ذكاء عُماني يفضح الأخبار المضللة… ودروسه لقطاع الطاقة

نسبة 94.12% ليست رقماً عابراً حين نتحدث عن كشف الأخبار المزيّفة بالعربية. هذا تحديداً ما أعلنته نتائج نموذج ArabFake الذي طوّره فريق بحثي في جامعة السلطان قابوس—إنجاز تقني محلي يرسل رسالة واضحة: عُمان لا تستهلك تقنيات الذكاء الاصطناعي فقط، بل تبنيها وتختبرها على بيانات عربية معقّدة.

هذا يهمّنا في سلسلة “كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان” لسبب بسيط: المشكلة واحدة حتى لو اختلف المجال. في الإعلام نواجه تضليلاً سريع الانتشار. وفي الطاقة نواجه بيانات ضخمة، قرارات حسّاسة، ومخاطر تشغيلية لا تحتمل “تخميناً”. الفكرة نفسها: نموذج يفهم اللغة/البيانات، يميّز الصحيح من الخاطئ، ويعطي درجة مخاطر تساعد على اتخاذ قرار أسرع.

في هذا المقال سأشرح ما الذي يميّز ArabFake فعلاً، ولماذا يُعدّ علامة على نضج منظومة الذكاء الاصطناعي في عُمان، ثم أربط الدروس مباشرة بتطبيقات عملية في النفط والغاز والطاقة—من السلامة إلى الصيانة التنبؤية وإدارة السمعة والتواصل مع أصحاب المصلحة.

ما الذي أنجزته جامعة السلطان قابوس؟ (ولماذا الرقم مهم)

الإجابة المباشرة: فريق جامعة السلطان قابوس بنى إطار تعلّم عميق لا يكتفي بكشف الخبر المزيّف، بل يقوم بثلاث مهام في وقت واحد:

1. اكتشاف التضليل، 2) تصنيف نوع المحتوى، 3) تقدير مستوى المخاطر.

هذا النوع من “التعلّم متعدد المهام” مهم لأن المؤسسات لا تحتاج عادةً إلى “نعم/لا” فقط. تحتاج معرفة: هل المحتوى مضلل؟ في أي سياق؟ وما حجم الضرر لو انتشر؟ تماماً مثل بيئة الطاقة: قراءة واحدة لحساس لا تكفي، بل نحتاج تفسيراً وسياقاً وترجيح مخاطر.

لماذا العربية تحدٍ تقني حقيقي؟

ArabFake مبني على MARBERTv2؛ وهو نموذج لغوي مُصمّم للتعامل مع لهجات عربية متعددة شائعة في المحتوى الرقمي. وهنا بيت القصيد: كثير من أدوات كشف التضليل تفشل عندما تنتقل من العربية الفصحى إلى اللهجات، أو من لغة الأخبار إلى لغة المنصات.

في قطاع النفط والغاز لدينا “لهجات” أيضاً، لكن بصيغة أخرى: اختلاف تنسيقات البيانات بين الحقول، تفاوت جودة القياسات، ومصطلحات التشغيل بين الفرق. المؤسسة التي تتقن التعامل مع هذا التعقيد اللغوي/البياني تملك نقطة قوة قابلة للنقل بين القطاعات.

بيانات التدريب والاختبار: لماذا تمنح النموذج مصداقية؟

وفقاً للمحتوى المنشور، تم تدريب ArabFake على 2,495 خبراً مُتحققاً منها وموسوماً بواسطة مختصين وفق الأصالة ومستوى الخطر. ثم جرى اختباره على مجموعتي بيانات عربيتين كبيرتين (ANS Corpus و AraNews) تغطيان قرابة 200,000 مقال بين حقيقي ومفبرك.

والأرقام المعلنة كانت:

• 94.12% دقة في كشف الأخبار المزيّفة
• 84.92% في تصنيف المحتوى
• 88.91% في تقييم المخاطر

هذه النتائج تعني شيئاً عملياً: النموذج لا ينجح في مهمة واحدة فقط، بل يحافظ على أداء قوي عبر سلسلة قرارات—وهذا ما تحتاجه أنظمة التشغيل الذكية في الطاقة.

جملة قابلة للاقتباس: قيمة الذكاء الاصطناعي لا تظهر عندما يعطي “تنبؤاً”، بل عندما يعطي “تنبؤاً مع سياق وخطر” يُترجم إلى قرار.

من كشف التضليل إلى تشغيل آمن: لماذا هذه القصة تهمّ النفط والغاز في عُمان؟

الإجابة المباشرة: لأن نفس “منطق” ArabFake قابل للتطبيق على بيانات الطاقة. بدل خبرٍ مزيّف لدينا إشارة تشغيل مضللة؛ وبدل تقييم مخاطر انتشار محتوى لدينا تقييم مخاطر قرار تشغيلي.

القطاع الطاقي في عُمان (النفط والغاز والكهرباء والبنية الأساسية) يعيش ضغطاً متزامناً: رفع الكفاءة، خفض التكاليف، تحسين السلامة، والامتثال للحوكمة والبيئة، مع ضرورة الاستجابة السريعة لأي حدث. الذكاء الاصطناعي ليس رفاهية هنا؛ هو طريقة عمل.

1) “تصنيف المحتوى” في الإعلام = “تصنيف الأعطال” في الحقول

تصنيف نوع الخبر (اقتصادي، اجتماعي… إلخ) يشبه في الطاقة تصنيف الحالة:

• هل هذا ارتفاع حرارة طبيعي أم مؤشر مبكر لفشل معدّة؟
• هل هذا هبوط ضغط ضمن تغيرات التشغيل أم تسريب محتمل؟
• هل هذه قراءة شاذة بسبب حساس تالف أم حدث ميداني حقيقي؟

الذكاء الاصطناعي يفيد عندما يضع الحدث في خانته الصحيحة بسرعة، ويقلل زمن النقاش الداخلي.

2) “تقييم المخاطر” في ArabFake = “Risk Scoring” للصيانة والسلامة

ArabFake لا يكتفي بالكشف، بل يقدّر مستوى الخطر. في الطاقة، هذا يعادل أنظمة تعطيك درجة مخاطر للأحداث التشغيلية لتحديد الأولويات:

• درجة مخاطر عالية = إرسال فريق ميداني فوراً
• متوسطة = مراقبة مكثفة وإجراءات احترازية
• منخفضة = توثيق وتحسين ضبط الجودة

النتيجة؟ موارد أقل تُهدر في إنذارات كاذبة، واستجابة أسرع للحالات الحرجة.

3) “التحليل اللحظي” للمحتوى = “المراقبة اللحظية” للأصول

ذكر التقرير أن النظام يستطيع تقييم المواد المنشورة في الوقت الحقيقي. في التشغيل الطاقي، الوقت الحقيقي هو الفارق بين حادث تم احتواؤه، وخسارة إنتاج أو مخاطر سلامة.

أمثلة تطبيقية شائعة (وممكنة محلياً عند توفر البيانات والبنية):

• إنذار مبكر لتآكل الأنابيب عبر نماذج تتبع تغيرات الضغط والتدفق
• كشف حالات الاهتزاز غير الطبيعية في المضخات والضواغط
• تحسين ضبط وحدات المعالجة عبر تنبؤات بجودة المخرجات قبل القياس المختبري

ما الذي تكشفه أرقام التضليل عن “إدارة الثقة”؟ وما علاقته بالطاقة؟

الإجابة المباشرة: عندما تكون نسبة الأخبار المفبركة عالية، تصبح الثقة مورداً نادراً. وهذا ينطبق على الطاقة أيضاً—ليس فقط بين الناس والإعلام، بل بين المؤسسة وأصحاب المصلحة.

التقرير أشار إلى اتجاهات لافتة:

• المحتوى المفبرك شكّل 60.4% من المحتوى المُحلل
• الأخبار الاقتصادية المضللة شكّلت 22.4%
• قرابة ثلثي الأخبار المزيّفة صُنّفت عالية المخاطر

هذه الأرقام تضيء نقطة حساسة: الاقتصاد هدف مفضل للتضليل. وقطاع الطاقة جزء أساسي من الاقتصاد، وبالتالي هو أيضاً هدف للشائعات: أسعار الوقود، خطط الإنتاج، مشاريع الهيدروجين، الانقطاعات، وحتى الحوادث الصناعية.

كيف تستفيد شركات الطاقة من “عقلية ArabFake” في التواصل؟

ليس المقصود أن شركة الطاقة تبني منصة لكشف الأخبار فقط، بل أن تعتمد نفس المنهجية داخل إدارة الاتصال المؤسسي:

• رصد المحتوى المتداول حول مشاريع الطاقة
• تصنيف نوع الشائعة (سلامة، أسعار، بيئة، وظائف، استثمار)
• تقييم المخاطر (هل تثير هلعاً؟ هل تؤثر على المستثمرين؟ هل تمس السلامة العامة؟)
• الرد وفق أولوية مبنية على بيانات، لا على الانطباع

هذا مهم بشكل خاص في بداية عام 2026، حيث ترتفع وتيرة الإعلانات المرتبطة بالمشاريع الكبرى والتمويل والشراكات، ويزداد معها “ضجيج” المنصات.

خطوات عملية لتطبيق الذكاء الاصطناعي في الطاقة على طريقة ArabFake

الإجابة المباشرة: ابدأ ببيانات موثوقة، عرّف مهاماً متعددة، وأضف طبقة “مخاطر” تجعل المخرجات قابلة للاستخدام.

1) ابنِ قاعدة بيانات مُعنونة (Labelled) حتى لو كانت صغيرة

ArabFake بدأ بـ 2,495 خبراً موسوماً بواسطة مختصين. نفس الشيء ينطبق على الطاقة: لا تنتظر “بحيرة بيانات مثالية”. ابدأ بمجموعة أصغر لكن نظيفة:

• سجلات أعطال مؤكدة (Failure confirmed)
• أحداث سلامة موثّقة
• قراءات حساسات قبل العطل وبعده
• تقارير صيانة مكتوبة (حتى النصوص مهمة)

2) اجعل النموذج يخدم قراراً، لا لوحة مؤشرات فقط

كثير من الشركات تتوقف عند Dashboard جميلة. الأفضل هو ربط المخرجات بإجراء:

• إذا “مخاطر عالية” → أمر عمل تلقائي + تصعيد
• إذا “متوسطة” → خطة فحص خلال 24–48 ساعة
• إذا “منخفضة” → متابعة تلقائية وتعلم مستمر

3) راقب “الإنذارات الكاذبة” كما تراقب الأعطال

في الإعلام، الإنذار الكاذب يعني اتهام محتوى صحيح بالزيف. في الطاقة، الإنذار الكاذب يعني إرسال فريق بلا داعٍ أو إيقاف معدة دون ضرورة. لذلك:

• ضع مؤشرات أداء مثل Precision/Recall
• راجع الحالات الحدّية (Borderline) مع خبراء تشغيل
• حدّث النموذج دورياً لأن سلوك المعدات يتغير مثلما تتغير أنماط اللغة

4) لا تُهمِل النصوص العربية داخل الشركات

ميزة ArabFake أنه فهم العربية ولهجاتها. وفي قطاع الطاقة لدينا نصوص عربية كثيرة لكنها “مهمَلة”: محاضر، بلاغات، تقارير ورديات، ملاحظات فنية. الاستثمار في نماذج لغوية عربية داخل المؤسسة يفتح فوائد مثل:

• تلخيص بلاغات الأعطال
• استخراج أسباب متكررة
• بناء قاعدة معرفة داخلية قابلة للبحث

أسئلة شائعة (بنَفَس عملي)

هل يمكن نقل نموذج مثل ArabFake مباشرةً إلى الطاقة؟

ليس حرفياً. لكن يمكن نقل المنهج: نموذج متعدد المهام + تقييم مخاطر + تدريب على بيانات محلية + اختبار واسع قبل النشر.

ما أول مشروع ذكاء اصطناعي “واقعي” لشركة طاقة في عُمان؟

مشروع صيانة تنبؤية محدود النطاق (Pilot) على أصل واحد عالي الأهمية: ضاغط، مضخة رئيسية، أو جزء من شبكة توزيع. الهدف: تقليل التوقفات غير المخطط لها ورفع موثوقية الأصل.

كيف نقيس العائد؟

بمقاييس واضحة مرتبطة بالمال والسلامة:

• تقليل ساعات التوقف غير المخطط
• تقليل عدد البلاغات الكاذبة
• خفض تكلفة الصيانة الطارئة
• تحسين مؤشرات السلامة التشغيلية

ما الذي تعلّمته أنا من قصة ArabFake؟

أنا أميل لتفضيل النماذج التي تعطي “قراراً قابلاً للاستخدام” على النماذج التي تعطي “ذكاءً عاماً”. ArabFake جذاب لأنه لا يكتفي بالتشخيص، بل يضيف طبقة الأثر والمخاطر. هذه هي النقلة التي يحتاجها قطاع الطاقة: أن ننتقل من “نرى البيانات” إلى “نقرر بسرعة وبثقة”.

عُمان لديها بيئة واعدة: جامعات تنتج نماذج عربية قوية، وقطاعات استراتيجية (الطاقة والنفط والغاز) تملك بيانات واحتياجاً واضحاً. الربط بين الطرفين ليس فكرة علاقات عامة؛ هو مسار عمل.

إذا كنت تعمل في شركة طاقة أو مزود خدمات أو جهة تنظيمية، جرّب أن تطرح هذا السؤال داخل فريقك هذا الأسبوع: ما هي ثلاث قرارات تشغيلية يومية نريد أن يدعمها الذكاء الاصطناعي بدرجة مخاطر واضحة؟ عندما يصبح السؤال محدداً، يصبح التنفيذ أقصر بكثير.