Rocket Close تسرّع معالجة مستندات الرهن العقاري 15 مرة بالاعتماد على AWS

أظهرت Rocket Close أن حتى أثقل مراحل عملية الرهن العقاري، أي تحليل المستندات، يمكن تسريعها جذريًا عند الجمع بين تقنية التعرف الضوئي على الحروف (OCR) والنماذج التوليدية. وقد بنت الشركة، بالتعاون مع AWS Generative AI Innovation Center، نظامًا قائمًا على Amazon Textract وAmazon Bedrock، سرّع المعالجة 15 مرة، ورفع الدقة الإجمالية في تقسيم المستندات وتصنيفها واستخراج الحقول إلى نحو 90%.

لا يُعد هذا بالنسبة لقطاع الرهن العقاري تحسينًا شكليًا. فقد تضم الحزمة الواحدة استمارات وكشوف حسابات وشهادات دخل ونماذج إفصاح ومستندات أخرى وصلت على شكل صور ممسوحة ضوئيًا وملفات PDF وصور فوتوغرافية. وتختلف هذه المستندات في بنيتها وجودتها وطريقة تعبئتها، ولذلك يُهدر جزء كبير من الوقت لا في اتخاذ القرار، بل في البحث عن الصفحات المطلوبة والتعرف على النص ونقل البيانات الأساسية إلى أنظمة العمل. وفي هذه المرحلة تحديدًا تتراكم التأخيرات والأخطاء اليدوية في أغلب الأحيان.

ويقسّم حل Rocket Close المهمة إلى عدة مراحل واضحة. يتولى Amazon Textract مهمة التعرف الضوئي على الحروف، فيستخرج النص والبنية من المستندات، بما في ذلك الجداول والنماذج والمسوحات الضوئية رديئة الإعداد. بعد ذلك يشغّل Amazon Bedrock نماذج الأساس (foundation models) لتنفيذ منطق أكثر تعقيدًا: فالمطلوب ليس قراءة الصفحة فحسب، بل فهم نوع المستند، والحزمة التي ينتمي إليها، ونقطة بدء القسم الجديد، والحقول المهمة فعلًا للمعالجة اللاحقة. وتحوّل هذه البنية التقنية سيلًا من الملفات المتباينة إلى عملية أكثر قابلية للتنبؤ وأسهل على الآلة قراءتها.

والنقطة الجوهرية هنا لا تقتصر على السرعة، بل تشمل مستوى الأتمتة أيضًا. فالتسريع المعلن بمقدار 15x في الوقت يعني أن الموظفين يستطيعون إنجاز الملفات الكبيرة بوتيرة أسرع، وأن جزءًا من أعمال التحقق الروتينية لم يعد يُنجز يدويًا. كما أن الدقة الإجمالية التي تقارب 90% مؤشر مهم أيضًا، فالحديث هنا لا يدور حول مقياس واحد ضيق، بل حول ثلاث وظائف معًا: تقسيم المستندات وتصنيفها واستخراج الحقول. وهذا أنفع بكثير لسير العمل المؤسسي من نظام OCR قوي منفصل لا يفهم السياق. وتزداد أهمية ذلك حيث قد يؤدي مستند واحد مفقود أو معترف عليه بشكل خاطئ إلى إعادة الطلب إلى نقطة البداية وإطلاق سلسلة الموافقات من جديد.

ويستحق دور AWS Generative AI Innovation Center وقفة مستقلة. فمثل هذه المشاريع نادرًا ما تقتصر على استدعاء نموذج عبر API. إذ يجب اختيار البنية المناسبة، وتجزئة العملية إلى مراحل، وتحديد المواضع التي يكفي فيها التعرف الضوئي التقليدي على الحروف والمواضع التي تتطلب مستوى من الاستدلال (reasoning)، ثم ربط ذلك كله بمتطلبات الجودة والاستقرار التشغيلي. ويبدو من النتيجة أن الشراكة مع فريق AWS مكّنت Rocket Close من الانتقال أسرع من الفكرة إلى نظام يمكن تطبيقه في تداول المستندات الفعلي، لا في السيناريوهات التجريبية وحدها.

وهذا مثال آخر للسوق على انتقال الذكاء الاصطناعي التوليدي من واجهات الدردشة الاستعراضية إلى عمليات المكاتب الخلفية الهادئة لكنها مكلفة للأعمال. ففي الرهن العقاري يظهر ثمن التأخير بوضوح خاص: كلما طالت رحلة الحزمة عبر سلسلة الفحوصات، زاد العبء على الفريق وتراجعت تجربة العميل. وحين تُحلَّل المستندات بسرعة واستقرار أكبر، تحصل الشركة لا على توفير في الوقت فحسب، بل أيضًا على مواعيد أكثر قابلية للتنبؤ لإتمام الصفقة، وعدد أقل من التسليمات اليدوية بين الفرق، وسيطرة أفضل على جودة البيانات.

والخلاصة بسيطة: قيمة GenAI في الخدمات المالية باتت تُقاس في الغالب لا بالعروض التجريبية اللافتة، بل بمدى قدرته على إزالة الأعمال الروتينية في مواضع تشغيلية محددة. وتبيّن حالة Rocket Close أن الجمع بين OCR ونماذج الأساس يحقق اليوم نتيجة قابلة للقياس حيث كانت تُطلب سابقًا ساعات من المعالجة اليدوية. وهذه إشارة للجهات ذات حجم تداول المستندات الكبير بأن تنظر لا إلى روبوتات الدردشة فحسب، بل إلى العمليات الداخلية التي تمنح فيها الأتمتة أثرًا تشغيليًا مباشرًا.