

“هل يوجد سبب مشروع يمنع نشر هذه البيانات بعد أن تم تصنيفها كبيانات عامة آمنة للنشر؟”

لكن هذا التحول لا يلغي عملية التصنيف والمراجعة.

Timeliness

البيانات القديمة قد تكون مفتوحة ولكنها غير مفيدة.

لذلك تؤكد السياسة على التحديث في توقيت مناسب ووضع جداول للنشر والتحديث.

هذه المسألة مهمة جداً في AI.

نموذج يتعلم أو يستنتج من بيانات قديمة قد ينتج نتائج تبدو تقنية لكنها لا تعكس الواقع الحالي.

Accessibility and Usability

السياسة لا تعتبر رفع ملف PDF وحده نموذجاً مثالياً للبيانات المفتوحة.

تشجع على:

• machine-readable formats.
• CSV.
• JSON.
• XML.
• metadata.
• documentation.
• APIs حيثما أمكن.

بالنسبة لـAI، قابلية القراءة الآلية تزيد القيمة بصورة كبيرة، لكنها تزيد أيضاً مسؤولية المؤسسة عن جودة وتفسير البيانات.

Arabic Metadata

تؤكد السياسة على توفير metadata باللغة العربية إلى جانب الإنجليزية حيثما ينطبق ذلك.

هذه نقطة مهمة لتطوير منظومة AI عربية محلية.

غياب التوثيق العربي يمكن أن يجعل البيانات موجودة تقنياً لكنها أقل قابلية للاكتشاف والاستفادة من جانب المستخدمين والباحثين المحليين.

Data Quality

البيانات المفتوحة منخفضة الجودة قد تكون أسوأ من غياب البيانات.

السياسة تشير إلى أهمية:

• completeness.
• consistency.
• accurate metadata.
• data dictionaries.
• update logs.
• source details.

بالنسبة لمشاريع AI، يجب إضافة طبقة تحقق إضافية.

البيانات الرسمية لا تعني تلقائياً أنها مناسبة لأي نموذج أو أي غرض تحليلي.

الإطار المؤسسي الانتقالي

خلال المرحلة الانتقالية، تمنح السياسة المجلس الوطني دوراً في الإشراف على إتاحة البيانات العامة.

كما تنص على آلية بين الجهات لمراجعة datasets قبل النشر.

الهدف هو تطبيق معايير موحدة وعدم ترك كل جهة تنشر وفق تفسير مختلف للمخاطر.

تقييم المخاطر قبل النشر

تتطلب السياسة فحص dataset قبل اعتبارها آمنة للنشر.

تشمل الاعتبارات:

• sensitivity.
• re-identification risk.
• legal harm.
• societal harm.
• reputational harm.
• privacy risk.

هذه العملية مهمة للغاية في عصر AI.

تقنيات الربط والاستنتاج قد تجعل dataset يبدو غير شخصي منفرداً، بينما يمكن عند دمجه مع مصادر أخرى إعادة استنتاج معلومات حساسة.

De-identification لا تساوي Zero Risk

إزالة الاسم ورقم الهوية ليست دائماً كافية.

يمكن أحياناً إعادة التعرف باستخدام:

• الموقع.
• العمر.
• التاريخ.
• الخصائص النادرة.
• سجلات أخرى متاحة للعامة.

لهذا تشير السياسة إلى anonymization وaggregation، وإلى استخدام تقنيات حماية إضافية في الحالات المناسبة.

Interagency Data Release Board

تحدد السياسة آلية مراجعة مركزية انتقالية للdatasets المقترحة للنشر.

من وظائف هذه الآلية:

• مراجعة datasets.
• تطبيق قواعد الإتاحة.
• تقديم إرشاد قانوني وفني وأخلاقي.
• تنسيق quality assurance.
• مراعاة الخصوصية.

وهذا يعكس فكرة مهمة:

قرار نشر dataset هو قرار Governance وليس مجرد قرار IT.

المسؤول داخل كل جهة

تشير السياسة إلى دور مسؤول للبيانات المفتوحة داخل الجهات الحكومية للإشراف على:

• تحديد datasets.
• تصنيفها.
• نشرها.
• الجودة.
• التنسيق.
• engagement.

وجود هذا الدور يمنع نموذج “أي فريق يستطيع رفع أي dataset”.

Data Licensing

البيانات المفتوحة تحتاج إلى ترخيص واضح.

بدون ترخيص، يمكن للمستخدم أن يصل إلى الملف لكنه لا يعرف بالضرورة:

• هل يسمح بإعادة الاستخدام؟
• هل يسمح بالتعديل؟
• هل يسمح بالاستخدام التجاري؟
• هل attribution مطلوب؟
• ما حدود المسؤولية؟

السياسة تتجه إلى نموذج ترخيص وطني للبيانات المفتوحة مع الاستفادة من نماذج دولية معروفة.

Metadata ليست شيئاً ثانوياً

من منظور AI Governance، metadata قد تكون بنفس أهمية dataset.

يجب أن توضح على الأقل:

• المصدر.
• الوصف.
• النطاق.
• الفترة الزمنية.
• تاريخ النشر.
• آخر تحديث.
• التكرار المتوقع للتحديث.
• الترخيص.
• format.
• جهة الاتصال.
• الإصدار.

بدون ذلك يصبح provenance ضعيفاً.

National Open Data Portal

تتصور السياسة بوابة وطنية موحدة كنقطة وصول للبيانات المفتوحة، مع إمكان وجود بوابات قطاعية تتكامل معها.

القدرات المستهدفة تشمل مفاهيم مثل:

• search.
• categorization.
• download.
• APIs.
• dataset requests.
• feedback.
• versioning.
• archiving.

Data Versioning وAI

تحديث dataset قد يغير نتائج نظام AI.

لذلك يجب على المؤسسة التي تستخدم open government data أن تسجل:

• أي version استُخدم.
• متى تم سحبه.
• هل تغير schema؟
• هل تغير المعنى؟
• هل أعيد تدريب النموذج؟
• هل تغيرت النتائج؟

العلاقة مع PDPL

السياسة واضحة في أن البيانات الشخصية المحمية بقانون 151 لسنة 2020 ليست ببساطة Open Data.

هذه الحدود أساسية.

لا يجوز أخذ Dataset يحتوي بيانات شخصية ثم افتراض أن وجوده لدى جهة عامة يسمح بنشره أو استخدامه بحرية.

العلاقة مع قانون حوكمة البيانات المستقبلي

السياسة نفسها تنص على طبيعتها الانتقالية.

لذلك يجب على المؤسسات التي تبني عمليات طويلة الأجل فوقها تصميم controls قابلة للتحديث، لا افتراض بقاء كل قواعد المرحلة الانتقالية كما هي إلى الأبد.

AI Data Governance Checklist

[ممارسة تنفيذية]

قبل استخدام open government dataset في AI:

1. تحقق من المصدر الرسمي.
2. سجل version.
3. اقرأ license.
4. راجع metadata.
5. افحص وجود personal data.
6. افحص re-identification risk.
7. قيّم الجودة.
8. حدد الغرض.
9. سجل transformations.
10. اختبر bias.
11. راقب التحديثات.
12. احتفظ بـdata provenance.

الخلاصة

سياسة البيانات المفتوحة المصرية ليست مجرد مبادرة شفافية.

هي جزء من بناء طبقة وطنية لحوكمة البيانات يمكن أن تدعم الابتكار والذكاء الاصطناعي.

لكن قيمتها تعتمد على الانضباط:

Open Data يجب أن تكون مصنفة، آمنة، موثقة، قابلة للاستخدام، مرخصة، ومحدثة.