اختبارات السيناريوهات والضغط بمساعدة الذكاء الاصطناعي

يقع الذكاء الاصطناعي في النصف الآلي من اختبار الضغط. يمكنه توسيع مجموعة السيناريوهات، وترجمة السرد إلى المعاملات التي يتوقّعها محرّكك، وتلخيص ما تغيّر بين تشغيلين. لكن لا ينبغي له أبداً أن يضع الافتراضات أو ينتج رقماً بنفسه. الإنسان هو من يقرّر أيّ الصدمات تهمّ ويعتمدها؛ ومحرّك حتمي (deterministic engine) هو من يحسب كل رقم. حافظ على هذا الفصل ويمضي العمل أسرع.

اختبار الضغط مهمّتان تحملان اسماً واحداً. المهمّة الأولى هي تحديد ما يستحقّ القلق: أيّ الصدمات معقولة، وكيف ترتبط ببعضها، وأين تنكسر الميزانية العمومية فعلاً. والأخرى هي الآليات الشاقّة لبناء كل سيناريو وتشغيله وقراءة مخرجاته. تلك المهمّة الثانية هي ما يستهلك معظم الوقت، وهي المهمّة التي يستطيع الذكاء الاصطناعي حملها عنك.

ينسخ المحلّل توقّعاً أساسياً، ويعدّل مسار سعر الفائدة، ويعيد اشتقاق كلفة التمويل، ويتحقّق من أن اقتطاعات الضمانات (collateral haircuts) تحرّكت في الاتجاه الصحيح، ثم ينسّق النتيجة كي تقرأها اللجنة. اضرب هذا في ثلاثين سيناريو ودورتَي إبلاغ فتحصل على أسابيع من العمل هي في معظمها إعادة توصيل للنموذج نفسه بمقابض مختلفة. إعادة التوصيل هذه هي حيث يكتسب الذكاء الاصطناعي موقعه، لأنها متكرّرة وقابلة للتحقّق مقابل محرّك حتمي.

أين يساعد النموذج، وأين يجب ألّا يقترب

تقسيم العمل الآمن ضيّق ويستحقّ أن يُذكر بدقّة. النموذج يولّد تعريفات السيناريوهات ويتلاعب بها. لكنه لا ينتج الأرقام أبداً.

• توسيع السيناريوهات. أعطِه حفنة من السيناريوهات المسمّاة فيَعُدّ لك السيناريوهات المجاورة التي أغفلتها: صدمة سعر الفائدة نفسها مع نزوح ودائع (deposit runoff) أوسع، الركود نفسه مع بلوغ ذروة بطالة متأخّرة، أو توليفة صدمتين لم تُجرِهما إلا منفصلتين. هذه محاسبة توفيقية (combinatorial)، وهي بالضبط نوع ثغرة التغطية التي يفوّتها الإنسان في نهاية الربع تحت ضغط المواعيد.
• ضبط المعاملات (Parameterization). ترجمة سرد (“سلبي حادّ: ارتفاع الفائدة 300 نقطة أساس، انخفاض الناتج المحلي الإجمالي 4 بالمئة، تراجع قيَم العقارات التجارية (CRE) بنسبة 25 بالمئة”) إلى المدخلات المهيكلة التي يتوقّعها محرّك الحساب لديك. النموذج يملأ قالب المعاملات. والمحرّك يجري الرياضيات.
• قراءة المخرجات. تلخيص أيّ المحافظ دفعت نحو عجز رأسمالي، وأيّ البنود تحرّكت أكثر بين تشغيلين، وأين انقلب تعهّد (covenant). هذا استرجاع ومقارنة لأرقام موجودة أصلاً، لا أرقام جديدة.

ما يجب ألّا يفعله النموذج هو الحساب. اطلب منه تقدير الخسارة عند التعثّر (loss given default) أو ترحيل مركز نقدي إلى الأمام عبر توليد نصّ، فسيسلّمك رقماً يُقرأ بشكل صحيح ولا يطابق شيئاً. القاعدة التي ألتزم بها: يمرّر الذكاء الاصطناعي المعاملات إلى المحرّك نفسه الذي يشغّله محلّلوك، ولكل خلية مخرجات نسَب (lineage) يعود إلى ذلك المحرّك. الرقم الذي لا يمكن تعقّبه إلى خلية محسوبة لا يدخل العرض التقديمي.

توليد السيناريوهات بلا ذيل مُهلوَس

جاذبية النموذج اللغوي هنا أنه يستطيع اقتراح سيناريوهات لن يقترحها قالب أبداً. والخطر أنه يقترح سيناريوهات تبدو حادّة لكنها غير متّسقة داخلياً، أو تسرّب بهدوء معلومات لم يكن ممكناً لتوقّع حقيقي أن يمتلكها.

يظهر إخفاقان مراراً. الأول هو انعدام الاتّساق: سيناريو ترتفع فيه الفائدة بينما تبقى هوامش الائتمان (credit spreads) مسطّحة، أو ترتفع البطالة بينما تنخفض حالات تعثّر المستهلكين. يُقرأ السرد سليماً، ولا يملك النموذج معرفة اقتصادية قبلية توقفه. العلاج هو تمرير كل سيناريو مُولَّد عبر فحص اتّساق قبل أن يصل إلى المحرّك. رمِّز العلاقات التي تؤمن بها فعلاً، مثل اتّساع الهوامش مع الفائدة وارتفاع التعثّر مع البطالة، كقيود يجب أن يستوفيها السيناريو وإلا يُشار إليه كمخالف.

الإخفاق الثاني هو التطلّع الأمامي (lookahead). إذا رأى النموذج المسار المحقَّق لمتغيّر ما، فسيولّد بارتياح سيناريو “افتراضياً” يحاكي ما حدث فعلاً. هذا تسرّب (leakage) في زيّ مختلف، ويجعل اختبار الضغط يبدو أفضل معايرةً مما هو عليه. اعزل توليد السيناريوهات عن أيّ بيانات لحظة-زمنية (point-in-time) لاحقة لتاريخ الأساس (as-of date)، وهو الانضباط نفسه الذي تطبّقه على سِمة تنبّؤية (forecasting feature).

أنا أتعامل مع السيناريوهات المُولَّدة كمرشّحات لمجموعة تقييم (eval set)، لا كنتائج. يُقيَّم كلٌّ منها على معيارين: التغطية، أي هل يُخضِع جزءاً من الميزانية العمومية تتجاهله المجموعة القائمة؛ والمعقولية، أي هل يصمد أمام قيود الاتّساق. الإنسان يُبقي منها ما يستحقّ التشغيل. كانت مهمّة النموذج أن يوسّع البحث، لا أن يغلقه.

تحليل الحساسية ومسار التدقيق

تحليل الحساسية هو حيث تسدّد الأدوات المدعومة بالذكاء الاصطناعي ثمنها، لأن العمل آليّ بحقّ: ثبّت كل شيء، حرّك مدخلاً واحداً عبر نطاق، وسجّل كيف تستجيب المخرجات. القيام بهذا يدوياً لعشرين مدخلاً مُملّ وعرضة للخطأ، والأخطاء تختبئ جيداً لأن كل نتيجة وسيطة تبدو معقولة.

هنا يُنسّق النموذج بدل أن يحسب. يبني شبكة مجموعات المعاملات، ويُرسِل كلّاً منها إلى المحرّك، ويجمّع سطح الاستجابة (response surface). ولأن المحرّك حتميّ، يكون التشغيل كله قابلاً للاستنساخ: المدخلات نفسها، إصدار الكود نفسه، الأرقام نفسها. تلك القابلية للاستنساخ هي كل شيء لمن يتعيّن عليه الدفاع عن النتيجة لاحقاً.

بالنسبة إلى برنامج ضغط خاضع للتنظيم، مسار التدقيق ليس أوراقاً تُلحقها في النهاية. بموجب SR 11-7، يتوقّع المشرفون أن تكون مخرجات النموذج قابلة للاستنساخ وأن تكون الافتراضات موثّقة وخاضعة لتحدٍّ فعّال (effective challenge)، والتزامات حفظ السجلّات والإشراف البشري في قانون الذكاء الاصطناعي الأوروبي (EU AI Act) للأنظمة عالية المخاطر المشمولة تشير إلى الوجهة نفسها. عملياً يعني ذلك ثلاثة أمور ملموسة:

• كل سيناريو يحمل مدخلاته وإصدار المحرّك وهوية الشخص الذي اعتمد الافتراضات.
• كل تشغيل يُقارَن فارقياً (diff) مع التشغيل السابق، بحيث يرى المراجِع ما تغيّر بدل إعادة قراءة عرض كامل.
• تُسجَّل مساهمة الذكاء الاصطناعي بوصفها ما فعله: وسّع هذه السيناريوهات، وأشار إلى تلك التناقضات، ولخّص هذه الفروق. لا يتضمّن أيٌّ من ذلك التسجيل رقماً أنتجه النموذج من عنده، لأنه لم يُنتج أيّ رقم.

الخطّ الذي يجب التمسّك به هو الخطّ نفسه من البداية. الإنسان يقرّر ما يُخضِعه للضغط ولماذا، ويوقّع باسمه على ذلك. والآلة تتولّى الحجم. حين تسأل اللجنة لماذا اختير سيناريو، الجواب حكم بشري مع مبرّر. وحين تسأل كيف حُسب الرقم، الجواب تشغيل محرّك يمكنك استنساخه عند الطلب. أبقِ هذين الجوابين منفصلين ويجعل الذكاء الاصطناعي التمرين أسرع. اطمِسهما فتكون قد أتمتَّ الجزء الذي لم يكن مشكلة قطّ، بينما أفسدتَ الجزء الذي كان.