بدقة تصل إلى 97.9%.. الذكاء الاصطناعي يقترب من فك شفرة الأنظمة المصرفية القديمة

المعلومة/ متابعة..
حققت نماذج الذكاء الاصطناعي الجديدة من شركة OpenAI تقدماً كبيراً في فهم لغات البرمجة القديمة وتحديثها، بما في ذلك COBOL وFortran وVisual Basic، ما قد يفتح الطريق أمام البنوك والمؤسسات المالية لتحديث أنظمتها التقنية التي تعمل بشيفرات كُتبت قبل عقود. وأظهرت الاختبارات أن النماذج الجديدة تستطيع ترجمة البرامج القديمة إلى لغات برمجة حديثة بدقة تصل إلى 97.9% في بعض المهام، مع الحفاظ على سلوك البرامج الأصلي وقواعدها الحسابية المعقدة، وهو ما قد يقلل الوقت والتكاليف اللازمين لتحديث البنية التحتية الرقمية للمؤسسات المالية. وتكتسب هذه التطورات أهمية خاصة في ظل اعتماد قطاعات حيوية على أنظمة برمجية قديمة يصعب تحديثها، بسبب تعقيدها وندرة الوثائق التي تشرح طريقة عملها، فضلاً عن المخاطر الكبيرة التي قد تترتب على حدوث أخطاء أثناء التعديل، بحسب تقرير نشره موقع "androidheadlines" . رغم مرور عقود على ظهور لغات مثل COBOL وFortran وVisual Basic، لا تزال هذه اللغات تؤدي دوراً محورياً في تشغيل أنظمة مصرفية وحكومية وصناعية حول العالم. ووفقاً للمعلومات التي أوردها إعلان "OpenAI"، ونقلها موقع "BleepingComputer"، لا تزال لغة COBOL تشغّل نحو 40% من أنظمة الخدمات المصرفية عبر الإنترنت و95% من معاملات أجهزة الصراف الآلي على مستوى العالم. أما لغة Fortran، فتُستخدم في تنفيذ حسابات علمية معقدة، تشمل النماذج المستخدمة في التنبؤ بالطقس وفحوص سلامة المفاعلات النووية.
ويمثل الاعتماد على هذه اللغات تحدياً أمام مهندسي البرمجيات، إذ إن تحديث الأنظمة التي تعمل بها يتطلب فهماً دقيقاً لتفاصيل الشيفرات القديمة، التي قد تفتقر إلى التوثيق الكافي أو تعتمد على قواعد تشغيل تراكمت على مدى سنوات طويلة. وقد يؤدي أي تعديل غير دقيق إلى تعطيل خدمات مالية أساسية أو تغيير نتائج الحسابات التي تعتمد عليها الأنظمة. لقياس قدرة نماذجها الجديدة على التعامل مع لغات البرمجة الأقل استخداماً، طورت "OpenAI" معياراً للاختبار يحمل اسم MultiLangBench، يطلب من نماذج الذكاء الاصطناعي إنشاء محرك قواعد بيانات من الصفر باستخدام 20 لغة برمجة مختلفة. وخلال هذا الاختبار، حقق نموذج GPT-6 Astra متوسط نسبة نجاح بلغ 87.4%، مقارنة بـ26.8% فقط في الجيل السابق، وفقاً للنتائج الواردة في التقرير. وشهدت بعض اللغات تحسناً ملحوظاً بصورة خاصة، إذ ارتفعت نتيجة النموذج في لغة COBOL من 10.9% إلى 72.1%، بينما وصلت نتيجته في لغة Fortran إلى 83.5%.، وتشير هذه النتائج إلى تحسن قدرة النماذج على فهم البنية الداخلية للبرامج القديمة، والتعامل مع قواعدها البرمجية، حتى عندما تكون أقل شيوعاً في بيانات التدريب أو يصعب العثور على وثائق تفصيلية بشأنها. وتظهر أهمية هذه التطورات بصورة أوضح عند تحويل البرامج المكتوبة بلغات قديمة إلى لغات حديثة مثل Python وJava وC++ وKotlin وRust.، وأظهرت الاختبارات أن نموذج GPT-6.1 Sol حقق دقة بلغت 86.6% في ترجمة الشيفرات عند استخدام مستوى منخفض من قدرات الاستدلال، مقارنة بنسبة 5.4% فقط سجلها النموذج الأقدم GPT-5.6 Sol.، وعندما رُفع مستوى الاستدلال المستخدم، ارتفعت دقة الترجمة إلى 97.9%، مع الحفاظ على قواعد دقيقة داخل البرامج، مثل آليات التقريب الحسابي وكيفية التعامل مع البيانات المفقودة.انتهى 25