
# بهبود کیفیت داده‌های مصنوعی حلقه بسته با بازخورد انسانی و یادگیری تقویتی

داده‌های مصنوعی به‌عنوان یک ستون‌فقره برای آموزش مدل‌های هوش مصنوعی حفظ حریم‌خصوصی تبدیل شده‌اند، به‌ویژه زمانی که مجموعه‌های دادهٔ واقعی کم‌بود، تحت‌نظر مقررات یا هزینه‌بر باشند. با این حال، تولید داده‌های مصنوعی با کیفیت بالا که به‌دقت خواص آماری منبع را بازتاب دهد و در عین حال محدودیت‌های حریم‌خصوصی را رعایت کند، همچنان یک چالش غیر‌ساده است. خطوط لولهٔ سنتی تولید داده را به‌عنوان یک عملیات یک‌بار در نظر می‌گیرند: مدل آموزش می‌بیند، نمونه‌های مصنوعی تولید می‌شوند و فرآیند متوقف می‌شود. در عمل، این رویکرد «ساکن» منجر به انحراف، تعصبات پنهان و شکاف‌های انطباق می‌شود که تنها پس از استقرار مدل‌های پایین‌دستی آشکار می‌گردند.

یک **معماری بازخورد حلقه بسته** این مشکلات را با اندازه‌گیری مستمر مفیدیت، عدالت و حریم‌خصوصی داده‌های مصنوعی، بازگرداندن نتایج به ژنراتور و استفاده از یادگیری تقویتی (RL) برای هدایت بهبودها حل می‌کند. هنگامی که با **Formize**، یک پلتفرم حاکمیتی کم‌کد که ردپای حسابرسی، اجرای سیاست‌ها و مدیریت رضایت را خودکار می‌کند، ترکیب شود، این حلقه هم **خودبهینه‌سازی** و هم **آماده‌برای مقررات** می‌شود.

در این مقاله ما:

1. اجزای اصلی یک سیستم دادهٔ مصنوعی حلقه بسته را تعریف می‌کنیم.  
2. نشان می‌دهیم بازخورد انسانی چگونه جمع‌آوری، کمی‌سازی و به پاداش‌های RL تبدیل می‌شود.  
3. نقاط یکپارچه‌سازی با Formize برای ردپای غیرقابل تغییر، رضایت پویا و شکل‌دهی پاداش مبتنی بر سیاست را شرح می‌دهیم.  
4. راهنمای گام‑به‑گام پیاده‌سازی، شامل قطعه‌های کد و نمودار Mermaid از گردش کار، ارائه می‌کنیم.  
5. مقیاس‌پذیری، نظارت و بهترین شیوه‌ها برای استقرار در محیط‌های تولیدی را بررسی می‌کنیم.

---

## 1. مرور کلی معماری اصلی

در سطح بالا، سیستم حلقه بسته از پنج لایه تشکیل شده است:

| لایه | مسئولیت | فناوری‌های معمول |
|------|----------|-------------------|
| **ورود داده** | وارد کردن ایمن مجموعه‌های دادهٔ خام، اعمال حذف شناسایی و ثبت متادیتای رضایت. | Formize Consent API, Apache Kafka, S3 |
| **ژنراتور مصنوعی** | تولید نمونه‌های چندرسانه‌ای مصنوعی (جدولی، متنی، تصویری، صوتی). | مدل‌های انتشار (Diffusion)، GANها، LLMها، VAEهای جدولی |
| **موتور ارزیابی** | محاسبهٔ مفیدیت، عدالت، حریم‌خصوصی و معیارهای کیفیت خاص دامنه. | NIST‑DP‑3T, Fairlearn, امتیازهای سفارشی شباهت |
| **رابط انسان‑در‑حلقه (HITL)** | جمع‌آوری حاشیه‌نویسی‌های کارشناس، پرچم‌های تعصب و ارزیابی‌های مفیدیت. | Formize Form Builder, React UI, پلتفرم‌های جمع‌آوری جمعی |
| **یادگیرنده تقویتی** | به‌روزرسانی پارامترهای ژنراتور با استفاده از سیگنال‌های پاداش مشتق‌شده از ارزیابی و HITL. | Proximal Policy Optimization (PPO), Ray RLlib |

حلقه زمانی بسته می‌شود که عامل RL پارامترهای ژنراتور را به‌روزرسانی می‌کند، که سپس یک دستهٔ جدید از داده‌های مصنوعی را تولید می‌نماید. Formize در تمام لایه‌ها حضور دارد و ردپای غیرقابل تغییر، شکل‌دهی پاداش مبتنی بر سیاست و گزارش‌گیری خودکار انطباق را فراهم می‌کند.

### نمودار Mermaid از حلقه بسته

```mermaid
flowchart LR
    A["ورود داده"] --> B["ژنراتور مصنوعی"]
    B --> C["موتور ارزیابی"]
    C --> D["رابط بازخورد انسانی"]
    D --> E["محاسبه‌کننده پاداش"]
    E --> F["یادگیرنده تقویتی"]
    F --> B
    B --> G["لایه حاکمیتی Formize"]
    G --> A
    G --> C
    G --> D
    G --> F
```

*تمام برچسب‌های گره‌ها در داخل علامت‌های دوگانهٔ نقل قول برای سازگاری با سینتکس Mermaid قرار گرفته‌اند.*

---

## 2. ضبط بازخورد انسانی به‌عنوان سیگنال پاداش

تخصص انسانی همچنان معیار طلایی برای ارزیابی کیفیت داده‌های مصنوعی است، به‌ویژه در حوزه‌های دقیق مانند تصویر پزشکی یا متن حقوقی. حلقه بازخورد این مراحل را دنبال می‌کند:

1. **ارائهٔ نمونه** – یک زیرمجموعهٔ تصادفی (مثلاً ۲۰۰ ردیف یا ۵۰ تصویر) در یک فرم وب میزبانی‌شده توسط Formize نمایش داده می‌شود.  
2. **مقیاس ارزیابی** – کاربران یک امتیاز مفیدیت (۱‑۵) اختصاص می‌دهند و به‌صورت اختیاری تعصب یا نگرانی‌های حریم‌خصوصی را پرچم می‌زنند.  
3. **تجمیع وزن‌دار** – امتیازها بر اساس تخصص کاربر وزن‌دار می‌شوند (مثلاً کارشناس حوزه = ۱٫۵، کارگر جمعی = ۱٫۰).  
4. **نقشه‌برداری پاداش** – امتیاز تجمیع‌شده به یک پاداش اسکالار `r ∈ [-1, 1]` تبدیل می‌شود. یک نقشه‌برداری خطی ساده می‌تواند به شکل زیر باشد:

   ```python
   def map_score_to_reward(score, bias_flag):
       base = (score - 3) / 2   # تبدیل ۱‑۵ به -1‑1
       penalty = -0.5 if bias_flag else 0
       return max(min(base + penalty, 1), -1)
   ```

5. **تنظیم مبتنی بر سیاست** – سیاست‌های Formize (مثلاً «هیچ نمونهٔ مصنوعی نباید تبعیض جمعیتی > ۵٪ ایجاد کند») قبل از رسیدن پاداش به عامل RL جریمه یا پاداش اضافی اعمال می‌کنند.

### مثال اجرای سیاست در Formize

```yaml
policy:
  name: "اجرای آستانهٔ تعصب"
  condition: "demographic_disparity > 5"
  action: "apply_penalty"
  penalty: -0.3
```

هنگامی که موتور ارزیابی نابرابری را شناسایی کند، Formize به‌صورت خودکار پاداش را کاهش می‌دهد و عامل RL را از تولید نمونه‌های مشابه بازمی‌دارد.

---

## 3. یادگیری تقویتی برای بهینه‌سازی ژنراتور

ژنراتور به‌عنوان یک **محیط** در نظر گرفته می‌شود که پارامترهای سیاست `θ` برای حداکثر کردن پاداش تجمعی مورد انتظار `R` به‌روزرسانی می‌شوند. یک انتخاب محبوب **Proximal Policy Optimization (PPO)** است زیرا تعادل بین کارایی نمونه و پایداری را فراهم می‌کند.

### طرح کلی به‌روزرسانی PPO

```python
import torch
from torch.distributions import Normal

class SyntheticPolicy(torch.nn.Module):
    def __init__(self, latent_dim):
        super().__init__()
        self.fc = torch.nn.Linear(latent_dim, latent_dim)
        self.mean_head = torch.nn.Linear(latent_dim, latent_dim)
        self.log_std = torch.nn.Parameter(torch.zeros(latent_dim))

    def forward(self, z):
        h = torch.tanh(self.fc(z))
        mean = self.mean_head(h)
        std = torch.exp(self.log_std)
        return Normal(mean, std)

def ppo_step(policy, optimizer, old_log_probs, rewards, eps=0.2):
    for _ in range(4):  # دوره‌های مینی‑بچ
        dist = policy(z_batch)
        log_probs = dist.log_prob(z_batch).sum(-1)
        ratio = torch.exp(log_probs - old_log_probs)
        adv = rewards - rewards.mean()
        surr1 = ratio * adv
        surr2 = torch.clamp(ratio, 1-eps, 1+eps) * adv
        loss = -torch.min(surr1, surr2).mean()
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
```

*بردار نهانی `z` از توزیع پیشین نمونه‌برداری می‌شود، به سیاست داده می‌شود تا داده‌های مصنوعی تولید شود، ارزیابی می‌شود و سپس به‌روزرسانی PPO بازگردانده می‌شود.*

Formize هر نسخهٔ سیاست، توزیع پاداش مرتبط و منبع داده‌های آموزشی را ثبت می‌کند و یک **ردپای غیرقابل تغییر** ایجاد می‌کند که الزامات [GDPR](https://gdpr.eu/)، [CCPA](https://oag.ca.gov/privacy/ccpa) و مقررات نوظهور هوش مصنوعی را برآورده می‌سازد.

---

## 4. راهنمای گام‑به‑گام پیاده‌سازی

در ادامه یک نقشهٔ راه عملی برای ساختن سیستم حلقه بسته از صفر آورده شده است.

### گام ۱: راه‌اندازی حاکمیت Formize

1. **ایجاد پروژه** – «حلقه بازخورد کیفیت داده‌های مصنوعی».  
2. **تعریف طرح‌های رضایت** – رضایت داده‌داران را برای هر مجموعهٔ منبع ثبت کنید.  
3. **پیکربندی سیاست‌ها** – آستانه‌های تعصب، بودجه‌های حریم‌خصوصی (ε) و حداقل‌های مفیدیت.  
4. **فعال‌سازی ثبت‌نام غیرقابل تغییر** – لاگ‌های بلاکچین‑پشتیبان برای هر تراکنش را روشن کنید.

### گام ۲: ساخت ژنراتور مصنوعی

```python
from diffusers import StableDiffusionPipeline

pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")
def generate_images(prompt, num=10):
    images = pipe(prompt, num_inference_steps=50, guidance_scale=7.5).images
    return images
```

برای داده‌های جدولی، به‌جای این خط لوله می‌توانید از مدل **CTGAN** استفاده کنید.

### گام ۳: استقرار موتور ارزیابی

```python
from sklearn.metrics import pairwise_distances
def utility_score(real, synthetic):
    # مثال: شباهت کسینوسی تعبیه‌های ویژگی
    real_emb = embed(real)
    synth_emb = embed(synthetic)
    return 1 - pairwise_distances(real_emb, synth_emb, metric="cosine").mean()

def privacy_budget(synthetic):
    # برآورد اپسیلون حریم‌خصوصی (مکان‌نما)
    return estimate_epsilon(synthetic)
```

هر دو امتیاز را از طریق API REST Formize ثبت کنید.

### گام ۴: ساخت رابط بازخورد انسانی

از **Form Builder** Formize برای طراحی فرم سادهٔ ارزیابی استفاده کنید:

| فیلد | نوع | توضیح |
|------|------|-------|
| شناسهٔ نمونه | مخفی | شناسهٔ داخلی |
| امتیاز مفیدیت | رادیو (۱‑۵) | این نمونه چقدر مفید است؟ |
| پرچم تعصب | چک‌باکس | آیا نمونه تعصب دارد؟ |
| نظرات | متن چندخطی | بازخورد آزاد (اختیاری) |

فرم را مستقر کنید و در یک پورتال امن جاسازی کنید. پاسخ‌ها را به‌صورت JSON برای پردازش‌های بعدی استخراج کنید.

### گام ۵: ترکیب‌گر پاداش

```python
def compute_reward(eval_metrics, human_feedback):
    util = eval_metrics["utility"]
    privacy = -eval_metrics["epsilon"] / 10   # جریمه برای اپسیلون بالا
    human = map_score_to_reward(human_feedback["rating"], human_feedback["bias"])
    return 0.5*util + 0.3*privacy + 0.2*human
```

### گام ۶: آموزش عامل RL

1. شبکهٔ سیاست را مقداردهی اولیه کنید.  
2. برای هر تکرار:  
   - بردارهای نهانی `z` نمونه‌برداری کنید.  
   - داده‌های مصنوعی تولید کنید.  
   - ارزیابی انجام دهید و بازخورد انسانی جمع‌آوری کنید.  
   - پاداش محاسبه شود.  
   - به‌روزرسانی PPO انجام شود.  
   - نسخهٔ سیاست و پاداش را در Formize ثبت کنید.

### گام ۷: نظارت و هشداردهی

- **داشبورد معیارها** – مفیدیت، تعصب و حریم‌خصوصی را در طول زمان بصری کنید.  
- **تشخیص ناهنجاری** – وقتی پاداش بیش از ۲۰٪ برای دو دوره متوالی کاهش یابد، هشدار فعال شود.  
- **گزارش‌های انطباق** – گزارش‌های PDF به‌صورت خودکار توسط موتور گزارش‌گیری Formize تولید و با شناسهٔ غیرمتمرکز (DID) امضا شوند.

---

## 5. مقیاس‌پذیری حلقه برای تولید

| چالش | راه‌حل |
|------|--------|
| **داده‌های با حجم بالا** | استفاده از **Ray** برای آموزش RL توزیعی؛ ارزیابی به‌صورت دسته‌ای روی خوشه‌های GPU. |
| **تاخیر بازخورد انسانی** | پیاده‌سازی یک **صف** (Kafka) برای بافر کردن نمونه‌ها؛ استفاده از یادگیری فعال برای اولویت‌بندی نمونه‌های نامطمئن برای حاشیه‌نویسی. |
| **تغییر سیاست** | ذخیرهٔ سیاست‌ها به‌صورت JSON نسخه‌بندی‌شده در Formize؛ استفاده از feature flag برای گسترش تدریجی محدودیت‌های جدید. |
| **ممیزی‌های قانونی** | بهره‌گیری از دفتر کل غیرقابل تغییر Formize برای تولید شواهد غیرقابل دستکاری از هر محاسبهٔ پاداش و به‌روزرسانی مدل. |

---

## 6. موارد استفادهٔ واقعی

1. **سوابق پزشکی مصنوعی** – بهبود مستمر داده‌های الکترونیکی سلامت مصنوعی با تضمین بودجهٔ حریم‌خصوصی مطابق با [HIPAA](https://www.hhs.gov/hipaa/index.html).  
2. **شبیه‌سازهای تراکنش مالی** – کاهش تعصب در داده‌های تقلب مصنوعی با ترکیب بازخورد تحلیل‌گران تقلب در تابع پاداش.  
3. **سناریوهای رانندگی خودکار** – ارزیابی انسانی واقع‌گرایی صحنه‌های مصنوعی خیابانی، عامل RL را به‌سوی تولید موارد لبه‌ای ایمنی‌محور هدایت می‌کند.

---

## 7. پرسش‌های متداول

**س۱: آیا برای مرحلهٔ HITL به تیم بزرگی از متخصصان نیاز دارم؟**  
ج۱: لزوماً نه. می‌توانید با یک پنل کوچک از متخصصان حوزه شروع کنید و با کارگران جمعی تکمیل کنید. امتیازها را بر اساس تخصص وزن‌دار کنید و اجازه دهید عامل RL از ترکیب جمعی یاد بگیرد.

**س۲: Formize چگونه منبع‌گیری داده‌ها را تضمین می‌کند؟**  
ج۲: Formize هش‌کریپتوگرافی هر موجودیت (دادهٔ خام، دستهٔ مصنوعی، گزارش ارزیابی) را به یک دفتر کل مبتنی بر بلاکچین می‌نویسد. هش، زمان‌مهر و امضای کاربر به‌صورت غیرقابل تغییر ذخیره می‌شود.

**س۳: آیا می‌توان حلقه را به‌صورت زمان واقعی اجرا کرد؟**  
ج۳: بله، به‌شرط استفاده از ورودی استریمینگ (Kafka) و ارزیابی با تأخیر کم (GPU). بازخورد انسانی گلوگاه خواهد بود؛ یادگیری فعال می‌تواند تنها بر نمونه‌های با عدم قطعیت بالا درخواست بازخورد کند و حلقه را پاسخگو نگه دارد.

---

## 8. مسیرهای آینده

- **Meta‑RL برای جستجوی سیاست** – استفاده از یک عامل RL سطح بالاتر برای کشف خودکار سیاست‌های شکل‌دهی پاداش بهینه.  
- **تولید مصنوعی فدرال** – ترکیب حلقه با یادگیری فدرال برای حفظ محلی‌بودن داده‌ها در حالی که از بازخورد جهانی بهره می‌برد.  
- **توضیح‌پذیری انتساب پاداش** – ادغام SHAP یا LIME برای نشان دادن دلیل دریافت پاداش پایین برای یک نمونهٔ خاص، که به ناظران انطباق کمک می‌کند.

---

## مطالب مرتبط

- مستندات Formize – APIهای حاکمیتی  
- چارچوب حریم‌خصوصی تفاضلی NIST  
- Fairlearn – ارزیابی عدالت در یادگیری ماشین