نظام ذكاء اصطناعي للتنبؤ بمنح القروض (Loan Approval Prediction)

نظام ذكاء اصطناعي للتنبؤ بمنح القروض (Loan Approval Prediction) بدقة تصل إلى 93% باستخدام تقنيات تعلم الآلة المتقدمة.

يهدف هذا المشروع إلى تطوير نموذج تصنيف قوي يساعد المؤسسات المالية على أتمتة وزيادة دقة عملية تقييم مخاطر القروض. يعتمد الحل على تحليل مجموعة بيانات شاملة تحتوي على معلومات مالية وشخصية لمتقدمي القروض، مثل الدخل، وسجل الائتمان، والغرض من القرض، ونسبة القرض إلى الدخل.

يستخدم النظام عدة خوارزميات تعلم الآلة والانحدار لمقارنة الأداء واختيار الأفضل، وأبرزها:

نموذج Random Forest: حقق أعلى دقة تصنيف 93% في تحديد الجدارة الائتمانية.

نموذج Support Vector Machine (SVM): حقق دقة 91% مع قدرة ممتازة على تمييز الحالات الحدية.

نموذج Decision Tree: حقق دقة 90% مع إمكانية تفسير القرارات بسهولة من خلال عرض شجرة القرار.

يساعد هذا النظام في:

أتمتة عملية الموافقة على القروض: تقليل الجهد اليدوي والوقت اللازم لمراجعة الطلبات.

تقليل نسبة التعثر في السداد: من خلال تحديد المتقدمين ذوي المخاطر العالية بدقة، مما يقلل من الخسائر المالية.

اتخاذ قرارات موضوعية مبنية على البيانات: إزالة التحيز البشري من عملية اتخاذ القرار والاعتماد على تحليل دقيق للبيانات.

توفير أداة مساعدة يمكن دمجها في أنظمة البنوك: لتقييم المخاطر بشكل فوري وآلي.

تم تنفيذ المشروع باستخدام مكتبات Python مثل Pandas, Scikit-learn, و Matplotlib/Seaborn، مع تطبيق خطوات معالجة احترافية شملت:

معالجة القيم الشاذة (Outlier Detection) باستخدام المخططات البيانية.

ترميز البيانات الفئوية (Encoding) باستخدام One-Hot Encoding لتحويلها إلى صيغة رقمية.

قياس وتوحيد البيانات (Standard Scaling) لتحسين أداء النماذج.

تحليل الارتباط (Correlation Analysis) عبر مصفوفة الارتباط (Heatmap) لفهم تأثير كل ميزة على نتيجة القرض.

حقق نموذج Random Forest دقة تصل إلى 93%، بينما أظهرت نماذج الانحدار مثل Gradient Boosting دقة استثنائية تصل إلى 99.9% عند استخدامها للتنبؤ بمتغيرات مستمرة معينة، مما يدل على قوة النهج التحليلي المتبع. تم تقييم النماذج باستخدام مصفوفة الارتباك (Confusion Matrix) ومقاييس الدقة (Precision, Recall, F1-Score).

يمكن تطوير المشروع مستقبلًا ليشمل:

بناء واجهة تطبيق ويب أو سطح مكتب بسيطة تدخل إليها بيانات العميل وتحصل على القرار فورًا.

دمج بيانات خارجية (مثل المؤشرات الاقتصادية) لتحسين دقة النموذج.

استخدام تقنيات أكثر تقدماً مثل XGBoost أو الشبكات العصبية لدفع الدقة إلى مستويات أعلى.