استشارات ذكاء اصطناعي • دبي
أتمتة العمليات الذكية لمؤسسات الخليج
حين يقضي فريق من 15 شخصًا أيامًا كاملة في استخراج البيانات يدويًا من النماذج، فإن جدوى الأتمتة تكتب نفسها.
- العميل
- عملاء مؤسسات
- الموقع
- دبي، الإمارات العربية المتحدة
- القطاع
- استشارات ذكاء اصطناعي / مؤسسات
- السنة
- 2024
- المدة
- مستمر
- الفريق
- مهندسان
خفض في زمن معالجة المستندات
استفسارات عملاء تُحل آليًا
مطالبات احتيالية كشفها الذكاء الاصطناعي
دقة OCR على المستندات ثنائية اللغة
تواجه مؤسسات الخليج تحديات فريدة: معالجة مستندات ثنائية اللغة (عربي + إنجليزي)، ومتطلبات تنظيمية معقدة عبر ولايات قضائية متعددة، وتوقعات عالية لخدمة العملاء تفرضها المنافسة الإقليمية، وأنظمة قديمة تقاوم التحديث. لدى أحد العملاء، كان فريق من 15 شخصًا يقضي أيامًا كاملة في استخراج البيانات يدويًا من نماذج مطالبات التأمين — عملية مليئة بالأخطاء والاختناقات. ولدى عميل آخر، كان فريق خدمة العملاء يعالج أكثر من 2,000 استفسار يوميًا بجودة ردود شديدة التفاوت ودون أي سبيل للتوسع إلا بزيادة موازية في عدد الموظفين.
فهم المستندات: العربية والإنجليزية على نطاق واسع
صممنا ونشرنا خطوط معالجة مستندات تجمع Azure Document Intelligence للتعرف الضوئي على الحروف OCR مع GPT-4 للاستخراج الدلالي. لم يكن التحدي قراءة النص فحسب — بل فهم السياق عبر لغتين باتجاهي قراءة مختلفين، وحقول مختلطة اللغات، وتنسيق غير متسق عبر مئات النسخ المختلفة من النماذج. يعالج الخط المستندات على ثلاث مراحل: تحليل التخطيط يحدد حقول النموذج وعلاقاتها المكانية، ثم يستخرج OCR النص مع كشف اللغة، ثم يفسّر GPT-4 البيانات المستخرجة مقابل مخطط محدد، متعاملًا مع الحالات الحدّية كالتعليقات المكتوبة بخط اليد والأختام والتصحيحات. حققنا دقة 94% من المرور الأول، مع مرحلة مراجعة بشرية للـ 6% المتبقية تُغذّي تصحيحاتها النموذج باستمرار.
تحليلات تنبؤية لتقييم مخاطر المطالبات
لعميل التأمين، بنينا نماذج تنبؤية باستخدام scikit-learn تقيّم المطالبات الواردة من حيث مخاطر الاحتيال بناءً على 47 خاصية مستخرجة من بيانات المطالبة وسجل الوثيقة والأنماط السلوكية. يرصد النموذج الأنماط المريبة — مطالبات مقدمة بعد أيام من بدء الوثيقة، ومطالبات مكررة عبر وثائق مترابطة، وأوصاف أضرار متناقضة — ويحيلها إلى المحققين للمراجعة. خفّض النظام معالجة المطالبات الاحتيالية بنسبة 35%، ملتقطًا أنماطًا كان المراجعون البشر يفوّتونها باستمرار بسبب الحجم. وأُبقيت نسبة الإنذارات الكاذبة دون 8% لتجنب خلق اختناقات في معالجة المطالبات المشروعة.
ذكاء اصطناعي محادث بخبرة المجال
نشرنا روبوتات محادثة لخدمة العملاء مدعومة بالنماذج اللغوية الكبيرة عبر LangChain مع التوليد المعزّز بالاسترجاع RAG، متصلة بقاعدة معرفة كل عميل. تعالج الروبوتات 60% من الاستفسارات دون تدخل بشري — أسئلة الوثائق، وتحديثات حالة المطالبات، وشروح التغطية، وإرشادات تقديم المستندات. كان مفتاح التبنّي هو الدقة وتصميم التصعيد. حين تنخفض ثقة الروبوت دون العتبة في الموضوعات الحساسة (نزاعات المطالبات، رفض التغطية)، يسلّم المحادثة بسلاسة إلى موظف بشري مع كامل سياقها. وطبّقنا حلقات تعلم مستمر: تُراجَع ردود الموظفين على المحادثات المصعّدة وتُغذّى في قاعدة المعرفة، فترتفع دقة الروبوت مع الوقت.
- انخفض زمن معالجة المستندات من ساعات إلى دقائق للدفعة الواحدة — توفير إجمالي 80% من الوقت
- 60% من استفسارات العملاء يعالجها الذكاء الاصطناعي دون تدخل بشري، ارتفاعًا من 0%
- تحسّن كشف المطالبات الاحتيالية بنسبة 35% مع نسبة إنذارات كاذبة دون 8%
- دقة OCR من المرور الأول 94% على مستندات ثنائية اللغة بالعربية والإنجليزية
- ارتفعت مؤشرات رضا العملاء 22% بفضل توافر الرد الفوري
- أُعيد توجيه فريق العمليات من المعالجة اليدوية إلى أعمال تحليلية أعلى قيمة