التعلم الآلي في القطاع الحكومي: تطبيقات وتأثيرات عام 2026

ملخص سريع: يُحدث التعلّم الآلي في القطاع الحكومي تحولاً جذرياً في عمليات القطاع العام من خلال كشف الاحتيال، واستهداف البرامج الاجتماعية، ورفع كفاءة العمليات. وتستفيد الوكالات الفيدرالية من التعلّم الآلي في الامتثال الضريبي، وتوزيع المنافع، وإدارة المخاطر، وذلك بالاستعانة بأطر عمل من المعهد الوطني للمعايير والتكنولوجيا (NIST) وتوجيهات رئاسية تُرشد إلى نشر الذكاء الاصطناعي بشكل مسؤول. ويعتمد النجاح على التطبيق الأخلاقي، وحوكمة البيانات عالية الجودة، والإشراف البشري.

تتسابق الوكالات الحكومية للاستفادة من تقنيات التعلم الآلي، لكن تطبيقاتها لا تتشابه جميعها. فبينما تقوم بعض الوكالات بتحليل الإقرارات الضريبية لكشف الاحتيال، تستخدم وكالات أخرى التعلم الآلي لتحديد الفئات السكانية الضعيفة التي تحتاج إلى مساعدات طارئة.

ما هي المخاطر؟ أكثر من تريليون و4 تريليونات و6 تريليونات دولار من الإنفاق الفيدرالي السنوي، وفقًا لبحث أجرته مؤسسة بروكينغز. وهذا يعادل تقريبًا 25.61 تريليون و3 تريليونات دولار من الناتج المحلي الإجمالي للبلاد، والتي تمر عبر أنظمة تعتمد بشكل متزايد على الخوارزميات لاتخاذ القرارات.

لكن الأمر المهم هو أن التعلم الآلي لا يقتصر على تحسين الكفاءة فحسب، بل يُعيد تشكيل كيفية تقديم الحكومات للخدمات، وتخصيص الموارد، والتفاعل مع المواطنين. ومع إعطاء خطة عمل الرئيس ترامب للذكاء الاصطناعي الأولوية لهيمنة الذكاء الاصطناعي الأمريكي، تواجه الوكالات الفيدرالية ضغوطًا متزايدة لتسريع وتيرة الابتكار مع إدارة المخاطر.

فهم التعلم الآلي في القطاع العام

تُمكّن تقنيات التعلّم الآلي الحواسيب من اكتشاف الأنماط في مجموعات البيانات الضخمة دون الحاجة إلى برمجة مُخصصة لكل سيناريو. وتصفها وزارة الطاقة الأمريكية بأنها تجمع بين تصنيف الأشكال ومعالجة الصور والتحليل الإحصائي لتحديد الظواهر التي قد يغفل عنها البشر.

لكن ماذا يعني ذلك فعلياً بالنسبة للعمل الحكومي؟

في الواقع العملي، تحلل أنظمة التعلم الآلي البيانات التاريخية للتنبؤ بالنتائج المستقبلية. وتكشف وكالات الضرائب عن الإقرارات الضريبية الاحتيالية. وتوجه إدارات الخدمات الاجتماعية المساعدات إلى من هم في أمس الحاجة إليها. وترصد أنظمة الدفاع الشذوذات في حركة مرور الشبكة.

تعالج هذه التقنية التعقيد على نطاق واسع، وهو أمر لا تستطيع أدوات ذكاء الأعمال التقليدية مجاراته. ولهذا السبب، وضعت الحكومة الفيدرالية أطرًا لتوجيه عملية النشر.

إطار السياسة الفيدرالية

يوفر إطار إدارة مخاطر الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا (NIST)، والذي تم تطويره بدءًا من عام 2021، إرشادات لبناء الثقة وتعزيز الابتكار. ويتناول هذا الإطار تحديًا جوهريًا: كيفية التحرك بسرعة دون إحداث خلل في الأنظمة.

أكدت الأوامر التنفيذية الرئاسية الصادرة منذ يناير 2025 على إزالة العوائق أمام ريادة الولايات المتحدة في مجال الذكاء الاصطناعي، مع الحرص على منع التحيز الأيديولوجي في الأنظمة الفيدرالية. وقد أنشأ الأمر التنفيذي الصادر في ديسمبر 2025 فرقة عمل معنية بالتقاضي في مجال الذكاء الاصطناعي، بهدف الطعن في قوانين الولايات التي قد تُشتت البيئة التنظيمية.

بصراحة: تعكس البيئة السياسية أولويات متضاربة. الابتكار مقابل الرقابة. السرعة مقابل السلامة. الأمن القومي مقابل الشفافية.

تطبيقات التعلم الآلي في الحكومة في العالم الحقيقي

لا تُعدّ النظرية بنفس أهمية التطبيق. إليكم كيف يُطبّق التعلّم الآلي فعلياً في العمليات الحكومية.

الامتثال الضريبي وكشف الاحتيال

تُدير مصلحة الضرائب الأمريكية 126 حالة استخدام نشطة للذكاء الاصطناعي حتى يونيو 2025، وفقًا لمكتب محاسبة الحكومة. وتشمل هذه التطبيقات كل شيء بدءًا من تحديد الإقرارات الضريبية الاحتيالية وصولًا إلى تحسين خدمة دافعي الضرائب.

لكن ثمة مشكلة. فقد وجد مكتب المحاسبة الحكومي أن أكثر من 251 حالة استخدام للذكاء الاصطناعي في مصلحة الضرائب الأمريكية لم تتضمن معلومات حول الفوائد المتوقعة. هذه الفجوة في التوثيق تجعل من الصعب قياس النجاح أو تبرير استمرار الاستثمار.

تلقت مصلحة الضرائب الأمريكية تمويلًا كبيرًا بموجب قانون خفض التضخم، إلا أن بعض المخصصات قد أُلغيت. وتجعل هذه الضغوط على الميزانية تحسين كفاءة التعلم الآلي أمرًا بالغ الأهمية. وقد وضعت مصلحة الضرائب مبادئ توجيهية لحوكمة الذكاء الاصطناعي لتوجيه استثماراته، لكن التنفيذ لا يزال متفاوتًا.

استهداف البرامج الاجتماعية

أظهر بحثٌ أجراه البروفيسور أحمد مشفق مبارك في جامعة ييل كيف تُحدث تقنيات التعلّم الآلي تحولاً في توزيع المنافع في البيئات ذات الموارد المحدودة. ففي بنغلاديش، استخدم الباحثون نماذج التعلّم الآلي المطبقة على سجلات الهواتف المحمولة لتحديد أفقر الأسر.

ماذا كانت النتائج؟ استهداف أسرع بتكلفة أقل بكثير من أساليب المسح التقليدية. وقد حسّن الاستهداف المُعزز بالتعلم الآلي كفاءة توزيع المنافع في سياقات البلدان النامية.

قارن ذلك بالنهج الأمريكي خلال فترة الإغاثة من جائحة كوفيد-19. فقد اعتمدت الحكومة على الإقرارات الضريبية للعام السابق، حيث كان كل من يتقاضى أقل من 75,000 دولار مؤهلاً للحصول على شيك إغاثة. نهج بسيط، ولكنه قد يغفل فئات سكانية ضعيفة ليس لديها سجل إقرارات ضريبية.

أليس هذا مألوفاً؟ هذه هي المفاضلة التي تواجهها الحكومات. السرعة والبساطة مقابل الدقة والإنصاف.

بناء أنظمة التعلم الآلي للعمليات الحكومية

تتجه الوكالات الحكومية بشكل متزايد إلى تبني تقنيات التعلم الآلي لتحسين الكفاءة، وأتمتة سير العمل، ودعم اتخاذ القرارات القائمة على البيانات. متفوقة الذكاء الاصطناعي يقوم بتطوير حلول مخصصة للذكاء الاصطناعي والتعلم الآلي لحالات استخدام المؤسسات والقطاع العام، مع التركيز على التنفيذ العملي بدلاً من الاستشارات المفاهيمية فقط.

هل تبحث عن شريك في مجال التعلم الآلي لمشروع حكومي؟

تدعم شركة AI Superior مبادرات الحكومة والقطاع العام من خلال: 

• تطوير نموذج التعلم الآلي المخصص
• حلول معالجة اللغة الطبيعية والرؤية الحاسوبية 
• دمج حلول الذكاء الاصطناعي في الأنظمة القائمة 

إذا كنت تخطط أو تقيّم مشروعًا للتعلم الآلي في القطاع العام،, تواصل مع شركة AI Superior لمناقشة المتطلبات والخطوات التالية.

التحدي الأخلاقي

يتحمل التعلم الآلي الحكومي مسؤولية خاصة. تؤثر إخفاقات القطاع الخاص على العملاء، بينما تؤثر إخفاقات القطاع العام على المواطنين الذين لا يملكون خيار الانسحاب.

يُركز تصنيف المعهد الوطني للمعايير والتكنولوجيا (NIST) للتعلم الآلي المُعادي على بُعد واحد: الأمن. قد يقوم المهاجمون بتلويث بيانات التدريب أو استغلال ثغرات النموذج. وتشعر الوكالات الدفاعية بالقلق إزاء المدخلات المُعادية المصممة لخداع أنظمة التصنيف.

لكن المخاوف الأخلاقية تتجاوز الأمن.

التحيز والإنصاف

تتعلم نماذج التعلم الآلي من البيانات التاريخية. وعندما تعكس هذه البيانات التمييز السابق، فإن النماذج تُرسّخ التحيز. فعلى سبيل المثال، قد يُفرط نموذج الامتثال الضريبي المُدرّب على أنماط التدقيق في التدقيق على الفئات السكانية التي استُهدفت تاريخياً بالإنفاذ.

يُضيف الأمر التنفيذي الصادر في يوليو 2025 بشأن منع "الذكاء الاصطناعي المُوجّه نحو الأفكار التقدمية" في الحكومة الفيدرالية بُعدًا آخر. فهو يُوجّه الوكالات لضمان خلوّ مُخرجات الذكاء الاصطناعي من أي تحيّز أيديولوجي أو أجندات اجتماعية. وتُشدّد إرشادات التنفيذ على توفير مُخرجات موثوقة للمواطنين الأمريكيين.

وهنا تكمن الصعوبة. فتعريف "التحيز" يُعدّ أمراً بالغ الصعوبة. هل يُعتبر نموذج التعلّم الآلي متحيزاً عندما يعكس الواقع الإحصائي، حتى لو كان هذا الواقع نابعاً من عدم المساواة الهيكلية؟ أم عندما يعامل جميع المجموعات معاملةً متماثلةً رغم اختلاف احتياجاتها؟

الشفافية وقابلية التفسير

يستحق المواطنون فهم القرارات التي تؤثر على حياتهم. لكن العديد من نماذج التعلم الآلي تعمل كصناديق سوداء - تنبؤات دقيقة مع منطق غامض.

تتطلب الأطر التنظيمية بشكل متزايد إمكانية التفسير. فعندما تحرم خوارزمية حكومية شخصًا ما من استحقاقات أو تُشير إلى شخص ما للتحقيق معه، يحتاج هذا الشخص إلى سبيل للانتصاف. وتصبح الرقابة البشرية ضرورية، وليست اختيارية.

تحديات التنفيذ

يختلف تطبيق تقنيات التعلم الآلي في البيئات الحكومية عن التطبيقات التجارية. فالأنظمة القديمة لم تُصمم لدمج التعلم الآلي، كما أن إجراءات الشراء أبطأ من تطور التكنولوجيا، وتزيد متطلبات الأمن من التعقيد.

البنية التحتية للبيانات

يتطلب التعلم الآلي الفعال بيانات عالية الجودة وبكميات كبيرة. تحتفظ العديد من المؤسسات بالبيانات في أنظمة معزولة بتنسيقات غير متوافقة. وتقيّد لوائح الخصوصية كيفية استخدام المعلومات الشخصية لتدريب النماذج.

تشير وزارة الطاقة إلى أن التعلم الآلي يتفوق في تحليل الظواهر المعقدة مثل محاكاة بلورات الجليد. لكن الوكالات الحكومية غالباً ما تواجه صعوبات في إدارة البيانات الأساسية قبل الوصول إلى هذا المستوى من التطور.

مهارات القوى العاملة

تتولى فرقة العمل التابعة للبيت الأبيض والمعنية بتعليم الذكاء الاصطناعي، والتي تم إنشاؤها بتوجيه رئاسي، تنسيق الجهود الفيدرالية لتعزيز الوعي بالذكاء الاصطناعي بين الشباب والمعلمين. وهذا استثمار طويل الأجل.

تحتاج الوكالات، على المدى القريب، إلى علماء بيانات ومهندسي تعلم آلي ومتخصصين في الأخلاقيات. وتجعل المنافسة مع رواتب القطاع الخاص عملية التوظيف صعبة. كما أن تدريب الموظفين الحاليين يستغرق وقتاً.

إدارة البائعين

تلجأ العديد من الوكالات إلى شراء حلول التعلم الآلي من شركات متعاقدة، مما ينطوي على مخاطر. كيف يمكن تدقيق خوارزمية مملوكة؟ من يملك بيانات التدريب؟ ماذا يحدث عند انتهاء العلاقة مع المورد؟

تشير تقارير القطاع إلى أن الوكالات الحكومية تطالب بشكل متزايد بخيارات النشر المحلي وإمكانية الوصول إلى شفرة المصدر. إلا أن هذه المتطلبات قد تحد من خيارات الموردين وتزيد التكاليف.

نتطلع إلى الأمام

سيتسارع استخدام التعلم الآلي في القطاع الحكومي. وتؤكد خطة عمل الذكاء الاصطناعي على ذلك بوضوح، إذ تُعدّ الريادة الأمريكية في مجال الذكاء الاصطناعي أولوية وطنية. وستتمكن الوكالات التي تُحسن توظيفه بشكل مسؤول من تقديم خدمات أفضل بتكلفة أقل.

لكن النجاح ليس مضموناً. يكشف تقرير مكتب المحاسبة الحكومي الأمريكي حول حالات استخدام الذكاء الاصطناعي في مصلحة الضرائب عن ثغرات في التوثيق وعدم وضوح في تتبع المزايا. وقد تجبر ضغوط الميزانية الوكالات على خفض استثماراتها في الذكاء الاصطناعي قبل تحقيق العوائد المرجوة.

ما هو النهج الأمثل؟ البدء بخطوات صغيرة، والقياس بدقة، وتوسيع نطاق ما ينجح. ينبغي على الوكالات تجربة تطبيقات التعلم الآلي في بيئات منخفضة المخاطر، ووضع معايير نجاح واضحة، وبناء المعرفة المؤسسية قبل اتخاذ قرارات مصيرية.

ولا يمكن اعتبار الأخلاقيات أمراً ثانوياً. يجب دمج اختبارات العدالة في مسارات التطوير. ويجب الحفاظ على الإشراف البشري. وتوثيق كل شيء. فالعبء الخاص بأخلاقيات التعلم الآلي الحكومي يقتضي ذلك.

الأسئلة الشائعة