توظيف خوارزميات التعلم العميق في بناء مساعد ذكي يدعم الحكم المهني لمراقب الحسابات بشأن استمرارية المنشأة في ظل أتمتة العمليات المحاسبية دراسة تطبيقية على البنوك التجارية

 تمثل الهدف الرئيس للبحث في بناء مساعد ذكي باستخدام خوارزميات التعلم العميق يدعم الحكم المهني لمراقب الحسابات بشأن استمرارية المنشأة في ظل اتمتة العمليات المحاسبية، ولتحقيق هذا الهدف إعتمد الباحثان على مدخل تحليل المحتوى في فحص التقاريرالمالية لعينة من البنوك التجارية المقيدة بالبورصة المصرية وعددها (7) بنوك خلال سلسلة زمنية من عام 2018- 2023، كما تم الاعتماد على ثلاث تقنيات من تقنيات التعلم العميق هي (GPT 4, DeepSeek, Qwen) لبناء المساعد الذكي.
وخلص البحث إلى مجموعة من الدلات أهمها: يؤدي التقييم الدقيق لاستمرارية المنشأة إلى تعزيز الثقة وجذب الاستثمارات وتحسين السمعة والتصنيف الائتماني وتحقيق الاستقرار المالي وجذب الاستثمارات الأجنبية. تسهم تقنيات التعلم العميق في تحليل البيانات الضخمة (المالية وغير المالية) لاكتشاف الأنماط الشاذة والتنبؤ بالمخاطر مثل الاحتيال أو الفشل المالي، وتتفوق هذه التقنيات على الأساليب التقليدية في دقة التنبؤ.
وقد كشفت الدراسة التطبيقية عن تحقيق نموذج GPT-4 نسبة دقة (4 من 7)، ويرجع ذلك لاعتماده الكبير على التقييم النصي دون ربط كافٍ بالمؤشرات الكمية الأساسية، بالإضافة إلى أن حساسيته بلغت فقط 50%، مما يعكس تحفّظًا زائداً في بعض الحالات، في حين أظهر نموذج DeepSeek أعلى درجة تطابق مع الرأي المهني الفعلي لمراقبي الحسابات، حيث أصدر أحكامًا صحيحة في 7 من أصل 7 حالات؛ وهذا يعكس قدرة النموذج على استخدام التحليل الكمي المتكامل المبني على مؤشرات مثل  Z-Score، Texas Ratio، ونسب رأس المال التنظيمي (CET1)، مع تفسير واضح يدعم القرار المهني، بالإضافة إلى إثباته نسبة دقة كلية (Accuracy) = 100%، وحساسية ودقة إيجابية وF1-Score  كاملة (1.00)، مما يجعله النموذج الأمثل للاستخدام الأكاديمي والمهني في التنبؤ بمخاطر الاستمرارية، فقد أظهر توازناً بين الكشف عن المخاطر وتحاشي الإنذارات الخاطئة. في  حين أظهر نموذج Qwen أدنى أداء، حيث أخفق في التقدير في 6 من أصل 7 حالات، مع ميل واضح لإصدار تحفظات مفرطة رغم استقرار بعض البنوك.