Applying machine learning techniques from artificial intelligence in improving banking risk assessment (an analytical study on credit risk)

هدفت هذه الدراسة إلى تحليل تطبيق تقنيات تعلم الآلة من الذكاء الاصطناعي لتحسين تقييم المخاطر المصرفية في البنوك السورية. تضمنت عينة الدراسة بيانات مالية تاريخية ومعلومات ديموغرافية لعملاء البنوك، وتم استخدام أساليب التعلم الآلي لتحليل البيانات وتطوير نموذج للتنبؤ بالمخاطر الائتمانية بدقة. استخدمت الدراسة تقنيات مختلفة مثل الأشجار العشوائية والشبكات العصبية لتحليل البيانات وبناء نموذج تقييم الجدارة الائتمانية. توصلت الدراسة إلى أن استخدام تقنيات تعلم الآلة، مثل الأشجار العشوائية والشبكات العصبية، يعزز بشكل كبير دقة تقييم المخاطر الائتمانية مقارنة بالأساليب التقليدية. يسهم هذا التحسن في تقليل معدلات التعثر وزيادة الربحية للبنوك، مما يعزز الاستقرار المالي والنمو الاقتصادي. أظهرت النتائج تفوق النماذج المستندة إلى تعلم الآلة في الكشف المبكر عن المخاطر المحتملة، مما يمكّن البنوك من اتخاذ إجراءات وقائية فعالة. أظهرت النتائج أن تطبيق هذه التقنيات يسهم في تحسين كفاءة العمليات المصرفية وتقليل التكاليف، مما يتيح للبنوك تقديم خدمات أفضل للعملاء وتعزيز قدرتها على المنافسة في السوق. كما سلطت الدراسة الضوء على التحديات المرتبطة بتكامل هذه التقنيات مع الأنظمة الحالية، بما في ذلك الحاجة إلى تدريب مستمر للموظفين وتحديث البنية التحتية التكنولوجية لضمان الاستخدام الأمثل لتقنيات تعلم الآلة. قدمت الدراسة عدة توصيات، منها تعزيز استخدام تقنيات تعلم الآلة في البنوك السورية، وتوفير الدعم الفني والتدريب المستمر للموظفين، والاستفادة من التجارب العالمية الناجحة لتطوير استراتيجيات فعالة لتقييم المخاطر الائتمانية. كما أوصت بضرورة إنشاء وحدات متخصصة في البنوك لإدارة وتطوير تطبيقات تعلم الآلة والذكاء الاصطناعي. الكلمات المفتاحية: تعلم الآلة، الذكاء الاصطناعي، المخاطر المصرفية، التنبؤ بالائتمان، البنوك السورية.

This study aimed to analyze the application of machine learning techniques from artificial intelligence to improve credit risk assessment in Syrian banks. The study sample included historical financial data and demographic information of bank customers. Machine learning methods were used to analyze the data and develop a model for accurately predicting credit risks. Techniques such as random forests and neural networks were utilized for data analysis and model building. The study found that the use of machine learning techniques, such as random forests and neural networks, can significantly enhance the accuracy of credit risk assessments compared to traditional methods. This improvement helps reduce default rates and increase bank profitability, enhancing financial stability and economic growth. Additionally, the results showed the superiority of machine learning-based models in early detection of potential risks, enabling banks to take effective preventive measures. The results indicated that applying these techniques contributes to improving banking operations' efficiency and reducing costs, allowing banks to offer better services to customers and enhance their competitive ability in the market. The study also highlighted the challenges associated with integrating these technologies with current systems, including the need for continuous employee training and updating technological infrastructure to ensure optimal use of machine learning techniques. In light of the study results, the researcher presented several recommendations including promoting the use of machine learning techniques in Syrian banks, providing technical support and continuous training for employees, and leveraging successful global experiences to develop effective strategies for credit risk assessment. The study also recommended establishing specialized units in banks to manage and develop machine learning and artificial intelligence applications. Keywords: Machine Learning, Artificial Intelligence, Banking Risk, Credit Prediction, Syrian Banks