تصفير الاحتكاك بين فوضى البيانات وصناعة القرار
معظم أنظمة الذكاء الاصطناعي تُختبر على بيانات نظيفة ومثالية، فتبدو دقيقة داخل المختبر لكنها تفشل عند مواجهة الواقع. في هذا المشروع تعمدنا العمل على قاعدة بيانات تعاني من فقدان معلومات واسع، عدم توازن إحصائي حاد، وضوضاء تشغيلية مرتفعة. كان هذا قراراً هندسياً مقصوداً لإثبات قدرة البنية المعمارية على العمل في البيئات الحقيقية، لا لإظهار نتائج تجميلية على بيانات مثالية.
النظام عبارة عن AI Architectural Pipeline لتقييم المخاطر الأولية (Risk Triage System)، صُمم لتحويل البيانات غير المكتملة إلى معلومات قابلة لاتخاذ القرار، مع ضمانات صارمة تمنع التحيز والتسريب الإحصائي وتوفر تفسيراً كاملاً لكل قرار يصدر عن النموذج.
البنية الهندسية:
• هندسة ميزات متقدمة (Feature Engineering): تحويل الفجوات المعلوماتية إلى إشارات تنبؤية، معالجة القيم الشاذة، والقضاء على أي Data Leakage قد يرفع الدقة بشكل زائف.
• بروتوكولات حماية صارمة: Frozen Test Set، Blind Refit، وبوابات فحص جودة تضمن أن النتائج تعكس الواقع التشغيلي الحقيقي.
• تفسير القرارات (SHAP): تشريح كامل لعوامل القرار بدلاً من الاعتماد على نماذج الصندوق الأسود.
• ضبط موجه للفئات الحرجة: تحسين أداء النموذج في البيئات غير المتوازنة والتركيز على الحالات النادرة وعالية الخطورة.
1- استنطاق الفراغات (Intelligence from Silence)
واجهنا أعمدة تحتوي على نسب فقد تصل إلى 36%. بدلاً من ملء الفراغات بمتوسطات رياضية تقتل المعنى الحقيقي للبيانات، أثبت النظام أن غياب بعض المعلومات كان أقوى مؤشر على الحوادث المميتة. ما يعتبره الآخرون "بيانات ناقصة" تحول إلى إشارة إنذار مبكر عالية القيمة تعكس الواقع الميداني، حيث قد تمنع ظروف الحادث تسجيل المعلومات بالكامل.
الأثر التشغيلي:
اكتشاف المخاطر حتى عند نقص التقارير أو عدم اكتمال البيانات التشغيلية.
2- السيطرة على عدم التوازن الكارثي (Catastrophic Imbalance)
الحوادث المميتة تمثل 1% فقط من البيانات (158 حالة من أصل 12,316)، بينما تشكل الحوادث البسيطة 85%. تم بناء النظام خصيصاً لاصطياد هذه الفئة النادرة عبر اختبارات استقرار صارمة وتجميد كامل لبيانات الاختبار لمنع أي تضخيم وهمي للأداء.
الأثر التشغيلي:
توجيه الموارد الحرجة نحو الحالات الأخطر بدلاً من استنزافها في الحالات الروتينية.
3- هندسة الزمن كسلوك تشغيلي (Time Intelligence)
احتوت البيانات على أكثر من 1000 توقيت مختلف دون سياق زمني كامل. بدلاً من الاعتماد على مؤشرات إدارية مضللة، تم استخراج الأنماط الزمنية الحقيقية المرتبطة بالخطر واستبعاد المتغيرات التي تعكس إجراءات التوثيق لا أسباب الحوادث.
الأثر التشغيلي:
بناء خريطة زمنية للمخاطر تساعد في إعادة توزيع الدوريات وفرق الطوارئ والموارد التشغيلية قبل وقوع الخسائر.
ما يميز المشروع ليس الوصول إلى دقة مرتفعة داخل المختبر، بل القدرة على إنتاج تقييم مخاطر موثوق داخل بيئة بيانات تعاني من فقد المعلومات، الضوضاء، والانحيازات الواقعية. لقد تعمدنا التعامل مع قاعدة بيانات لا تروي قصة الحادث، بل تروي قصة ما لم يتم تسجيله، وحولنا هذا النقص إلى مصدر استخباراتي يدعم القرار بدلاً من أن يعرقله.
