استفاده از هوش مصنوعی در دنیای بانکداری امروز

هوش مصنوعی با سرعتی زیاد در حال پیشرفت است. سازمان ‌های مالی در حال حاضر از فناوری‌ های هوش مصنوعی برای شناسایی تقلب ‌ها و تراکنش ‌های غیرعادی، شخصی ‌سازی خدمات مشتری، کمک به تصمیم‌ گیری در مورد اعتبار، استفاده از پردازش زبان طبیعی در اسناد متنی و برای امنیت سایبری و مدیریت ریسک عمومی استفاده می ‌کنند.

طی دهه‌ های گذشته، بانک ‌ها روش ‌های تعامل خود با مشتریان را بهبود بخشیده ‌اند. آنها فناوری مدرن را با ویژگی خاص کار خود تطبیق داده اند. به عنوان مثال، در دهه 1960، اولین دستگاه های خودپرداز نصب شد و ده سال بعد، کارت هایی برای انجام تراکنش ها و پرداخت وجود داشت. در آغاز این قرن، کاربران با بانکداری آنلاین شبانه روزی آشنا شدند و در سال 2010، در مورد بانکداری موبایلی شنیدند. اما توسعه سیستم مالی در اینجا متوقف نشد، زیرا عصر دیجیتال در حال باز کردن فرصت های جدیدی از جمله استفاده از هوش مصنوعی در بانک ها و موسسات مالی است. پیش بینی می شود تا سال 2023، بانک ها با توسعه و اجرای برنامه های کاربردی هوش مصنوعی، تقریباً 447 میلیارد دلار پس انداز کنند. چند نمونه از آنها راردر اینجا توضیح داده ایم.

موبایل بانک

عملکرد هوش مصنوعی در برنامه های تلفن همراه فعال تر، شخصی و پیشرفته تر می شود. به عنوان مثال، یکی از بانک های کانادا Siri را در برنامه IOS خود قرار داده است. اکنون، برای ارسال پول به کارت دیگر، کافی است چیزی شبیه این بگویید: "هی، Siri ، 20 دلار به Alex بفرست!" - و تراکنش را با استفاده از Touch ID تأیید کنید.

به لطف هوش مصنوعی، بانک ها در مقایسه با بازدید مشتریان از شعب، تقریباً 66 درصد درآمد بیشتری از کاربران موبایل بانک دارند. سازمان های بانکی برای بهبود کیفیت خدمات خود و حفظ رقابت در بازار، توجه زیادی به فناوری های نوظهور دارند.

چت بات های هوش مصنوعی

چت بات ها رابط های مکالمه ای با هوش مصنوعی هستند. این یکی از محبوب ترین موارد استفاده از هوش مصنوعی در بانکداری است. ربات ها از طرف بانک بدون نیاز به هزینه های زیاد با مشتریان ارتباط برقرار می کنند. محققان تخمین زده اند که مؤسسات مالی برای هر ارتباطی که چت بات انجام می دهد، چهار دقیقه صرفه جویی می کند.

از آنجایی که مشتریان از برنامه های تلفن همراه برای انجام تراکنش های پولی استفاده می کنند، بانک ها خدمات چت بات را در آنها تعبیه می کنند. این امکان جلب توجه کاربران و ایجاد برندی قابل شناسایی در بازار را فراهم می کند.

به عنوان مثال راه اندازی چت لات Ceba است که موفقیت بزرگی را برای بانک مشترک المنافع استرالیا به ارمغان آورد. با کمک آن، حدود نیم میلیون مشتری توانستند بیش از دویست مشکل بانکی را حل کنند: کارت های خود را فعال کنند، مانده حساب ها را بررسی کنند، پول نقد و غیره را برداشت کنند.

به عنوان مثال دیگر، بانک آمریکا یک چت بات راه اندازی کرد که اعلان های کاربران را ارسال می کند، موجودی را به آنها اطلاع می دهد، توصیه هایی برای صرفه جویی در پول ارائه می دهد و گزارش های اعتباری را به روز می کند و غیره. این راهی است که بانک به مشتریان خود در تصمیم گیری آگاهانه کمک می کند.

جمع آوری و پردازش اطلاعات

موسسات بانکی روزانه میلیون ها تراکنش تجاری را ثبت می کنند. حجم اطلاعات تولید شده توسط بانک ها بسیار زیاد است، بنابراین جمع آوری و ثبت آن به یک کار طاقت فرسا برای کارمندان تبدیل می شود. ساختار و ثبت این داده ها تا زمانی که برنامه ای برای استفاده از آن وجود نداشته باشد غیرممکن است. بنابراین، تعیین رابطه بین داده های جمع آوری شده چالش برانگیز است، به ویژه زمانی که یک بانک هزاران مشتری دارد.

قبلاً رویکرد زیر وجود داشت: مشتری به جلسه ای با کارمند بانک آمد که نام و سابقه مالی آنها را می دانست و فهمید که چه گزینه هایی بهتر است ارائه شود. با انبوهی از داده های حاصل از تراکنش های بیشمار، بانک ها در تلاش هستند تا ایده های تجاری نوآورانه و راه حل های مدیریت ریسک را پیاده سازی کنند.

برنامه های مبتنی بر هوش مصنوعی، داده ها را جمع آوری و تجزیه و تحلیل می کنند. این باعث بهبود تجربه کاربر می شود. از این اطلاعات می توان برای اعطای وام یا کشف تقلب استفاده کرد. شرکت ‌هایی که سود خود را از تجزیه و تحلیل داده‌ های بزرگ تخمین زده ‌اند، میانگین افزایش درآمد خود را به میزان 8 درصد و کاهش هزینه ‌ها به میزان 10 درصد گزارش کرده ‌اند.

مدیریت ریسک

تمدید اعتبار، یک کار کاملا چالش برانگیز برای بانکداران است. اگر بانکی به مشتریان ورشکسته وام دهد، ممکن است با مشکلاتی مواجه شود. اگر وام گیرنده درآمد ثابت خود را از دست بدهد، این منجر به نکول می شود. طبق آمار، در سال 2020، معوقات کارت های اعتباری در ایالات متحده طی شش ماه 1.4 درصد افزایش یافته است.

سیستم‌ های مجهز به هوش مصنوعی می ‌توانند تاریخچه اعتباری مشتریان را با دقت بیشتری ارزیابی کنند تا از این سطح پیش‌ فرض جلوگیری کنند. برنامه های بانکداری تلفن همراه تراکنش های مالی را ردیابی می کنند و داده های کاربران را تجزیه و تحلیل می کنند. این به بانک ها کمک می کند تا خطرات مربوط به صدور وام مانند ورشکستگی مشتری یا تهدید به کلاهبرداری را پیش بینی کنند.

غنی سازی داده های تراکنش

غنی سازی داده های تراکنش، بخش مهمی از مدیریت مالی هم برای موسسات مالی و هم برای مصرف کنندگان می باشد. از یادگیری ماشین و هوش مصنوعی برای رمزگشایی رشته ‌های نامفهومی از کاراکترها استفاده می ‌کند که نشان‌ دهنده تراکنش‌ ها و بازرگانان هستند و آنها را به متنی قابل خواندن تبدیل می‌کند که نام هر تاجر را نشان می ‌دهد و آدرس و شهر آنها را فهرست می‌ کند. به جای دفتر مرکزی شرکت، مکان تاجر محلی را نشان می دهد. این روش تبدیل داده‌ های غیرقابل درک به اطلاعات خوانا، به بانک ‌ها و مشتریان کمک می ‌کند تا بفهمند پول خود را کجا و با چه کسی خرج کرده ‌اند. هم تماس‌ های خدمات مشتری و هم هزینه‌ های تحقیق تقلب را کاهش می ‌دهد، زیرا مشتریان می ‌توانند بگویند چه چیزی خریده ‌اند و از کجا آن را خریداری کرده ‌اند. تشخیص کلاهبرداری تعداد افرادی را که در مورد هزینه های مرموز روی صورتحساب کارت اعتباری خود تماس می گیرند کاهش می دهد، زیرا آنها معنی این هزینه ها را درک می کنند. تماس های کمتر به معنای تحقیقات کمتر در مورد تقلب است که هزینه ها را کاهش می دهد. مهمتر از همه، این توضیحات واضح به توسعه دهندگان کمک می کند تا داده های مالی را در زمینه قرار دهند تا بتوانند راحت تر خریدها را دسته بندی و تجزیه و تحلیل کنند. این به مواردی مانند بودجه بندی، تجزیه و تحلیل عادت های خرج کردن، امتیازدهی اعتبار و توانایی پیش بینی مسائل مربوط به درآمد و هزینه های آینده کمک می کند.

امنیت داده ها

طبق گزارش کمیسیون تجارت فدرال برای سال 2020، کلاهبرداری از کارت اعتباری رایج ترین نوع سرقت اطلاعات شخصی است. سیستم های مبتنی بر هوش مصنوعی در برابر متخلفان موثر هستند. این برنامه‌ ها رفتار، موقعیت مکانی و عادات مالی مشتری را تجزیه و تحلیل می ‌کنند و در صورت شناسایی هرگونه فعالیت غیرعادی، مکانیزم امنیتی ایجاد می‌ کنند. تحقیقات ABI تخمین می زند که هزینه های مربوط به هوش مصنوعی و تجزیه و تحلیل امنیت سایبری تا پایان سال 2021 به 96 میلیارد دلار خواهد رسید.

آمازون قبلاً یک راه ‌اندازی امنیت سایبری هوش مصنوعی بنام harvest.AI را خریداری کرده و Macie را راه‌اندازی کرده است. سرویسی که از یادگیری ماشین برای شناسایی، مرتب‌ سازی و ساختار داده‌ ها در فضای ذخیره‌ سازی ابری S3 استفاده می‌کند.

نکات پایانی

راه های بیشتری برای اعمال هوش مصنوعی در صنعت مالی وجود دارد. بر اساس نظرسنجی OpenText، تقریبا 80 درصد از بانک ها مزایای هوش مصنوعی را می شناسند، 75 درصد از آنها در حال حاضر از این فناوری استفاده می کنند و حدود 46 درصد برنامه ریزی برای پیاده سازی سیستم های مبتنی بر هوش مصنوعی در آینده نزدیک دارند.

راه حل های مبتنی بر هوش مصنوعی به بخشی جدایی ناپذیر از استراتژی های توسعه شرکت ها تبدیل شده و به آنها کمک می کند تا در بازار رقابتی باقی بمانند. این فناوری هزینه های عملیاتی را به حداقل می رساند، پشتیبانی مشتری را بهبود می بخشد و فرآیندها را خودکار می کند. همچنین، نکته ای که اکنون اهمیت زیادی دارد، اخلاق هوش مصنوعی است.