قادة الفكر

لا يتجاوز ذكاء الذكاء الاصطناعي ذكاء البيانات المالية التي يستند إليها

Ilan Atias
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيفشل الذكاء الاصطناعي عندما تختلف الأنظمة حول معنى حقل واحد مثل تاريخ الدفع.
عرض المزيد
  • يفشل الذكاء الاصطناعي عندما تختلف الأنظمة حول معنى حقل واحد مثل تاريخ الدفع.
  • تتيح البيانات المالية المترابطة للذكاء الاصطناعي التمييز بين التحولات ذات المعنى والتقلبات الروتينية.
  • عقود البيانات والتدفقات المدفوعة بالأحداث أهم من تطبيق الذكاء الاصطناعي نفسه.

أصبح الذكاء الاصطناعي جزءًا من معظم النقاشات حول مستقبل القطاع المالي. وتستثمر المؤسسات في الذكاء الاصطناعي لأتمتة الأعمال الروتينية، وتحسين التنبؤات، ومساعدة الموظفين على اتخاذ قرارات أسرع. تبدأ معظم هذه النقاشات بالنماذج والتطبيقات. لكن من واقع خبرتي، ينبغي أن تبدأ بجودة البيانات التي تعتمد عليها هذه الأنظمة، ومدى ترابطها، وكيفية إدارتها.

أمضيت مسيرتي المهنية في بناء بنية تحتية للمدفوعات وتوسيع نطاقها، ونادرًا ما كانت الخوارزميات مصدر أصعب المشكلات. بل تمثلت هذه المشكلات في البنية التحتية الأساسية اللازمة لتمكين منصات المحاسبة والبنوك ومقدمي خدمات الرواتب وشبكات الدفع من وصف الحدث التجاري نفسه بالطريقة ذاتها.

يبرز هذا التحدي بوضوح خاص في القطاع المالي. فالمحاسبة والخدمات المصرفية والرواتب والفواتير والمدفوعات كلها تولّد معلومات تؤثر في قرارات الأعمال. وعندما تعمل هذه الأنظمة بمعزل عن بعضها، تنشئ بيئات بيانات مجزأة تجعل من الأصعب بكثير على الذكاء الاصطناعي تكوين سياق على مستوى المؤسسة. يستطيع الذكاء الاصطناعي تحديد الأنماط داخل الأنظمة المنفردة، لكنه لا يستطيع أن يشرح على نحو موثوق ما يجري في الأعمال ككل من دون رؤية مترابطة للوضع المالي للمؤسسة. في بدايات عملنا في Melio، واجهنا مثالًا يبدو بسيطًا لكنه ليس كذلك: ما المقصود بعبارة «مدفوع»؟ يوافق العميل على دفعة يوم الاثنين. وتغادر الأموال حسابه يوم الثلاثاء. ويتيحها بنك المورّد يوم الخميس. ثم تُطابق المعاملة مع فاتورة في الأسبوع التالي. أربعة طوابع زمنية، وأربعة أجوبة يمكن الدفاع عنها عن سؤال «متى سُددت هذه الدفعة؟»، ولا جواب منها خاطئ. يستطيع المحاسب البشري التعامل مع هذا الالتباس من دون أن يفكر فيه. أما نموذج التنبؤ الذي يتعامل مع «تاريخ السداد» على أنه حقل واحد، فينتج تنبؤات خاطئة بثقة وبصورة منهجية بشأن التوقيت، وهو الأمر الوحيد الذي يجب أن يصيب فيه التنبؤ بالتدفقات النقدية. كان ربط هذه الأنظمة الخطوة الأولى الضرورية. أما جعلها تتفق على معاني الحقول، فهو ما أضفى قيمة على هذا الترابط. في القطاع المالي، يبدأ إعداد الذكاء الاصطناعي ليكون جاهزًا بالاكتفاء بربط الأنظمة، لكن هذا الربط لا يُعتد به إلا عندما تصف الأنظمة الحدث نفسه بالطريقة ذاتها.

رؤية أوضح تقود إلى قرارات أفضل

تزداد الحاجة إلى ترابط البيانات المالية إلحاحًا. ووجد تقرير Small Business Insights الصادر عن Xero أن الشركات الصغيرة في الولايات المتحدة تنتظر الآن في المتوسط 29.3 يومًا لتحصيل مستحقاتها، في حين لا يزال نمو المبيعات السنوي البالغ 4.0% دون متوسطه على المدى الطويل. وعندما تتحرك مواعيد المدفوعات والنفقات والطلب، كل على حدة، تحتاج المؤسسات إلى أنظمة قادرة على ربط هذه المؤشرات بدلًا من تحليل كل منها بمعزل عن الآخر؛ وينطبق ذلك على إدارة الخزينة في مؤسسة كبيرة بقدر ما ينطبق على شركة تضم 10 أشخاص.

لنتأمل شركة تدرس ما إذا كان بإمكانها توظيف موظف آخر قبل نهاية الربع. يعتمد هذا القرار على أكثر من رصيدها المصرفي اليوم: إذ تؤثر فيه أيضًا المدفوعات المتوقعة من العملاء، والتزامات الرواتب، والنفقات المتكررة، والالتزامات الضريبية المقبلة، والإيرادات المتوقعة. ولا يقدم أي مقياس منفرد إجابة موثوقة. ويمنح جمع هذه المدخلات القادة فهمًا أوضح لوضعهم المالي، كما يوفر للذكاء الاصطناعي معطيات ذات دلالة يستند إليها في استدلاله. تتطلب الأتمتة الوصول إلى المعاملات، أما الاستدلال فيتطلب سياقًا.

قد تقضي الفرق المالية الجزء الأول من كل شهر في تسوية البيانات بين الأنظمة قبل أن تبدأ أي تحليلات ذات مغزى. وبحلول الوقت الذي تتكون فيه لديها صورة كاملة، قد يكون التغير في التدفقات النقدية الذي تحاول فهمه قد وقع قبل أسابيع. وهذا التأخر تحديدًا ما يمكن للبيانات المترابطة تقليله.

تزداد قيمة الذكاء الاصطناعي حين يفهم الأعمال

ركز الجيل الأول من الذكاء الاصطناعي في القطاع المالي على الكفاءة: تصنيف المعاملات، ومعالجة الفواتير، ومساعدة الفرق على إنجاز المهام الروتينية بسرعة أكبر. ولا تزال هذه الإمكانات تقدم قيمة، لكن التوقعات تتحول من أتمتة المهام إلى دعم اتخاذ القرارات الواعي بالسياق؛ أي إتاحة رؤية أبكر لمخاطر التدفقات النقدية، وتحسين دقة التنبؤات، وفهم كيفية تأثير التغيرات في سلوك الدفع أو النفقات أو أنماط الإيرادات في الأداء المستقبلي.

يتطلب تحقيق ذلك أن يحلل الذكاء الاصطناعي البيانات المالية ضمن سياقها. فمعنى أي معاملة يعتمد على الظروف المحيطة بها: قد تشير زيادة النفقات إلى الإفراط في الإنفاق، أو تعكس شراء مخزون استعدادًا لطلب موسمي؛ وقد يشير انخفاض الاحتياطيات النقدية إلى ضغوط على السيولة، أو يكون ببساطة نتيجة توقيت سداد الضرائب الفصلية. وتظهر قيمة الذكاء الاصطناعي حين يستطيع فعل الشيء نفسه، أي ربط الأنماط عبر المعاملات التاريخية والأرصدة النقدية والمبالغ المستحقة والبيانات التشغيلية، للتمييز بين تغير جوهري وتقلب اعتيادي.

بناء الأساس المناسب

بالنسبة إلى قادة التكنولوجيا الذين يقيّمون استخدام الذكاء الاصطناعي في القطاع المالي، لا يتمثل السؤال الأهم في تحديد التطبيق الذي ينبغي نشره أولًا، بل في معرفة ما إذا كانت بيئة البيانات الأساسية قادرة على توفير السياق الكامل والآني الذي تتطلبه تلك التطبيقات. وعند بناء هذه الأنظمة، تكتسب بعض الاستثمارات أهمية أكبر من غيرها:

تعاملوا مع عمليات التكامل على أنها عقود، لا مجرد وصلات. فالمزامنة لمرة واحدة بين منصة محاسبة ونظام للمدفوعات ستفقد دقتها بمرور الوقت. حدّدوا عقودًا صريحة للبيانات، تشمل المخططات وتعريفات الحقول وضمانات حداثة البيانات، حتى لا يتراجع أداء أنظمة الذكاء الاصطناعي اللاحقة بصمت عند تغير أحد الأنظمة المصدرية.

انتقلوا من المطابقة على دفعات إلى تدفقات البيانات القائمة على الأحداث. إذا كانت مطابقة البيانات المالية تتم أسبوعيًا أو شهريًا، فإن الذكاء الاصطناعي يستند في تنبؤاته إلى معلومات قديمة. أما مسارات البيانات القائمة على الأحداث، التي تنقل المعاملات فور حدوثها، فتوفر للنماذج حداثة البيانات اللازمة لاكتشاف التغييرات مبكرًا.

أنشئوا طبقة دلالية للمقاييس المالية. يجب أن تحمل مصطلحات «المركز النقدي» و«الذمم المدينة المستحقة» و«الإيرادات» المعنى نفسه في كل نظام. فمن دون تعريفات متسقة، سيقدم الذكاء الاصطناعي إجابات واثقة لن يفسرها أي فريقين بالطريقة نفسها.

قيّموا مخرجات الذكاء الاصطناعي بمقارنتها بالحقائق المرجعية. يتمتع القطاع المالي بميزة على معظم مجالات الذكاء الاصطناعي، وهي دفتر الأستاذ: إذ يتوفر سجل يمكن التحقق منه. وينبغي إخضاع الرؤى المالية التي يولدها الذكاء الاصطناعي للمعايير نفسها التي يُقيَّم بها عمل محلل مبتدئ، واختبارها بمقارنتها بالأرقام الفعلية، وقياس دقتها بمرور الوقت. تُكتسب الثقة في توصيات الذكاء الاصطناعي بالقياس، لا بمجرد تأكيدها.

تحظى هذه الاستثمارات باهتمام أقل من تطبيقات الذكاء الاصطناعي المبنية عليها، لكنها هي التي تحدد ما إذا كانت تلك التطبيقات ستعمل أم لا.

العامل الفارق الحقيقي

مع تزايد دمج الذكاء الاصطناعي في الإدارة المالية، يتحول التحدي التقني من قدرات النماذج الفردية إلى مدى فعالية عملها ضمن البنية الأوسع للبيانات المالية.

ستتمكن المؤسسات التي تستثمر في ترابط البيانات من اكتشاف التغيرات في التدفقات النقدية في وقت أبكر، وستزداد ثقتها في التوقعات التي يولدها الذكاء الاصطناعي. لا يكمن الفرق في النموذج، بل في البيانات التي يستند إليها.

Ilan Atias يقود فرق البحث والتطوير والمنتج وذكاء الأعمال في Melio. قبل انضمامه إلى Melio، شغل Ilan منصب نائب الرئيس للبحث والتطوير في Windward، الشركة الرائدة عالميًا في مجال التحليلات البحرية التنبؤية. وقبل ذلك، عمل Ilan باحثًا في شركة Outbrain للإعلانات المدمجة، وكان مسؤولًا عن نظام توصيات مخصص يستخدم خوارزميات التعلم الآلي.