Learning from Change: Predictive Models for Incident Prevention in a Regulated IT Environment
تُظهر هذه الدراسة أن نموذج LightGBM القابل للتفسير، المعزز بالسياق التنظيمي والقابلية للتفسير القائمة على منهجية SHAP، يتفوق على الأساليب التقليدية القائمة على القواعد في التنبؤ بالحوادث المتعلقة بتغييرات تكنولوجيا المعلومات ضمن بيئة مصرفية خاضعة للرقابة، مما يتيح التخفيف الاستباقي للمخاطر مع تلبية متطلبات التدقيق والامتثال.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك قبطان سفينة سياحية ضخمة وعالية السرعة (البنك) تحمل آلاف الركاب (العملاء). كل يوم، يحتاج طاقمك إلى إجراء تعديلات صغيرة على المحرك، أو نظام الملاحة، أو المطبخ للحفاظ على سير السفينة بسلاسة. تُسمى هذه التعديلات "التغييرات" (Changes).
ومع ذلك، في بعض الأحيان، قد يتسبب تعديل بسيط في المحرك في تعثر السفينة بأكملها أو توقفها. وفي عالم التكنولوجيا، تُسمى هذه الحوادث "الأعطال" (Incidents).
هذه الورقة البحثية تتحدث عن فريق من المهندسين في بنك ING طرحوا سؤالاً بسيطاً: "هل يمكننا التنبؤ بالتعديلات التي يُحتمل أن تكسر السفينة قبل أن نقوم بها حتى؟"
إليك قصة كيفية بنائهم لـ "كرة بلورية" لرؤية المستقبل، مشروحة بلغة بسيطة.
1. المشكلة: الطريقة القديمة كانت تشبه التخمين
قبل هذه الدراسة، كان البنك يستخدم نظاماً قائماً على القواعد (Rule-Based System) لتحديد ما إذا كان التغيير آمناً. فكر في هذا كقائمة مراجعة يستخدمها الطيار قبل الإقلاع.
- القواعد: "إذا كان التغيير يؤثر على المحرك، فهو خطر". "إذا حدث في يوم الجمعة، فهو خطر".
- العيب: كانت قائمة المراجعة جامدة للغاية. فقد كانت تصنف كل شيء تقريباً على أنه خطر لمجرد ضمان السلامة. وهذا يعني أن الطاقم كان يقضي ساعات في فحص تغييرات كانت في الواقع جيدة تماماً، بينما قد تفوتهم أحياناً التغييرات الخطيرة حقاً. كان الأمر يشبه جهاز إنذار الحريق الذي يعمل في كل مرة تحمص فيها قطعة خبز، مما يجعل الناس يبدؤون في تجاهله.
2. الحل: "مساعد طيار ذكي" (تعلم الآلة)
قرر الباحثون بناء نموذج تعلم آلة (ML). وبدلاً من اتباع قائمة مراجعة جامدة، فإن هذا النموذج يشبه قبطاناً مخضرماً وذا خبرة فائقة شهد آلاف الرحلات.
- كيف يتعلم: قاموا بتغذية الكمبيوتر بـ 175,000 "تعديل" سابق (تغييرات)، وأخبروه أي منها تسبب في مشاكل (أعطال) وأيها مر بسلاسة.
- الهدف: تعلم الكمبيوتر رصد الأنماط الدقيقة التي غابت عن البشر. على سبيل المثال، قد يتعلم أن "التغييرات التي يقوم بها الفريق (X) في يوم الثلاثاء والتي تتعلق ببرمجيات المطبخ تكون عادةً جيدة"، أو "التغييرات التي يقوم بها الفريق (Y) في يوم الجمعة والتي تتعلق بالمحرك تكون خطيرة".
3. مشكلة "الصندوق الأسود": لماذا لا يمكنك مجرد استخدام "كرة الثلج السحرية"
في عالم البنوك، لا يمكنك ببساطة أن تقول: "الكمبيوتر يقول إن الأمر آمن، لذا فلنمضِ قدماً". فاللوائح تتطلب منك معرفة لماذا اتُخذ قرار معين. لا يمكنك استخدام "صندوق أسود" (نموذج يعطيك إجابة ولكنه لا يشرح كيف توصل إليها).
الحل: SHAP (المفسّر لـ "لماذا")
استخدم الباحثون أداة تسمى SHAP. تخيل أن مساعد طيارك الذكي لا يكتفي بقول "خطر!" فحسب، بل يسلمك بدلاً من ذلك تقرير درجات:
- "لقد صنفت هذا كخطر لأن:
- التغيير تم بواسطة فريق واجه مشاكل في السابق.
- إنه يتضمن جزءاً حيوياً من السفينة.
- يحدث هذا خلال موسم عطلات مزدحم."
هذا يجعل الذكاء الاصطناعي شفافاً وجديراً بالثقة، مما يلبي القواعد الصارمة للمنظمين في البنك.
4. السر الخفي: إضافة "شخصية الفريق"
جرب الباحثون نسختين من نموذجهم:
- النموذج الأساسي: نظر فقط إلى التغيير المحدد (ما الذي يتم إصلاحه).
- النموذج المعزز: نظر إلى التغيير بالإضافة إلى تاريخ الفريق الذي يقوم بالعمل.
التشبيه:
- النموذج الأساسي: "هذا الميكانيكي يصلح المكابح. هل وسادة المكابح متآكلة؟"
- النموذج المعزز: "هذا الميكانيكي يصلح المكابح. هل وسادة المكابح متآكلة؟ وأيضاً هل كان هذا الميكانيكي على عجلة من أمره مؤخراً؟ وهل مر بأسبوع ناجح من الإصلاحات؟"
النتيجة: كان النموذج المعزز هو الفائز. فمن خلال فهم "شخصية" وأداء الفريق الأخير (مقاييس الفريق المجمعة)، أصبح النموذج أفضل بكثير في التنبؤ بالمشاكل.
5. النتائج: رصد المزيد من المشاكل، وإضاعة وقت أقل
عندما اختبروا النظام الجديد مقابل قائمة المراجعة القديمة:
- قائمة المراجعة القديمة: فاتتها حوالي نصف التغييرات الخطيرة (كانت عمياء جداً) وصنفت الكثير من التغييرات الآمنة على أنها خطرة (كانت شديدة الشك).
- نموذج الذكاء الاصطناعي الجديد: رصد 93% من التغييرات الخطيرة (تحسن هائل!).
- المقايضة: لقد صنف بالفعل بعض التغييرات الآمنة على أنها خطرة (إنذارات كاذبة)، ولكن في البنك، من الأفضل التحقق من تغيير آمن مرتين على أن تفوته وهو خطير. من الأفضل فحص مظلتك مرتين بدلاً من القفز دون فحصها على الإطلاق.
6. لماذا يهم هذا الجميع
هذا ليس عن البنوك فقط. هذا عن الثقة في التكنولوجيا.
- بالنسبة للبنك: يمكنهم منع المزيد من الأعطال قبل حدوثها، مما يوفر المال ويحافظ على رضا العملاء.
- بالنسبة للمهندسين: يحصلون على أداة مفيدة تخبرهم: "مهلاً، هذا يبدو مهزوزاً قليلاً، ربما عليك مراجعة عملك"، بدلاً من مجرد منعهم أو تركهم يعملون دون رؤية واضحة.
- بالنسبة للمنظمين: يحصلون على نظام عادل، قابل للتفسير، ويتبع القواعد.
الخلاصة
تثبت هذه الورقة أنك لست مضطراً للاختيار بين التكنولوجيا الذكية والقواعد البشرية. من خلال بناء "مساعد طيار ذكي" يشرح أسبابه ويتعلم من تاريخ الفريق، يمكن للبنوك جعل أنظمتها أكثر أماناً، وسرعة، وموثوقية. إنه يشبه الترقية من خريطة ورقية إلى نظام GPS لا يخبرك بالطريق فحسب، بل يحذرك أيضاً من ازدحام المرور قبل أن تصل إليه حتى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.