من كشف الأخبار الكاذبة إلى رفع كفاءة الطاقة في عُمان

قبل أيام، أعلن فريق بحثي من جامعة السلطان قابوس عن نموذج ذكاء اصطناعي اسمه ArabFake حقق 94.12% دقة في كشف الأخبار الكاذبة بالعربية، مع قدرته في الوقت نفسه على تصنيف المحتوى وتقدير مستوى خطورته. هذه ليست “قصة إعلام” فقط. بالنسبة لي، هي دليل عملي على شيء أكبر: عُمان تملك مهارة بناء نماذج ذكاء اصطناعي مهيّأة للواقع المحلي—وهي المهارة نفسها التي يحتاجها قطاع الطاقة والنفط والغاز عندما يريد نتائج ملموسة في السلامة والكفاءة والتكلفة.

هذه المقالة جزء من سلسلة «كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان». الفكرة هنا بسيطة: إذا كان الباحثون استطاعوا بناء نظام يفهم تعقيد العربية ولهجاتها ويعمل في الزمن الحقيقي، فيمكن نقل المنهجية نفسها إلى بيئات أكثر قسوة وتشابكاً—مثل الحقول والمنشآت ومحطات الطاقة—حيث البيانات ضخمة، والخطأ مكلف، والقرار يحتاج سرعة وثقة.

لماذا يُعد نموذج ArabFake إشارة مهمة لقدرة الذكاء الاصطناعي في عُمان؟

الإجابة المباشرة: لأن ArabFake يثبت أن الابتكار المحلي لا يقتصر على استخدام أدوات جاهزة، بل على تكييف الذكاء الاصطناعي للغة والسياق والاحتياجات العُمانية والعربية.

بحسب الخبر المنشور بتاريخ 30/12/2025، بُني ArabFake على نموذج لغوي اسمه MARBERTv2 المصمم للتعامل مع لهجات عربية متعددة شائعة على الإنترنت. الفريق لم يكتفِ بمهمة واحدة (كشف الزيف)، بل نفّذ ثلاث مهام في آن واحد:

1. كشف الخبر الكاذب
2. تصنيف نوع المحتوى
3. تقدير مستوى الخطر الناتج عن انتشاره

الأهم أن التدريب اعتمد على 2,495 مادة إخبارية موثّقة وموسومة من مختصين، ثم جرى الاختبار على مجموعتي بيانات كبيرتين (ANS Corpus وAraNews) تضمّان قرابة 200,000 خبر حقيقي ومفبرك.

هذه المقاربة—تدريب محلي مضبوط ثم اختبار واسع—هي بالضبط ما ينقص كثيراً من مشاريع الذكاء الاصطناعي في الشركات: يبدأون بالنموذج قبل أن يضبطوا البيانات، فيتعبون لاحقاً في الثقة والحوكمة.

أرقام لافتة لها علاقة مباشرة بالطاقة

النموذج كشف أن القصص المفبركة شكلت 60.4% من المحتوى المُحلل، وأن الأخبار الاقتصادية المضللة وصلت إلى 22.4%، وأن قرابة ثلثي الأخبار الكاذبة صُنّفت عالية الخطورة.

قد تبدو هذه الأرقام “إعلامية”، لكنها تُترجم مباشرة إلى قطاع الطاقة: المعلومة الخاطئة حول الأسعار، الإنتاج، الحوادث، أو التوظيف قد تتسبب في ذعر، قرارات تشغيلية متسرعة، أو حتى تأثير على سمعة الشركة وسلاسل التوريد.

ما الرابط بين كشف التضليل الإعلامي والذكاء الاصطناعي في النفط والغاز؟

الإجابة المباشرة: الرابط هو المنهج: فهم السياق المحلي، تعدد المصادر، الضوضاء العالية في البيانات، والحاجة إلى قرار سريع مع “درجة ثقة”.

في الإعلام، البيانات غير متجانسة (لهجات، أساليب، صيغ). وفي النفط والغاز، البيانات أيضاً غير متجانسة (حساسات، صور حرارية، سجلات صيانة، تقارير سلامة، بيانات SCADA). وفي الحالتين، الهدف ليس “تنبؤاً جميلاً”، بل:

• تقليل المخاطر
• تحديد الأولويات
• الاستجابة السريعة

ArabFake لا يقول فقط “هذا كاذب”، بل يقول أيضاً “ما نوعه؟ وما مستوى خطره؟”. تخيّل هذا التفكير داخل منشأة طاقة:

• ليس فقط “هناك شذوذ في الضغط”
• بل “نوع الشذوذ مرتبط بتسريب/انسداد/تذبذب تشغيل”
• و“مستوى الخطر مرتفع/متوسط/منخفض” مع توصية أولوية

هذه هي النقلة التي تبحث عنها شركات الطاقة في عُمان: ذكاء اصطناعي يقدّم قراراً قابلاً للتنفيذ، لا لوحة مؤشرات جميلة فقط.

تطبيقات عملية: كيف تُترجم فكرة ArabFake إلى استخدامات داخل الطاقة؟

الإجابة المباشرة: بتبنّي نفس الفلسفة متعددة المهام (Multi-task) لبناء أنظمة تراقب التشغيل وتُصنّف المشكلة وتُقيّم الخطر في لحظة واحدة.

1) الصيانة التنبؤية + تصنيف العطل + تقدير خطورة التوقف

بدلاً من نموذج يتنبأ “متى يتعطل الضاغط”، الأفضل هو نموذج يقوم بثلاث مهام متزامنة:

• توقّع احتمالية العطل خلال 7/14/30 يوم
• تصنيف العطل: اهتزاز، حرارة، تآكل، تزييت…
• تقدير خطورته: أثر سلامة؟ أثر إنتاج؟ أثر تكلفة؟

هذه المقاربة تخفّض “الإنذارات الكاذبة” وتزيد الثقة، لأن فريق التشغيل لا يريد 200 تنبيه يومياً. يريد 5 تنبيهات صحيحة مع سبب واضح.

2) سلامة المنشآت: كشف الأنماط الخفية قبل الحوادث

ArabFake يعتمد على تحليل “مؤشرات لغوية دقيقة” تكشف الزيف. في السلامة الصناعية، يوجد ما يشبه ذلك: مؤشرات تشغيلية دقيقة تسبق الحادث.

أمثلة قابلة للتطبيق:

• تغيّر تدريجي في استهلاك الطاقة لمضخة مقارنة بسلوكها التاريخي
• تزايد طفيف في الاهتزاز مع تغيّر في التردد
• نمط متكرر في تقارير العمال (نصوص) حول رائحة/ضجيج/سخونة في منطقة محددة

هنا يظهر دور الذكاء الاصطناعي اللغوي أيضاً: تحليل تقارير السلامة المكتوبة بالعربية واللهجات المحلية لتحديد “مناطق الخطر” قبل أن تتحول إلى حادث.

3) ذكاء اصطناعي للسمعة وإدارة الأزمات في قطاع الطاقة

في يناير 2026، حساسية السوق لأي خبر حول الطاقة عالية. منشور واحد مضلل قد ينتشر بسرعة ويخلق ضغطاً على فرق العلاقات العامة والتشغيل.

منهج ArabFake يمكن أن يصبح “حارس بوابة” لقطاع الطاقة:

• رصد محتوى منصات التواصل بالعربية
• تقييم مصداقيته
• تحديد مستوى الخطر (هل يؤثر على السلامة؟ هل يخلق هلعاً؟ هل يحرّض على سلوك غير آمن قرب منشأة؟)
• إعطاء توصيات استجابة: توضيح رسمي، بيان سلامة، أو تجاهل مدروس

الفكرة ليست مراقبة الناس. الفكرة هي حماية القرار من “ضوضاء” قد تسبب أخطاء مكلفة.

خطة تنفيذ واقعية لشركات الطاقة في عُمان: من أين تبدأ؟

الإجابة المباشرة: ابدأ ببياناتك، ثم نموذج صغير مُحكّم، ثم توسّع تدريجي مع حوكمة واضحة.

إذا كنت مسؤولاً في شركة نفط وغاز أو محطة طاقة، هذه الخطوات عملية وقابلة للتطبيق خلال 8–12 أسبوعاً لمشروع تجريبي:

1) اختر حالة استخدام واحدة ذات عائد واضح

أقترح البدء بأحد الآتي:

• الصيانة التنبؤية لمعدة حرجة (ضاغط/توربين/مضخة)
• كشف تسريب مبكر عبر بيانات حساسات + تقارير تشغيل
• تحليل تقارير السلامة النصية بالعربية لتحديد مناطق المخاطر

2) ابنِ “مجموعة بيانات موثوقة” قبل أي نموذج

مثلما دُرّب ArabFake على بيانات موسومة من متخصصين، تحتاج إلى:

• تعريف واضح لما هو “العطل” أو “المخاطر”
• وسم عينات من البيانات من خبراء تشغيل وصيانة
• توحيد مصادر البيانات وتنظيفها

بدون ذلك، سيعطيك الذكاء الاصطناعي نتائج تبدو دقيقة لكنها غير قابلة للاعتماد.

3) اعتمد مخرجات قابلة للتنفيذ (قرار + سبب + درجة ثقة)

لا تكتفِ بإشارة “خطر”. اطلب من النظام:

• تصنيف السبب المحتمل
• تقدير مستوى الخطر
• تبرير مختصر: أهم 3 مؤشرات أدت للحكم

هذا يقلل مقاومة الفرق الميدانية ويزيد تبنّي الحل.

4) ضع حوكمة واضحة للبيانات والنماذج

في الطاقة، الجودة ليست رفاهية. هي شرط. لذلك تحتاج إلى:

• سياسات صلاحيات الوصول للبيانات
• تتبع نسخ النموذج وبيانات التدريب
• مراقبة الأداء بعد النشر (Model Drift)

النتيجة: نظام “يعيش” مع التشغيل ولا يصبح مشروعاً تجريبياً يذبل بعد شهرين.

أسئلة شائعة (بنفس لغة البحث التي يستخدمها الناس)

هل يمكن للذكاء الاصطناعي أن يقلل حوادث السلامة في النفط والغاز؟

نعم، بشرط أن يُستخدم للكشف المبكر عن الأنماط الشاذة وربطه بإجراءات تشغيل واضحة. القيمة تأتي عندما يتحول التنبيه إلى قرار ميداني.

ما الفرق بين نموذج يكشف مشكلة ونموذج يقيّم خطورتها؟

الكشف يقول “هناك شيء غير طبيعي”. تقييم الخطورة يقول “ما أولوية التعامل؟ وما أثر الإهمال؟”. في التشغيل، الثاني أهم لأنه يوجه الموارد.

لماذا مهم أن تكون النماذج “محلية” مثل ArabFake؟

لأن السياق المحلي (لغة، لهجات، سلوك بيانات، إجراءات تشغيل) يغيّر النتائج. النماذج الجاهزة تعطي بداية جيدة، لكنها لا تكفي للثقة التشغيلية.

أين تقف عُمان الآن… وما الخطوة التالية لقطاع الطاقة؟

ArabFake يرسل رسالة واضحة: الذكاء الاصطناعي في عُمان ليس فكرة مستوردة فقط، بل قدرة قابلة للبناء والتخصيص والتحسين. هذا مهم لقطاع النفط والغاز لأن التحديات فيه محلية أيضاً: طبيعة حقول مختلفة، شروط بيئية، سلاسل توريد، ومتطلبات سلامة صارمة.

أنا أميل لفكرة واحدة: الشركات التي ستكسب خلال 2026–2027 ليست التي تجمع بيانات أكثر فقط، بل التي تحوّل البيانات إلى قرارات أسرع وأوثق. والنماذج متعددة المهام—مثل ArabFake—تُظهر الطريق: كشف + تصنيف + تقدير خطر في نظام واحد.

إذا كان بإمكان نموذج لغوي فهم لهجات عربية متداخلة وكشف التضليل بدقة 94.12%، فالسؤال المنطقي لقطاع الطاقة في عُمان هو: ما أول “مشكلة تشغيلية” سنبني لها نموذجاً محلياً بنفس الانضباط؟