‫‪Artificial Intelligence in Accounting and Auditing‬‬

‫الذكاء االصطناعي في المحاسبة والمراجعة‬

‫الذكاء االصطناعي ‪:AI‬‬

‫ىو سموؾ وخصائص معينة تتسـ بيا البرامج الحاسوبية تجعميا تحاكي القدرات الذىنية البشرية وأنماط‬
‫عمميا‪ .‬مف أىـ ىذه الخاصيات القدرة عمى التعمـ واالستنتاج ورد الفعؿ عمى أوضاع لـ تبرمج في اآللة‪.‬‬

‫تعريف آخر‬

‫تختمؼ النظرة نحو تفسير أساليب الذكاء االصطناعي‪ ،‬حيث يعتبرىا البعض جزء التصميـ اليندسي‪ ،‬بينما‬
‫يعتبرىا البعض اآلخر محاكاة ألنظمة التفكير البشري‪ .‬ومف ىنا اىتمت الدراسات البحثية الحديثة بمجاالت‬
‫استخداـ أساليب الذكاء االصطناعي‪ ،‬لذا يمكف تعريفيا عمى أنيا "تمؾ األنظمة التي تعتمد عمى أنظمة الحاسبات‬
‫اإللكترونية المبرمجة‪ ،‬والتي تحاوؿ محاكاة العقؿ البشري في التفكير‪ ،‬وال تعتمد عمى الحكـ الشخصي"‪.‬‬
 ‫أوالً ‪ :‬تعمم اآللة ‪Machine Learning‬‬

‫الذكاء االصناعي ‪AI‬‬

‫تعمم اآللة ‪ML‬‬
‫ىندسة صنع اآلالت والبرامج‬
‫التعمم العميق ‪DL‬‬ ‫الذكية‪.‬‬
‫القدرة عمى تعميـ اآللة دوف برمجتيا‬
‫بشكؿ كافي‪.‬‬
‫التعمـ المرتكز عمى الشبكات العصبية العميقة‬

‫شكؿ يوضح العالقة بيف الذكاء االصطناعي ‪ ، AI‬تعمـ اآللة ‪ ، ML‬التعمـ العميؽ ‪DL‬‬

‫‪ .1‬تعريف تعمم اآللة ‪Machine Learning‬‬

‫يمكف تعريؼ ‪ ML‬عمى أنو "أحد الفروع المنبثقة عف عمـ الذكاء االصطناعي )‪ (AL‬القائمة عمى برمجة‬
‫قادر عمى أداء المياـ وتنفيذ األوامر الموكمة إليو باالعتماد عمى البيانات المتوفرة لديو‬
‫اً‬ ‫الحاسب اآللي ليصبح‬
‫تماما"‪.‬‬
‫وتحميميا مع تقييد التدخؿ البشري في توجييو أو تغييبو ً‬

‫تعريف آخر‬

‫ويعرؼ ‪ ML‬عمى أنو "دراسة برامج الكمبيوتر التي يمكنيا االستفادة مف الخوارزميات والنماذج اإلحصائية‬
‫لمتعمـ مف خالؿ االستدالؿ واألنماط دوف الحاجو ألف يتـ برمجتيا بشكؿ صريح"‪.‬‬
‫استخراج‬
‫المخرجات‬ ‫التصنيف‬ ‫المواصفات‬ ‫مدخالت (‪)Inputs‬‬
‫(‪)Outputs‬‬ ‫)‪(classification‬‬ ‫‪(Features‬‬
‫)‪Extraction‬‬ ‫)‪)Data‬‬

‫شكؿ يوضح آلية عمؿ تعمـ اآللة ‪ML‬‬

‫‪ .2‬انواع خوارزميات تعمم اآللة ‪Types of Machine Learning Algorithms‬‬

‫وتتمثؿ أكثر نماذج خوارزميات التعمـ شيوعاً والتي تستخدميا تقنية تعمـ اآللة فيما يمي‪" :‬التعمـ الموجو‬
‫‪ ،supervised learning‬والتعمـ غير الموجو ‪ ،unsupervised learning‬والتعمـ العميؽ ‪.Deep learning‬‬
 ‫شكؿ يوضح آلية التعمـ في تعمـ اآللة‬

‫أ‪ .‬التعمم الموجه ‪Supervised learning‬‬

‫يعد التعمـ الموجو أحد أبسط أنواع التعمـ اآللي‪ .‬وفي ىذا النوع‪ ،‬يتـ تدريب خوارزمية التعمـ اآللي عمى‬
‫البيانات المصنفة ‪ .Features‬وعمى الرغـ مف أف البيانات يجب أف يتـ تصنيفيا بدقة حتى تعمؿ ىذه الطريقة‪،‬‬
‫قويا لمغاية عند استخدامو في الظروؼ المناسبة‪ .‬ويتـ في التعمـ الموجو منح خوارزمية‬
‫فإف التعمـ الموجو يكوف ً‬
‫‪ ML‬مجموعة بيانات تدريبية ‪ Training Data Set‬صغيرة لمعمؿ معيا‪ .‬وتعتبر مجموعة بيانات التدريب تمؾ‬
‫ىي الجزء األصغر مف مجموعة البيانات األكبر وتعمؿ عمى إعطاء الخوارزمية فكرة أساسية عف المشكمة والحؿ‬
‫أيضا مع مجموعة البيانات النيائية في‬
‫ونقاط البيانات التي سيتـ التعامؿ معيا‪ .‬وتتشابو مجموعة بيانات التدريب ً‬
‫خصائصيا وتزود الخوارزمية بالمعممات المصنفة المطموبة لممشكمة ‪ .Desired Output‬ثـ تعثر الخوارزمية‬
‫عمى العالقات بيف المعممات المعطاة‪ ،‬وتؤسس بشكؿ أساسي عالقة السبب والنتيجة بيف المتغيرات في مجموعة‬
‫البيانات‪ .‬وفي نياية التدريب‪ ،‬تمتمؾ الخوارزمية فكرة عف كيفية عمؿ البيانات والعالقة بيف المدخالت والمخرجات‪.‬‬

‫ب‪ .‬التعمم غير الموجه ‪Unsupervised learning‬‬

‫ويتميز التعمـ اآللي الغير موجو بميزة القدرة عمى العمؿ مع البيانات غير المصنفة‪ .‬وىذا يعني عدـ الحاجو‬
‫آليا ‪ ،No Training Data set‬مما يسمح‬
‫لمعمؿ البشري ‪ Supervisor‬لجعؿ مجموعة البيانات قابمة لمقراءة ً‬
‫لمعمؿ عمى مجموعات بيانات أكبر بكثير‪ .‬وفي التعمـ الموجو ‪ ،‬تسمح البيانات المصنفة ‪ Features‬لمخوارزمية‬
‫بالعثور عمى العالقات الطبيعية الدقيقة بيف أي نقطتي بيانات‪ .‬ومع ذلؾ‪ ،‬فإف التعمـ غير الموجو ال يحتوي عمى‬
‫البيانات المصنفة ‪ Features‬لمعمؿ عمييا‪ ،‬مما يؤدي إلى إنشاء ىياكؿ خفية‪ .‬وتدرؾ الخوارزمية العالقات بيف‬
‫نقاط البيانات بطريقة مجردة‪ ،‬دوف الحاجة إلى إدخاؿ مف البشر‪ .‬ويجعؿ إنشاء ىذه اليياكؿ الخفية خوارزميات‬
‫التعمـ الغير موجو متنوعة‪ .‬وبدالً مف بياف المعممات المصنفة المطموبة لممشكمة ‪ ،Desired Output‬يمكف‬
‫ديناميكيا‪ .‬وىذا يوفر المزيد‬
‫ً‬ ‫لخوارزميات التعمـ الغير موجو التكيؼ مع البيانات عف طريؽ تغيير اليياكؿ الخفية‬
‫مف التطوير وامكانية لمتعمـ بعد النشر أكبر مف خوارزميات التعمـ الموجو‪.‬‬

‫ج‪.‬التعمم العميق ‪Deep learning‬‬

‫تقدـ لتعمّـ اآللة‪ ،‬وتسمح ىذه التقنية لآللة بالتعرؼ بنفسيا‪ ،‬عمى مفاىيـ ُمعقّدة مثؿ الوجوه‪،‬‬
‫ىو مجاؿ ُم ّ‬
‫تـ‬
‫الممتقطة‪ ،‬دوف أف تكوف تمؾ الصور قد ّ‬ ‫واألجساـ البشرية أو الصور‪ ،‬مف خالؿ التدقيؽ في مالييف الصور ُ‬
‫توصيفيا ُمسبقا مف طرؼ اإلنساف‪ .‬ويعتمد التعمّـ العميؽ عمى دمج خوارزميات تعمّـ اآللة ‪ ML‬مع الشبكات‬
‫العصبية االصطناعية ‪ ANN‬واستعماؿ البيانات الضخمة ‪ .BD‬وقد أحدث بذلؾ ثورة في الذكاء االصطناعي‪.‬‬

‫تعريف آخر‬
‫ىو مجاؿ فرعي لتعمـ اآللة والذي ييتـ بالخوارزميات المستوحاة مف بنية ووظيفة الدماغ البشري والتي تسمى‬
‫الشبكات العصبية االصطناعية‪.‬‬

‫ما هو الفرق بين ‪Deep learning ،Machine Learning‬؟‬

‫‪Deep learning‬‬ ‫‪Machine Learning‬‬

‫‪ -‬قائـ عمى استخداـ ‪.Big Data‬‬
‫‪ -‬يستخرج ‪ Features‬كبيرة مف ‪.Big Data‬‬
‫‪ -‬يستبعد النتائج التي ال تضيؼ قيمة مف خالؿ‬
‫تعميـ نفسو بنفسو‪.‬‬
‫‪ -‬تعتبر عممية تدريب البيانات عممية برمجية‬
‫صعب لمغاية‪.‬‬
‫‪ -‬يقوـ ‪ DL‬بعمؿ استخراج ‪ Features‬ومف ثـ‬
‫تصنيفيا لمحصوؿ عمى النتائج‪.‬‬
‫‪ -‬قائـ عمى ‪ُ Small Data‬محدده‪.‬‬
‫‪ -‬يستخرج ‪ Features‬من بيانات محدودة‪.‬‬
‫‪ -‬ال يمكنه التعرف عمى النتائج التي ال تضيؼ‬
‫قيمة واستبعادىا‪.‬‬
‫‪ -‬تتسم عممية تدريب البيانات في ‪ ML‬بأنها‬
‫أبسط من عممية تدريب البيانات في ‪.DL‬‬
‫بعمؿ استخراج ‪Features‬‬ ‫‪ -‬يقوـ المبرمج‬
‫وادخاليا لػ‪ ML‬ومف ثـ تقوـ فقط بتصنيفيا‬
‫لمحصوؿ عمى النتائج‪.‬‬
 ‫التصنيف‬ ‫استخراج‬
‫المخرجات‬ ‫مدخالت (‪)Inputs‬‬
‫(‪)Outputs‬‬ ‫)‪(classification‬‬ ‫‪+‬‬ ‫المواصفات‬
‫‪(Features‬‬
‫)‪)Data‬‬
‫)‪Extraction‬‬

‫شكؿ يوضح آلية عمؿ خوارزمية التعمـ العميؽ‬

‫‪ .3‬مجاالت استخدام تعمم اآللة في المحاسبة ‪:‬‬

‫يساعد تعمـ اآللة في مجاؿ المحاسبة بطرؽ متعددة‪ ،‬ومنيا‪:‬‬

‫‪ ‬التنبؤ ‪ :‬ومف أمثمتو التنبؤ بمبيعات اليوـ المعمقة‪ ،‬والتنبؤ بتأخر مدفوعات الفاتورة ‪ ،‬والتنبؤ باالحتياؿ‪ ،‬وما‬
‫إلى ذلؾ‪ .‬كما يبحث في حؿ لمحسابات الدائنة باستمرار‪ .‬كما يمكنو التخطيط والتحميؿ المالي‪ .‬فبمجرد أف‬
‫تتوقع المبيعات تنتيي ميمة تعمـ اآللة ألنو يمكف الوصوؿ إلى التكاليؼ المتغيرة مف قائمة المواد وكذلؾ‬
‫الوصوؿ الى التكاليؼ الثابتة‪ .‬كما أنو يعتبر إحدى الطرؽ المناسبة لمعثور عمى القيـ المتطرفة (الشذوذ)‬

‫في المعامالت مثؿ إدخاالت دفتر األستاذ العاـ أو في نفقات الموظفيف‪ .‬حيث يحتاج ىذا العمؿ عادةً‬
‫إلى القياـ بو أثناء المراجعة‪ ،‬وتستخدـ شركات المحاسبة الكبرى بالفعؿ تعمـ اآللة ليذا الغرض بالضبط‪.‬‬
‫ومع ذلؾ‪ ،‬ال تمتمؾ شركات المحاسبة األصغر عادة ىذه القدرة‪ ،‬ويمكف قوؿ الشيء نفسو بالنسبة ألفراد‬
‫التمويؿ الداخمي الذيف يحتاجوف حقًا إلى تحديد القيـ المتطرفة عمى مدار السنة‪.‬‬

‫‪ ‬التصنيؼ‪ :‬حيث يتميز بقدرات ىائمة في التصنيؼ وتحميؿ البيانات التي تـ جمعيا مف العمميات اليومية‬
‫واالستفادة منيا لتسريع عممية حسابات الدفع‪ .‬فعمى سبيؿ المثاؿ‪ ،‬يمكف إدخاؿ رمز ‪ .GL‬والذي يتيح‬
‫لنظاـ تعمـ اآللة التعرؼ عمى األنماط‪ ،‬كما ىو الحاؿ عند تطبيؽ رمز ‪ GL‬معيف عمى مورد معيف‪.‬‬
‫وبمرور الوقت‪" ،‬يتعمـ" الجياز ىذه األنماط‪ ،‬ويمكف أف يقترح رمز ‪ GL‬ىذا عندما تتـ معالجة فاتورة مف‬
‫ىذا المورد‪ .‬وكما يمكف استخدامو في تصنيؼ الحساب مف أمر الشراء‪ ،‬والذي يتـ تعيينو عمى األرجح‬
‫في الشراء بدالً مف المحاسبة‪ .‬ما لـ يتـ إعداد بعض عناصر مخزوف المواد بشكؿ غير صحيح‪ ،‬ىناؾ‬
‫فرصة ضئيمة لتصنيؼ األشياء بشكؿ غير صحيح في الشركات التي ال تمتمؾ البرامج الالئقة‪.‬‬

‫ثانياً ‪ :‬الشبكات العصبية االصطناعية ‪Artificial Neural Network‬‬

 ‫‪ .1‬تعريف الشبكات العصبية االصطناعية ‪Artificial Neural Network‬‬

‫ىي مجموعة مف العقد (‪ )Neurons‬المترابطة والتي يمكف استخداميا بشكؿ مناسب لعمؿ نموذج لممشاكؿ‬

‫التي تكوف فييا العالقات بيف العوامؿ السببية واالستجابات معقدة"‪.‬‬

‫تعريف آخر‬

‫"ىي نماذج حسابية مستوحاه مف انظمة عصبية مركزية (عمى وجو الخصوص في الدماغ)‪ ،‬وتستخدـ في‬
‫تقدير او تقريب الوظائؼ التي يمكف اف تعتمد عمى عدد كبير مف المدخالت الغير معروفة عمى وجو عاـ‪ ،‬وعادة‬
‫ما يتـ تقديـ الشبكات العصبية االصطناعية (‪ )ANN‬كنظـ مترابطة مف الخاليا العصبية والتي يمكنيا حساب‬
‫قيـ مف خالؿ قياـ الخاليا العصبية المدخمة بتغذية القيـ لكؿ مف الخاليا العصبية في الطبقة الخفية ومف ثـ توفر‬
‫طبقة المخرجات"‪.‬‬

‫شكؿ يوضح ىيكؿ الشبكات العصبية االصطناعية‬

‫‪.2‬عناصر تشغيل الشبكات العصبية (‪)Neural Network‬‬

‫‪ ‬وحدات االدخاؿ أو المدخالت (‪:)Inputs‬‬

‫حيث تكوف طبقة تسمى طبقة اإلدخاؿ (‪ )Inputs Layer‬وتمثؿ إشارات اإلدخاؿ لمخمية‬
‫(‪ ،)x1,x2,x3,x4,...........,xn‬والتي تتمقى البيانات التي تحتاج لممعالجة‪.‬‬
‫‪ ‬الوصالت البينية (‪:(Inter Connect‬‬
‫ىي تمؾ التي تربط بيف طبقات المدخالت (‪ )Inputs Layer‬وطبقات المعالجة (‪ ،)Hedin Layer‬حيث‬
‫تشتمؿ كؿ وصمة بينية عمى مجموعة مف األوزاف (‪ )Weights‬وىي العنصر األساسي في الشبكات العصبية‬
‫وىو يعبر عف االىمية النسبية لكؿ مدخؿ الى عنصر المعالجة‪ ،‬كما يعبر الوزف عف نسبة الترابط بيف عنصر‬
‫قبمة وعنصر بعده‪ ،‬ويتـ ربط االوزاف الخاصة بكؿ وصمة بينية حتى يتـ الوصوؿ الى المخرج المطموب ( ‪Wi2,‬‬
‫‪.)Wi1, Wi3, Wi4,……., Win‬‬
‫‪ ‬وحدات المعالجة (‪:)Processing Element‬‬
‫وىي التي يتـ فييا معالجة العمميات الحسابية التي تقوـ بضبط االوزاف لمحصوؿ عمى المخرج المناسب لكؿ‬
‫مدخؿ مف مدخالت الشبكة‪ ،‬حيث تكوف طبقة تسمى الطبقة الخفية (‪ ،)Hedin Layer‬وتنقسـ عممية المعالجة‬
‫إلى دالتيف‪" :‬دالة الجمع (‪:)Summation Function‬وىي الدالة التي تقوـ بحساب الوزف المتوسط لكؿ مدخؿ‬
‫مف خالؿ‪" :‬ضرب المدخؿ في الوزف الخاص بو ومف ثـ جمع تمؾ األوزاف"‪ ،‬دالة التحويؿ ( ‪Activation‬‬
‫‪:)Function‬وىي التي تسمح بنقؿ البيانات مف طبقة الى طبقة أخرى"‪.‬‬
‫‪ ‬وحدات اإلخراج أو المخرجات (‪:)Outputs‬‬
‫وتكوف طبقة المخرجات (‪ ،)Outputs Layer‬وتمثؿ النتيجة النيائية‪ ،‬ويمكف اف تكوف مدخالت لخمية‬
‫عصبية أخرى‪.‬‬

‫‪.3‬خوارزميات التعمم في الشبكات العصبية االصطناعية (‪:(Learning Algorithm‬‬

‫أ‪ -‬مفيوـ خوارزميات االنتشار الخمفي (‪:)Back Propagation Algorithm‬‬

‫وعادة ما يتـ تدريب الشبكات العصبية باستخداـ خوارزميات االنتشار الخمفي مف خالؿ التطبيؽ المتتابع‬
‫لمرحمتيف متتاليتيف‪:‬‬

‫‪ -1‬المرحمة األولى‪ :‬مرحمة االنتشار األمامي (‪:)Forward Propagation‬حيث يتـ فييا إدخاؿ اإلشارات‬
‫(‪ )x1,x2,x3,......,xn‬لعينة معينة مف مجموعة التدريب في مدخالت الشبكة‪ ،‬وتيدؼ ىذه المرحمة‬
‫لموصوؿ الى ردود مف الشبكة‪ ،‬مع أخذ القيـ الحالية لؤلوزاف بعيف االعتبار‪ .‬وبعد ذلؾ‪ ،‬يتـ مقارنة‬
‫االستجابات التي تنتجيا مخرجات الشبكة مع النتائج المرغوبة‪ ،‬وذلؾ ألنيا عممية تعتمد عمى التعمـ‬
‫الموجو‪.‬‬
‫‪-2‬المرحمة الثانية‪ :‬مرحمة االنتشار العكسي (‪ :)Back Propagation‬وبعد حساب االنحرافات بيف‬
‫االستجابات المرغوبة وتمؾ التي تنتجيا الخمية العصبية‪ ،‬يتـ استخداـ تمؾ االنحرافات لضبط تمؾ االوزاف‬
‫لجميع الخاليا العصبية وكنتيجة ليذه االنحرافات يتـ تطبيؽ المرحمة الثانية مف خوارزمية االنتشار الخمفي‪.‬‬
‫طبقة المدخالت‬ ‫الطبقة الخفية‬ ‫طبقة المخرجات‬
‫‪X1‬‬

‫‪X2‬‬
‫‪y‬‬
‫)‪∑ /G(u‬‬
‫مرحمة االنتشار الخمفي‬
‫مرحمة االنتشار األمامي‬
‫‪Xn‬‬

‫رسـ توضيحي لمراحؿ تدريب الشبكة‬

‫مجاالت استخدام الشبكات العصبية في المحاسبة والمراجعة‪:‬‬

‫أ‪ -‬في مجاؿ المحاسبة‪:‬‬

‫التنبؤ باألسعار وعوائد األسيـ(‪:)Price and Share Returns Prediction‬‬ ‫‪-1‬‬
‫حيث يعتبر التنبؤ باألسعار وعوائد األسيـ مف األمور المعقدة لمغاية‪ ،‬حيث يتحكـ في تحديد العديد مف‬
‫العوامؿ التي تتحكـ في السوؽ‪ .‬ولذلؾ ال يمكف تحديد األسعار مف خالؿ االعتماد عمى البيانات التاريخية‬
‫لؤلسعار أو حجـ التداوؿ فقط‪ ،‬ومف ىنا فقد أثبتت الشبكات العصبية نجاحيا في ىذا المجاؿ‪.‬‬
‫‪ -2‬التنبؤ باألرباح (‪:)Profit Prediction‬‬
‫حيث يتـ استخداـ الشبكات العصبية في التنبؤ باألرباح وذلؾ مف خالؿ استخداـ االرباح السنوية أو الربع‬
‫سنوية كمدخالت غير مترابطة في طبقة المدخالت‪ ،‬وطبقة خفية‪ ،‬بينما تمثؿ طبقة المخرجات نتيجة ذلؾ التنبؤ‪.‬‬
‫‪ -3‬التنبؤ بالتكاليؼ (‪:)Cost Prediction‬‬
‫ويعتبر أف ضؿ طرؽ التنبؤ بالتكاليؼ ىو استخداـ الشبكات العصبية‪ ،‬حيث يعتمد تقدير التكاليؼ عمى الدالة‬
‫غير الخطية‪.‬‬
‫‪ -4‬التنبؤ باإلفالس (‪:)Bankruptcy Prediction‬‬
‫وقد تـ استخداـ الشبكات العصبية في التنبؤ باإلفالس في التسعينيات‪ .‬وذلؾ مف خالؿ استخداـ النسب‬
‫المالية كمدخالت‪ ،‬حيث تـ تحديد عد الخاليا العصبية في طبقة المدخالت مف خالؿ عدد النسب المالية‬
‫المستخدمة‪ ،‬وخمية عصبية واحده في طبقة المخرجات والتي تعطي مؤش اًر باإلفالس‪.‬‬
 ‫ب‪ -‬في مجاؿ المراجعة‪:‬‬
‫حؿ مشكمة قرار المراجعة في مجاؿ تحصيؿ الضرائب‪:‬‬ ‫‪-1‬‬
‫حيث أثبتت قدرتيا عمى التنبؤ بالشركات التي تحتاج لفحص اضافي نتيجة لزيادة احتماالت تيربيا‬
‫الضريبي‪.‬‬
‫‪ -2‬تقييـ الوضع المالي لمعميؿ محؿ المراجعة‪:‬‬
‫حيث أثبت نموذج شبكات التعميـ التصنيفي أنو أكثر مالئمة عند تقييـ المراجع لموضع المالي لمعميؿ ألنيا‬
‫أكثر قدرة عمى تصنيؼ فشؿ الشركات بأسموب سميـ‪ ،‬كما اف لدييا القدرة عمى تخفيض تكاليؼ غير الصحيح‬
‫لموضع المالي‪.‬‬
‫‪ -3‬التخطيط لعممية المراجعة‪:‬‬
‫حيث يمكف استخداميا في التنبؤ بأرصدة الحسابات محؿ المراجعة‪ ،‬ومف خالؿ مقارنة القيـ المتنبأ بيا بالقيـ‬
‫المتنبأ بيا بالقيـ الفعمية يمكف اكتشاؼ أرصدة الحسابات غير الصحيحة وىي الحسابات التي يكوف الفرؽ بيف‬
‫قيمتيا المتنبأ بيا وقيمتيا الفعمية في حدود المسموح بيا‪.‬‬

‫ثالثاً ‪ :‬اإلطار الجيني ‪Genetic Algorithms‬‬

‫أ‪ -‬تعريف اإلطار الجيني ‪Genetic Algorithms‬‬

‫تُعرؼ ‪ GA‬بأنيا "طريقة مف طرؽ إيجاد الحؿ األمثؿ وتندرج تحت مظمة الذكاء االصطناعي التي تعتمد‬
‫مبدأ محاكاة التطور الجيني في الطبيعة وىى تعتمد عمى مبدأ داروف في التطور؛ حيث يتـ تطبيؽ مبدأ اإلبقاء‬
‫الطبيعي "البقاء لؤلفضؿ" وذلؾ لمحصوؿ عمى األفراد ذوى التقييـ األفضؿ والقادريف عمى التكيؼ مع بيئة متجددة‪.‬‬

‫تعريف آخر‬

‫ىي طريقة البحث اإلرشادية المستخدمة في الذكاء االصطناعي والحوسبة‪ .‬والتي يتـ استخداميا إليجاد‬
‫حموؿ محسنة لمشاكؿ البحث عمى أساس نظرية االنتقاء الطبيعي وعمـ األحياء التطوري‪ .‬وتعتبر الخوارزميات‬
‫الجينية ممتازة لمبحث مف خالؿ مجموعات البيانات الكبيرة والمعقدة‪ .‬كما أنيا قادرة عمى إيجاد حموؿ معقولة‬
‫لقضايا معقدة ألنيا قادرة عمى حؿ مشاكؿ التحسيف غير المقيدة والمقيدة‪.‬‬

‫تعريف آخر‬
‫"ىي خوارزميات البحث التي تستخدـ المبادئ المستوحاة مف عمـ الوراثة الطبيعية لتطوير حموؿ لممشاكؿ‪.‬‬
‫وتتمثؿ الفكرة األساسية في الحفاظ عمى مجموعة مف الكروموسومات‪ ،‬والتي تمثؿ حموًال مرشحة لممشكمة الممموسة‬
‫التي يتـ حميا‪ ،‬والتي تتطور بمرور الوقت مف خالؿ عممية المنافسة والتبايف المتحكـ فيو‪.‬‬

‫ويعتبر اإلطار الجيني مف األساليب غير التقميدية‪ ،‬بينما تعتبر البرمجة الخطية والبرمجة الديناميكية ونماذج‬
‫اإلحالؿ ونماذج المخزوف مف ضمف األساليب التقميدية‪ .‬وىناؾ خصائص تميز أسموب اإلطار الجيني عف باقي‬
‫األساليب ألخرى وىي أنو‪:‬‬
‫‪ -1‬يعمؿ عمى مجموعة الحموؿ التي يتـ ترميزىا وليس عمى الحموؿ نفسيا‪.‬‬
‫‪ -2‬يبحث عف مجموعة مف النقاط في مجتمع الدراسة وليس نقطة واحدة‪.‬‬
‫‪ -3‬يستدـ معمومات عف دالة المواءمة وليس انحرافات أو معرفة بديمة‪.‬‬
‫‪ -4‬يستخدـ قواعد انتقاؿ احتمالية وليس قواعد محددة‪.‬‬

‫ب‪ -‬طريقة عمل الخوارزميات الجينية ‪Genetic Algorithms‬‬

‫وتركز الخوارزميات الجينية عمى مجموعة مف الخطوات األساسية لصياغة الحؿ األمثؿ لمشكمة معينة‬
‫وتعتبر تمؾ الخطوات ثابتة لمختمؼ المسائؿ والتطبيقات ولكف يكوف االختالؼ في صياغة كؿ خطوة مف ىذه‬
‫الخطوات وتطبيقيا حسب المسألة ومجاؿ تطبيقيا‪ ,‬وترتبط ىذه الخطوات ببعضيا البعض وال يمكف تطبيؽ ىذه‬
‫الخوارزمية عمى أية مسألة ما لـ تطبؽ خطوات عمؿ الخوارزميات الجينية بالتتابع‪.‬‬

‫وتتضمن خطوات عمل الخوارزميات الجينية عمى العناصر األساسية التالية‪:‬‬

‫‪ .1‬الخطوة األولى‪:‬‬
‫ىي كيفية صياغة المشكمة في صورة مالئمة حيث يجب أف يأخذ كؿ فرد في المجتمع رموز جينية‬
‫تسمى الكرومسومات ويعمؿ ىذا األسموب بنظاـ الترقيـ الثنائي أي يأخذ قيمة واحد او صفر‪ ،‬وال توجد قواعد‬
‫لتحديد المجتمع‪.‬‬
‫‪ .2‬الخطوة الثانية‪:‬‬
‫وبعد تكويف المجتمع بشكؿ عشوائي يتـ تقييـ كؿ كرومسوـ باستخداـ دالة الموائمة ‪Fitness Function‬‬
‫أي يتـ تحويؿ دالة اليدؼ إلى دالة موائمة لمتناسب مع الحؿ في الخوارزميات الجينية‪.‬‬
‫‪ .3‬الخطوة الثالثة‪:‬‬
‫وبعد تكرار معيف لمكرومسومات فإنو يطمؽ عمييا جيؿ ويتـ تقويـ الكرومسوـ في كؿ جيؿ باستخداـ بعض‬
‫مقاييس الموائمة‪ ،‬ويتـ تكويف وخمؽ جيؿ جديد مف الكرومسومات‪ ،‬كاآلتي‪:‬‬
‫التزاوج بيف اثنيف مف الكرومسومات مف الجيؿ الحالي باستخداـ معامؿ العبور(‪.(Cross-over‬‬ ‫أ‪.‬‬
‫ب‪ .‬التغيير في الكرومسوـ باستخداـ معامؿ التعديؿ (‪ (Mutation‬أو معامؿ االختيار(‪.)Selection‬‬
‫وبالتالي يعمؿ اإلطار الجيني بثالث عوامؿ تستخدـ بطريقة تفاعمية معاً‪ ،‬وىي‪:‬‬
‫‪ ‬معامل العبور(‪(Cross-over‬‬
‫ويعتبر مف العمميات الجينية اليامة ويعمؿ عمى اثنيف مف الكرومسومات في نفس الوقت لخمؽ االندماج بيف‬
‫خص ائصيـ وتتمثؿ الطريقة البسيطة لتحقيؽ العبور في اختيار عشوائي لنقطة التبادؿ ويحدث التبادؿ في عدة‬
‫اشكاؿ‪ ،‬ومنيا‪:‬‬
‫‪ -‬أحادي النقطة‪ :‬حيث يتـ التبادؿ عند نقطة واحدة لتكويف كرومسوـ جديد‪.‬‬
‫‪ -‬ثنائي النقطة‪ :‬حيث يتـ التبادؿ عند نقطتيف لتكويف كرومسوـ جديد‪.‬‬
‫‪ ‬معامل التعديل (‪(Mutation‬‬
‫ويطمؽ عمييا الطفرة وتعني التغيرات العشوائية في النمط الوراثي لمكائنات الحية الذي يقوـ بشكؿ عشوائي‬
‫بتعديؿ واحد أو أكثر مف الجينات‪ ،‬ولمطفرة دور ىاـ في ٍ‬
‫كؿ مف‪:‬‬
‫‪ -‬احالؿ الجينات التي تـ فقدىا في المجتمع أثناء عممية االختيار‪.‬‬
‫‪ -‬إمداد بجينات غير ممثمة في المجتمع المبدئي‪.‬‬
‫‪ ‬معامل االختيار(‪)Selection‬‬
‫ويقوـ باختيار الكرومسومات التي ستشارؾ في عممية إعادة االنتاج وىناؾ عدة طرؽ طرؽ إلختيار‬
‫الكرومسوـ منيا اختيار عجمة الروليت ‪ Roulette- Wheel Selection‬حيث يكوف احتماؿ اختيار كرومسوـ‬
‫معيف مف المجتمع الحالي لممساىمة في إنتاج ذرية يتناسب مع قيمة الموائمة الخاصة لمكرومسوـ‪.‬‬
‫‪ .4‬الخطوة الرابعة‪:‬‬
‫حذؼ أعضاء المجتمع الغير مرغوب فييـ‪ ،‬واختبار ‪ Test‬الكرومسومات الجديدة لدخوليا في المجتمع‪.‬‬
‫‪ .5‬الخطوة الخامسة‪:‬‬
‫اذا كاف معيار التوقؼ ‪ Stopping Criteria‬مقنعاً يحدث التوقؼ والرجوع إلى افضؿ كرومسوـ‪ ،‬واذا لـ يكف‬
‫معيار التوقؼ مقنعاً يتـ الرجوع إلى الخطوة الثالثة مره أخرى‪.‬‬
 ‫شكؿ يوضح آلية عمؿ الخوارزميات الجينية‬

‫ت‪ -‬المزايا والعيوب التي تواجه الخوارزميات الجينية ‪Genetic Algorithms‬‬

‫هناك عدة مزايا لإلطار الجيني منها‪:‬‬

‫أ‪ .‬ليست لدييا متطمبات رياضيو كثيرة عف مشاكؿ األمثمية‪ ،‬حيث أف اإلطار الجيني يبحث عف الحموة دوف‬
‫األخذ في االعتبار التحديد الداخمي لعمؿ المشكمة‪.‬‬
‫يجعؿ عامؿ التطور اإلطار الجيني عمى درجة عالية مف الكفاءة إلنجاز بحث عاـ‪ ،‬وتقوـ المداخؿ‬ ‫ب‪.‬‬
‫التقميدية بالبحث المحمي عف طريؽ اجراءات التقارب التدريجي حيث يتـ مقارنة قيـ النقاط القريبة والتحرؾ نحو‬
‫النقاط المثمى نسبيا‪.‬‬
‫ج‪ .‬يساعد عمى التصميـ األمثؿ لييكؿ الشبكات العصبية مما يجعؿ الشبكات العصبية أكثر كفاءة‪.‬‬
‫د‪ .‬يمتمؾ مرونة كبيرة إلجراء التطبيؽ بكفاءة لممشكمة المحددة‪.‬‬
‫وهناك عدة عيوب لإلطار الجيني‪:‬‬

‫ال يتض مف اإلطار الجيني _ مثؿ كؿ األدوات _ حؿ المشكمة بطريقة مثمى عمى الرغـ مف أف الحؿ األمثؿ‬
‫ممكف وىناؾ عدة قصور في اإلطار الجيني‪ ،‬كما يمى ‪:‬‬

‫أ‪ .‬ال يمكف تشكيؿ كؿ المشاكؿ في صيغة رياضية كما يتطمب اإلطار الجيني‪.‬‬
‫ب‪ .‬يتطمب تطوير اإلطار الجيني وتفسير النتائج خبير لديو ميارات جيدة في البرمجة والرياضة واالحصاء‪.‬‬
‫ج‪ .‬يعتمد اإلطار الجيني عمى أرقاـ عشوائية والتي تؤدى إلى نتائج مختمفة في كؿ دورة يعمؿ النموذج فييا‪.‬‬
‫د‪ .‬صعوبة تحديد كؿ المتغيرات بصورة جيدة والتي تعمؿ في المشكمة بصورة رئيسية والحصوؿ عمى البيانات‬
‫التي تؤىؿ كمتغيرات وترميز الجينات والكروموسومات في صورة ثابتة‪.‬‬

‫ث‪ -‬تطبيقات الخوارزميات الجينية في بيئة األعمال‪:‬‬

‫ىناؾ أمثمة الستخدامو في بيئة األعماؿ مثؿ‪:‬‬

‫‪ -1‬التنبؤ باإلفالس)‪:) Bankruptcy Prediction‬‬
‫حيث اثبت كفاءة عالية عند استخدامو مع الشبكات العصبية في التنبؤ باإلفالس في التسعينيات‪ .‬وذلؾ مف‬
‫خالؿ استخداـ النسب المالية كمدخالت‪ ،‬حيث يساىـ في تحديد عدد الخاليا العصبية في طبقة المدخالت مف‬
‫خالؿ عدد النسب المالية المستخدمة‪ ،‬وخمية عصبية واحده في طبقة المخرجات والتي تعطي مؤش اًر باإلفالس‪.‬‬
‫تخصيص الموارد‪,‬‬
‫‪ -2‬ويحقؽ االطار الجيني نتائج أفضؿ عند التكامؿ مع االساليب االخرى مثؿ‪:‬‬
‫‪ ،genetic programming‬التنقيب عف البيات ‪ ,data mining‬الشبكات العصبية‬ ‫البرمجة الجينية‬
‫‪ neural network‬حيث ىناؾ اتجاىات حديثة لدمج أدوات الذكاء االصطناعي في النظـ المبنية عمى‬
‫المعرفة‪ .‬ولقد حقؽ التكامؿ بينو وبيف الشبكات العصبية نتائج مذىمة في مجاؿ التكاليؼ في تطوير الموازنة‬
‫التشغيمية مف خالؿ المساىمة في حؿ مشكمة ٍ‬
‫كؿ مف االختيار األمثؿ لمسببات التكمفة‪ ،‬ومشكؿ العالقات لتقدير‬
‫التكمفة وذلؾ لتحسيف كفاءة الموازنة‪.‬‬
 ‫‪ -3‬كما يمكف اف تساىـ الخوارزميات الجينية في إدارة مخاطر لمحفظة األوراؽ المالية‪:‬‬
‫باالعتماد عمى استراتيجية التنويع االستثماري‪ ,‬حيث يمكف تطبيقيا في تحسيف نموذج (العائد والمخاطرة)‬
‫لمحصوؿ عمى محفظة مثمى‪.‬‬
‫‪ -4‬كما يستخدـ مع المنطؽ الضبابي ‪:fuzzy logistic‬‬
‫وذلؾ لحؿ المشاكؿ المرتبطة بالمنطؽ الضبابي الضبابية وذلؾ مف خالؿ ما يسمى بالتمثيؿ الجيني‬
‫‪ )Genetic) Representation‬حيث تتمثؿ حموؿ المشاكؿ في مجموعة مف كميات التوزيع التي سيتـ شحنيا‬
‫مف كؿ مصدر إلى كؿ وجية والمسارات التي تتبعيا لكؿ مصدر‪ .‬ولتدويف ىذه الحموؿ‪ ،‬يمكف استخداـ‬
‫مصفوفتيف‪ :‬إحداىما تحتوي عمى الكميات الموزعة مف كؿ أصؿ لكؿ وجية‪ ،‬واألخرى تمثؿ المسار المتبع لمعديد‬
‫مف المصادر‪.‬وبالتالي يمكف ترميز المصفوفات باستخداـ المنيج الجيني‪.‬‬

‫رابعاً ‪ :‬المنطق الضبابي ‪Fuzzy logic‬‬

‫‪ .1‬تعريف المنطق الضبابي ‪Fuzzy logic‬‬

‫ىو شكؿ مف أشكاؿ القيـ المتعددة التي قد تكوف فييا القيـ الحقيقية لممتغيرات أي عدد حقيقي بيف ‪ 0‬و ‪.1‬‬
‫تماما‪.‬‬
‫تماما والخطأ ً‬
‫ويتـ استخدامو لمتعامؿ مع مفيوـ الحقيقة الجزئية‪ ،‬حيث قد تتراوح قيمة الحقيقة بيف الحقيقة ً‬
‫وذلؾ عمى عكس ‪ Boolean logic‬المنطؽ البولياني‪ ،‬فقد تكوف قيـ الحقيقة لممتغيرات فيو ىي القيـ الصحيحة‬
‫‪ 0‬أو ‪.1‬‬

‫تعريف آخر‬
‫ىو م نظومة منطقية تقوـ عمى تعميـ لممنطؽ التقميدي ثنائي القيـ‪ ،‬وذلؾ لالستدالؿ في ظروؼ غير مؤكدة‪.‬‬
‫وبالمعنى الضيؽ فيو نظريات وتقنيات تستخدـ المجموعات الضبابية التي ىي مجموعات بال حدود‪ .‬ويمثؿ ىذا‬
‫المنطؽ طريقة سيمة لتوصيؼ وتمثيؿ الخبرة البشرية‪ ،‬كما أنو يقدـ الحموؿ العممية لممشاكؿ الواقعية‪ ،‬وىي حموؿ‬
‫بتكمفة فعالة ومعقولة‪ ،‬بالمقارنة مع الحموؿ األخرى التي تقدـ التقنيات األخرى‪.‬‬

‫‪ .2‬هيكل المنطق الضبابي ‪Fuzzy logic‬‬

‫ويتكوف ىيكؿ المنطؽ الضبابي ‪ Fuzzy logic‬مف أربعة أجزاء‪:‬‬
‫قاعدة القوانين ‪:Fuzzy RULE- BASE‬‬ ‫أ‪.‬‬
‫وىي مجموعة مف القوانيف والتي تُعرؼ بقوانيف السيطرة وترسـ مجموعة مف المدخالت الغامضة وتتحوؿ الى‬
‫مجاميع مخرجات غامضة‪ ،‬وتحتوي عمى مجموعة القواعد والشروط ‪ IF-THEN‬التي يوفرىا الخبراء البشر‬
‫لتنظيـ نظاـ صنع القرار‪ ،‬عمى أساس المعمومات المغوية‪ .‬وتقدـ التطورات األخيرة في النظرية الضبابية عدة طرؽ‬
‫فعالة لتصميـ وضبط وحدات التحكـ الضبابية وتقمؿ معظـ ىذه التطورات مف عدد القواعد الضبابية ‪Fuzzy‬‬
‫‪.RULE- BASE‬‬
‫‪:FUZZIFICATION‬‬ ‫ب‪.‬‬
‫يتـ استخدامو لتحويؿ المدخالت‪ ،‬أي األرقاـ الواضحة االعتيادية )‪ (Crisp‬إلى مجموعات القيـ الغامضة‪.‬‬
‫والمدخالت الواضحة ىي في األساس المدخالت الدقيقة التي يتـ قياسيا بواسطة المستشعرات ومف ثـ تنتقؿ إلى‬
‫المخزنة في وحدة قاعدة‬
‫محرؾ االستدالؿ ‪ ،Fuzzy Inference‬لممعالجة وحسابيا ومقارنتيا مع قوانيف السيطرة ُ‬
‫قوانيف الغموض ‪.‬‬
‫محرك االستدالل ‪:Fuzzy Inference‬‬ ‫ج‪.‬‬
‫وتقوـ ىذه الوحدة بتحديد درجة المطابقة لممدخالت الغامضة الحالية فيما يتعمؽ بكؿ قاعدة ويقرر القواعد‬
‫التي سيتـ تشغيميا وفقًا لمجاؿ اإلدخاؿ‪ .‬وبعد ذلؾ‪ ،‬يتـ دمج القواعد التي تـ إطالقيا لتشكيؿ إجراءات التحكـ‪ .‬أي‬
‫أنو يقوـ بتوليد أمر السيطرة المناسب (‪ (Fuzzy control action‬اعتماداً عمى القواعد‪.‬‬
‫إلغاء الغموض ‪:Defuzzifier‬‬ ‫د‪.‬‬
‫يتـ استخدامو لتحويؿ المجموعات الغامضة التي تـ الحصوؿ عمييا بواسطة محرؾ االستدالؿ إلى قيمة‬
‫واضحة‪.‬كما يتـ عمؿ إعادة وزف )‪ )Descaling‬لتحويؿ القيـ الناتجة إلى المدى األصمي الذي تعمؿ بو‪ .‬وىناؾ‬
‫العديد مف طرؽ إلغاء الغموض المتاحة ويتـ استخداـ الطريقة األنسب مع نظاـ خبير محدد لتقميؿ الخطأ‪.‬‬
 ‫ىيكؿ المنطؽ الضبابي ‪Fuzzy logic‬‬

‫‪ .3‬مزايا وعيوب المنطق الضبابي ‪Fuzzy logic‬‬

‫أوالً‪ :‬مزايا نظام المنطق الضبابي‬
‫‪ -‬يمكف أف يعمؿ ىذا النظاـ مع أي نوع مف المدخالت سواء كانت معمومات اإلدخاؿ غير دقيقة أو ناقصة‬
‫أو غير مفيومة‪.‬‬
‫‪ -‬يعتبر بناء أنظمة المنطؽ الضبابي مف األمور السيمة والمفيومة‪.‬‬
‫‪ -‬يأتي المنطؽ الضبابي مع المفاىيـ الرياضية لنظرية المجموعة والمنطؽ لذلؾ فيو بسيط لمغاية‪.‬‬
‫‪ -‬يوفر حالً فعاالً لمغاية لممشكالت المعقدة في جميع مجاالت الحياة ألنو يشبو المنطؽ البشري وصنع القرار‪.‬‬
‫‪ -‬يمكف وصؼ الخوارزميات بقميؿ مف البيانات‪ ،‬لذا يمزمو ذاكرة صغيرة‪.‬‬
‫ثانياً‪ :‬مساوئ نظم المنطق الضبابي‬
‫‪ -‬اقترح العديد مف الباحثيف طرقًا مختمفة لحؿ مشكمة معينة مف خالؿ المنطؽ الضبابي الذي يؤدي إلى‬
‫الغموض ‪ ،‬وال يوجد منيج منظـ لحؿ مشكمة معينة مف خالؿ المنطؽ الضبابي‪.‬‬
‫‪ -‬إثبات خصائصو يعتبر صعب أو مستحيؿ في معظـ الحاالت ألنو ال نحصؿ في كؿ مرة عمى وصؼ‬
‫رياضي لمنيجنا‪.‬‬
‫نظر ألف المنطؽ الضبابي يعمؿ عمى بيانات دقيقة وغير دقيقة‪ ،‬فإف الدقة في معظـ الوقت تكوف ضعيفة‪.‬‬
‫‪ً -‬ا‬

‫‪ .4‬تطبيقات المنطق الضبابي ‪ Fuzzy logic‬في مجال المحاسبة‪:‬‬

‫أ‪ .‬يستخدم المنطق الضبابي بالتكامل مع الشعبكات العصعبية االصعطناعية ‪Fuzzy Neural Network‬‬
‫في مجال المراجعة‪:‬‬

‫ػار وتكمفػػة فػػي السػػنوات األخيػرة‪ ،‬ومػػع التطػػور التكنولػػوجي فػػي‬

‫حيػػث أصػػبح تزويػػر التقػػارير الماليػػة أكثػػر انتشػ ًا‬
‫االحتيػاؿ اصػػبح الكشػؼ عنػػو صػعب لمغايػػة‪ .‬ودرسػت العديػػد مػف الد ارسػػات الحديثػة جػػدوى اسػتخداـ شػػبكة عصػػبية‬
‫متكاممػػة (‪ )FNN‬لمكشػػؼ عػػف االحتيػػاؿ‪ .‬حيػػث تفوقػػت ‪ FNN‬التػػي تػػـ تطويرىػػا عمػػى معظػػـ النمػػاذج اإلحصػػائية‬
‫والشبكات العصبية االصطناعية (‪ )ANN‬المفػردة االخػرى‪ .‬وبالتػالي فقػد أثبتػت الشػبكات العصػبية (‪ )FNN‬قػدرات‬
‫عالية في اكتشاؼ األخطاء الجوىرية عند مراجعة البيانات‪.‬‬

‫ب‪ .‬يسععتخدم المنطععق الضععبابي بالتكامععل م ع الخوارزميععات الجينيععة ‪Fuzzy Genetic Algorithms‬‬
‫لزيادة الدقة في التنبؤ بأسعار الفائدة‪:‬‬

‫حيػػث يسػػتخدـ المنطػػؽ ضػػبابي الخوارزميػػات الجينيػػة ‪ FGA‬لمتنبػػؤ ونمذجػػة معػػدالت الفائػػدة وذلػػؾ كطريقػػة‬
‫تػدريب لػػتعمـ قواعػػد المعرفػػة الخاصػة بالقواعػػد الضػػبابية التػػي يػتـ اسػػتخداميا لمتنبػػؤ بأسػػعار الفائػدة‪ .‬وقػػد تػػـ تطػػوير‬
‫نظػػاـ المنطػػؽ الضػػبابي لنمذجػػة وتوقػػع تقمبػػات أسػػعار الفائػػدة لمػػدة ثالثػػة أشػػير (ربػػع سػػنوية)‪ .‬ويػػتـ تػػدريب النظػػاـ‬
‫بشكؿ أكبر عمى وضع نماذج أسػعار الفائػدة والتنبػؤ بيػا لمػدة سػتة أشػير وسػنة واحػدة‪ .‬وتػـ تطػوير النظػاـ المقتػرح‬
‫مف خالؿ قواعد المعرفة اليرمية األولى والثانية والثالثة‪ ،‬لوضع نماذج معدالت الفائدة والتنبؤ بيا‪.‬‬

‫كمػػا تػػـ تطػػوير بنيػػة جديػػدة تسػػمى نظػػاـ المنطػػؽ الضػػبابي لؤلمػػاـ باسػػتخداـ المنطػػؽ الضػػبابي والخوارزميػػات‬
‫الجينيػػة لمتنبػػؤ بأسػػعار الفائػػدة‪ .‬وقػػد أثبػػت تفػػوؽ ودقػػة عاليػػة فػػي التنبػػؤ بمعػػدالت الفائػػدة عنػػد مقارنتػػو بنظػػاـ الشػػبكة‬
‫العصػػبية اليرميػػة لالنتشػػار الخمفػػي‪ .‬وتػػؤثر الدقػػة فػػي تحديػػد معػػدالت الفائػػدة فػػي ىػػذا النظػػاـ فػػي باإليجػػاب حيػػث‬
‫تسػاىـ فػي تزويػػد المسػتثمريف بالمعمومػات الماليػػة التػي تسػاعدىـ فػػي اتخػاذ قػ ارراتيـ االسػػتثمارية‪ ،‬وكػذلؾ المسػػاىمة‬
‫في رفع كفاءة أسواؽ صرؼ العمالت العالمية‪.‬‬

‫ج‪.‬يستخدم المنطق الضبابي في اختبار السياسة السعرية الفضمى لتسعير المنتج‪:‬‬

‫حيػث يعتبػػر تسػعير المنتجػػات مػف أىػػـ وأصػعب القػ اررات التػي تقػػوـ االدارة باتخاذىػا وذلػػؾ لكونيػا تتعامػػؿ مػػع‬
‫المسػػتقبؿ ومػػف ثػػـ تعتبػػر مػػف القػ اررات التػػي تػػتـ فػػي ظػػؿ حػػاالت عػػدـ التأكػػد‪ .‬ويسػػاىـ المنطػػؽ الضػػبابي ‪Fuzzy‬‬
‫‪ logic‬فػػي تحديػػد السياسػػة السػػعرية الفضػػمى لتسػػعير المنػػتج‪ ،‬ولكػػي يتحقػػؽ ذلػػؾ يػتـ اختيػػار سػػبع سياسػػات سػػعرية‬
‫لممقارنػػة وتحديػػد األفضػػؿ مػػف بينيػػا‪ ،‬وىػػذه السياسػػات ىػػي كػػؿ مػػف سياسػػة التسػػعير‪( :‬وفقػػا لتكػػاليؼ المنػػتج‪ ،‬وفقػػا‬
‫لمس ػػوؽ‪ ،‬التفاض ػػمي‪ ،‬النفسػ ػػي‪ ،‬اإلداري‪ ،‬المعت ػػاد‪ ،‬الجغ ارف ػػي)‪ ،‬كمػ ػػا ت ػػـ تحدي ػػد األى ػػداؼ الت ػػي تمب ػػي حاج ػػة الوحػػػدة‬
‫االقتصادية وىي (الربحية‪ ،‬حجـ المبيعات‪ ،‬التنافس‪ ،‬الجودة‪ ،‬االستراتيجية‪ ،‬سيطرة الحكومػة)‪ .‬وفػي ىػذه الحالػة يػتـ‬
‫افتراض أف أفضؿ سياسػة ىػي سياسػة التسػعير المعتػاد‪ .‬ومػف ىنػا يػأتي كيفيػة اسػتخداـ مػنيج تحميػؿ الحساسػية فػي‬
‫المنطػػؽ الضػػبابي ل ػدعـ ق ػرارت التسػػعير مػػف خػػالؿ التكػػاليؼ المسػػتيدفة‪ ,‬فمػػف الواضػػح اف الداللػػة الغموضػػية ىػػي‬
‫مؤشر لحساسية المخرجات تجاه تغير المدخالت حيث اف تحميؿ الحساسػية يعػرؼ عمػى انػو مػدى تػأثر المخرجػات‬
‫نتيجة تغير في المدخالت ويعرؼ عمى انو اسموب "‪."IF-THEN‬‬
‫ومثاؿ عمى ذلؾ اف عممية التسعير في ظؿ التكمفة المستيدفة تحػدد عػدة نقػاط منيػا سػعر البيػع ‪ :‬ويتحػدد فػي‬
‫شكؿ مدى بيف قيمتيف‪" :‬الطمب عمى السػمعة‪ ،‬وتكػاليؼ االنتػاج"‪ .‬وممػا سػبؽ فػاف تقػدير ىػذه العناصػر يكػوف بمػدى‬
‫معػػيف بػػيف قيمتػػيف‪ ,‬وإلج ػراء المنطػػؽ الضػػبابي يػػتـ تحميػػؿ حساسػػية المخرجػػات بالنسػػبة لممػػدخالت عبػػر معػػادالت‬
‫توضػػح مػػدى تػػأثر التكمفػػة المسػػتيدفة ألي تغيػػر يحػػدث لممتغي ػرات السػػابقة‪ ,‬وممػػا الشػػؾ فيػػو اف التسػػعير يػػتـ وفقػػا‬
‫لق ػػوى الع ػػرض والطم ػػب ف ػػي الس ػػوؽ‪ .‬وايض ػػا اف المتغيػ ػريف االساس ػػييف ف ػػي معادل ػػة التس ػػعير عم ػػى اس ػػاس التكمف ػػة‬
‫المستيدفة ىما الطمب عمى السمعة وسعر المنتج فأي تغير في احداىما سػيؤثر عمػى المخرجػات وىنػا تطبػؽ قاعػدة‬
‫المنطؽ الضبابي والتي تعتمد عمى المعادلة الشرطية "اذا كاف كذا وكذا ‪ ,‬فانو كذا " أي انيا تربط بيف تأثير تغيػر‬
‫ف ػػي متغيػ ػريف عمػ ػى مخرج ػػات المعادل ػػة‪ ,‬في ػػي تس ػػتخدـ تحمي ػػؿ الحساس ػػية ف ػػي دع ػػـ قػ ػ اررات التس ػػعير عب ػػر المنط ػػؽ‬
‫الضبابي‪ .‬ويكوف التكامؿ بيف كػال مػف نظػـ الخبػرة الضػبابية ‪ FES‬وتحميػؿ الحساسػية ‪sensitivity analysis‬‬
‫اثر كبير في تدعيـ منيجية التكمفة المستيدفة بما يمكف ىذه المنيجية مف إمكانية التطبيؽ في كافة الشركات عمػى‬
‫اختالؼ طرؽ التسعير المتبعة بيا‪.‬‬