چگونه هوش مصنوعی آینده بانکداری را شکل می دهد

فناوری هوش مصنوعی تقریباً در هر صنعت به یک خلل حیاتی تبدیل شده است و بانکداری نیز از این قاعده مستثنی نیست. هوش مصنوعی (AI) مجموعه ‌ای از فناوری ‌های متمایز متعدد مانند یادگیری ماشینی، پردازش زبان طبیعی، بینایی کامپیوتر و رابط ‌های مکالمه است. پذیرش رو به رشد آن در بخش‌ های مراقبت ‌های بهداشتی، آموزشی، تولید، خرده ‌فروشی و خودرو نشان می‌ دهد که الگوریتم ‌ها، چارچوب ‌ها و تکنیک ‌های آن در مواجهه با مشکلات پیچیده تجاری چقدر مؤثر هستند.

در عین حال، استقرار هوش مصنوعی در امور مالی، این بخش را مشتری محورتر و از نظر فناوری مرتبط تر کرده است. کارشناسان خاطرنشان می‌ کنند که بخش بانکی باید فناوری هوش مصنوعی را بپذیرد تا بتواند با مشتریان، باهوش فناوری مرتبط بماند و در مقابل رقابت شدیدی که توسط بازیگران FinTech ایجاد می‌ شود، مقاومت کند. حال ببینید که چگونه فناوری هوش مصنوعی نوید انقلابی در عملکرد بخش بانکی و رساندن آن به ارتفاعات جدید را می ‌دهد.

صنعت هوش مصنوعی امروزه چگونه به نظر می رسد

می ‌توانیم به طور خلاصه هوش مصنوعی را به ‌عنوان فناوری توصیف کنیم که ماشین ‌ها را قادر می ‌سازد تا با سطوح هوشی مشابه انسان حس کنند، عمل کنند، درک کنند و یاد بگیرند. هوش مصنوعی گسترش توانایی های انسان است و نه جایگزین آن. وقتی فناوری‌ های هوش مصنوعی با استراتژی ‌ها و داده ‌های مناسب تکمیل شوند، می ‌توانند هر کسب ‌و کاری را به سمت بهتر شدن تغییر دهند. بر اساس مطالعه ای که توسط گارتنر در سال 2019 انجام شد، تقریباً 37 درصد از شرکت ها در سطح جهان قبلاً هوش مصنوعی را به فرم یا شکل دیگری پذیرفته بودند.

با توجه به مزایای هوش مصنوعی، مانند کاهش هزینه های عملیاتی و افزایش ارزش برای مشتریان، موسسات خدمات مالی به فناوری های هوش مصنوعی از جمله دستیاران چت بات و سیستم های تشخیص تقلب روی آورده اند. طبق گزارش Business Insider، نزدیک به 80 درصد از بانک ها از مزایای بالقوه ای که هوش مصنوعی به بخش خود ارائه می دهد آگاه هستند.

چگونه هوش مصنوعی می تواند بانکداری را متحول کند؟

در طول دهه گذشته، بانک ‌ها دامنه خدمات خود را با مشارکت شرکای فناوری اطلاعات، خرده ‌فروشی، مخابرات و ارائه خدماتی مانند بانکداری الکترونیک، تراکنش ‌های دیجیتال، بانکداری تلفن همراه، کیف پول و غیره گسترش داده ‌اند. با این حال، بخش ‌های پررونق مانند سرمایه‌ گذاری، وام‌ دهی و پرداخت ‌های دیجیتال شاهد رقابت استارت ‌آپ ‌های FinTech، ارزهای دیجیتال و غیره هستند.

ایراد عمده سیستم بانکداری الکترونیکی کنونی فقدان حریم خصوصی داده ها است که با ناکارآمدی عملیاتی، این امر منجر به نارضایتی مشتری می شود. از آنجایی که بانک ‌ها در هسته خود با حجم عظیمی از داده ‌ها رشد می ‌کنند و وظایف تکراری را بر اساس آن انجام می ‌دهند، هوش مصنوعی راه‌ حل ایده‌ آلی برای ایجاد تغییرات در کل بخش ارائه می دهد. بر اساس گزارش تحقیقاتی Business Insider Intelligence، کل صرفه ‌جویی در هزینه ‌های بالقوه برای بانک ‌ها از برنامه‌ های مبتنی بر هوش مصنوعی تا سال ۲۰۲۳ به ۴۴۷ میلیارد دلار تخمین زده می ‌شود.

 چگونگی تغییر صنعت بانکداری توسط هوش مصنوعی بصورت زیر است:

-Front Office  با فعال کردن بانکداری مکالمه با کمک ربات ‌های گفتگو

- Middle Office با پیاده سازی سیستم تشخیص و پیشگیری از تقلب

-Back Office  با معرفی نرم افزاری برای تجزیه و تحلیل و مدیریت موثر تراکنش ها، مشتریان و سایر داده ها

پذیرش گسترده هوش مصنوعی در بانکداری امتیازات چشمگیری را به همراه دارد. هوش مصنوعی و یادگیری ماشین نه تنها با خودکارسازی و بهینه‌ سازی فرآیندهای مستعد خطا، کارایی را افزایش می‌ دهند، بلکه ریسک‌ ها و هزینه‌ های عملیاتی را برای بانک ‌ها کاهش می ‌دهند، تقلب ‌ها را شناسایی و از آن جلوگیری می ‌کنند، تجربه مشتریان را از طریق شخصی ‌سازی بهبود می ‌بخشند و به تصمیم ‌گیری کارآمد مرتبط با سرمایه‌ گذاری یا اعتبار کمک می ‌کنند.

از جمله دستاوردهای هوش مصنوعی در بانکداری می توان به موارد زیر اشاره کرد:

• افزایش تجربه مشتری
• کاهش ریسک و هزینه های عملیاتی
• شناسایی بهتر تقلب و رعایت مقررات
• خودکارسازی تصمیمات و فرآیند سرمایه گذاری
• بهبود تصمیم گیری وام و اعتبار

موارد استفاده هوش مصنوعی در بانکداری

هوش مصنوعی و یادگیری ماشین کارهای دستی تکراری را که بسیار مستعد خطا هستند هدف قرار می دهند. این کارها را با نرم افزاری جایگزین می کنند که مانند ذهن انسان پتانسیل حس کردن، یادگیری و بهبود را دارد. چنین وظایفی در تمامی حوزه های بانکداری از جمله بانکداری تجاری، بانکداری شرکتی و حتی بانکداری سرمایه گذاری وجود دارد.

افزودن فناوری هوش مصنوعی به برنامه ‌های بانکی، بانک ‌ها را قادر می‌ سازد تا به رضایت مشتری ارزشمندی دست یابند، زیرا هوش مصنوعی دائماً فعالیت ‌ها و رفتارهای کاربران را ردیابی می ‌کند تا پیشنهادات شخصی به آنها ارائه دهد. تقاضا برای عملکرد هوش مصنوعی در برنامه های تجاری به دلیل پذیرش گسترده آن در بین کاربران، شاهد رشد قوی بوده است.

هوش مصنوعی برای هر صنعتی که بر روی داده ها رشد می کند یک موهبت است. برنامه های بانکی مبتنی بر هوش مصنوعی به طور خودکار همه داده های جمع آوری شده را مرتب، توزیع، ثبت و تجزیه و تحلیل می کنند. استنباط های انجام شده برای ارائه شخصی سازی بالاتر برای همه کاربران استفاده می شود. در نتیجه، هوش مصنوعی به مؤسسات بانکی کمک می‌کند تا چالش ‌های مربوط به جمع ‌آوری و تجزیه و تحلیل کلان داده ‌ها را ساده ‌سازی و مقابله کنند.

برنامه های بانکی مبتنی بر هوش مصنوعی همچنین الگوهای جستجوی کاربران را ردیابی می کنند و در نتیجه خدمات و طرح هایی را پیشنهاد می کنند. به لطف هوش مصنوعی، بانک ‌ها 66 درصد بیشتر از مشتریان آفلاین خود درآمد حاصل از بانکداری تلفن همراه دارند.

از جمله قابل توجه ترین راه حل های بانکداری هوشمند که توسط هوش مصنوعی ارائه شده است، می توان به موارد زیر اشاره کرد:

• چت بات های مجهز به هوش مصنوعی
• اتوماسیون فرآیند بی عیب و نقص
• مدیریتPortfolio  و ثروت
• تضمین امنیت داده ها
• مدیریت ریسک اعتباری
• ردیابی گرایش بازار و معاملات

موانع برای پذیرش گسترده‌ تر هوش مصنوعی در بانکداری

علیرغم موارد استفاده موفق و مزایای آن، چالش ‌های خاصی مانع پذیرش گسترده هوش مصنوعی و یادگیری ماشینی در بخش بانکی می ‌شود. بزرگترین مشکل، عدم وجود استراتژی واضح هوش مصنوعی از نظر استعداد، داده و سایر منابع است. موانع دیگر عبارتند از فقدان قابلیت توضیح و نگرانی های قانونی.

• کمبود استعداد

بانک ‌های مبتنی بر هوش مصنوعی باFinTech  و شرکت‌ های فناوری برای جذب متخصص رقابت می ‌کنند. آنها به افرادی نیاز دارند که نه تنها در مورد بانکداری، بلکه در مورد هوش مصنوعی نیز آگاه باشند. واضح است که یافتن چنین متخصصانی بسیار دشوار است. بنابراین بانک ‌ها باید به افراد بی ‌تجربه بسنده کنند و زمان، تلاش و هزینه را برای آموزش آنها سرمایه‌ گذاری کنند.

وقتی صحبت از کمبود استعداد به میان می ‌آید، بانک ‌های مبتنی بر هوش مصنوعی می ‌توانند برون ‌سپاری یا توسعه مدل ‌های مشارکتی را با یک شرکت فناوری اطلاعات یا فناوری دیگری برای رفع شکاف استعدادها در نظر بگیرند.

• کمبود داده های با کیفیت

بانک ‌ها قبل از استقرار یک برنامه بانکی مبتنی بر هوش مصنوعی در مقیاس کامل، در فرآیند آموزش و اعتبارسنجی به داده ‌های تولید ساختاریافته نیاز دارند. برای اطمینان از اعمال الگوریتم در موقعیت های واقعی، داده های با کیفیت خوب مورد نیاز است. علاوه بر این، اگر داده ها بصورت قابل خواندن توسط ماشین نباشند، ممکن است منجر به رفتار غیرمنتظره مدل هوش مصنوعی شود.

بنابراین کیفیت این داده ها کیفیت مدل هوش مصنوعی را تعیین می کند. علاوه بر این، بانک ‌ها باید به خطر انداختن اطلاعات خصوصی مشتریان برای آزمایش و اعتبارسنجی را مورد توجه قرار دهند. در نتیجه، بانک‌ هایی که به سمت پذیرش هوش مصنوعی سرعت می ‌گیرند، باید سیاست‌ های داده ‌های خود را اصلاح کنند تا تمام خطرات حفظ حریم خصوصی و انطباق را کاهش دهند.

• عدم توضیح پذیری

سیستم های مبتنی بر هوش مصنوعی به طور گسترده در فرآیندهای تصمیم گیری قابل استفاده هستند زیرا خطاها را از بین می برند و در زمان صرفه جویی می کنند. با این حال، آنها یک تهدید «جعبه سیاه» را ارائه می‌ کنند، به این معنی که ممکن است از سوگیری ‌هایی پیروی کنند که از قضاوت ضعیف انسانی آموخته شده است. تناقضات جزئی در سیستم‌ های هوش مصنوعی تشدید نمی‌ شوند و مشکلاتی در مقیاس بزرگ ایجاد می ‌کنند و شهرت و عملکرد بانک را به خطر می ‌اندازند.

برای جلوگیری از بلایا، بانک ها باید سطح مناسبی از توضیح را برای همه تصمیمات و توصیه های ارائه شده توسط مدل های هوش مصنوعی ارائه دهند. بانک ها باید درک کنند، تایید کنند و توضیح دهند که مدل چگونه تصمیم می گیرد.

• دغدغه های حقوقی

تعدادی از مقررات حفظ حریم خصوصی مشتریان مانند فرمان داده های شخصی (PDPO)، مقررات عمومی حفاظت از داده های اتحادیه اروپا (GDPR)، یا قانون حفظ حریم خصوصی مصرف کنندگان کالیفرنیا بر بانک هایی که یک مدل هوش مصنوعی را توسعه می دهند، تأثیر می گذارد. بانک ‌ها موظفند در هنگام نمایه ‌سازی داده ‌های مشتریان شفاف باشند و آن‌ داده ها برای تصمیم‌ گیری خودکار قابل خواندن باشند.

بنابراین، بانک ها همیشه باید قبل از به اشتراک گذاشتن هر گونه اطلاعات شخصی، رضایت مشتریان را دریافت کنند. آنها باید تمام فعالیت ها را از نظر خطرات قانونی بالقوه بسنجند و دستورالعمل های کافی برای کاهش چنین خطراتی تنظیم کنند.

در نهایت، تنظیم‌ کنندگان صنعت باید دستورالعمل ‌ها و فرآیندهای صدور گواهینامه را برای شناسایی و ارزیابی شرکت ‌هایی که این فناوری‌ های جدید را اتخاذ می ‌کنند، تنظیم کنند. چنین اقداماتی استانداردسازی را تضمین می کند و چارچوبی را برای حاکمیت فناوری هوش مصنوعی در بانک ها فراهم می کند و در نتیجه پذیرش گسترده این فناوری را در بخش بانکی تشویق می کند.

نمونه های واقعی هوش مصنوعی در بانکداری

بسیاری از سازمان‌ های مالی شخصی، مصرف ‌کننده و شرکت‌ ها، هوش مصنوعی را در عملیات خود به کار گرفته ‌اند و کارایی خود را بهبود بخشیده ‌اند. با این حال، بسیاری از بانک ها هنوز هوش مصنوعی را به عنوان یک ابتکار مستقل و نه به عنوان یک مفهوم اساسی در نظر می گیرند. در عین حال، بانک های جهانی هستند که زمینه را برای این فناوری در حوزه مالی تنظیم می کنند.

• JPMorgan Chase

JPMorgan در پذیرش جامع هوش مصنوعی پیشرو است. این بانک سرمایه گذاری های دقیق و استخدام های تهاجمی را در کنار رویکردی جامع برای پیاده سازی هوش مصنوعی در تمامی عملیات ها انجام داده است.Chase  تحقیقات گسترده ای در زمینه هوش مصنوعی در بانکداری انجام داده است. از یافته های تحقیقاتی خود در شش ابتکار کاربردی استفاده خواهد کرد که عبارتند از:

• تشخیص ناهنجاری
• اسناد هوشمند
• قیمت گذاری هوشمند
• دستیاران مجازی
• تحلیل خبری
• هوش کمی مشتری

برای Chase، بانکداری مصرف کنندهQ  بیش از 50 درصد از درآمد خالص آن را تشکیل می دهد. با در نظر گرفتن این موضوع، این بانک الگوریتم ‌های تشخیص تقلب مبتنی بر هوش مصنوعی را برای دارندگان حساب خود اتخاذ کرد. این کمک بانک به هوش مصنوعی و افزایش ارزش برای مشتریان بود که رتبه دوم را در نظرسنجی اعتماد دیجیتال بانکداری آمریکا در سال 2020 Insider Intelligence به دست آورد.

• بانک آمریکا

بانک آمریکا از سال 2017 به طور جدی روی هوش مصنوعی و یادگیری ماشین سرمایه گذاری کرده است. در ابتدا آنها یک دستیار بانکداری مجازی به نام  Erica را به برنامه بانکی خود معرفی کردند. Erica به مشتریان کمک می کند تا حساب های بانکی خود را مدیریت کرده و عادات خرج کردن خود را پیگیری کنند.

در نیمه دوم سال 2020، بانک آمریکا شروع به استفاده از هوش مصنوعی در تحلیل ریسک اعتباری کرد. آنها فناوری پردازش زبان طبیعی را به کار گرفتند که احتمال نکول شرکت مشتری را ظرف 12 ماه تخمین می زند.

گزارش ها حاکی از آن است که بانک آمریکا در حال تحقیق در مورد روش های جدیدی است که می تواند هوش مصنوعی را در عملیات بانکی، از کشف تقلب و تشخیص ناهنجاری گرفته تا تصمیم گیری مرتبط با سرمایه گذاری، به کار گیرد.

• Capital One

Eno دستیار مجازی هوشمند Capital One، بهترین نمونه هوش مصنوعی در امور مالی شخصی است. Capital One علاوه بر Eno، در حال ایجاد معیارهایی برای استفاده از هوش مصنوعی در صنعت خود است. آنها از شماره کارت مجازی برای جلوگیری از کلاهبرداری کارت اعتباری استفاده می کنند. در همین حال، آنها بر روی خلاقیت محاسباتی کار می کنند که شامل آموزش رایانه ها برای خلاقیت و توضیح است.

Capital One همچنین در سال 2017 یکی از اولین بانک هایی بود که دستیار مجازی را در برنامه بانکی خود به کار گرفت. از آن زمان تاکنون این بانک پیشرو و مبتکری برای به کارگیری نوآوری های هوش مصنوعی مقیاس پذیر در عملیات بانکی بوده است.

علاوه بر بانک‌ های تجاری، تعدادی از بانک ‌های سرمایه‌گذاری مانندMerrill Lynch  وGoldman Sachs  نیز از ابزارهای تحلیلی مبتنی بر هوش مصنوعی در فعالیت ‌های معمول خود استقبال کرده‌ اند. بسیاری از بانک ها، شرکت های سرمایه گذاری و شرکت های Fortune 500 (مالی) از یک موتور جستجوی مبتنی بر هوش مصنوعی به نامAlphasense  استفاده می کنند که پردازش زبان طبیعی را برای تجزیه و تحلیل جستجوهای کلید واژه و کشف روندهای بازار به کار می گیرد.

نتیجه

فناوری ‌های هوش مصنوعی و یادگیری ماشین در حال حاضر مجموعه‌ ای از راه ‌حل ‌های هوشمند را در تمام صنایع بزرگ از جمله امور مالی ارائه کرده‌ اند. همه ‌گیریCOVID-19  سرعت پذیرش این فناوری ‌ها را بیش از پیش افزایش داد. کارشناسان بر این باورند که هوش مصنوعی حتی در بخش بانکی نیز می تواند تأثیر عمیقی داشته باشد و تا سال 2030 تا 1 تریلیون دلار صرفه جویی کند.

هوش مصنوعی آماده است تا تحولی اساسی ایجاد کند و متخصصان بانکی بر این باورند که این یک لحظه مناسب برای سوار شدن بر موج هوش مصنوعی است. بنیادهای اقتصادی قوی هستند، فضای نظارتی مطلوب است و فناوری‌ های تحول آسان‌ تر و قدرتمندتر از همیشه هستند.