GitHub تضيف مقاييس AI Scan الخاصة بطلبات pull request إلى security overview

وسّعت GitHub في 13 أكتوبر 2026 لوحة security overview: صار بإمكان مديري المؤسسات وحسابات enterprise متابعة أداء AI Scan في طلبات pull request. تعرض اللوحة عدد النتائج التي أنتجها AI Scan وعدد ما أغلقه المطورون منها. ولا يتجاوز إعلان GitHub Changelog بضعة أسطر، كما تنقطع قائمة المقاييس فيه في منتصف الجملة. لذلك نورد أدناه ما ثبتت صحته فقط، مع توضيح صريح لما لا يزال غير معروف.

ما الذي ظهر تحديدًا

يفحص AI Scan الخاص بطلبات pull request التغييرات البرمجية بحثًا عن الثغرات قبل الدمج، وهو جزء من code scanning. في السابق كان بإمكان المدير تفعيل الميزة، لكن تقدير عائدها كان صعبًا: فالنتائج تختلط بنتائج الماسحات الأخرى، ويُبنى التقييم على مؤشرات غير مباشرة.

أصبح لدى security overview الآن شريحة مستقلة خاصة بـ AI Scan. ويتضح من الإعلان ما يلي:

• المقاييس متاحة لمديري المؤسسات وحسابات enterprise؛
• تعرض عدد النتائج التي أنتجها AI Scan؛
• تعرض عدد النتائج التي جرت معالجتها؛
• يذكر نص الإعلان مؤشرات أخرى أيضًا، لكن الرسالة مقطوعة، ولا يمكن استعادة المجموعة الكاملة منها.

لم يكشف الإعلان عن مواعيد الإتاحة، ولا عن القيود المرتبطة بالباقات، ولا عن إمكانية التقسيم بحسب المستودعات أو الفرق. والأفضل التحقق من ذلك كله في وثائق GitHub.

لماذا يهم هذا من يدفع ثمن الأداة

يتحول ماسح الذكاء الاصطناعي بسهولة، مثل التحليل الساكن التقليدي، إلى مصدر ضجيج. فإذا أنتج نتائج كثيرة وأُغلق منها القليل فقط، يبدأ المطورون بتمرير تعليقات pull request دون قراءتها. ويقدّم مؤشرا «المُنتَج» و«المُعالَج» إجابة أولية تقريبية عن سؤال: هل تعود الميزة بفائدة؟ فالنسبة المرتفعة من النتائج المغلقة تدل على أن الإشارات تصيب هدفها. أما النسبة المنخفضة فتشير إلى إنذارات كاذبة، أو نطاق تغطية غير مناسب، أو فرق تتجاهل الفحص ببساطة.

وهناك جانب إداري أيضًا. فميزانية الأمان تُنتزع عادةً بحجج من نوع «اكتشفنا كذا مشكلة وأغلقناها قبل الوصول إلى الإنتاج». وكان جمع هذه الأرقام الخاصة بجزء الذكاء الاصطناعي يتم يدويًا في السابق، أما الآن فهي في اللوحة نفسها التي تُعرض فيها تنبيهات الماسحات الأخرى. وبالنسبة لعملاء enterprise الذين لديهم عشرات أو مئات المستودعات، يوفر ذلك وقتًا في إعداد التقارير.

ماذا تفعل بذلك عمليًا

البيانات الواردة في الإعلان قليلة، لذا من المعقول التحرك على خطوات:

1. افتح security overview وابحث عن الشريحة الجديدة الخاصة بـ AI Scan. إذا لم تجدها، فتحقق من الصلاحيات: فالميزة موجهة لمديري المؤسسات وحسابات enterprise. 2. سجّل القيم الأولية. فمن دون خط أساس لن يكون هناك ما تقارن به بعد شهر. 3. قارن عدد النتائج المُنتَجة بعدد المغلقة. وإذا كانت الفجوة كبيرة، فراجع بشكل انتقائي بضع عشرات من النتائج، وحدد طبيعتها: ثغرات حقيقية أم ضجيج. 4. قارن المستودعات ببعضها. فإذا كان فريق في أحدها يغلق كل النتائج تقريبًا، وفريق في آخر لا يغلق شيئًا تقريبًا، فالسبب على الأرجح في العملية لا في الماسح. 5. لا تستخلص استنتاجات عن جودة النموذج نفسه من هذه المقاييس وحدها. فلا تعادل النتيجة المغلقة ثغرة مكتشفة، والمشكلات الفائتة لا تدخل في هذه الإحصاءات.

من حيث الحجم، هذا تحديث صغير: تبويب جديد للمقاييس، وليس نموذجًا جديدًا أو وكيلًا جديدًا. لكن أمورًا كهذه تحديدًا تُظهر أن فحوص الذكاء الاصطناعي في GitHub تنتقل من وضع «فعّلناها ونأمل الأفضل» إلى وضع يمكن فيه قياس فعاليتها. وحين تكشف GitHub عن القائمة الكاملة للمؤشرات، سيتضح إلى أي عمق ستتيح هذه التحليلات الحفر في البيانات.