من مختبر مرور دبي إلى تمويل البحرين: دروس AI عملية

في 24/12/2025 أعلنت هيئة الطرق والمواصلات في دبي إطلاق مختبر تحليل بيانات النقل داخل مركز القيادة والتحكم المؤسسي (EC3). الفكرة ليست “مختبرًا” بمعنى تجارب نظرية؛ بل منصة تشغيلية تجمع بيانات لحظية من أكثر من 35 مصدرًا وتُشغّل نماذج تنبؤية وذكاءً اصطناعيًا لتقليل الازدحام وتحسين الجاهزية للأحداث والطوارئ.

الذي يهمّنا في سلسلة “كيف يُحوّل الذكاء الاصطناعي قطاع الخدمات المالية والتكنولوجيا المالية في البحرين” ليس المرور بحد ذاته، بل النمط: مؤسسة كبيرة تبني “عقلًا تشغيليًا” يعتمد على البيانات في الوقت الحقيقي، يترجم الأرقام إلى قرارات سريعة قابلة للتنفيذ. هذا بالضبط ما تحتاجه البنوك وشركات التكنولوجيا المالية في البحرين إن كانت جادة في رفع الكفاءة، وخفض المخاطر، وتحسين تجربة العملاء.

هناك خرافة منتشرة: الذكاء الاصطناعي في المالية يعني روبوت محادثة فقط. الواقع؟ الذكاء الاصطناعي الذي يصنع فرقًا هو الذي يعمل داخل غرف العمليات: يقرأ الإشارات، يتوقع الاختناقات، ويقترح إجراءات قبل أن تتحول المشكلة إلى أزمة.

ماذا فعلت دبي بالضبط؟ نموذج “غرفة عمليات ذكية”

الجواب المباشر: دبي أنشأت قدرة مركزية لتحليل بيانات النقل لحظيًا وتحويلها إلى مؤشرات أداء وقرارات تشغيلية.

مختبر تحليل بيانات النقل يجمع ويراقب ويحلل كميات كبيرة من بيانات أنماط الحركة عبر وسائل متعددة: حافلات، مترو، ترام، نقل بحري، سيارات أجرة، ليموزين، “التنقل الخفيف”، والمركبات الخاصة. الأهم أنه لا يترك البيانات كجداول جامدة، بل يُخرج تقارير ودراسات متخصصة تخدم القرار على مستويين: استراتيجي وتشغيلي.

داخل هذا النموذج ثلاث نقاط قوة يمكن نقلها مباشرة إلى الخدمات المالية:

1. توحيد الرؤية: ربط مراكز مراقبة متعددة في نظام واحد.
2. التنبؤ بدل ردّة الفعل: نماذج تتوقع الازدحام وتقدم حلولًا استباقية.
3. أتمتة مؤشرات الأداء: المختبر يُؤتمت أكثر من 150 مؤشرًا تشغيليًا.

لماذا هذا النموذج قوي؟ لأنه يربط “البيانات” بـ“الإجراء”

في كثير من المؤسسات، البيانات موجودة، واللوحات موجودة، لكن القرار لا يتحرك بالسرعة المطلوبة. دبي تحاول كسر هذه الحلقة عبر منصة واحدة: ترصد، تحلل، تتنبأ، ثم تدفع توصيات قابلة للتنفيذ أثناء الذروة أو خلال حدث كبير.

هذا الأسلوب ظهر عمليًا حين استُخدم المختبر لتحليل الحركة خلال أحداث كبرى مثل GITEX 2025 لتحديد نقاط الاختناق وتعديل التدابير حول مواقع المعارض. نفس المنطق ينطبق على القطاع المالي: المواسم (نهاية السنة، عروض التجزئة، مواسم السفر، أو حتى موجات احتيال موسمية) تحتاج تشغيلًا استباقيًا لا تقارير متأخرة.

التشابه الحقيقي: الازدحام المروري = ازدحام مالي (لكن بأشكال مختلفة)

الجواب المباشر: ما تسميه دبي “ازدحامًا” تسميه البنوك “ضغطًا تشغيليًا” أو “مخاطر” أو “تدهور تجربة عميل”.

في النقل، الاختناق يعني وقت ضائع وحوادث واحتمال تعطّل الشبكة. في البنوك وشركات التكنولوجيا المالية في البحرين، الاختناق قد يكون:

• ارتفاع مفاجئ في طلبات فتح الحسابات الرقمية، فيتأخر التحقق eKYC.
• موجة معاملات مشبوهة تؤدي لتجميد غير دقيق لحسابات (False Positives).
• ذروة مكالمات الدعم بسبب عطل في تطبيق أو تحديث.
• تأخر تسوية المدفوعات أو توقف جزئي في بوابة دفع خلال موسم تسوق.

كل حالة من هذه الحالات لديها “إشارات مبكرة” مثلما لدى المرور إشارات مبكرة: نمط دخول، وقت، قناة، تكرار، موقع/جهاز، وربما تشابه مع حوادث سابقة.

“35 مصدر بيانات” في النقل… ما يقابلها في بنك بحريني؟

فكرة المصادر المتعددة هي الدرس الأوضح. في المالية، مصادر البيانات ليست أقل تنوعًا، لكنها غالبًا مبعثرة:

• معاملات البطاقات والتحويلات والمحافظ الرقمية
• سجلات التطبيق (App Telemetry) وأخطاء الأداء
• بيانات مركز الاتصال والشكاوى
• نتائج eKYC والتحقق البيومتري/الوثائقي
• تنبيهات الاحتيال والأمن السيبراني
• بيانات الامتثال ومراقبة العقوبات

المؤسسة التي تربط هذه المصادر في “مركز قرار” تصبح أسرع وأكثر دقة. والمؤسسة التي تبقيها جزرًا منفصلة… تدفع ثمن ذلك في التكاليف والسمعة.

من مختبر نقل إلى “مختبر مخاطر وعمليات” في البحرين

الجواب المباشر: البحرين تحتاج نمطًا مشابهًا ولكن مخصصًا: مختبر بيانات مالي يدمج المخاطر والعمليات وتجربة العميل في لوحة قرار واحدة.

أنا أميل إلى طرح عملي: بدل أن تبدأ المؤسسات بثمانية مشاريع ذكاء اصطناعي صغيرة غير مترابطة، الأفضل بناء “نواة تشغيل” واحدة تُغذي عدة استخدامات. هذا يحقق عائدًا أسرع ويقلل ازدواجية البيانات والنماذج.

1) ذكاء اصطناعي لتقليل “ازدحام” خدمة العملاء

عندما ترتفع طلبات الدعم، لا يكفي توزيع الموظفين. المطلوب تنبؤ بالضغط قبل حصوله وربطه بالمسببات.

ما الذي يعمل فعلاً؟

• نموذج يتوقع حجم التذاكر/المكالمات بالساعة (Forecasting).
• ربط التنبؤ بإشارات التطبيق: تحديث جديد، زيادة أعطال تسجيل الدخول، بطء صفحات الدفع.
• تشغيل قواعد استباقية: رسائل توعوية داخل التطبيق، صفحة حالة الخدمة، أو تحويل ذكي للقنوات.

النتيجة التي تستحق السعي: تخفيض وقت الانتظار وتحسين “الحل من أول مرة” بدل زيادة عدد الردود.

2) مؤشرات أداء مؤتمتة مثل “150 KPI” ولكن للتمويل

لوحة مؤشرات يدوية لا تصمد عند الأزمات. المطلوب أتمتة مؤشرات تشغيلية وامتثالية تتحدث لحظيًا.

أمثلة KPI مالية قابلة للأتمتة:

• زمن إتمام eKYC من أول محاولة
• نسبة العملاء الذين يتوقفون عند خطوة معينة في فتح الحساب
• معدل رفض المعاملات ونسبة الرفض الخاطئ
• متوسط زمن الاستجابة للتطبيق (P95 Latency)
• معدل التنبيهات الاحتيالية مقابل الحالات المؤكدة

هذه المؤشرات ليست للعرض فقط؛ قيمتها عندما تكون مرتبطة بعتبات وإجراءات: عند تجاوز عتبة معينة، يتم تصعيد فني، أو تعديل سياسة تحقق، أو تفعيل مسار بديل.

3) نماذج تنبؤية لتخفيض الحوادث… تمامًا كما في السلامة المرورية

خبر دبي عن تحديد مواقع “أكثر احتمالًا لتكرار الحوادث” مهم. في المالية، “الحوادث” تكون:

• احتيال متكرر على نمط جهاز/شبكة
• أخطاء متكررة في منتج محدد
• نزاعات متكررة في فئة تجار معينة

الذكاء الاصطناعي هنا ليس “كشفًا بعد وقوع الضرر”، بل:

• تصنيف العملاء/المعاملات حسب قابلية المخاطر
• مراقبة سلوكيات لحظية (Anomaly Detection)
• توصيات إجراء: طلب تحقق إضافي، أو تباطؤ متعمد للمعاملة عالية المخاطر، أو تفعيل حدود ديناميكية

والشرط: ألا يتحول ذلك إلى تضييق مبالغ فيه. القياس الحقيقي هو تقليل الخسارة دون قتل تجربة المستخدم.

ما الذي يمنع تطبيق هذا النموذج في البحرين؟ ثلاث عقبات عملية

الجواب المباشر: المشكلة ليست “توفر AI”، بل الحوكمة والبيانات والقرارات التشغيلية.

1) تشتت البيانات وملكية غير واضحة

أكثر ما رأيته يعرقل مبادرات الذكاء الاصطناعي هو سؤال بسيط: “من يملك هذا المصدر؟ ومن يوافق على استخدامه؟”. إذا لم تُحل هذه النقطة مبكرًا، ستبقى النماذج تجريبية.

2) الذكاء الاصطناعي بلا صلاحيات تشغيلية

إذا كان فريق البيانات يبني نموذجًا، لكن فريق العمليات لا يملك آلية لتحويل المخرجات إلى إجراءات، ستبقى النتائج “تقارير جميلة”. نموذج دبي يلمّح إلى شيء مختلف: تحليلات مرتبطة بمركز قيادة وتحكم.

3) الخوف من الامتثال يقتل السرعة

الخوف مفهوم، خصوصًا في الخدمات المالية في البحرين حيث حساسية الخصوصية والامتثال عالية. لكن الحل ليس التوقف؛ الحل هو هندسة امتثال داخلية للذكاء الاصطناعي:

• سياسات واضحة لاستخدام البيانات
• تتبع قرار النموذج (قابلية التفسير حيث يلزم)
• اختبارات تحيز (Bias Testing) للقرارات الحساسة
• ضوابط وصول وتشفير وسجلات تدقيق

خطة 90 يومًا لبناء “نواة مختبر بيانات مالي” قابلة للتوسع

الجواب المباشر: ابدأ بحالة استخدام واحدة عالية الأثر، واصنع منها منصة.

إليك خطة عملية تناسب بنكًا أو شركة تكنولوجيا مالية في البحرين:

1. الأسبوع 1-2: اختيار حالة استخدام تُقاس بوضوح

   • مثال: تقليل زمن eKYC أو خفض الرفض الخاطئ للمعاملات.

2. الأسبوع 3-5: توحيد 3-5 مصادر بيانات أساسية

   • معاملات + eKYC + سجلات التطبيق + دعم العملاء (حسب الحالة).

3. الأسبوع 6-8: بناء لوحة مؤشرات لحظية + عتبات تشغيلية

   • لا تجعلها لوحة “للإدارة فقط”. اجعلها لوحة لفريق المناوبة.

4. الأسبوع 9-12: نموذج تنبؤ/تصنيف + آلية إجراء

   • النموذج وحده لا يكفي؛ صمّم “ماذا يحدث عندما يطلق النموذج تنبيهًا؟”.

5. نهاية اليوم 90: قياس أثر مالي وتشغيلي

   • وقت، تكلفة، رضا العملاء، وخسارة احتيالية. أرقام واضحة أو لا شيء.

جملة تصلح كقاعدة عمل: الذكاء الاصطناعي الذي لا يغيّر قرارًا تشغيليًا يوميًا… يبقى مشروعًا تجميليًا.

ما الذي نتعلمه من دبي ونحن نفكر بتمويل البحرين؟

الجواب المباشر: بناء ذكاء اصطناعي فعّال يعني بناء “منظومة قرار” لا مجرد نماذج.

مختبر هيئة الطرق والمواصلات في دبي يذكّرنا أن القيمة تأتي عندما تتلاقى أربعة عناصر: بيانات لحظية متعددة المصادر، مؤشرات مؤتمتة، نماذج تنبؤية، ومسار قرار واضح. إذا طبقنا نفس المنطق على الخدمات المالية والتكنولوجيا المالية في البحرين، سنحصل على عمليات أقل تكلفة، مخاطر أقل، وخدمة أسرع يشعر بها العميل فورًا.

إذا كنت تعمل في بنك أو شركة فنتك في البحرين، فالسؤال العملي ليس: “هل نستخدم الذكاء الاصطناعي؟” بل: أين نقطة الاختناق التالية في رحلتنا التشغيلية، وما البيانات التي تسبقها بدقائق أو ساعات؟ من هناك يبدأ التصميم الصحيح لمختبر بيانات مالي ينضج مع الوقت.