دور تطبيقات الذكاء الاصطناعي في مستقبل المصارف الخاصة الرقمية: دراسة تطبيقية لقياس أداء خوارزميات التعلم الالي في التنبؤ بالجدارة الائتمانية للزبائن

الملخص

يهدف البحث إلى تحليل قدرة تطبيقات الذكاء الاصطناعي على التنبؤ بالأحداث المستقبلية والتحوط منها في ظل التحولات الرقمية المتسارعة التي يشهدها القطاع المالي. وتعتبر تطبيقات الذكاء الاصطناعي الآن عنصرًا أساسيًا في تطوير الأنظمة المصرفية وتعزيز كفاءتها التشغيلية، من خلال الاستفادة من قدراتها في تحليل البيانات الضخمة، والتنبؤ بالسلوك المالي، وإدارة المخاطر بدقة وكفاءة أكبر. وتسعى المصارف إلى توظيف هذه التطبيقات لتحقيق ميزة تنافسية من خلال تحسين تجربة الزبائن، وتخصيص الخدمات المصرفية لتناسب احتياجات الأفراد، وتقليل الأخطاء التشغيلية. علاوة على ذلك، تسهم تطبيقات الذكاء الاصطناعي في تسريع اتخاذ القرارات الائتمانية، وتمكين الكشف المبكر عن الاحتيال المالي، وتطوير استراتيجيات تسويق ذكية قائمة على رؤى تنبؤية لاتجاهات السوق المستقبلية. وتشير الدراسات إلى أن مستقبل الذكاء الاصطناعي يتجاوز الجوانب التقنية ليشمل الأبعاد الاستراتيجية والثقافية والبشرية والتقنية والتنظيمية، بهدف ضمان الاستدامة المالية وتحقيق التكامل بين التحول الرقمي ومتطلبات الابتكار المصرفي.

كما استعرض البحث مجموعة من التأثيرات المستقبلية المتوقعة لتطبيقات الذكاء الاصطناعي، تمثّلت في تعزيز الدقة في التنبؤ، وخفض التكاليف التشغيلية، ورفع جودة تجربة الزبون، وتحسين كفاءة الموظفين، إلى جانب دعم القرار الاستثماري. وتُظهر النتائج أن توظيف تطبيقات الذكاء الاصطناعي في البيئة المصرفية ليس شيئاً كمالياً تقنيًا، بل ضرورة استراتيجية تضمن استدامة النمو والقدرة التنافسية في عصر الرقمنة

وتطرق البحث إلى تقييم أداء مجموعة من خوارزميات التصنيف في تحديد الجدارة الائتمانية للزبائن المقدمين على قروض، بهدف دعم قرارات الإقراض وتقليل مخاطر التعثر. تم استخدام بيانات تتكون من 21 متغيرًا لمقدمي طلبات القروض. وشملت المتغيرات الرقمية (العمر، والدخل، والتصنيف الائتماني، ونسبة الدين إلى الدخل، ومبلغ القرض). وشملت المتغيرات الوصفية (الغرض من القرض، والمنطقة، والحالة الاجتماعية، وجهة العمل، والمستوى التعليمي، وطريقة التقديم). وشملت المتغيرات الثنائية (ما إذا كان لدى مقدم الطلب سجل من التخلف عن السداد). واستُخدمت هذه المتغيرات للتنبؤ بقرار الموافقة أو الرفض، حيث تمثل المتغير التابع بقيمتين: ام 0 للرفض و1 للموافقة.

وتم تطبيق سبع خوارزميات تعلم آلي على هذه البيانات وهي: Gradient) Boosting، Random Forest، Extra Trees، Gaussian Naive Bayes، Logistic Regression، SVC-RBF، و(KNN، على مجموعة بيانات تمثل خصائص الزبائن وسلوكهم المالي.  حيث تم اعتماد ستة مؤشرات رئيسية لتقييم النماذج وهي: الدقة (Accuracy)، الدقة النوعية (Precision)، الاستدعاء (Recall)، معدل الانسجام (F1 Score)، منحنى خصائص التشغيل المستقبلية (ROC AUC)، ومقياس براير (Brier Score). وأظهرت النتائج أن خوارزمية Gradient) Boosting) حققت أفضل أداء شامل من حيث التمييز بين الزبائن ذوي المخاطر المختلفة وجودة التنبؤ بالاحتمالات، تلتها خوارزمية Random Forest)) التي تميزت بالاستقرار وتوازن المقاييس. وفي المقابل، قدمت خوارزمية ((Gaussian Naive Bayes حساسية مرتفعة في اكتشاف الزبائن مرتفعي المخاطر، بينما تميزت Logistic Regression)) بقابليتها العالية للتفسير رغم أدائها المتوسط. أما النماذج الأخرى مثل SVC-RBF) و(KNN فقد أظهرت أداءً أقل من حيث جودة الاحتمالات والدقة العامة.