التغلب على تجزئة البيانات وحدود الذكاء الاصطناعي في ربحية المعاملات

في جلسة مخصصة ضمن FF News Virtual Arena، اجتمع متخصصون في الصناعة لمناقشة عقبة حرجة في عمليات البنوك: كيف تتسبب تجزئة البيانات والبنية التحتية القديمة مباشرةً في خسارة المؤسسات المالية للربحية ضمن تدفقات معاملاتها.

شارك في النقاش:

• إيان هورن، مقدم برامج في FF News

• ماريا كوميساروفا، قائدة أعمال البيانات والذكاء الاصطناعي للقطاع التجزئة في Raiffeisen Bank International

• برينو ألفيس دي أوليفيرا، كبير مسؤولي المنتجات في PAYABL

• كيريل ليسيتسين، المؤسس المشارك والرئيس التنفيذي في Torus

استكشفت الجلسة التكاليف التشغيلية الخفية لمجموعات البيانات غير المستخدمة، وحدود الذكاء الاصطناعي غير الحتمي، والاستراتيجيات التي يجب على المؤسسات المالية تبنّيها لتحويل البيانات الخام إلى ركيزة أساسية للبقاء في السوق.

جذر تسرب الأرباح: عقبات البنية القديمة والبيانات المنظمة

بالنسبة للمؤسسات المالية متعددة الأجيال في السوق، كـ Raiffeisen Bank International، تبرز البنية التحتية القديمة بوصفها عائقاً داخلياً رئيسياً أمام التحسين. أوضحت ماريا كوميساروفا أن التحدي الجوهري الذي يتسبب في خسارة البنوك للربحية في تدفقات المعاملات هو في جوهره مشكلة بيانات.

نظراً لأن تطبيقات البنوك التاريخية تعمل في صوامع منفصلة، فإن جمع بيانات معاملات الشركات وهيكلتها بصيغة شفافة ومنظمة أمرٌ بالغ الصعوبة. وبدون إطار منظم، يبقى حساب الربحية الدقيقة لمعاملة مالية فردية أمراً شبه مستحيل.

ينبع هذا الخلل من حوكمة البيانات التاريخية وغياب نشر الأطر الحديثة. ظهرت نماذج تنظيمية متقدمة، كمفهوم "data mesh"، في السوق، غير أنها لا تزال ضعيفة الانتشار عبر المؤسسات المصرفية الكبرى.

مع تعامل القطاع المالي العالمي مع التحولات الشاملة للذكاء الاصطناعي في مجالَي التحقق من الهوية ومعالجة المعاملات، لم يعد حل هذه الطبقة من البيانات أمراً كمالياً. بل أصبح إرساء أساس بيانات نظيف متطلباً مطلقاً لاستمرار الشركات على المدى البعيد.

الشبكة الخفية لتكاليف استيعاب البيانات الضخمة

يقع كثير من المؤسسات القديمة في فخ الافتراض بأن التقاط كميات أكبر من البيانات يُفضي بطبيعة الحال إلى قيمة تجارية أعلى. قبل خمس إلى سبع سنوات، كانت أدلة عمل الصناعة التقليدية تركز على جمع أكبر عدد ممكن من نقاط البيانات المتنوعة، بما في ذلك تغذية بيانات من شبكات التواصل الاجتماعي إلى خوادم الشركات.

لقد تجاوز نظام المعاملات الحديث هذه العقلية. تكتشف المؤسسات المالية أن مجرد تخزين كميات هائلة من المعلومات غير المنظمة وصيانتها يُكبّدها نفقات ضخمة في الخوادم وهندسة البيانات.

"هذه الكمية من البيانات، الكمية الكبيرة من البيانات لجمعها وتخزينها، مكلفة للغاية، وإذا لم تستفد منها، فإنك تبدأ بالخسارة في لعبة التسعير هذه..."

حين تتحمل شركة ما تكاليف تشغيلية ضخمة للتخزين دون استخلاص قيمة تجارية فعلية من تلك البيانات، تتخلف عن ركب المنافسة في لعبة التسعير. ولا تستطيع تقديم أفضل الأسعار لتجارها لأن تكاليف بنيتها التحتية الأساسية مُضخَّمة بصورة اصطناعية.

كما أبرز كيريل ليسيتسين، يجب أن تركز استراتيجية البيانات الحديثة أولاً على استخلاص القيمة الحقيقية من أصول البيانات القائمة. ولا ينبغي للمؤسسة استثمار رأس المال لاقتناء تدفقات بيانات إضافية إلا حين يُحدَّد مسبقاً مسوّغ تجاري واضح، مما يُجنّبها عقبات تشغيلية غير ضرورية وتراكم التكاليف.

فخ عدم الحتمية: لماذا لا تستطيع النماذج اللغوية الكبيرة إصلاح البيانات السيئة

مع سعي المؤسسات إلى توحيد الأنظمة القديمة التي تتحدث بلغات برمجية مختلفة كلياً وتستخدم صيغ بيانات غير موحدة، يلجأ كثيرون إلى الذكاء الاصطناعي والنماذج اللغوية الكبيرة (LLMs) لأتمتة تحويل الكود والبيانات. أشار برينو ألفيس دي أوليفيرا إلى أن شركات التكنولوجيا المالية تتميز في استيعاب البيانات المعقدة وإعادة تنظيمها في صيغ سهلة الاستيعاب، وهي عملية تتسارع بشكل كبير بفضل أدوات الذكاء الاصطناعي.

غير أن كوميساروفا أصدرت تحذيراً تقنياً صريحاً بشأن الاعتماد المفرط على الخوارزميات التوليدية في البنية التحتية للمعاملات الجوهرية. إذ إن النماذج اللغوية الكبيرة غير حتمية بطبيعتها، بمعنى أن مخرجاتها قائمة على الاحتمالية لا على اليقين المطلق، مما يعرّضها لخطر هلوسات الخوارزمية.

في عالم المعاملات، حيث تؤثر الأخطاء مباشرةً في السجلات المالية، لا يمكن القبول بالتراجع عن الدقة الكاملة. إن تغذية بيانات غير دقيقة أو غير منظمة إلى نموذج لغوي كبير يزيد بشكل ملحوظ من احتمالية توليد حسابات خاطئة، قد تُكلّف المؤسسات المالية ملايين الدولارات.

اتفق أعضاء الجلسة على أنه لا يوجد حل سحري تقني؛ فالشركات لا تستطيع ببساطة إلقاء مجموعات بيانات فوضوية على نموذج توليدي وتوقع منطق أعمال خالٍ من العيوب. يستلزم بناء طبقة بيانات موثوقة استثماراً منضبطاً من الوقت ورأس المال، إلى جانب متخصصين داخليين مهرة قادرين على هيكلة خط أنابيب البيانات بصورة صحيحة.

تحقيق التوازن: النواة الهجينة الحتمية

لاستيعاب سرعة الذكاء الاصطناعي الحديث بأمان دون التفريط في الدقة المالية المطلقة، اقترح المشاركون في الجلسة بنية هيكلية هجينة. يوازن هذا النموذج بين محركات المعالجة الحتمية وواجهات اللغة المرنة لتيسير سير عمل المستخدم النهائي:

• الأساس الحتمي: يجب أن تظل طبقة البيانات الجوهرية صارمة الحتمية. تبني منصات الذكاء المتخصصة، كـ Torus، منطقها الخلفي عن قصد لتحقيق دقة رياضية كاملة بدلاً من نموذج "احتمالية 80%"، مما يكفل مطابقة رسوم المخطط وسجلات المعاملات بشكل مثالي.

• الواجهة التحاورية: بمجرد إرساء خط أساس من سلامة البيانات الموثقة، يمكن للمؤسسات تراكب النماذج اللغوية الكبيرة فوقها لتفسير البيانات، مما يبسّط تفاعلات المستخدمين ويُسرّع المهام التحليلية.

يتيح هذا الأساس المنظم للمؤسسات الاستفادة من مفاهيم كبُحيرات البيانات لصياغة الفرضيات التجارية واختبارها. تاريخياً، كان اكتشاف اتجاه معالجة أو تقييم متغير تسعير يستلزم استعلامات ضخمة يدوية على قواعد البيانات.

مع نواة هجينة موحدة، تستطيع فرق المنتجات اختبار الفرضيات بسرعة لتقييم احتمالية نجاحها. في نهاية المطاف، يُمكّن هذا الإطار البنوك من تحليل إحصاءاتها الداخلية ومشهد المنافسين والتحولات الكلية في السوق في آنٍ واحد. يوجّه هذا النهج القائم على البيانات تعديلات مستهدفة عبر تدفقات التحويل وتوجيه المعاملات وتجارب المنتجات، محوّلاً الاستثمارات الرأسمالية الضرورية إلى محركات يمكن التنبؤ بها لربحية الشركة.

أبرز ما جاء في جلسة Virtual Arena:

• عقبة هيكل البيانات: يُعقّد جمع البيانات عبر أنظمة قديمة تستخدم صيغاً مختلفة تتبع ربحية المعاملات بدقة على نحو بالغ.

• التكلفة الباهظة لركود البيانات: يرفع تخزين كميات هائلة من البيانات دون حالات استخدام واضحة التكاليف التشغيلية، مما يُضعف تنافسية البنوك في تسعير التجار.

• القيمة فوق الحجم: يُعطي ذكاء البيانات الحديث الأولوية لاستخلاص أقصى فائدة من الأصول القائمة قبل شراء تدفقات بيانات خارجية.

• خطر الذكاء الاصطناعي غير الحتمي: لأن نماذج الذكاء الاصطناعي التوليدية قائمة على الاحتمالية، فإن استخدامها على البيانات الجوهرية غير المنظمة يُعرّض الحسابات المالية لخطر الخطأ.

• مخطط النظام الهجين: تجمع البنى الناجحة بين طبقة بيانات حتمية دقيقة 100% وأدوات نماذج لغوية كبيرة تحاورية فوقها لتفسير المستخدم.

• الابتكار المدفوع بالفرضيات: يتيح إعادة هندسة أطر البيانات الجوهرية للفرق التحقق السريع من تغييرات المعالجة، مما يُخفّف المخاطر عن الاستثمارات الرأسمالية.

نُشر هذا المقال بعنوان "التغلب على تجزئة البيانات وحدود الذكاء الاصطناعي في ربحية المعاملات" لأول مرة على FF News | Fintech Finance.