سود:
- تعریف نقش های حاکمیتی با ماتریس RACI
- یک فرآیند تأیید متعادل و برنامه حسابرسی منظم ایجاد کنید
- با قانون 72 ساعته، طرح پاسخگویی به رخداد نقض هوش مصنوعی و داده را اجرا کنید
از واحد اول تا این مرحله، خطمشی نوشتیم، قوانین را یاد گرفتیم و ریسکها را ارزیابی کردیم. حالا وقت آن است که همه اینها را به یک سیستم کار متصل کنیم. مهم نیست که یک خط مشی چقدر خوب نوشته شده باشد، اگر هیچ نقش، جریان تایید، ممیزی و پاسخ حادثه پشت آن نباشد، به عنوان یک سند در قفسه باقی می ماند. در این واحد پایانی، ما چهار مکانیسمی را که حکمرانی هوش مصنوعی را زنده نگه میدارد - نقشها (RACI)، فرآیند تأیید، ممیزی منظم و پاسخ به حادثه - ترکیب کرده و چارچوب را کامل میکنیم.
نقش های روشن کننده: ماتریس RACI
اولین قانون حکومت داری: هر کاری باید صاحبی داشته باشد. ابزار کلاسیک برای روشن شدن این موضوع، ماتریس RACI است. RACI از حروف اول چهار نقش می آید:
- ر (مسئول / انجام دهنده): کسی که واقعاً کار را انجام می دهد.
- الف (پاسخگو): فقط یک نفر باید مسئول نهایی باشد.
- ج (مشاوره): کسي که نظر او گرفته شود.
- من (مطلع): مطلع.
تلاش
ساخته شده توسط (R)
پاسخگو (الف)
مشورت شده (C)
مطلع (من)
نوشتن خط مشی
افسر هوش مصنوعی
مدیر انطباق
حقوقی، فناوری اطلاعات، منابع انسانی
مدیریت ارشد
تاییدیه خودروی جدید
فناوری اطلاعات / امنیت
مدیر انطباق
قانون
واحد تجاری
اجرای DPIA
افسر حفاظت از داده ها
مدیر انطباق
تیم مرتبط
مدیریت ارشد
پاسخ نقض
تیم امنیتی
مدیریت ارشد
قانون، ارتباطات
کل موسسه
حسابرسی
حسابرسی داخلی
مدیر انطباق
واحدها
مدیریت ارشد
نکته: در هر خط فقط یک "A" (Accountable) داشته باشید. دو نفر در نهایت مسئول هستند، صفر مسئول است. این همان جایی است که عبارت "فکر می کردم شما نگاه می کنید" در زمان بحران از اینجا می آید. تثبیت مسئولیت بر روی یک نقش، قاعده کلی حاکمیت است.
فرآیند تایید متوازن
ابزار جدید هوش مصنوعی یا استفاده از آن نیاز به فرآیند تأیید دارد. از دو تله اجتناب می شود: خیلی شل (همه چیز آزاد است، هوش مصنوعی سایه دار) و خیلی سفت و سخت (همه چیز ماه ها منتظر تایید است، هیچ کس اذیت نمی شود). مبادله بر اساس ریسک تصویب تدریجی است:
سطح ریسک
مثال
مسیر تایید
پایین
پیش نویس متن با داده های باز
بدون نیاز به تایید، رایگان در سیاست
متوسط
تجزیه و تحلیل با داده های داخلی
مدیر واحد + نیاز خودرو تایید شده
بالا
داده های شخصی/خصوصی، تصمیم گیری خودکار
انطباق + تایید قانونی + DPIA
انتشار استفادههای کم خطر به تیمها اجازه میدهد تا مالکیت فرآیند را در دست بگیرند. قرار دادن موارد پرخطر تحت کنترل شدید، ریسک واقعی را مدیریت می کند. بنابراین، این فرآیند هم سریع و هم بی خطر است.
بازرسی منظم
حکومت یک سیستم زنده است. بدون نظارت منظم می میرد. بررسی های ممیزی: آیا وسایل نقلیه مورد استفاده هنوز در لیست تایید شده هستند، آیا نشانه هایی از هوش مصنوعی سایه وجود دارد، آیا دوره های نگهداری اعمال می شود، آیا DPIA به روز است، آیا حوادث ثبت شده است. فرکانس حسابرسی بر اساس ریسک تعیین می شود (به عنوان مثال هر سه ماه یکبار برای سیستم های پرخطر، هر شش ماه برای عمومی).
توجه: حسابرسی ابزاری برای "سرزنش کسی" نیست، بلکه ابزاری برای "بهبود سیستم" است. فرهنگ حسابرسی متمرکز بر مجازات، کارکنان را وادار می کند تا مشکلات را پنهان کنند و هوش مصنوعی سایه را تقویت می کند. هدف این است که مشکلات را زودتر ببینید و رفع کنید.
پاسخ به حادثه و قانون 72 ساعت
مهم نیست که چقدر خوب مدیریت می شود، یک روز یک حادثه اتفاق می افتد: نشت داده ها، تصمیم اشتباه هوش مصنوعی، داده های محرمانه وارد ابزار اشتباه می شوند. یک طرح واکنش به حادثه، اقداماتی را که باید انجام شود را تجویز می کند:
- شناسایی و مهار: حادثه را بشناسید، گسترش آن را متوقف کنید (مثلاً قطع دسترسی).
- ارزیابی: کدام داده ها، چند نفر، چقدر تحت تاثیر قرار گرفتند؟
- اطلاعیه: در صورت نقض اطلاعات شخصی، در صورت لزوم به مقام مربوطه (هیئت مدیره KVKK) و افراد مربوطه اطلاع دهید. GDPR مستلزم اطلاع رسانی به مرجع ظرف 72 ساعت پس از اطلاع از نقض است. KVKK همچنین انتظار دارد "در اسرع وقت" اطلاع رسانی شود.
- اصلاح و یادگیری: علت اصلی را برطرف کنید، برای جلوگیری از وقوع مشابه اقدام کنید، حادثه را مستند کنید.
توجه: دوره اطلاع رسانی 72 ساعته از لحظه ای که شما از حادثه مطلع می شوید شروع می شود. رویکرد "بیایید ابتدا آن را داخلی حل کنیم، سپس به شما اطلاع خواهیم داد" مهلت را از دست می دهد. داشتن یک طرح واکنش به حادثه و زنجیره ارتباطی از قبل آماده باعث صرفه جویی در زمان در طول یک بحران می شود.
سه کیف کوچک
مورد 1 - تکلیف بی ادعا. یک شرکت خط مشی هوش مصنوعی دارد، اما مشخص نیست "چه کسی لیست ابزار تایید شده را به روز می کند". لیست به مدت 8 ماه به روز نمی شود، تیم ها شروع به استفاده از ابزارهایی می کنند که در لیست نیستند. اگر یک ماتریس RACI این وظیفه را به یک نقش سنجاق کند، شکاف رخ نمی دهد.
مورد 2 - 72 ساعت از دست رفته. یک کارمند لیست خریداران مرموز را در ابزار اشتباه وارد می کند. تیم سعی می کند این مشکل را در داخل حل کند و سه روز بعد قانون را اعلام می کند. ضمناً دوره اطلاع رسانی گذشته است. یک طرح آمادهشده واکنش به حادثه و یک زنجیره ارتباطی روشن، حادثه را در یک ساعت اول به کانال مناسب منتقل میکرد.
مورد 3 - سایه هوش مصنوعی توسط ممیزی دستگیر شد. یک سازمان سه ابزار هوش مصنوعی تایید نشده را در ترافیک شبکه طی یک ممیزی معمولی نیمه سالانه شناسایی می کند. او به جای تنبیه با تیم ها صحبت می کند، می فهمد که چرا به این ابزار نیاز دارند، این دو را ارزیابی می کند و به لیست تایید شده اضافه می کند. حسابرسی هم ریسک را می بندد و هم نیاز واقعی را قابل مشاهده می کند.
قالب های قابل کپی
الگوی 1 — طرح کلی ماتریس RACI: "پیش نویس ماتریس RACI برای حاکمیت هوش مصنوعی سازمان ما. وظایف: نوشتن خط مشی، تایید ابزار، DPIA، پاسخ به نقض، ممیزی، آموزش. نقش ها: مدیر هوش مصنوعی، مدیر انطباق، حقوقی، IT، منابع انسانی، مدیریت ارشد. فقط یک "A" در هر نقش."
الگوی 2 — جریان تایید ردیفی: "یک فرآیند تایید AI طبقه بندی شده با توجه به ریسک طراحی کنید: مسیرهای تایید جداگانه برای ریسک کم/متوسط/بالا. استفاده نمونه، نقش تایید کننده و سند مورد نیاز (DPIA و غیره) را برای هر سطح بنویسید. فرآیند را سریع و ایمن کنید."
الگو 3 - چک لیست حسابرسی: "چک لیست را برای حسابرسی حاکمیت هوش مصنوعی شش ماهه آماده کنید: انطباق ابزار تایید شده، نشانه های هوش مصنوعی سایه، دوره های نگهداری، ارز DPIA، گزارش رویدادها، نرخ تکمیل آموزش. روش "چگونگی بررسی" را به هر مورد اضافه کنید."
الگوی 4 - کارت جریان واکنش حادثه: "یک کارت جریان واکنش حادثه یک صفحه ای برای نقض هوش مصنوعی/داده بنویسید: گام به گام (تشخیص، مهار، ارزیابی، اعلان، اصلاح)، نقش مسئول و اطلاعات تماس در هر مرحله، هشدار 72 ساعته. آنقدر ساده نگه دارید تا در مواقع بحران روی میز بنشینید."
اعلان ضعیف / اعلان قوی
ضعیف: "برای مدیریت هوش مصنوعی چه کنیم؟" -> مدل یک لیست کلی ارائه می دهد. نقشها، مسیرهای تایید و طرح حادثه برای موسسه خاص و قابل اجرا نخواهد بود. STRONG: "ما سازمانی متشکل از 60 نفر هستیم. برای اجرای حکمرانی هوش مصنوعی: (1) یک ماتریس RACI 5 کاره تولید کنید، (2) جریان تایید ردیفی برای ریسک کم/متوسط/بالا، (3) یک کارت پاسخگویی به حادثه یک صفحهای با قانون 72 ساعته. اجازه دهید در هر کار یک "A" واحد وجود داشته باشد.
اشتباهات رایج
- عدم تثبیت وظایف به نقش؛ ایجاد شکاف "شغل هر کس به هیچ کس نیست".
- تعریف بیش از یک "A" (مسئول نهایی) در یک کار.
- انجام فرآیند تأیید یا خیلی سست یا خیلی سخت. طبقه بندی نشدن بر اساس ریسک
- اصلاً بازرسی را انجام ندادن یا به ابزار تنبیه و کتمان مشکلات تبدیل کردند.
- در نظر گرفتن طرح واکنش به حادثه پس از وقوع حادثه.
- از دست دادن دوره اخطار 72 ساعته فقط به این دلیل که "بیایید ابتدا آن را در داخل تعمیر کنیم".
- یک بار استقرار حکومت و عدم بازنگری مجدد آن؛ با این حال، این یک سیستم زنده است.
به طور خلاصه
- چهار مکانیسم باعث کارکرد حاکمیت میشوند: نقشها (RACI)، تایید لایهای، ممیزی منظم، و واکنش به حادثه.
- در ماتریس RACI، هر وظیفه باید یک فرد مسئول نهایی (A) داشته باشد.
- فرآیند تایید باید بر اساس ریسک مرحله بندی شود. بدون ریسک کم، کنترل دقیق با ریسک بالا.
- حسابرسی منظم حکومت را زنده نگه می دارد. به عنوان وسیله ای برای شفا استفاده می شود نه مجازات.
- طرح واکنش به حادثه باید از قبل آماده شود. قانون اطلاع رسانی 72 ساعته را نباید در صورت نقض اطلاعات شخصی فراموش کرد.
وظیفه کاربردی
یک چارچوب کامل حاکمیتی برای سازمان خود در یک سند جمع آوری کنید. ابتدا یک ماتریس RACI از حداقل پنج کار ایجاد کنید. مطمئن شوید که در هر کار فقط یک "A" وجود دارد. سپس یک جریان تایید ردیفی برای ریسک کم، متوسط و زیاد طراحی کنید و نمونه استفاده، نقش تایید و مستندات مورد نیاز را در هر سطح اضافه کنید. سپس یک چک لیست حسابرسی شش ماهه ایجاد کنید. در نهایت، یک کارت پاسخ حادثه یک صفحه ای برای نقض هوش مصنوعی/داده بنویسید. شامل هشدار 72 ساعته و زنجیره ارتباطی. این چهار قطعه سندی خواهند بود که آنچه را که در طول ماژول آموخته اید به یک سیستم کاری تبدیل می کند.
چک لیست
- [ ] من ماتریس RACI را تنظیم کردم. در هر ماموریت فقط یک "A" وجود دارد.
- [ ] من یک جریان تصویب تدریجی را با توجه به ریسک طراحی کردم.
- [ ] من استفاده های کم خطر را به طور معقول آزاد ترک کرده ام.
- [ ] من یک چک لیست حسابرسی شش ماهه تهیه کردم.
- [ ] من حسابرسی را به عنوان ابزاری برای بهبود قرار دادم.
- [ ] من یک کارت پاسخ حادثه یک صفحه ای نوشتم.
- [ ] من قانون اخطار 72 ساعته و زنجیره ارتباط را گنجانده ام.
امتحان ماژول
1. مفهومی که به استفاده غیرمجاز از هوش مصنوعی توسط کارکنان اشاره دارد که زمانی رخ می دهد که سازمان ها یک خط مشی مکتوب هوش مصنوعی ندارند؟
- الف) Shadow AI (shadow AI) ✔
- ب) هوش مصنوعی وزن باز
- ج) هوش مصنوعی چندوجهی
- د) هوش مصنوعی نظارت شده
توضیحات: استفاده از هوش مصنوعی بدون اطلاع و تایید موسسه "هوش مصنوعی سایه" نامیده می شود و خطرات جدی مانند نشت داده ها را به همراه دارد.
2. رویکرد اساسی یک سیاست هوش مصنوعی خوب شرکتی چه باید باشد؟
- الف) ممنوعیت استفاده از هوش مصنوعی تا حد امکان
- ب) چارچوبی باشد که امکان استفاده مسئولانه را فراهم کند و شفافیت و اعتماد را فراهم کند ✔
- ج) مدرک فنی بودن فقط برای بخش فناوری اطلاعات
- د) تا حد امکان طولانی و فقط به زبان قانونی نوشته شود
توضیح: یک خط مشی خوب فهرستی از ممنوعیت ها نیست، بلکه چارچوبی است که امکان استفاده مسئولانه را فراهم می کند. ممنوع کردن کامل آن استفاده را از بین نمی برد. فقط آن را نامرئی و کنترل نشده می کند.
3. چه چیزی طبقه بندی داده ها را تعیین می کند، که مهمترین بخش سیاست هوش مصنوعی سازمانی است؟
- الف) قیمت توکن مدل هوش مصنوعی
- ب) بودجه سالانه هوش مصنوعی شرکت
- ج) کدام نوع داده را می توان در کدام ابزار هوش مصنوعی وارد کرد ✔
- د) کدام کارمند چه حقوقی دریافت خواهد کرد؟
توضیحات: طبقه بندی داده ها. قوانین واضحی در مورد اینکه کدام نوع داده های باز، داخلی، محرمانه و اختصاصی را می توان و نمی توان در کدام ابزار هوش مصنوعی وارد کرد، تعیین می کند.
4. اصل "به حداقل رساندن داده ها" (ارتباط، محدود و متناسب) KVKK در استفاده از هوش مصنوعی به چه معناست؟
- الف) فقط داده های لازم را در هوش مصنوعی وارد کنید و نه بیشتر ✔
- ب) با وارد کردن هرچه بیشتر داده ها در هوش مصنوعی، نتایج بهتری به دست آورید
- ج) ذخیره سازی داده ها به طور نامحدود
- د) اطمینان حاصل کنید که تمام داده ها را به خارج از کشور منتقل کنید
توضیح: کمینه سازی داده به این معناست که فقط داده های لازم برای هدف و نه بیشتر به هوش مصنوعی وارد شود. در صورت امکان، داده ها به صورت ناشناس یا پوشانده شده وارد می شوند.
5. هنگام وارد کردن متن حاوی داده های شخصی در ابزار هوش مصنوعی که داده ها را در سرور ارائه دهنده پردازش می کند، از نظر KVKK چه چیزی در نظر گرفته می شود؟
- الف) معامله عادی بدون عواقب قانونی
- ب) عملی که تحت هر شرایطی اکیداً ممنوع است
- ج) عملیاتی که فقط در صورت باز بودن داده ها مهم است
- د) معامله و اغلب نقل و انتقال; نیاز به مبنای قانونی و اطمینان ✔
توضیح: این یک "پردازش" و اغلب "انتقال" است زیرا داده ها در سرور ارائه دهنده (اغلب در خارج از کشور) پردازش می شوند. این نیاز به مبنای قانونی معتبر و قرارداد/ضمانت مناسب دارد.
6. رویکرد اساسی قانون هوش مصنوعی اتحادیه اروپا چیست؟
- الف) همه سیستم های هوش مصنوعی را تحت قوانین سختگیرانه یکسانی قرار دهید
- ب) سیستم های هوش مصنوعی را بر اساس خطر احتمالی آنها طبقه بندی کنید و قوانین را بر اساس آن اعمال کنید
- ج) استفاده از هوش مصنوعی را در سراسر اتحادیه اروپا به طور کامل ممنوع کنید
- د) کنترل فقط قیمت توکن مدل
توضیح: قانون هوش مصنوعی اتحادیه اروپا همه هوش مصنوعی را با هم جمع نمی کند. این سیستم ها را با توجه به آسیب احتمالی آنها به چهار کلاس خطر (ممنوع، زیاد، محدود، حداقل) تقسیم می کند و با افزایش ریسک قوانین را تشدید می کند.
7. طبق قانون هوش مصنوعی اتحادیه اروپا، سیستم هوش مصنوعی که نامزدها را در تصمیم گیری های استخدام بررسی می کند، به احتمال زیاد در کدام طبقه خطر قرار می گیرد؟
- الف) ریسک بالا✔
- ب) حداقل ریسک
- ج) ریسک محدود
- د) بدون ریسک
توضیحات: حوزه هایی که زندگی افراد را به طور جدی تحت تاثیر قرار می دهند، مانند استخدام، اعتبار و مراقبت های بهداشتی، به طور کلی در دسته "خطر بالا" قرار می گیرند و مشمول تعهدات سختگیرانه (ثبت، نظارت انسانی، کیفیت داده ها) هستند.
8. بر اساس قانون هوش مصنوعی اتحادیه اروپا، سیستمهای «نمرهگذاری اجتماعی» تحت حمایت دولت، که افراد را بر اساس رفتار یا ویژگیهایشان امتیاز میدهند و از نظر اجتماعی به آنها آسیب میرسانند، در کدام دسته قرار میگیرند؟
- الف) ریسک محدود
- ب) ریسک بالا
- ج) عمل ممنوع (خطر غیرقابل قبول) ✔
- د) حداقل ریسک
توضیحات: امتیاز دهی اجتماعی، دستکاری زیرآگهی و برخی روش های نظارت بیومتریک از جمله "عملکردهای ممنوع" هستند. اینها حتی در صورت کاهش خطر هم نمی توانند آزاد شوند، کاملاً ممنوع هستند.
9. ماده 22 GDPR از افراد در برابر چه چیزی محافظت می کند؟
- الف) در برابر قیمت های بالای ابزارهای هوش مصنوعی
- ب) فقط در برابر ایمیل های تبلیغاتی
- ج) در مقابل استفاده از مدل های کسری وزن
- د) در برابر تصمیماتی که به طور قابل توجهی بر شخص تأثیر می گذارد و فقط به صورت خودکار اتخاذ می شود ✔
توضیح: ماده 22 GDPR از فرد در برابر تصمیماتی محافظت می کند که به میزان قانونی یا به طور مشابه بر فرد تأثیر می گذارد و صرفاً مبتنی بر پردازش خودکار (از جمله هوش مصنوعی) است. این حق درخواست مداخله و اعتراض انسانی را فراهم می کند.
10. هنگامی که می خواهید داده های شخصی را در سرور یک ارائه دهنده هوش مصنوعی در خارج از کشور پردازش کنید، از نظر KVKK/GDPR چه چیزی لازم است؟
- الف) بدون شرایط اضافی؛ داده ها را می توان آزادانه منتقل کرد
- ب) تضمین مناسب (تعهد نامه/شرایط استاندارد قرارداد) یا مکانیزمی مانند رضایت صریح ✔
- ج) فقط رمزگذاری داده ها کافی است
- د) فقط تایید شفاهی کارمند کافی است
توضیح: نقل و انتقالات برون مرزی، به عنوان یک قاعده، نیازمند سازوکارهایی است که شامل رضایت صریح یا تعهد کافی به حفاظت است (تضمینات مناسب مانند تعهد نامه، بندهای استاندارد قراردادی). داده ها را نمی توان به طور تصادفی منتقل کرد.
11. چه چیزی تعیین می کند که آیا یک خروجی تولید شده توسط هوش مصنوعی در اکثر سیستم های حقوقی دارای حق چاپ است؟
- الف) میزان خلاقیت و مشارکت انسان در محتوا ✔
- ب) قیمت توکن مدل مورد استفاده
- ج) فقط طول خروجی
- د) کشور مبدا ابزار هوش مصنوعی
توضیحات: در بسیاری از سیستم های حقوقی، حمایت از حق چاپ مستلزم خلاقیت انسان است. هر چه جهت گیری، انتخاب، تنظیم و سهم منحصر به فرد انسانی بیشتر باشد، احتمال حفظ خروجی بیشتر است.
12. "کنترل انسانی"، حیاتی ترین اصل چارچوب حکمرانی هوش مصنوعی، به چه چیزی اشاره دارد؟
- الف) هوش مصنوعی تمام تصمیمات را به تنهایی و به طور خودکار می گیرد
- ب) افراد به طور کامل استفاده از هوش مصنوعی را متوقف می کنند
- ج) هوش مصنوعی یک ابزار است. حرف آخر و مسئولیت در تصمیم گیری های مهم همیشه متعلق به خود شخص است ✔
- د) فقط از گران ترین مدل استفاده کنید
توضیحات: اصل کنترل انسان بر این نکته تاکید دارد که هوش مصنوعی یک ابزار است و مسئولیت همیشه بر عهده انسان است. یک فرد مجاز در تصمیم گیری های مهم حرف آخر را می زند. "هوش مصنوعی گفت" بهانه ای نیست.
13. معمولاً چه زمانی باید ارزیابی تأثیر حفاظت از داده (DPIA) انجام شود؟
- الف) پس از وقوع نقض داده ها
- ب) در مرحله طراحی، قبل از شروع پردازش پرخطر ✔
- ج) فقط در صورت درخواست حسابرس
- د) به طور معمول، سال ها پس از پروژه
توضیحات: DPIA باید در مرحله طراحی قبل از شروع یک فعالیت پردازشی هوش مصنوعی که از فناوری جدید استفاده می کند، شامل نظارت گسترده یا سیستماتیک است یا خطر بالایی برای افراد ایجاد می کند، انجام شود.
14. مطابق با "محدودیت هدف" و اصول حفظ KVKK، برای داده های شخصی در تاریخچه چت یک ابزار هوش مصنوعی چه باید کرد؟
- الف) باید برای همیشه نگهداری شود
- ب) بدون نیاز به قوانین، مشکل ارائه دهنده است
- ج) سالانه فقط به درخواست مدیر بررسی می شود.
- د) باید به خطمشی ذخیرهسازی و تخریب مرتبط باشد و پس از تکمیل هدف باید حذف یا ناشناس شود ✔
توضیح: دادههای شخصی را نمیتوان برای هدفی که برای آن پردازش میشود، بیشتر از زمانی که لازم است نگهداری کرد. تاریخچه چت هوش مصنوعی نیز باید با سیاست حفظ و تخریب مرتبط باشد. وقتی هدف دیگر وجود ندارد، باید حذف یا ناشناس شود.
15. کدام رجیستری برای کنترل کننده های داده ای که از آستانه های مشخصی فراتر می روند تا فعالیت های پردازش داده های شخصی خود را در ترکیه ثبت کنند، مورد نیاز است؟
- الف) VERBIS (سیستم اطلاعات رجیستری کنترلر داده ها) ✔
- ب) دفتر ثبت تجارت مرسیس
- ج) پایگاه داده قانون هوش مصنوعی اتحادیه اروپا
- د) ثبت نام مالیات دهندگان
توضیحات: VERBIS (سیستم اطلاعات رجیستری کنترلر داده ها) رجیستری رسمی است که در آن کنترل کننده های داده موجودی های پردازشی خود را ثبت می کنند. یک فعالیت پردازشی جدید مبتنی بر هوش مصنوعی باید در موجودی و در صورت لزوم در رکورد VERBIS منعکس شود.