MWS AI تختبر نماذج الذكاء الاصطناعي متعددة الوسائط في كشف الوثائق المزوّرة

اختبرت MWS AI، وهي إحدى وحدات MTS Web Services، مدى قدرة النماذج متعددة الوسائط (Visual Language Models، أو VLM) على التمييز بين الوثائق المزوّرة والحقيقية. ونُشر الخبر على CNews في 9 أكتوبر 2026. وقد أصاب الموضوع نقطة حساسة: فالبنوك وشركات التأمين والأسواق الإلكترونية وأقسام الموارد البشرية تواجه الوثائق المزيّفة كل يوم، بينما جعلتها النماذج التوليدية رخيصة التكلفة. ولا يتضمن الجزء المتاح من المادة قائمة بالنماذج التي اختُبرت، ولا حجم العيّنة، ولا النسب النهائية، ولذلك لا يمكن وضع ترتيب لها حاليًا. لكن يمكن فهم ما يقيسه هذا النوع من الاختبارات وأين تكمن مزالقه.

ما الذي اختُبر ولماذا

تتلقى نماذج VLM صورةً مع طلب نصي. وفي حالة الوثائق، يعني ذلك أن النموذج يحصل على صورة ممسوحة لجواز سفر أو شهادة أو عقد، ويجيب عن سؤال من قبيل: «هل هناك علامات على التعديل؟». وكانت هذه المهمة تُحل سابقًا عبر سلسلة من المكوّنات: OCR للتعرف على النص، ومجموعة قواعد للتحقق من الحقول، ونماذج منفصلة للتحليل الجنائي الرقمي (forensics) تفحص آثار التلاعب في الصورة. وتَعِد نماذج VLM بدمج هذا كله في استدعاء واحد.

وتتنوع أساليب التزوير كثيرًا. فبعضها يكتفي بإعادة رسم الأرقام في مبلغ ما أو في تاريخ. وبعضها يستبدل الصورة الشخصية، وبعضها يلصق خلفية مركّبة من عدة مصادر. أما أحدث الأنواع فهو وثيقة يولّدها النموذج بالكامل، بخطوط وختم وتوقيع تبدو مقنعة. ولكل نوع إشارات مختلفة، وقد يتباين أداء VLM معها تباينًا كبيرًا.

لماذا تندر الاختبارات المستقلة في هذا المجال

تختبر المعايير المرجعية العامة للنماذج متعددة الوسائط في أغلب الأحيان فهم الوثائق: العثور على حقل، وقراءة جدول، والإجابة عن سؤال حول النص. أما التحقق من الأصالة فيختلف عن ذلك. إذ يجب على النموذج أن يلاحظ أن ثمة خللًا في الوثيقة رغم أن مضمونها يبدو خاليًا من العيوب. وهذه كفاءة مختلفة، ولا تضمنها النتائج المرتفعة على مجموعات من نوع DocVQA.

ما هو معروف من المنشور:

• من أجرى الاختبار: MWS AI (التابعة لـ MTS Web Services).
• فئة النماذج: نماذج VLM متعددة الوسائط.
• المهمة: كشف الوثائق المزوّرة.
• التاريخ والمصدر: CNews، 9 أكتوبر 2026.
• غير المعلن في الجزء المتاح: قائمة النماذج، وحجم مجموعة البيانات وتركيبتها، والدقة، ونسبة الإنذارات الكاذبة.

ما الذي ينبغي النظر فيه في التقرير الكامل

أولًا — النسبة بين نوعي الخطأ. فالتزوير الذي لم يُكتشف يكلّف مالًا، أما الإنذار الكاذب فيكلّف العميل ووقت المشغّلين. ومتوسط الدقة من دون تفصيل هذين الرقمين لا يقول شيئًا تقريبًا.

ثانيًا — تركيبة التزويرات. فإذا اقتصرت العيّنة على تعديل يدوي فجّ، جاءت النتيجة متفائلة. أما إذا ضمّت وثائق أنشأتها مولّدات صور حديثة، فستكون الصورة أقسى.

ثالثًا — اللغة والصيغة. فجوازات السفر الروسية وشهادات 2-НДФЛ وكشوف الحساب لها تصميمها الخاص، وقد تتصرف النماذج المدرَّبة في معظمها على بيانات إنجليزية تصرفًا مختلفًا معها.

رابعًا — الثبات أمام صياغة الطلب وجودة المسح. فالصور الملتقطة بالهاتف في إضاءة سيئة تُربك أنظمة كثيرة تعمل بامتياز على الصور النظيفة.

ومن الجدير بالتذكير أن MWS AI نفسها تطوّر منتجات قائمة على الذكاء الاصطناعي. وهذا لا يقلّل من قيمة الاختبار، لكن من الأفضل قراءة المنهجية بعناية، ومطابقتها مع بياناتكم الخاصة متى أمكن.

ماذا تفعل الفرق التي تبني أنظمة مكافحة الاحتيال

لا تتركوا القرار النهائي لنموذج VLM. فالدور المعقول له اليوم هو دور المرشّح الأولي: يرتّب الوثائق بحسب درجة الاشتباه ويترك للإنسان أكثرها إثارة للجدل. أنشئوا مجموعة اختبار خاصة بكم من حالات حقيقية في شركتكم، وأضيفوا إليها تزويرات اصطناعية من مولّدات حديثة، وشغّلوا عليها كل نسخة جديدة من النموذج. واحسبوا كلفة كل نوع من الأخطاء بالمال، وحدّدوا العتبة وفقًا لها. وأبقوا على الفحوص الكلاسيكية: المطابقة مع السجلات الحكومية، وتحليل البيانات الوصفية للملف، والتحقق من البيانات التعريفية. فالنموذج متعدد الوسائط يضيف إشارة أخرى إليها، لكنه لا يستطيع حتى الآن أن يحلّ محلها.