→ مسرد التكنولوجيا الماليةذكاء التمويل

توسيع البيانات في التمويل

توسيع البيانات هو تقنية تزيد من تنوع بيانات التدريب دون جمع بيانات جديدة. في الذكاء الاصطناعي المالي، تخلق نسخاً معدلة من البيانات الموجودة مع الحفاظ على التصنيف الأصلي. يشير توسيع البيانات في المالية إلى التقنيات التي تُوسّع مجموعات بيانات التدريب اصطناعياً لتحسين تعميم النماذج وأدائها. على عكس توسيع الصور، يتطلب توسيع البيانات المالية مقاربات خاصة بالمجال تحافظ على الواقعية الاقتصادية. تشمل تقنيات توسيع السلاسل الزمنية: تقطيع النوافذ والاهتزاز وانحراف الوقت وانحراف الحجم والأخذ بالعينة الزائدة للأقليات الاصطناعية.

في الخدمات المالية

توسيع البيانات ذو قيمة خاصة في الخدمات المالية حيث البيانات المصنفة نادرة. استخدم بنك أوروبي هذه التقنية لتحسين نموذج كشف احتيال بطاقات الائتمان. يعالج توسيع البيانات تحدياً جوهرياً في الذكاء الاصطناعي المالي الخليجي: ندرة البيانات المسماة للأحداث النادرة. يمكن لبنك قطر الوطني وبنك الإمارات دبي الوطني معالجة ملايين المعاملات لكنه يواجه فقط مئات الحالات الاحتيالية المؤكدة في فترة معينة. مع هذا الخلل الشديد في توازن الفئات، تُعدّ تقنيات التوسيع ضرورية لتدريب نماذج قادرة على التعميم.

مثال واقعي

استخدم بنك أوروبي توسيع البيانات لتحسين نموذج كشف الاحتيال. كانت البيانات الأصلية تحتوي على 0.1 بالمائة فقط من حالات الاحتيال. بتطبيق SMOTE، أنشأ البنك 50,000 عينة احتيال إضافية. مثال تطبيقي: واجه فريق مكافحة الاحتيال في بنك الإمارات دبي الوطني نسبة فئات غير متوازنة للغاية: 0.2% من المعاملات الاحتيالية مقابل المليارات من المعاملات الشرعية. بتطبيق تقنيات SMOTE المُدمجة مع التوليد باستخدام GAN لزيادة أمثلة الاحتيال في بيانات التدريب، حسّن الفريق درجة F1 للنموذج من 0.68 إلى 0.82 على مجموعة الاختبار. تُرجمت هذه التحسينات إلى تقليص خسائر الاحتيال بنسبة 19% سنوياً، مما يُثبت القيمة التشغيلية الملموسة لتقنيات توسيع البيانات. مثال تطبيقي إضافي: طوّر فريق بيانات البنك الوطني القطري نظاماً لتوليد سيناريوهات ضغط مالي اصطناعية تعكس حوادث نادرة كانهيار أسعار النفط أو ارتفاع حاد في معدلات الفائدة. استُخدمت هذه السيناريوهات الاصطناعية في اختبار متانة نماذج المخاطر في مواجهة أحداث ذيلية نادرة الحدوث، مما أدى إلى تحسين إطار إدارة المخاطر وزيادة الثقة التنظيمية بكفاءة النماذج.

لماذا يهم في التمويل

توسيع البيانات هو استراتيجية فعالة من حيث التكلفة لتحسين أداء نماذج الذكاء الاصطناعي المالية دون تكلفة جمع بيانات إضافية. عوائد توسيع البيانات في الذكاء الاصطناعي المالي غير متناسبة مع جهد التنفيذ. يمكن لاستراتيجية توسيع مُصممة جيداً أن تحسّن أداء النموذج بنسبة 10-20% في اكتشاف الفئة الأقلية دون الحاجة إلى أي جمع إضافي للبيانات الحقيقية — ميزة كبيرة نظراً للتكلفة العالية للحصول على البيانات المالية المسماة. يكتسب توسيع البيانات أهمية استراتيجية في مجال الشمول المالي؛ إذ يُمكّن المؤسسات من بناء نماذج ائتمانية موثوقة للفئات السكانية التي تفتقر إلى سجلات ائتمانية وافية كالشباب والمرأة وصغار المقاولين. من خلال توليد بيانات اصطناعية تعكس الخصائص الإحصائية لهذه الشرائح، تستطيع المؤسسات بناء نماذج عادلة وفعّالة حتى في ظل شُح البيانات التاريخية، مما يُسهم في تحقيق أهداف الشمول المالي الوطنية.