أول موظف لدينا : مجهّز إخفاء هوية مجموعات البيانات — MVP0 خلال فترة التجربة

----
----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

النتيجة: إما أن تقوم بـ RAG على بيانات ملوثة (هلوسات PII، عدم امتثال لـ GDPR، خطر قانوني)، أو لا تفعل شيئًا (لا يوجد منتج). الطريق الثالث — تنظيف يدويًا — غير قابل للتوسيع.

جوابى: لا تتجنب المشكلة. ل'**أوْتَمَتَ**.

== MVP0 : مجهّز الهوية، أول موظف تم تعيينه خلال فترة الاختبار

ليس MVP0 ميزةً. إنه**خبير في الراحة**— موظف يقوم بعمل قذر وغبي وشرير، ولا يرغب أحد في التحدث عنه في عروض الاستثمار.

ما يفعله:

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

يكتشف الأنماط الأكثر وضوحًا أولًا (البريد الإلكتروني`.*@.*`, الرموز`sk-*`, `ghp_*`, IPs), ثم يتعلم. فترة الاختبار، هذا هو الأمر: نتحقق من أنه لا يسمح بتمرير سلبيات خاطئة قبل تعيينه نهائياً.

== ما يفتح هذا MVP (و ليس مجرد الامتثال)

التخفي كـ MVP0 ليس هو رسم الامتثال لـ GDPR قبل الطريق السريع. إنه الطريق السريع نفسه. إليك ما يفتحه :

=== الحاضر : الواقع المعزز في Prompt

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

الـRAG لا يبحث في بيانات متسخة — إنه يبحث في مساحة**نظيف من خلال البناء**. هذا يغيّر كل شيء لجودة الأجوبة: لا يقضي LLM وقته في تجنّب معلومات التعريف الشخصية (PII) التي يدركها ولكن لا يجب أن يذكرها.

=== المستقبل: ضبط دقيق على بيانات صحية

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

التدريب الدقيق على البيانات الخام هو كارثة قانونية محتملة. على البيانات النظيفة، إنه**طريقة قابلة للتكرار**. كل عميل يجمع مجموعات البيانات المنقاة له، يمكن لكل عميل ضبط خبرائه المتخصصين على بياناته — دون أبدًا الكشف عن أي بيانات شخصية.

== لماذا هو قابل للتسويق

ليس هذا « أداة امتثال اللائحة العامة لحماية البيانات ». إنه**طريقة قابلة للتكرار تحول مشكلة عالمية إلى أصل**(Empty)

1. *كل شركة تدريب لديها بيانات غير نظيفة* — هذه هي المشكلة
2. *لا يحتوي أي منها على خط أنابيب تنظيف متعدد المصادر مؤتمت* — هذا هو السوق
3. *الحلقة : التجهيل → RAG → الضبط الدقيق مملوكة* — إنها العائق

لن يبيع SaaS Edster (MVP3) مساحة عمل Gradle. سيبيع هذه الحلقة المغلقة. و MVP0 هو نقطة الدخول.

== تنسيق SQL كطريقة ثالثة للسياق

استيراد البيانات المنظمة ليس مجرد صيغة للتبادل. مخطط SQL (DDL) يحمل**نموذج الكيان-العلاقة للمجال**:

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

هذا DDL، بمجرد إخفاء الهوية (السطر 4)، يصبح مصدرًا للسياق لـ LLM. ليس نصًا — من**نموذج العمل**. RAG يعطي المحتوى (تشابه متجهي)، Graphify يعطي العلاقات (هيكل دقيق)، والمخطط SQL يعطي**تصميم موجه بالنطاق الضمني**: السياقات المحدودة، التجمعات، كائنات القيمة. LLM يفهم العمل لأنه يقرأ مخططه.

== خريطة الطريق : من MVP0 إلى SaaS

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

كل MVP يعتمد على السابق. لا يمكن تسليم أي MVP دون MVP0. هذا هو السبب الذي يجعل المُجهِّل ليس « P0 » في الباكLog — إنه**MVP0**. هذا هو أول مخرج تجاري، وكل شيء آخر يعتمد على نجاحه.

== الخلاصة: العمل غير المرئي الذي يجعل كل شيء ممكنًا

في شركة ناشئة تقليدية، يتم الاستعانة بمصادر خارجية لتنظيف البيانات، أو يدويًا، أو يتجاهل. في هذه المعمارية، الأمر هو**قلب المنتج**. المجهِّل هو الموظف الأول لأنه بدونه لا يعمل شيء :

* بدون MVP0 → لا يوجد RAG قانوني (MVP1)
* بدون MVP0 → لا يوجد ضبط دقيق دون تسريب بيانات (EPIC 5)
* بدون MVP0 → لا يوجد SaaS موثوق (MVP3)
* بدون MVP0 → لا يوجد واقع مُعزز في الموجه
* بدون MVP0 → لا توجد طريقة ثالثة للسياق (SQL DDD)

هو يقوم بالأعمال القذرة. لن يُذكر أبداً في العروض التقديمية. لكنه هو من يجعل المصنع يعمل.

وهذا هو السبب في أنه يُوظف أولاً.

== المراجع

* مقالة حول الأنطولوجيا المكانية ودوائر الثقة :link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[الأ'ontologie الفضائية كآلية محاذاة]
* مقالة عن حوكمة الوكيل المتحمس/الكسول :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[إدارة وكيل الذكاء الاصطناعي باستخدام AsciiDoc]
* مقال عن الآلية Hot/Warm/Cold:link:../2026/0110_mecanisme_backup_contexte_agent_post.html[نافذة منزلقة وموجة باردة]
* مقالة عن مقارنة الثلاثة LLMs :link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro، Kimi K2.6، GLM-5.1]
----