هوش مصنوعی در بانکداری؛ بررسی تجربه‌های موفق

در سال ۲۰۲۳، بانک‌ها بیش از ۲۰ میلیارد دلار در سیستم‌های مبتنی بر هوش مصنوعی سرمایه‌گذاری کردند؛ چنین رقمی بیشترین سهم در میان تمامی صنایع بوده است. این یعنی ادغام هوش مصنوعی در صنعت بانکداری دیگر روندی آزمایشی نیست، بلکه به یکی از اولویت‌های استراتژیک تبدیل شده و حالا این فناوری در حال بازتعریف تجربه مشتری، بهبود بهره‌وری عملیاتی و تحول در مدیریت ریسک است.

در سال‌های اخیر، بانک‌های پیشرو در سراسر جهان با به‌کارگیری نوآورانه هوش مصنوعی، مسیر تازه‌ای برای کل صنعت ترسیم کرده‌اند.

در این گزارش، قصد داریم چندین مطالعه موردی از موفق‌ترین نمونه‌ها را بررسی کنیم؛ از جمله تجربه‌های موفقیت بانک‌هایی مانند NatWest، JPMorgan Chase، و DBS Bank که با استفاده از هوش مصنوعی توانسته‌اند نوآوری را پیاده‌سازی کنند و درعین‌حال با چالش‌های اخلاقی و مقرراتی نیز به‌خوبی کنار بیایند. از دستیاران مجازی مبتنی بر هوش مصنوعی مولد گرفته تا سیستم‌های پیش‌بینی و شناسایی تقلب، این نمونه‌ها تأثیر گسترده بر بانکداری مدرن را به‌خوبی نشان می‌دهند.

NatWest: دستیار مجازی Cora در تعامل با مشتری

در سال ۲۰۲۳، بانک NatWest نسخه جدیدی از عامل مجازی خود به نام Cora را معرفی کرد که از هوش مصنوعی مولد بهره می‌برد. در همکاری با IBM، این بانک توانست با استفاده از قابلیت‌های پردازش زبان طبیعی Watsonx، داده‌های بدون ساختار مانند دفترچه راهنمای محصولات، پایگاه‌های دانش امن و سوابق تراکنش‌ها را تحلیل کند. برخلاف چت‌بات‌های سنتی، Cora پاسخ‌هایی متناسب با زمینه گفتگو، با لحن طبیعی، ارجاع به منابع و امکان مقایسه محصولات مالی تولید می‌کند.

پس از اجرای Cora، نرخ حل مشکلات در اولین تماس تا ۴۰٪ افزایش یافت و تماس‌ها با مرکز پشتیبانی ۳۵٪ کاهش یافت. همچنین ۷۸٪ کاربران رضایت بیشتری نسبت به پاسخ‌گویی این عامل مجازی به پرسش‌های پیچیده؛ مانند شرایط واجد بودن برای وام مسکن ابراز کردند. وندی ردشاو، مدیر ارشد فناوری دیجیتال بانک، اعلام کرد که این پروژه بخشی از استراتژی Digital X بانک برای ارائه خدمات ایمن و در دسترس بوده است. این مورد نشان می‌دهد که چگونه هوش مصنوعی مولد می‌تواند بانکداری دیجیتال را انسانی‌تر کند و درعین‌حال استانداردهای سخت‌گیرانه انطباق را حفظ نماید.

JPMorgan Chase: تحول در تحلیل اسناد حقوقی

پلتفرم «هوش قرارداد» COiN (Contract Intelligence) جی‌پی‌مورگان که در سال ۲۰۲۳ راه‌اندازی شد، بررسی ۱۲۰۰۰ قرارداد اعتباری تجاری سالانه را خودکار کرد؛ وظیفه‌ای که پیش از این به ۳۶۰ هزار ساعت کار انسانی نیاز داشت. COiN با استفاده از پردازش زبان طبیعی و یادگیری ماشین، بندها را استخراج، مغایرت‌ها را شناسایی و ریسک‌های نظارتی را با دقت ۹۹.۲٪ نشانه‌گذاری می‌کند. این نوآوری هزینه‌های عملیاتی حقوقی را سالانه ۱۲ میلیون دلار کاهش داد و زمان انجام قراردادها را ۹۰٪ تسریع کرد.

HSBC: تشخیص تقلب و انطباق مبتنی بر هوش مصنوعی

HSBC در سال ۲۰۲۴ مدل‌های یادگیری ماشین را برای تجزیه‌وتحلیل ۳.۵ میلیارد تراکنش ماهانه در ۶۰ کشور مستقر کرد. این سیستم هشدارهای «مثبت کاذب» در تشخیص تقلب را ۵۰٪ و زمان بررسی هر مورد را از ۱۴ ساعت به ۴۵ دقیقه کاهش داد. HSBC با ادغام بیومتریک رفتاری؛ مانند الگوهای تایپ و حرکت ماوس، قدرت شناسایی سوءاستفاده از حساب را افزایش داد.

بانک مشترک‌المنافع استرالیا: تحلیل داده‌ها در مقیاس بزرگ

بانک مشترک‌المنافع (Commonwealth Bank) با همکاری استارت‌آپ H2O.ai ابزارهای هوش مصنوعی را برای پردازش روزانه ۱۰ میلیارد نقطه داده تراکنشی پیاده‌سازی کرد. این مدل‌ها روندهای جریان نقدی را برای شرکت‌های کوچک و متوسط با دقت ۸۷٪ پیش‌بینی می‌کنند و مدیریت نقدینگی پیشگیرانه را امکان‌پذیر می‌سازند. این تغییر از تحلیل‌های واکنشی به پیش‌بینی‌کننده، از سال ۲۰۲۳ به ۱۵۰۰۰۰ مشتری تجاری این امکان را داده است که سرمایه در گردش خود را بهینه کنند.

DBS: شفافیت در بانکداری با هوش مصنوعی قابل توضیح¹

بانک توسعه سنگاپور (DBS) در سال ۲۰۲۳ اقدام پیشگامانه‌ای انجام داد و یک کمیته تخصصی چندوظیفه‌ای برای نظارت بر اخلاق هوش مصنوعی تشکیل داد. این هیئت با هدف ممیزی دقیق الگوریتم‌های هوش مصنوعی از منظر تعصبات و سوگیری‌های احتمالی تأسیس شد.

مطالعه موردی دانشکده بازرگانی هاروارد در سال ۲۰۲۴، به پیشرفت هوش مصنوعی بانک DBS اشاره می کند که در سال ۲۰۱۴ با اتوماسیون فرایند رباتیک آغاز شد و تا سال ۲۰۲۳ به هوش مصنوعی مولد تکامل یافت. این بانک مستقر در سنگاپور، هوش مصنوعی را در ۱۲۰۰ فرایند، از پیشنهادهای سرمایه‌گذاری فوق شخصی‌سازی‌شده تا نظارت بر مبارزه با پولشویی، گنجانده است. چارچوب «هوش مصنوعی قابل توضیح» (XAI) بانک دی‌بی‌اس، شفافیت را در مدل‌های امتیازدهی اعتباری فراهم می‌کند و به مشتریان نشان می‌دهد که چگونه عواملی مانند تاریخچه پرداخت و نوسانات درآمد بر تأیید وام آن‌ها تأثیر می‌گذارد.

به عنوان مثال، مدل وام خرد بانک برای شرکت‌های کوچک و متوسط در آسیای جنوب شرقی، داده‌های رفتاری غیرمالی را برای جلوگیری از نتایج تبعیض‌آمیز حذف می‌کند. پروفسور فنگ ژو از دانشکده بازرگانی هاروارد خاطرنشان می‌کند که مدل حکمرانی DBS طرحی برای تطبیق نوآوری هوش مصنوعی با انطباق نظارتی در صنایع به‌شدت تحت نظارت ارائه می‌دهد.

روندهای مالی پایدار؛ تحلیل‌های شاخص ESG برای سرمایه‌گذاری

تا سال ۲۰۲۵، بانک‌هایی مانند «بی‌ان‌پی پاریبا» و «استاندارد چارترد» از هوش مصنوعی برای ارزیابی ESG (ریسک‌های محیطی، اجتماعی و حاکمیتی) در ۴.۳ تریلیون دلار از دارایی‌های تحت مدیریت خود استفاده می‌کنند. مدل‌های یادگیری ماشین تصاویر ماهواره‌ای، داده‌های زنجیره تأمین و گزارش‌های پایداری شرکت‌ها را برای امتیازدهی به سرمایه‌گذاری‌ها از نظر ردپای کربن و تأثیر اجتماعی تجزیه و تحلیل می‌کنند. به عنوان مثال، ابزارهای مبتنی بر هوش مصنوعی دقت ارزیابی واجد شرایط بودن اوراق قرضه سبز را ۴۰٪ بهبود بخشیده‌اند و خطرات «سبزشویی²» را کاهش داده‌اند.

سخن پایانی

در پایان، بررسی این نمونه‌های موفق نشان می‌دهد که هوش مصنوعی نه‌تنها به یک مزیت رقابتی در صنعت بانکداری تبدیل شده، بلکه به عامل اصلی بازتعریف خدمات مالی و تجربه مشتری بدل گشته است. از افزایش بهره‌وری عملیاتی تا تقویت شفافیت و انطباق، بانک‌ها در سراسر جهان با بهره‌گیری هوشمندانه از AI، خود را برای آینده‌ای دیجیتال و پویاتر آماده می‌کنند.

البته با بلوغ هوش مصنوعی مولد، اولویت با شفافیت در تصمیم‌گیری الگوریتمی و استفاده از داده‌هاست. نهادهای نظارتی نیز به سمت استانداردهای تجویزی حرکت کرده‌اند و قرار گرفتن ممیزی برای سیستم‌های پرریسک را الزامی می‌دانند.

پانویس

1. هوش مصنوعی قابل توضیح مجموعه‌ای از فرآیندها و روش‌هایی است که به کاربران انسانی اجازه می‌دهد نتایج و خروجی ایجاد شده توسط الگوریتم‌های یادگیری ماشین را درک کرده و به آن اعتماد کنند. هوش مصنوعی قابل توضیح برای توصیف یک مدل هوش مصنوعی، تاثیر مورد انتظار و سوگیری‌های بالقوه آن استفاده می‌شود.
   ↩︎
2. سبزشویی (Greenwashing) واژه‌ای است که به دورویی انسان‌های به‌ظاهر دوستدار محیط زیست اشاره دارد به این صورت که با نام حمایت از محیط زیست به محیط زیست و به جامعه انسانی صدمه می‌زنند ↩︎