من الطوابير الطويلة إلى الفرز الذكي: تجربة فحص العملاء المدعوم بتقنية AI لصالح DSS في ديلاوير.
إدارة الصحة والخدمات الاجتماعية، ولاية ديلاوير · القطاع الحكومي
استخدام محرك استدلال قائم على القواعد لتقليص أوقات الانتظار وتفريغ كبار الأخصائيين الاجتماعيين للحالات المعقدة
الملخص التنفيذي
بعد أكثر من ثلاث سنوات من العمل مع قسم الخدمات الاجتماعية (DSS) في ولاية ديلاوير (بما في ذلك استطلاع رضا العملاء الموثق في دراسة الحالة رقم 167 لدى Iknow، الذي وجد أن العملاء يعتبرون أوقات الانتظار في مكاتب DSS المحلية طويلة أكثر من اللازم)، اتجهت Iknow إلى حل تلك المشكلة مباشرة. كان كل عميل يدخل أحد مكاتب الإعانات المحلية الثمانية عشر التابعة لـDSS ينتظر في الطابور نفسه، سواء كان لديه سؤال معقد عن الإعانات أو كان يحتاج ببساطة إلى استلام نموذج. وكان كل واحد منهم يخدمه أخصائي اجتماعي أول، وهو من أكثر الوظائف كلفة لدى DSS، والموظفون الوحيدون الذين يفهمون تماماً قواعد الإعانات المعقدة في الولاية. طلب مدير القسم في DSS من Iknow إيجاد طريقة أفضل لتوزيع تلك الخبرة المكلفة.
بصفتها المقاول الرئيسي، خلصت Iknow إلى أن المعرفة اللازمة لفرز العملاء الوافدين يمكن التقاطها كمجموعة من قواعد القرار، ثم بنت نظام فرز مدعوماً بالذكاء الاصطناعي وجربته تجريبياً على منصة محرك الاستدلال القائم على القواعد من Neota Logic. أثبت المشروع التجريبي أن نحو 60 في المائة من العملاء الوافدين لم يعودوا بحاجة إلى الانتظار في الطابور إطلاقاً، وأن العملاء المتبقين شهدوا انتظاراً أقصر بكثير، وأن التوجيهات المقدمة للعملاء أصبحت أدق وأكثر اتساقاً من العملية السابقة المعتمدة على الموظفين. واستناداً إلى نجاح التجربة، ساعدت Iknow قسم DSS في الحصول على منحة USDA Process and Technology Improvement Grant بقيمة 667,618 دولاراً لتعميم النظام على مستوى الولاية.
الخلفية والسياق
نبذة عن العميل
كان DSS، ضمن وزارة الصحة والخدمات الاجتماعية في ديلاوير، يدير 18 مكتب إعانات محلياً في أنحاء الولاية، يعمل في شباك الخدمة بكل منها أخصائيون اجتماعيون أوائل، وهم الموظفون الوحيدون الذين يفهمون تماماً قواعد الولاية المتعلقة بالإعانات ويستطيعون تشغيل البرمجيات المستخدمة لحساب مستويات الإعانات. بنيت هذه المهمة مباشرة على أعمال Iknow السابقة في استطلاع آراء العملاء لصالح DSS، التي كانت قد حددت بالفعل طول أوقات الانتظار باعتباره الشاغل الأول للعملاء في مكاتب الاستقبال.
سياق القطاع
أصبح فحص الأهلية القائم على القواعد والمدفوع بالذكاء الاصطناعي منذ ذلك الحين أداة شائعة في قطاع الخدمات الاجتماعية. ففي 2025، جربت منظمة Imagine LA في مقاطعة لوس أنجلوس، بالتعاون مع Nava Labs، روبوت محادثة مساعداً مدعوماً بالذكاء الاصطناعي التوليدي لمساعدة العاملين في إدارة الحالات على التنقل في أهلية الإعانات العامة، ضمن جهد أوسع لسد فجوة تقدر بنحو 227 مليار دولار من الإعانات العامة غير المطالب بها سنوياً على المستوى الوطني. وفي الوقت نفسه، طرحت إدارة الضمان الاجتماعي الأمريكية روبوتات محادثة مدعومة بالذكاء الاصطناعي التوليدي للجمهور ولموظفيها على حد سواء في إطار استراتيجية لخدمة العملاء تعطي الأولوية للقنوات الرقمية. ويقر إطار صادر عام 2026 عن American Public Human Services Association صراحة بفلسفة التصميم الكامنة وراء تجربة ديلاوير لعام 2016: تطبيق المستوى المناسب من التقنية على حالة الاستخدام المناسبة، بحيث يتولى المنطق القائم على القواعد العمليات المحددة جيداً وذات الحجم الكبير، ولا يضاف الذكاء الاصطناعي الأكثر تقدماً إلا حيث يقدم قيمة حقيقية. فالهدف تقنية تساعد الموظفين لا أن تحل محل حكمهم. وقد سبق نظام الفرز في ديلاوير القائم على Neota Logic، والتعميم على مستوى الولاية الذي ناله بتمويل فيدرالي، هذا النهج الذي أصبح معياراً اليوم بنحو عقد كامل.
الوضع الراهن
أدرك مدير القسم في DSS أن تكليف أخصائيين اجتماعيين أوائل بالعمل في كل شباك خدمة أمر غير كفء ومكلف في آن واحد، إذ كان هؤلاء الموظفون مطلوبين لإدارة الحالات المعقدة لكنهم كانوا بدلاً من ذلك يقضون وقتاً كبيراً في الرد على أسئلة روتينية من العملاء الوافدين. فطلب من Iknow اقتراح حل يوزع تلك الخبرة المكلفة على نحو أفضل دون المساس بدقة الخدمة التي يتلقاها العملاء أو اتساقها.
المشكلة / التحدي
- طوابير بلا تمييز. كان كل عميل وافد ينتظر في الطابور نفسه بصرف النظر عما إذا كانت حاجته بسيطة (تسليم طلب، استلام نموذج) أو معقدة.
- خبرة مكلفة وأساسية محتجزة عند شباك الاستقبال. كان الأخصائيون الاجتماعيون الأوائل أكثر موظفي الصف الأمامي كلفة لدى DSS، ومع ذلك كانوا الوحيدين الذين يفهمون تماماً قواعد الإعانات المعقدة في الولاية ويستطيعون تشغيل برمجيات تحديد الإعانات.
- لا آلية لتمييز الحاجة عند الوصول. لم يكن لدى DSS وسيلة لتحديد حالات الاستجابة السريعة لحظة دخول العملاء، فكانت حتى الطلبات البسيطة تنتظر جنباً إلى جنب مع المعقدة.
- خدمة غير متسقة على مستوى الولاية. كانت دقة التوجيهات التي يتلقاها العملاء واكتمالها يتفاوتان بحسب تدريب كل موظف ومهارته وخبرته عبر مكاتب DSS الثمانية عشر.
- معرفة عميقة ومتخصصة يلزم التقاطها. كان على أي حل أن يرمز بشكل موثوق كامل تعقيد قواعد أهلية SNAP وسياسات DSS بدرجة تكفي ليتمكن موظفو استقبال أقل كلفة من تشغيله.
أهداف المشروع
- تقليل عدد العملاء الوافدين الذين يضطرون إلى الانتظار في طابور للحصول على الخدمة.
- تفريغ الأخصائيين الاجتماعيين الأوائل لقضاء وقت أطول في العمل الفعلي على ملفات الإعانات بدلاً من الفرز عند شباك الاستقبال.
- تقديم توجيهات أكثر اتساقاً ودقة للعملاء بصرف النظر عن المكتب أو الموظف.
- التحقق من صحة النهج عبر تجربة محكومة قبل الالتزام باستثمار على مستوى الولاية.
- دعم DSS في تأمين التمويل لتعميم النظام على مستوى الولاية إذا أثبتت التجربة نجاحها.
نهج Iknow
كيف نظمت Iknow العمل
انتقلت Iknow من الملاحظة المباشرة لعمليات المكاتب الفعلية، مروراً بهندسة المعرفة واختيار المنصة، إلى عملية رشيقة لتطوير القواعد جرى التحقق منها عبر تجربة محكومة في مكتبين، مع إرجاء أي توصية باستثمار على مستوى الولاية إلى أن يثبت النهج جدارته عملياً.
الأنشطة والقرارات الرئيسية
- الملاحظة وتحديد الفرص. راقبت Iknow أنماط تدفق الوافدين في عدة مكاتب محلية وحددت أن فرز العملاء فور وصولهم (بمعالجة احتياجات الاستجابة السريعة مثل إرشاد العملاء إلى مكان تسليم الطلبات أو استلام النماذج) يمكن أن يقلل بشكل كبير عدد العملاء المضطرين إلى الانتظار أصلاً.
- هندسة المعرفة. أجرت Iknow مقابلات مع أخصائيين اجتماعيين أوائل ملمين بعمليات مكاتب الاستقبال وخلصت إلى أن المعرفة اللازمة للفرز يمكن التقاطها كمجموعة محددة من قواعد القرار. استندت تلك القواعد إلى أدلة سياسات DSS وموادها التدريبية وإجراءات التشغيل القياسية ونماذج البرامج ومنشوراتها، ودمجت قواعد وإجراءات أهلية SNAP الخاصة بـU.S. Food and Nutrition Service وتلك الخاصة بولاية ديلاوير على حد سواء.
- اختيار المنصة. قيمت Iknow برمجيات محركات قواعد مفتوحة المصدر وتجارية واختارت منصة محرك الاستدلال من Neota Logic لوظائفها القائمة على القواعد وقدراتها في الاستدلال المعقد وسير عمل العمليات، بما في ذلك دعم الفحص الأولي للأهلية، وتسلسل أسئلة فرز محسن ديناميكياً وبأقل عدد من الأسئلة، وتوجيهات مخصصة بالخطوات التالية لكل عميل.
- تطوير رشيق للقواعد. بنت Iknow قواعد القرار وصقلتها عبر سلسلة من ورش العمل مع خبراء DSS، متبعة نهجاً رشيقاً لإدماج ملاحظاتهم بسرعة.
- الاختبار التجريبي. بعد تطوير مجموعة كافية من القواعد، رمزتها Iknow في منصة Neota Logic وجربت النظام على حواسيب محمولة متصلة بالمنصة المستضافة عبر شبكة WiFi في المكاتب المحلية، مختبرة إياه في مكتبين محليين حتى أثبت نظام الفرز دقة كافية.
- دعم المنحة. عقب نجاح التجربة، عملت Iknow مع مكتب المنح في DSS لإعداد دراسة الجدوى وبيان العمل التفصيلي الداعمين لطلب تمويل على مستوى الولاية.
أصحاب المصلحة والتعاون
عملت Iknow مباشرة مع مدير القسم في DSS، ومع الأخصائيين الاجتماعيين الأوائل الذين كانوا الخبراء المتخصصين وراء قواعد الفرز، ومع مكتب المنح في DSS، بينما تولى Food and Nutrition Service التابع لوزارة الزراعة الأمريكية في نهاية المطاف مراجعة التجربة المكتملة وطلب المنحة وتمويلهما.
التحديات وكيف تغلبت عليها Iknow
التقاط خبرة عميقة بموثوقية تكفي لتفويضها
كانت المعرفة اللازمة للفرز موجودة فقط في أذهان أكثر الأخصائيين الاجتماعيين الأوائل خبرة لدى DSS، ما جعل من الصعب تفويضها إلى موظفي استقبال أقل كلفة دون فقدان الدقة. عالجت Iknow ذلك عبر هندسة معرفة منهجية (بتأسيس القواعد على أدلة سياسات DSS نفسها وموادها التدريبية وإجراءاتها، وصقلها تكرارياً عبر ورش عمل مباشرة مع الخبراء أنفسهم) قبل ترميز أي شيء في المنصة.
القضاء على عدم الاتساق على مستوى الولاية
لأن تدريب الموظفين ومهاراتهم وخبراتهم كانت تتفاوت عبر مكاتب DSS الثمانية عشر، كان العملاء يتلقون تاريخياً توجيهات غير متسقة بحسب المكتب أو الموظف الذي يصادفونه. عالجت Iknow ذلك بترميز منطق الفرز مباشرة في منصة محرك قواعد بدلاً من الاعتماد على تدريب الموظفين غير الرسمي، بحيث يتلقى كل عميل التوجيهات الدقيقة والكاملة نفسها أياً كان المكتب الذي يزوره.
إثبات النموذج قبل الالتزام باستثمار على مستوى الولاية
كان نموذج تشغيل جديد لمكاتب الاستقبال مدعوم بالذكاء الاصطناعي ينطوي على مخاطر حقيقية لو عمم على مستوى الولاية قبل إثبات جدواه. عالجت Iknow ذلك بإجراء تجربة محكومة في مكتبين ممثلين، واختبار النظام حتى أثبت دقة كافية، وعندها فقط دعمت طلب DSS للتمويل اللازم لتوسيعه.
النتائج والأثر
النتائج التشغيلية
- لم يعد نحو 60 في المائة من العملاء الوافدين مضطرين إلى الانتظار في الطابور إطلاقاً، وشهد العملاء الذين احتاجوا فعلاً إلى أخصائي اجتماعي أول أوقات انتظار أقصر بكثير.
- أصبحت تفاعلات الفرز أدق وأكثر اتساقاً وشمولاً لجميع برامج الإعانات ذات الصلة، دون أسئلة غير ذات صلة أو مكررة، إذ كانت البرمجيات تعرض كل سؤال تال بناء على إجابات العميل السابقة.
- كان النظام يولد قائمة مخصصة بالبيانات والمستندات المطلوبة لكل برنامج إعانات محتمل، ما يساعد العملاء على الانتقال بسهولة أكبر إلى خطوتهم التالية.
النتائج الاستراتيجية والتنظيمية
من منظور DSS، كان منطق الفرز دقيقاً ومحدثاً ومتسقاً تماماً على مستوى الولاية (بما أزال التفاوت الذي كان قائماً بسبب اختلافات تدريب الموظفين وخبراتهم)، مع تقليل عدد الأسئلة المطروحة ديناميكياً وتتبع العقبات الشائعة لمزيد من الصقل. بدا ممثلو DSS أكثر دراية ومصداقية في نظر العملاء، وانخفضت تكاليف DSS لأن الحاجة إلى الأخصائيين الاجتماعيين الأوائل المكلفين عند الاستقبال قلت؛ ومن أعيد توزيعهم إلى العمل الفردي على الملفات أصبحوا أكثر كفاءة بتعاملهم مع الحالات المعقدة فقط. واستناداً إلى نجاح التجربة، ساعدت Iknow مكتب المنح في DSS على إعداد دراسة الجدوى وبيان العمل لتعميم على مستوى الولاية، وفي أغسطس 2016 منح Food and Nutrition Service التابع لـUSDA قسم DSS في ديلاوير منحة Process and Technology Improvement Grant بقيمة 667,618 دولاراً لتوسيع نظام الفرز ليشمل المكاتب المحلية الثمانية عشر كلها.
الوقت حتى تحقق الأثر
أكملت Iknow هندسة المعرفة واختيار المنصة وتطوير القواعد والاختبار التجريبي، ودعمت طلب منحة ناجحاً على مستوى الولاية، في غضون المهمة التي استغرقت تسعة أشهر، منتقلة من مفهوم في مرحلة مبكرة إلى خطة توسع ممولة على مستوى الولاية ضمن مشروع واحد.
قدرات Iknow التي أثبتها المشروع
المهارات الأساسية
- الذكاء الاصطناعي وهندسة المعرفة
- ابتكار عمليات الأعمال
- الاستشارات للحكومات والقطاع العام
- دعم المنح والتمويل
الأساليب والأطر
- هندسة المعرفة والتقاط قواعد القرار
- التطوير الرشيق للقواعد وورش عمل الخبراء
- الاختبار التجريبي المحكوم والتحقق
- إعداد دراسات الجدوى وبيانات العمل للمنح
التقنيات والأدوات
- منصة محرك الاستدلال Neota Logic (منطق قائم على القواعد، استدلال معقد، سير عمل العمليات)
ضع هذه الخبرة في خدمة مشكلتك.
كثير من أعمالنا لا يظهر على الموقع. احجز مكالمة وأخبرنا عن قطاعك وسنعرض عليك المشاريع التي تقابل مجالك.