الذكاء الاصطناعي في عمان: من كشف التضليل إلى رفع كفاءة الطاقة

في 30/12/2025 أعلنت جامعة السلطان قابوس عن نموذج ArabFake القادر على كشف الأخبار المضللة بالعربية بدقة 94.12%. الخبر يبدو للوهلة الأولى “إعلامياً” بحتاً، لكنه في رأيي إشارة أوضح لشيء أكبر: عُمان تبني قدرات ذكاء اصطناعي قابلة للنقل بين القطاعات—من نزاهة المعلومة في الإعلام إلى نزاهة القرار في قطاع الطاقة والنفط والغاز.

هذا يهمّ قطاع الطاقة تحديداً لأن قراراته لا تُبنى على الانطباع، بل على بيانات، تقارير، إنذارات سلامة، ومراسلات تشغيلية. وعندما تصبح “الجودة” قابلة للقياس في نص عربي فوضوي (لهجات، اختصارات، منشورات)، فهذا يفتح الباب لتطبيقات مشابهة في بيئات تشغيلية أعقد: مركز تحكم، غرفة عمليات، أو منصة إنتاج.

لماذا كشف التضليل بالعربية مؤشر قوي على نضج الذكاء الاصطناعي في عمان؟

الفكرة الأساسية: إذا استطاع نموذج فهم العربية بلهجاتها وتصنيفاتها و”تلميحاتها” الخادعة، فهو يقترب من قدرة مهمة جداً في الصناعة: فهم النص غير المنظم وتحويله إلى قرار.

مشروع ArabFake—بحسب ما نُشر—بُني على MARBERTv2 المصمم للتعامل مع لهجات عربية متعددة، ونجح في تنفيذ 3 مهام في وقت واحد:

1. كشف الخبر المزيّف
2. تصنيف نوع المحتوى
3. تقدير مستوى المخاطر

ولأن هذا النموذج دُرّب على بيانات مُتحقق منها (2,495 مادة إخبارية) ثم اختُبر على مجموعات كبيرة تقارب 200,000 مقالة (حقيقية ومفبركة)، فهو يقدّم مثالاً عملياً على شيء نحتاجه في الطاقة: نماذج لا تكتفي بـ“التصنيف”، بل تُعطي أولوية للمخاطر.

جملة قابلة للاقتباس: الذكاء الاصطناعي لا يخلق قيمة عندما “يكتشف” فقط، بل عندما “يرتّب المخاطر” ويُسرّع الاستجابة.

الأرقام التي تستحق الوقوف عندها

• 94.12% دقة في كشف الأخبار المضللة.
• 84.92% في تصنيف المحتوى.
• 88.91% في تقييم المخاطر.
• في تحليل الاتجاهات: المحتوى المفبرك شكّل 60.4% من المواد المُحللة، والأخبار الاقتصادية المضللة 22.4%، وحوالي ثلثي الأخبار المضللة صُنفت “عالية المخاطر”.

هذه الأرقام ليست “مجرد نجاح أكاديمي”. هي دليل أن النماذج المحلية/المُكيّفة مع العربية بدأت تتعامل مع واقعنا كما هو، لا كما تتخيله نماذج عامة صُممت لبيئات لغوية مختلفة.

الجسر إلى الطاقة والنفط والغاز: “سلامة المعلومة” مثل “سلامة التشغيل”

الربط ليس شعرياً. في قطاع الطاقة، لديك ما يشبه الأخبار المضللة لكن بصيغة تشغيلية:

• بلاغ صيانة مكتوب بسرعة وقد يحتوي التباساً.
• ملاحظة سلامة (HSE) تختلف لهجتها بين الفرق.
• تقرير حادثة “قريب من الوقوع” Near-miss لا يذكر التفاصيل بشكل منظم.
• رسائل واتساب داخلية عن عطل—تنتشر قبل أن تُراجع.

كما أن ArabFake يقيّم المصداقية ويقدّر المخاطر في الوقت الحقيقي، يمكن لنفس المنطق أن يُطبّق على “نصوص التشغيل” في الطاقة:

• هل البلاغ فعلاً يصف عطلًا خطيراً أم سوء فهم؟
• هل الوصف متسق مع التاريخ التشغيلي للمعدة؟
• ما مستوى الخطورة؟ ومن يجب أن يتدخل أولاً؟

مثال واقعي قريب (سيناريو):

تخيّل أن فريق تشغيل في موقع بعيد يرسل وصفاً نصياً لعطل في مضخة: “في صوت غريب واهتزاز… يمكن Bearing”. نموذج لغوي مُكيّف للعربية واللهجات يمكن أن:

• يلتقط كلمات الاهتزاز/الصوت/تغير الأداء ويحوّلها إلى مؤشرات Failure Modes.
• يربطها بتاريخ الصيانة.
• يرفع أولوية البلاغ إذا تزامن مع حرارة مرتفعة أو تسرّب.

هذا بالضبط “منهج المخاطر” الذي ظهر في ArabFake: ليس كل خطأ بنفس الخطورة.

4 استخدامات مباشرة للذكاء الاصطناعي في قطاع الطاقة بعُمان مستوحاة من ArabFake

الإجابة المختصرة: نفس البنية (تصنيف + مخاطر + معالجة عربية) تصلح لتطبيقات تشغيلية وتجارية في الطاقة.

1) مراقبة نزاهة تقارير التشغيل والامتثال

الذكاء الاصطناعي يمكنه فحص تقارير يومية/أسبوعية لاكتشاف:

• تناقضات رقمية (قراءة غير منطقية مقارنة بخط الأساس)
• وصف مبهم يخفي سبباً جذرياً
• تكرار صياغات تشير إلى “نسخ ولصق” بدل المعاينة

الهدف هنا ليس “اتهام” أحد، بل تقليل مخاطر القرار المبني على تقرير ضعيف.

2) أتمتة فرز بلاغات الصيانة حسب المخاطر

بدل تكدّس التذاكر في نظام إدارة الصيانة (CMMS)، يمكن لنموذج مشابه أن:

• يصنف البلاغات (ميكانيكا/كهرباء/أجهزة قياس)
• يستخرج الأصول والمواقع تلقائياً
• يقدّر المخاطر ويقترح SLA واقعي

هذا ينعكس على الإنتاجية لأن زمن الاستجابة للأعطال الحرجة ينخفض.

3) رصد الشائعات المرتبطة بالطاقة وإدارة السمعة المؤسسية

أرقام ArabFake حول انتشار الأخبار الاقتصادية المضللة (22.4%) تعني شيئاً واضحاً: الطاقة هدف دائم للتضليل (أسعار، إمدادات، مشاريع، توظيف).

الاستفادة هنا مزدوجة:

• حماية ثقة المستثمرين والجمهور.
• تسريع ردود العلاقات العامة بناءً على “درجة المخاطر” لا على الانطباعات.

4) تحسين السلامة (HSE) عبر تحليل نصوص الحوادث والملاحظات

أقوى مكسب—برأيي—هو أن الذكاء الاصطناعي يمكنه تحويل آلاف الملاحظات النصية إلى أنماط:

• مواقع تتكرر فيها ملاحظات الانزلاق/السقوط
• معدات تتكرر معها حالات ارتفاع حرارة/اهتزاز
• كلمات “تحذيرية” ترتبط بحوادث عالية الخطورة

هذا يخلق برنامج سلامة مبني على بيانات، لا على حملات موسمية.

كيف تبدأ شركة طاقة في عمان مشروع ذكاء اصطناعي “عملي” خلال 90 يوماً؟

الإجابة المباشرة: ابدأ بمشكلة نصّية عالية التكرار، واجعل المعيار هو المخاطر والوقت، لا الإبهار.

الأسبوع 1-2: اختيار حالة استخدام واحدة قابلة للقياس

أفضل الخيارات عادة:

• فرز بلاغات الصيانة
• تصنيف ملاحظات السلامة
• مراقبة جودة التقارير اليومية

حدد 3 مؤشرات أداء واضحة مثل:

• زمن الفرز من X ساعات إلى Y دقائق
• خفض التذاكر المتأخرة بنسبة Z%
• رفع دقة التصنيف إلى >85%

الأسبوع 3-6: تجهيز البيانات بدون تدمير خصوصيتها

واقع قطاع النفط والغاز: البيانات حساسة. الحل ليس إيقاف المشروع، بل تصميمه صح:

• إزالة أسماء الأشخاص
• ترميز المواقع والأصول
• اعتماد بيئة تشغيل داخلية (On-prem أو سحابة خاصة)

الأسبوع 7-10: نموذج أولي “Risk-first”

بدل نموذج يخرج “صحيح/خطأ”، اطلب منه:

• التصنيف
• درجة الثقة
• مستوى الخطر (منخفض/متوسط/عال)
• سبب مختصر (أهم الكلمات/الجمل المؤثرة)

هذه نقطة حاسمة لبناء الثقة داخل فرق التشغيل.

الأسبوع 11-13: إدخال النموذج في سير العمل

لا قيمة لنموذج لا يستخدمه أحد. اجعل الإخراج يظهر داخل أدوات الفريق الحالية:

• نظام الصيانة
• لوحة HSE
• بريد/قناة داخلية

جملة قابلة للاقتباس: النموذج الذي يعيش داخل سير العمل يُنقذ وقتاً؛ النموذج الذي يعيش في عرض تقديمي يُنقذ سمعة فريق البيانات فقط.

أسئلة شائعة (بنمط “يسأل الناس أيضاً”) حول الذكاء الاصطناعي في الطاقة بعمان

هل نحتاج نموذجاً عربياً في قطاع النفط والغاز إذا كانت البيانات “تقنية”؟

نعم، لأن جزءاً كبيراً من البيانات الأكثر فوضوية—بلاغات، ملاحظات، تقارير، مراسلات—يُكتب بالعربية أو بعربية ممزوجة بمصطلحات إنجليزية. النماذج العربية المكيّفة تقلّل سوء الفهم وتزيد دقة الاستخراج.

هل يمكن للذكاء الاصطناعي تقليل الحوادث فعلاً؟

يمكنه تقليلها عندما يُستخدم لاكتشاف الأنماط مبكراً وترتيب المخاطر، خصوصاً في نصوص Near-miss وملاحظات السلامة. التأثير يأتي من الاستجابة المبكرة لا من “التنبؤ” وحده.

ما أكبر خطأ عند تطبيق الذكاء الاصطناعي في الطاقة؟

اختيار مشروع ضخم بلا بيانات جاهزة ولا مالك عمل واضح. الأفضل مشروع صغير، مرتبط بمؤشر أداء، ويُسلّم قيمة خلال 90 يوماً.

ما الذي تخبرنا به تجربة ArabFake عن مستقبل الذكاء الاصطناعي في قطاعات عمان الاستراتيجية؟

الرسالة واضحة: عُمان لا تستخدم الذكاء الاصطناعي كترف تقني. عندما ينتج فريق بحث محلي نموذجاً يتعامل مع تعقيد العربية ويصنّف المخاطر بدقة عالية، فهذا يعني أن البيئة مهيأة لخطوة تالية في قطاع الطاقة: تحويل الذكاء الاصطناعي من “تحليلات” إلى قرارات تشغيلية أسرع وأكثر انضباطاً.

إذا كانت الأخبار المضللة تُربك الرأي العام، فإن “البيانات المضللة” داخل التشغيل تُربك الإنتاج والسلامة والتكلفة. وهنا يلتقي الإعلام بالطاقة: المعلومة الجيدة ليست رفاهية؛ هي شرط للثقة والكفاءة.

إذا كنت تعمل في النفط والغاز أو الطاقة بعمان، ما النص الواحد الذي تتمنى لو أن النظام يفهمه ويحوّله تلقائياً إلى قرار: بلاغ صيانة؟ ملاحظة سلامة؟ أم تقرير يومي؟