صنعت مالی و بانکداری در سالهای اخیر شاهد رواج چشمگیر چتباتهای هوشمند بوده است. این دستیارهای مجازی هوشمند باعث سادهسازی فرآیندها شده و مدل تعامل با مشتریان و ارائه خدمات بانکی را تغییر دادهاند. CFBP (اداره حفاظت مالی مصرفکننده ایالات متحده) اخیرا در گزارشی به بررسی موضوع بهکارگیری چتباتهای هوشمند در بخشهای خدماتی بانکها پرداخته است. در این گزارش تاکید شده است که احتمالا تا سال 2026، حدود 111 میلیون کاربر بانکی، امور خود را از طریق تعامل با چتباتهای هوشمند انجام دهند. درحالی که صنعت بانکداری با هوشیاری خوشبینانهای به مساله بهرهبرداری از پتانسیلهای چتباتها نگاه میکند، لازم است که بررسی لازم درباره ریسکها و فرصتهای این ابزارهای جدید نیز انجام شوند.
در این مقاله قصد داریم به 5 مورد از اصلیترین ریسکها و فرصتهای نهفته در بکارگیری چتباتهای هوشمند در صنعت بانکداری بپردازیم. با بررسی مزایا و آسیبهای نهفته در این فناوری، میتوانیم چشماندازی تعریف کنیم که بتواند شما را در مسیر استفاده از این ابزارها و تصمیمگیریهای آگاهانه یاری کند.
پتانسیلهای نهفته در بکارگیری چتباتهای هوشمند در صنعت بانکداری
اگر بنا باشد یکی از اصلیترین مزیتهای بهکارگیری ابزارهای هوشمند محاورهای در صنعت بانکداری را ذکر کنیم، باید بر فراهم شدن فرصت سرویسدهی شخصیسازی شده 24 ساعته در تمام روزهای هفته و تسهیل انجام بسیاری از فرآیندهای بانکی تاکید شود. با چنین ابزارهایی مشتریان میتوانند بدون زحمت و دردسر و صرفا با چند دستور ساده، اطلاعات حسابشان را چک کنند؛ پول جابجا کنند و حتی درخواست وام دهند. چتباتهای هوشمند از پتانسیلهای موتورهای مدل بزرگ زبانی (LLM) استفاده میکنند و با شخصیسازی تعاملات و تعریف اقدامات لازم شرایطی که فراهم میکنند که تجربه کاربری در استفاده از خدمات بانکی را بهبود قابلتوجهی میدهد.
نهادهای مالی برای بهبود خدمات و پشتیبانی از مشتریان، همواره تحت فشارند و سرویسهای چتبات هوشمند میتوانند با استفاده از هوش مصنوعی و خودکارسازی مجموعهای از فرآیندها، بار بزرگی را از دوش بانکها بردارد. کم شدن این حجم از کار، بانکها را قادر میکند که بتوانند از نیروی انسانی موجود را در رسیدگی به موضوعات پیچیدهتر و مهمتری بهکار بگیرند.
ضروری است توجه شود که بهکارگیری هوش مصنوعی در فرآیندهای کسبوکار، خصوصا صنعت مالی و بانکداری، صرفا یک بهروزرسانی تکنولوژیک نیست؛ بلکه باید آن را ضرورتی استراتژیک برای کسبوکارهای این صنعت به حساب آورد. نقش هوش منصوعی در این صنعت بسیار فراتر از خودکارسازی تسکهاست و تمرکز اصلی آن را باید بر بهبودی دانست که در کارایی عملیاتی سازمان ایجاد میکند.
نهادهای مالی اکنون از فناوریهای مرتبط با هوش مصنوعی برای اصلاح و بازتعریف فرآیندهای تصمیمگیری و بهینهسازی سرویسدهی به مشتریان بهره میبرند. هدف از چنین اقداماتی، بیشتر بر ارتقای قابلیتهای انسانی است و بستری فراهم میکند تا نیروی انسانی سازمان بتوانند بر اقدامات استراتژیک تمرکز کنند و تعامل مناسبی با مشتریان شکل دهند.
مزایای چتباتهای شخصیسازی شده برای بانکها
بانکها هر روز در جدال با تحولات فناورانه و تغییراتی هستند که در انتظارات مشتریان ایجاد میشود؛ در نیاز است تا از راهکارهای نوآورانه برای بهبود خدمات پیشنهادی به مشتریان استفاده کنند. با بهرهگیری از تکنولوژیهای نوظهوری مانند هوش مصنوعی، یادگیری ماشین و پردازش زبان طبیعی (NLP)، بانکها میتوانند عملکرد چتباتها را تا نقطه خلق تجربهای بینظیر و خاص برای مشتریان بازبینی و اصلاح کنند.
بهبود کارایی و کاهش هزینهها | به کمک چتباتهای هوشمند میتوان تسکهای تکراری مانند پاسخ به سوالات عمومی و پرتکرار مشتریان، زمانبندی قرارهای ملاقات و یا ارائه اطلاعات پایه حساب کاربران را خودکارسازی کرد. چنین تغییری باعث آزاد شدن وقت نیروهای انسانی و فراهم شدن امکان تمرکز بر تسکهای پیچیده و ارزشمندتر میشود. در نتیجه بانکها میتوانند هزینههای عملیاتی مرتبط با بخشهای ارائه خدمات و پشتیبانی را کاهش دهند. |
شخصیسازی بر اساس دادههای مشتریان | چتباتهای هوشمند با تحلیل آنی دادههای مشتریان، میتوانند پیشنهادات و توصیههای شخصیسازی شدهای مانند پیشنهاد یک محصول و خدمت خاص و یا مشاوره در یک زمینه مشخص ارائه کنند. درک رفتارها و ترجیحات مشتریان به بانکها کمک میکند تا بتوانند رضایت و وفاداری مشتریان را افزایش دهند که این به بهبود جریانهای درآمدی بانک منجر خواهد شد. |
مقایسپذیری و در دسترس بودن | با سرویسدهی شخصیسازی شده به صورت 24/7، امکان رسیدگی همزمان به چندین درخواست مشتری فراهم میشود و چنین امری باعث تسهیل مقیاسپذیری و پاسخ به تعداد در حال رشد مشتریان بدون نیاز به صرف هزینه اضافه میشود. از سوی دیگر، امکان دسترسپذیرتر کردن سرویسها برای مشتریانی که مایلند به صورت سلف-سرویس از گزینهها استفاده کنند و یا دسترسی محدودی به کانالهای سنتی بانکی دارند، وجود خواهد داشت. |
مزایای رقابتی و نوآورانه | بهرهگیری بانکها از راهکارهای هوش مصنوعی از تعهد آنها به نوآوری و پیشرفتهای فناورانه حکایت دارد و چنین مزیتی میتواند آنها را از رقبا متمایز کند. با خلق تجربهای بیوقفه و هوشمند برای مشتریان، بانکها میتوانند مشتریان جدیدی جذب کنند و مشتریان فعلی را نیز حفظ کنند که درنهایت باعث پیشی گرفتن آنها در بازار میشود. |
نهادهای مالی به طور فزایندهای در حال بهکارگیری چتباتها و دستیارهای هوشمند مجازی هستند؛ با اینحال بسیاری از راهکارهایی که توسط چنین بانکهایی به کار میروند، از مدلهای قدیمیتری استفاده میکنند که با ساختار و سناریوی غیرمنعطفشان، عموما کاربر را ناچار به استفاده از خدمات مشاورهای زنده و نفربهنفر میکنند.
با اینوجود اقدامات گروه خدمات مالی ING در همکاری با مککنزی، مثال جالبی از چنین موردی است که در آن از هوش مصنوعی مولد و پیشرفته، برای متحول کردن دستیار مجازی شرکت استفاده شد. چنین موردی این امکان را برای بانک فراهم میکند تا پشتیبانی فوری و شخصیسازیشدهای از مشتریان داشته باشد و استانداردهای امنیتی در سطح بالایی را برای آنها فراهم کند. رویکرد نوآورانه آنها بر اساس فرآیندی چندمرحلهای برای خلق بهترین واکنشها و پاسخها با استفاده از دادههایی از منابع مختلف و ارزیابی کارآمدی آنهاست. در مواقعی که احتمال وقوع موقعیتهای مختلف نیز وجود داشته باشد، سیستم به طور خودکار مجموعهای از راهکارها را برای ارائه به مشتریان آماده خواهد داشت.
همانطور که تستهای انجام شده در این پروژه ING در هلند نشان دادند، چنین بهبودی امکان پاسخ سریعتر به مسائل و مقیاسپذیری لازم متناسب با رشد کسبوکار را فراهم میکند؛ کمااینکه نتایج به دست آمده نشان دادند که تعداد مشتریانی که توسط این چتبات جدید توانستند مساله موردنظر خود را حل کنند، نسبت به نسخه قبلی 20 درصد بیشتر بوده است.
ریسکهای بالقوه و ملاحظات
همزمان با آنکه بانکها تصمیم به اجرای راهکارهای مبتنی بر هوش مصنوعی برای بهبود تعامل با مشتریان و سادهسازی عملیات سازمان میکنند، ضروری است تا نسبت به ریسکهای بالقوه و ملاحظاتی که در بهکارگیری چنین رویکردی وجود دارد نیز آگاه باشند. اگرچه بهکارگیری چتباتهای هوشمند مزایای زیادی برای سازمانها ایجاد میکند (از بهبود کارایی تا بهبود نگرش مشتریان)، غفلت از چالههای ولو کوچکی که در این مسیر وجود دارد، میتواند از کارایی مورد انتظار این فناوری برای سیستمها بکاهد و اعتماد را خدشهدار کند.
حالا زمان آن است نگاهی به ملاحظاتی بیندازیم که بانکها باید در هنگام طراحی و تولید چتبات برای بهکارگیری در کسبوکار خود در نظر داشته باشند؛ مواردی که ممکن است طیف گستردهای از موضوعات، از نگرانیهای امنیتی، انطباقات رگولاتوری، سوگیریهای الگوریتمی و یا حتی خطاهای انسانی را شامل شوند. با درک این چالشها و پرداختن به آنها، نهادهای مالی میتوانند در عین بهرهمندی از پتانسیلهای فناوری چتبات، از بروز ریسکهای احتمالی نیز جلوگیری کنند.
امنیت دادهها و حفظ حریم خصوصی | چتباتها عموما با اطلاعات مالی حساس سر و کار دارند و همین امر حفظ امنیت و حریم خصوصی را به یکی از دغدغههای اصلی کار با این ابزارها تبدیل میکند. چنانچه تمهیدات امنیتی لازم برای این سیستمها اندیشیده نشود، میتوانند به یکی از اهداف جذاب هکرها برای سرقت اطلاعات شخصی و مالی افراد تبدیل شوند. |
انطباق با الزامات رگولاتوری | بانکها اساسا در محیطی فعالیت میکنند که با سختگیریهای بسیاری رگوله میشود؛ با اینحساب پیادهسازی یک چتبات هوشمند، نیاز به بررسی دقیق مقررات ابلاغ شده از سوی این نهادها (ماند GDPR، CCPA و دیگر مقررات مالی مانند KYC و ضدپولشویی) دارد. ناکامی در برآوردن این الزامات میتواند بانکها را با جریمههای سنگین مواجه کند و به اعتبار آنها لطمه بزند. |
وابستگی و اتکای بیش از حد | وابستگی به چتباتهای هوشمند بدون آنکه از پشتیبانی انسانی کافی برخوردار باشد، میتواند خطرناک باشد. چنانچه چتبات به مشکلی بربخورد، ممکن است نتواند آن را رفع کند و اگر این مساله به از کارافتادن سیستم منجر شود، ممکن است مشتریان را در دسترسی به خدمات مهم مدنظرشان با مشکل روبرو کند. در ضمن، وابستگی صرف به هوش مصنوعی میتواند مانع توسعه ارتباطات نیروهای انسانی با مشتریان شود. درحالی که حفظ و تقویت چنین ارتباطی از ضرورتهای صنعت بانکداری است. |
تجربه مشتریان و وفاداری آنها | چنانچه پیادهسازی چتباتهای هوشمند به درستی انجام نشود، میتواند بر تجربه کاربری مشتریان بانک اثر منفی بگذارد و با ناامید کردن آنها، اعتمادشان به بانک را خدشهدار کند. در چنین شرایطی ممکن است اعتماد مشتریان به چتباتهای هوشمند نیز متزلزل شود و دیگر دقت و صحت پاسخ سوالاتی که دریافت کردهاند را باور نکنند. |
فقر نظارت نیروهای انسانی | درحالی که چتباتهای هوشمند میتوانند به خوبی به سوالات روتین کاربران پاسخ دهند، اما در بعد درک و همدلی آن با کاربران، میان فعالیت این ابزارهای هوشمند با عاملان انسانی تفاوتهای ظریفی وجود دارد. چنانچه نظارت انسانی مناسبی برای عملکرد چتباتها وجود نداشته باشد، ممکن است اطلاعات نادرستی به افراد بدهد؛ در اداره امور مشتریان حساس بد عمل کند و یا حتی عملی خلاف قانون انجام دهد و مشکلی قانونی ایجاد کند. |
نمونهای از ضعف نظارت انسانی در عملکرد چتباتها را میتوان در موردی که برای Air Canada پیش آمد مشاهد کرد. در این مورد، چتبات با راهنمایی غلط یک مسافر، باعث شد که شرکت درگیر یک پرونده حقوقی شود. برخلاف دفاعهای قانونی انجام شده از سوی وکلای شرکت، دادگاه از پذیرش اینکه چتبات یک هویت قانونی مستقل است و خودش مسئول اقدامات خود است، سر باز زد. در نهایت این پرونده باعث شد که این شرکت ملزم به جبران خسارت تحمیل شده به مسافر شود. چنین رخدادی، ضرورت وجود نظارت انسانی برای فعالیت پلتفرمها و ابزارها را به خوبی محسوس میکند.
هوش مصنوعی هر روز در حال فتح حوزههای جدید است؛ در ادامه دستاوردهایی که این فناوری در تولید انواع مختلف محتوا (مانند تصاویر گرافیکی، ویدئو و مقالات متنی) بدون نیاز به داشتن تخصص و مهارت ویژه داشته، حالا زمزمههایی از ورود آن به حوزه برنامهنویسی و تحلیل داده به گوش میرسد. علی گلزاده، مدیرعامل داتا، در یادداشتی که به تازگی در شماره 86 ماهنامه عصر تراکنش به چاپ رسیده، تلاش کرده تا کلیاتی از تاثیرات هوشمندسازی این حوزه را مورد بررسی قرار دهد. متن این یادداشت را میتوانید در ادامه بخوانید:
مدتهاست که در محافل مختلف بحث ارزشمندی دادهها برای سازمانها داغ است. با اینوجود چنانچه سازمان قادر به استخراج بینش از داده نباشد، داشتن آن چندان ارزشی ندارد و مزیتی برای آن کسبوکار ایجاد نخواهد کرد. ناتوانی در جمعآوری دانش از دادهها، بسیاری از کسبوکارها را به تلاش برای کشف روشی برای استفاده مؤثر از دادهها واداشته است. اساساً سازمانها برای شکوفا کردن پتانسیلهای داده و انتفاع از آنها، به مداخله متخصصان داده نیاز دارند؛ با این وجود به نظر میرسد با فناوری تجزیهوتحلیل افزوده (augmented analytics) ماجرا کمی متفاوت باشد.
تجزیهوتحلیل افزوده فرایندی است که در آن جمعآوری داده بهصورت خودکار از منابع دادهای انجام میشود؛ این دادهها به صورت هوشمند تمیز شده و با روشهای عاری از سوگیری تحلیل میشوند؛ سپس به کمک پردازش زبان طبیعی (NLP) گزارشهایی ایجاد شده و به مخاطب منتقل میشود. به لطف یادگیری ماشین، تجزیهوتحلیلهای افزوده بدون کمکگرفتن از متخصصان داده، به جستجوی الگوها و یا بینشهای ارزشمند دیگر در دل دادهها میپردازند. نکتهای که باید مورد توجه قرار داد آن است که حتی با فراگیری تجزیهوتحلیل افزوده و انطباق سازمانها با آن، باز هم تقاضا برای تحلیلگران داده بالا خواهد بود. همانطور که از نام این فناوری برمیآید، این برنامه مبتنی بر هوش مصنوعی، با خودکارسازی انجام بسیاری از کارهای تکراری مانند جمعآوری و آمادهسازی داده، به تقویت تلاشهای انسانی میپردازد و زمان تحلیلگران داده را برای داشتن عملکردی خلاقانه و راهبردیتر، مانند طرح سؤالات کسبوکاری بهتر و یافتن منابع دادهای نوآورانه آزاد میکند.
مهمترین بخشهای این فناوری در ادامه توضیح داده میشوند:
جمعآوری و آمادهسازی داده: پتانسیلهای هوش مصنوعی باعث میشود که با خودکارسازی امور، فرایند جمعآوری و آمادهسازی دادهها از منابع مختلف بسیار سادهتر شود. به لطف الگوریتمهای هوش مصنوعی، حالا امکان بررسی دقیق مجموعههای عظیمداده برای عاری بودن از خطاها و ناپیوستگیها و همچنین شناسایی ویژگیهای خاص درون دادههایی مانند دادههای شخصی، فراهم شده است.
کشف و مصورسازی داده: بهکارگیری الگوریتمهای پیچیده برای تحلیل و مصورسازی، باعث میشود که فرایندهای کشف، استخراج و نمایش دادهها بهبود پیدا کند. روشهای هوش مصنوعی شامل خوشهبندی و کشف ناهنجاریها، به شناسایی الگوها و ناهنجاریهای نهفته در دل دادهها کمک میکند. ابزارهای مصورسازی مبتنی بر هوش مصنوعی، امکان ایجاد تصاویر تعاملی و کاربرپسند را فراهم میکنند که چنین امری به کاربر امکان میدهد بتواند بهگونهای بسیار مؤثرتر مجموعهدادههای پیچیده را بررسی کرده و بتواند اقدامات عملی مناسب را برنامهریزی کند.
یادگیری ماشین و تحلیلهای آماری: یادگیری ماشین یکی از زیرشاخههای هوش مصنوعی است که فرایند ساخت مدلهای پیشبینیگر را خودکارسازی میکند. این فناوری این امکان را فراهم میکند که مدلها بتوانند از دادههای تاریخی موجود یاد بگیرند، الگوها را تشخیص دهند و با کمترین دخالت انسانی بتوانند پیشبینی یا تصمیمگیری کنند. ابزارهای تجزیهوتحلیل افزوده، قابلیتهای یادگیری ماشین خودکار (AutoML) را فعال میکنند و بدون نیاز به آموزشهای اضافی، خلق مدلهای شخصیسازی شده یادگیری ماشین را تسهیل میکنند.
پردازش زبان طبیعی (NLP) و تولید زبان طبیعی (NLG): پردازش زبان طبیعی در تحلیلهای دادهای نقشی چندوجهی دارد که ابهامات زبانی را رفع کرده، دادهها را ساختاربندی میکند و ارتباط میان کاربران و کامپیوترها را برای اموری مانند خواندن، تشخیص و تحلیلها تسهیل میکند. این مسئله ارائه پاسخهای فوری و منسجم از طریق تولید زبان طبیعی را ممکن میکند. افزون بر این، پردازش زبان طبیعی با استخراج حقایق و ارتباطات حیاتی و خلاصهسازی حجم انبوهی از دادههای متنی و انجام تحلیلها از اقدامات نیز پشتیبانی میکند. تولید زبان طبیعی نیز با قدرتمند کردن ابزارهای تحلیلی که امکان ارائه پاسخهای قابلدرک و تولید گزارش به زبان انسانی فراهم میکند، به تکمیل این قابلیتها میپردازد.
مزایای تجزیهوتحلیل افزوده عبارتاند از:
- آزادشدن زمان متخصصان داده برای تمرکز بر موضوعات استراتژیک و موضوعات خاص
- از آنجا که ماشینها توانایی تحلیل بهینه تعداد بیشماری از منابع دادهای و ترکیب آنها را دارا هستند، امکان انجام تحلیلهای عمیقتر را فراهم میکند.
- با سادهکردن کار تحلیل داده، استفاده از آن را برای رسیدن به بینشهای عملی میسر میکند.
- تعداد بیشتری از نیروهای سازمان بر داده متمرکز میشوند و با تبدیل استفاده از دادهها به امری روزمره، استفاده از این سرمایه ارزشمند را از انحصار متخصصان داده خارج میکند.
- آمادهسازی داده با سرعت بیشتری انجام میشود و تحلیل و مصورسازی داده نیز بهگونهای مؤثرتر پیش برده میشود.
- به کشف بینشهایی میانجامد که شاید کاربر فکرش را نیز نمیکرد.
- با نمایش خودکار بینشها، ارائه توصیهها و توانمندسازی همه کاربران برای تعامل با دادههایشان، سواد داده ارتقا پیدا میکند.
بدون شک هوش مصنوعی را باید یکی از پرسروصداترین فناوریهای سال 2025 دانست و پیشبینی میشود این فناوری، با فتح مدارس، بیمارستانها و خانهها، بیش از پیش در زندگی روزمره بشر تنیده شود. رشد تاثیرات هوش مصنوعی باعث میشود که ضرورت پرداختن به حواشی و ملاحظات اخلاقی این مساله و اثراتی که بر زندگی افراد و جوامع دارد، به شدت حس شود. البته هنوز سوالات بسیاری بیپاسخ مانده است … مانند اینکه عاقبت مشاغل در حضور هوش مصنوعی به چه صورت خواهد بود؟ آیا هوش مصنوعی جایگزین خلاقیت بشریت میشود یا خیر؟ و افزایش نیاز به تغذیه الگوریتمهای هوش مصنوعی با دادههای شخصی در عصر دیجیتال، چه پیامدهای امنیتی به دنبال خواهد داشت؟
به گزارش روابط عمومی داتا به نقل از فوربز، انتظار میرود سال 2025، شروعی برای پاسخ به بخشی از چنین سوالاتی باشد. از سمت دیگر ممکن است در این سال شاهد پیشرفتهایی باشیم که تا همین چند سال پیش، دستیابی به آنها غیرممکن به نظر میرسید. در نتیجه در ادامه خلاصهای از آنچه را که به اعتقاد فعالان این حوزه میتوانند به داغترین موضوعات سال آتی در حوزه هوش مصنوعی و اتوماسیون تبدیل شوند، ذکر خواهیم کرد.
ادغام هوش مصنوعی با فرآیندها
در سال جاری شاهد آن بودیم که ادغام شتابزده قابلیتهای هوش مصنوعی مولد با بخش اعظم ابزارهای نرمافزاری، در دستور کار بسیاری از شرکتها قرار گرفت و این اقدام به حدی افراطی پیش برده شد که گویا هیچ کسی دوست ندارد از این غافله جا بماند. با این حساب به نظر میرسد که یکپارچهسازی قابلیتهای هوش مصنوعی در ابزارهای مختلف با ملاحظات بیشتری انجام شود و پیش از اقدام با دقت بیشتری به این مساله توجه شود که بشر چگونه میتواند به مدد هوش مصنوعی، توانمندیها را بهبود دهد؛ تا از این طریق زمان خالی بیشتری را برای نوآوری و توسعه مهارتهای بینفردی که انجام آنها هنوز برای ماشینها چندان ساده نیست، تخصیص دهند. چنین رویکردی در مقابل اینکه صرفا بنا باشد چتباتها را به هر چیزی اضافه کنیم، به راهی برای هوشمندسازی کسبوکارها کمک کند تا بتوانند به کمک هوش مصنوعی در سال جاری خلق ارزش واقعی داشته باشند.
تصمیمسازی خودکار و آنی (Real-time)
درحالی که برخی کسبوکارها در حال گلایه از چالشهای بهکارگیری استراتژیک هوش مصنوعی در امورشان هستند، دسته دیگری که دارای استراتژی بالغتری برای هوش مصنوعی هستند، در مسیر خودکارسازی نقطه به نقطه تمامی فرآیندهای کسبوکارشان قدم برمیدارند. این مدل در بخشهای لجستیک، بازاریابی و پشتیبانی مشتریان که تصمیمگیریها به صورت الگوریتمی انجام میشوند (مانند مدیریت انبار و یا چگونگی پاسخگویی به مشتریان با حداقل مداخله انسانی) قابل اجراست. چنین رویکردی نه تنها کارایی کسبوکار را بهبود میدهد، بلکه توانایی پاسخگویی سریع در قبال تغییر عادات مشتریان و شرایط بازار را نیز فراهم میکند.
هوش مصنوعی مسئولیتپذیر (Responsible AI)
در سال 2025، شاهد رشد آگاهی نسبت به اهمیت توسعه و بهکارگیری هوش مصنوعی با رویکردی خواهیم بود که در تمام مراحل آن، شفافیت، مسئولیتپذیری، قابلاعتماد بودن و رعایت ملاحظات اخلاقی و حقوق معنوی رعایت میشود. اگرچه بخشی از این موارد با فشارهای قانونی مورد تاکید قرار خواهند گرفت، اما به نظر میرسد که بهزودی شاهد رشد آگاهی عمومی نیز نسبت به زیانهای ناشی از سواستفاده و یا استفاده غیرمسئولیتپذیرانه از هوش مصنوعی باشیم. اکنون نیز بسیاری از ما نسبت به خطرات سوگیریها و سوبرداشتهای هوش مصنوعی آگاه هستیم و متوجهیم که حذف این موارد مستلزم تلاشهای هماهنگ و منسجم است. کسبوکارهایی که انتخاب میکنند چنین مواردی را نادیده بگیرند و یا بهگونهای سرسری به مساله بپردازند، باید انتظار تبلیغات بد، تحریک رگولاتورها و تضعیف ارتباط با مشتریان را داشته باشند.
تولید محتوای ویدئویی با هوش مصنوعی
تصور کنید با تایپ کلیتی از یک فیلم سینمایی و یا بخش کوچکی از ویدئو، کاری کنید که آن دستورات در قالب یک ویدئو کامل تولید شوند و برای شما به نمایش درآیند. درست مانند خروجیهایی که چت جیپیتی تولید میکند، منتها با فرمت ویدئو و یا تصاویر محرک. شرکت اپنایآی امثال با ارائه مدل هوش مصنوعی Sora، این ایده را پیادهسازی کرد و انتظار میرود سال 2025، این فناوری به صورت عمومی در دسترس قرار بگیرد. اگرچه انتظار این نیست که ساخت فیلمهای سینمایی با این رویه و از طریق تایپ دستورات به فرصتی برای رقابت با آثار شرکتهایی مانند دیزنی تبدیل شود، اما به هر صورت مشاهده مسیری که هوش مصنوعی در حال طی کردن است و اهدافی که در آینده نزدیک قرار است به آنها دست پیدا کند، مایه شگفتی و خرسندی است.
نسل جدید دستیارهای صوتی هوشمند
سالهاست که دستیارهای صوتی هوشمندی مانند سیری و الکسا، به جزئی از زندگی بشر امروزی تبدیل شدهاند، اما حقیقت آن است که قابلیتهای مکالماتی این ابزارها کاملا محدودند. امسال شرکت اپنایآی اقدام به معرفی مود صوتی پیشرفتهای برای چتجیپیتی کرد که قادر است با کاربران مکالماتی انجام دهد که تا حد زیادی به مکالمات انسانی شباهت دارند. گوگل نیز اخیرا اقدام به تجمیع و یکپارچهسازی چتبات Gemini در سیستم دستگاههای موبایلی کرده است که از نظر عملکردی جایگزین «Hey Google» قدیمی شده است. در سال 2025، به احتمال زیاد شاهد ظهور چنین قابلیتهایی در تعداد بیشتری از دستگاهها باشیم که قادرند مکالمات صوتی طبیعیتری را با کاربران شکل دهند.
قوانین و مقررات هوش مصنوعی
سالهاست که حکومتها و نهادهای قانونی، در تلاش برای رسیدن به نقطه تعادلی هستند که هم از مزایای هوش مصنوعی حداکثر بهرهبرداری انجام بشود و هم بتوان بر چالشهای آن فائق آمد. امسال شاهد آن بودیم که کشورهای اتحادیه اروپا و چین، گامهای مثبتی در مسیر محدودسازی مسیر سواستفادههای احتمالی از هوش مصنوعی برداشتند و اقداماتی برای جرمانگاری مواردی مانند دیپفیک و مقرراتگذاری چگونگی استفاده از آن در بخشهای مالی و قانونی انجام دادند. انتظار میرود که سال 2025، چنین تلاشهایی با تمرکز بیشتر بر اولویت قائل شدن برای حقوق بشر و حذف پتانسیلهای آن در زمینه تبعیض و انتشار اطلاعات نادرست دنبال شوند.
عاملان هوشمند و خودمختار
بخش اعظم ابزارهای هوش مصنوعی که این روزها مورد استفاده و اقبال بشر قرار گرفتهاند، از اصول سادهای مانند تولید متون و تفسیر دادهها برای پیشبینی برخی موضوعات، پیروی میکنند. عاملان هوشمند (مانند سیری، الکسا و یا چتباتها) اساسا ابزارهای مبتنی بر فناوریهای هوش مصنوعی هستند که که قادرند بدون دریافت دستورالعملهای دقیق و مفصل، تعداد زیادی تسک را پی در پی انجام دهند تا یک هدف مشخص محقق شود و در ادامه نیز رفتارشان را متناسب با خروجی مشخصی که حاصل شده تعدیل کنند. این مساله، مقدمهای برای دستیابی به یک هوش مصنوعی عمومی (General AI) و فراگیر است که میتواند بر مجموعههای متفاوتی از تسکها اعمال شود. با این وجود این رویه باعث طرح سوالات و نیازهای پیچیدهتری در زمینه نیاز به نظارتهای بیشتر بر هوش مصنوعی و مسئولیتپذیری آن در قبال نتایجی که حاصله شده است.
ورود به عصر «پساحقیقت»
پرداختن به محتوای فیک و اخبار نادرستی که حالا به واسطه هوش مصنوعی، بخش زیادی از فضای مجازی را به خود اختصاص داده، یکی از اساسیترین چالشهایی است که انتظار میرود در سال 2025، جوامع را گرفتار خود کند. مداخله در نتایج انتخابات به امید تغییر آنها متناسب با خواست گروههای خاص، اکنون یکی از موضوعاتی است که در سطح گسترده بشر را گرفتار کرده؛ گروهی معتقدند چنین پدیدهای حاکی از آنست که بشر به عصر پساحقیقت (Post-truth) رسیده است و این به معنی آنست که دیگر کسی نمیتواند به چیزی که میبیند و میشنود اعتماد کند.
انتظار میرود که در سال 2025، جوامع شروع به پرداختن به چالش ایجاد شده در این زمینه کنند و در نهایت تغییر مطلوب با مداخله حاکمیت و نهادهای قانونی کشورها (مانند قوانین و مقرراتی که اخیرا در چین به تصویب رسید و ایجاد دیپفیک از افراد حقیقی را جرمانگاری کرد) ایجاد شود؛ البته در کنار آن از اهمیت پرداختن به مساله از طریق آموزش اصول و قواعد به صورت پایهای و فرهنگسازی مناسب در جوامع نیز نباید غافل شد تا بستری فراهم شود که افراد به صورت پیشفرض، نگاه منتقدانه خود را نسبت به آنچه میبینند و میشنوند حفظ کنند و درباره بررسی صحت آن حساسیت به خرج دهند.
هوش مصنوعی کوانتومی
محاسبات کوانتومی (که از رفتارهای منحصربهفرد فیزیک کوانتوم برای حل مسائلی استفاده میکند که کامپیوترهای معمولی از عهده حل آنها برنمیآیند) اگرچه هنوز در ابتدای مسیر و دوران طفولیت خود قرار دارد، اما میتواند هوش مصنوعی را در آیندهای نزدیک با تحولات اساسی مواجه کند. فراهم کردن زمینهای که الگوریتمها بتوانند با سرعتی هزاران میلیون بار سریعتر از کامپیوترهای معمولی اجرایی شوند، نه تنها باعث تسریع توسعه هوش مصنوعی میشود، بلکه زمینهساز ایجاد قابلیتهایی است که به کمک آنها بتوان به موضوعات و چالشهای بسیار جدیتر و پیچیدهتری پرداخت؛ بهطوری که امکان دستیابی به اهدافی در طیف گستردهای از صنایع، از خودروسازی تا صنعت دارو و تولید موارد اولیه و منابع کاملا جدید و متفاوت، فراهم شود. با این حساب میتوان در سال 2025، مترصد آغاز رشد چنین حوزههایی باشیم که شنیدن اخبار پیشرفتهای ایجاد شده، بشر رو به متحیر کند.
هوش مصنوعی در موضوعات دفاعی و امنیت سایبری
پیشبینی میشود که روند رو به رشد حملات سایبری، در سال 2025 نیز ادامه داشته باشد و با این حساب، بهکارگیری فناوری هوش مصنوعی برای شناسایی و کشف نفوذها، نشتهای اطلاعاتی و تشخیص ناهنجاریها جدیتر خواهد شد و این نیاز حس میشود که عملکرد سیستمهای امنیت سایبری بهگونهای تغییر پیدا کند که خود سیستم بتواند پیش از ایجاد آسیبهای جدی، به صورت خودکار برای رفع مساله وارد عمل شود. صحبت صرفا درباره الگوریتمهای نامرئی و عملکرد پشت صحنه نیست؛ همپای رشد تعداد تهدیدهایی که در قالب فیشیگ و یا حملات مهندسی اجتماعی به وقوع میپیوندند، چتباتها با شبیهسازی حملات فیشینگ و شفافسازی اینکه چگونه هدف قرار میگیریم و چگونه فریب این تهدیدها را نخوریم، میتوانند نقش موثری در کمک به بهبود امنیت سایبری داشته باشند.
هوش مصنوعی پایدار
این موضوع دو محور اصلی دارد. نخست اینکه اکنون همه دنیا نسبت به مصرف بالای انرژی سیستمهای ابری هوش مصنوعی آگاهند و با این حساب به نظر میرسد به زودی شاهد تلاشهای هماهنگ و متمرکزی برای حرکت به سمت استفاده از منابع انرژی تجدیدپذیر و پایدار برای تغذیه دیتاسنترها باشیم. دومین موضوع که نیاز به توجه دارد آن است که اپلیکیشنهای هوش مصنوعی که برای بهبود پیاداری و کاهش ردپای زیستمحیطی صنایع مختلف طراحی شدهاند، پتانسیل بالایی برای کمک به رفع این مسائل دارند. با این حساب به نظر میرسد در سال 2025، در بحثهای مختلف زیستمحیطی، از به حداقل رساندن الگوریتمی مصرف آب و آفتکشها تا انجام مسیریابی بهینه ترافیکی در شهرها و کاهش آلودگیهای ناشی از تردد وسایل نقلیه موتوری، هوش مصنوعی بتواند به نقشافرینی قدرتمند خود در قالب ابزارهایی برای حفاظت از محیط زیست ادامه دهد.
تشخیص زودهنگام اختلال اتیسم در کودکان زیر 4 سال، از طریق تحلیل صدای گریه آنها با مدلهای هوش مصنوعی ممکن شد.
افزایش تعداد کودکان مبتلا به اختلال طیف اتیسم و اهمیت مداخلات زودهنگام برای توانبخشی این اختلال، مطالعات بسیاری را به سمت ایجاد روشهای غربالگری زودهنگام و خودکار سوق داده است. بر اساس نظر متخصصین و مطالعات صورتگرفته، صدای گریه به عنوان یک نشانگر زیستی قابل دسترس از بدو تولد، میتواند برای غربالگری کودکان مبتلا به اتیسم مورد استفاده قرار گیرد. بر این اساس و با توجه به کمبودهای کارهای صورتگرفته در این حوزه، پژوهشی با رویکرد غربالگری برای جداسازی کودکان مبتلا به اتیسم از کودکان معمولی با استفاده از صدای گریه انجام شده است که امکان غربالگری زودهنگام و خودکار را فراهم میکند.
غربالگری کودکان طی این پژوهش، با استفاده از مدلی مبتنی بر هوش مصنوعی برای تحلیل داده صدای گریه کودکان زیر سن ۴ سال انجام شده است و حتی در سنین پایین نیز نتایج قابل قبولی داشته است. به طور خلاصه کودکان معمولی همگی به درستی توسط مدل هوش مصنوعی جداسازی شدند و از میان کودکان مبتلا، پسران مبتلا بادقت بالاتر از ٨۵ درصد و دختران مبتلا با دقت بالاتر از ٧١ درصد تشخیص داده شدند.
از جمعآوری صدای گریه کودکان تا رسیدن به نتیجه نهایی همگی در حین این پژوهش انجام شده است و مقاله مستخرج از آن در سال ١٣٩٩ در مجله PlosONE به چاپ رسیده است.
این پژوهش که توسط آیدا خزاعی، کارشناس ارشد هوش مصنوعی شرکت داتا انجام شده است، امسال نیز موفق به کسب تندیس طلایی دوره اول جایزه باشگاه مغز شد. پژوهش مذکور در رقابت با ۵٩ پژوهش دیگر و با رای هیات داوران توانست این جایزه را در حوزه کودکان از آن خود کند.
تجزیهوتحلیلهای پیشگو حالا دیگر به یکی از ضرورتهای صنعت مالی تبدیل شدهاند و این ضرورت در بحث مدیریت ریسک بیش از دیگر بخشها حس میشود. نهادهای مالی میتوانند دادههای تاریخی و فعلی را برای پیشبینی رخدادهای آتی و روندها بهکار بگیرند و فعالانه به ریسکهای موجود رسیدگی کنند. درادامه شماری از مهمترین کاربردهای عملی تحلیلهای پیشگو را مرور میکنیم:
تحلیل ریسک اعتباری: نهادهای مالی به صورت فزایندهای در حال استفاده از تحلیلهای پیشگو برای ارزیابی وامگیرندگان هستند. حالا وامدهندگان از طریق ارزیابی دادههای مختلف شامل امتیازهای اعتباری، تاریخچه پرداختها و رفتار کاربران در شبکههای اجتماعی، میتوانند با دقت بیشتری احتمال نکول شدن را ارزیابی کنند. مثلا امریکناکسپرس از تحلیلهای پیشگو برای ارزیابی ریسکهای اعتباری پیش از وقوع آنها استفاده میکنند. این رویکرد فعالانه شرکتها را قادر میکند راهکارهای اعتباری شخصیسازیشده ارائه کنند و بتوانند بهگونهای موثر پورتفو ریسک اعتباری را مدیریت کنند.
کشف تقلب و مبارزه با پولشویی (AML): بهکارگیری تحلیلهای پیشگو در بحث کشف فعالیتهای متقلبانه و پیشگیری از پولشویی حالا دیگر به یک ضرورت تبدیل شده است. بانکها و شرکتهای ارائهدهنده خدمات مالی از الگوریتمهای یادگیری ماشین برای تحلیل الگوهای تراکنشها و مشخصکردن ناهنجاریهایی استفاده میکنند که میتوانند حاکی از رفتارهای متقلبانه باشند.
مدیریت پورتفو: مدیران دارایی از تجزیهوتحلیل پیشگو برای تصمیمگیری آگاهانه درمورد فرصتهای سرمایهگذاری استفاده میکنند. مدلهای پیشگو میتوانند با تحلیل دادههای بازار، شاخصهای اقتصادی و احساس سرمایهگذار، روند بازارها و حرکات قیمتی دارایی را پیشبینی کنند.
ارزیابی ریسک عملیاتی: تحلیلهای پیشگو در بحث مدیریت ریسکهای عملیاتی مانند شکست سیستم، نقض الزامات تطبیق و تهدیدهای امنیتی، نهادهای مالی را یاری میکنندد. مدلهای پیشگو میتوانند با رصد و تحلیل دادهها از منابع مختلف ، معضلات بالقوه عملیاتی را پیش از تشدید و وخامت، شناسایی کنند. مثلا سیتیبانک از تجزیهوتحلیل پیشگو برای رصد نشانههایی از ریسکهای عملیاتی در شبکه جهانی خود استفاده میکند که این امر آنها را قادر میکند با انجام اقدامات پیشگیرانه، از فروپاشی سیستم و خسارات مالی جلوگیری کنند.
مدیریت ریسک بازار: تجزیهوتحلیل پیشگو این امکان را برای نهادهای مالی فراهم میکند تا ریسکهای بازار را پیشبینی و کنترل کنند. با تحلیل دادههای فعلی و تاریخی بازار، مدلهای پیشگو میتوانند به نهادها در درک و آماده شدن برای جابجاییهای بالقوه بازار کمک کنند. مثلا jpmorgan chase از تجزیهوتحلیلهای پیشگو برای مدل کردن سناریوهای مختلف بازار و انجام تست استرس روی پورتفوهای آنها استفاده میکند تا از دوام آنها در شرایط مغرنج بازارها اطمینان حاصل کند.
پیشبینی ریسک نقدینگی: مدیریت ریسک نقدینگی یکی از اصلیترین امور نهادهای مالی است و تجزیهوتحلیلهای پیشگو راهی برای پیشبینی جریانهای نقدی موردنیاز و گپهای بالقوه تامین مالی استفاده میکنند. با تحلیل الگوهای جریان نقدینگی، شرایط بازار و رفتار طرفین مقابل، بانکها میتوانند نیازهای نقدینگی را پیشبینی کنند و از انجام تامین مالی کافی برای برآوردن تعهدات مطمئن شوند. گلدمن ساکس از تجزیهوتحلیلهای پیشگو برای مدیریت ریسک نقدینگی استفاده میکند تا حفظ تعادل بهینه میان داراییهای نقدی و بدهیها تضمین شود.
در هر مورد، تجزیهوتحلیلهای پیشگو با ایجاد بینش به متخصصان مالی در واکنش فعالانه به رخدادها و اتخاذ تصمیمات آگاهانه کمک میکنند. نهادهای مالی میتوانند اقداماتشان در بحث مدیریت ریسک را تقویت کنند، از ریسکهای بالقوه عملیاتی بکاهند و با بهکارگیری این تحلیلها در فضای رقابت ماندگار باشند.
آینده تحلیلهای پیشگو در صنعت مالی
پیشرفتهای فناوری، تحلیلهای دادهای و هوش مصنوعی (AI)، نقش قابلتوجهی در تحریک رشد و نوآوری تحلیلهای پیشگو در صنعت مالی دارند. نهادهای مالی از تحلیلهی پیشگو برای مدیریت ریسکها و تصمیمگیریهای آگاهانه استفاده میکنند. اکنون در چشمانداز صنعت، ترندها و توسعههایی شامل تحلیل دادههای آنی (Real-time)، پیشرفتهای هوش مصنوعی و یادگیری ماشین، استفاده از راهکارهای دادهای، تطبیق الزامات رگولاتوری، استانداردهای اخلاقی و بهکارگیری بلاکچین برای بهبود امنیت و شفافیت، درحال شکلگیری هستند.
در صنعت مالی فعلی، روز به روز بر اهمیت بهکارگیری تحلیلهای ریلتایم اضافه میشود. این تحلیلها با فراهم کردن امکان شناسایی فوری روندها، ریسکها و فرصتها، زمینهساز تسریع و بهبود تصمیمگیریهای آگاهانه میشوند. برای مثال، شرکت Visa از تحلیلهای ریلتایم پیشگو برای کشف و پیشگیری از تقلب در تراکنشها (به محض انجام) استفاده میکند که این امر باعث کاهش قابلتوجه ریسک زیانهای مالی برای شرکتها و مشتریان آنها میشود.
با شتاب گرفتن پیشرفتهای هوش مصنوعی و یادگیری ماشین، توسعه الگوریتمهای پیشگوی پیچیدهتری که از دقت بالایی برخوردارند ممکن شده است. این پیشرفتها نهادهای مالی را قادر میکنند که مجموعههای پیچیده دادهای را با کارایی بیشتری تحلیل کنند و گره خلق بینشهایی که پیش ازاین دستیابی به آنها مممکن نبود را بگشایند. مثلا گلدمن ساکس در حال سرمایهگذاری روی دستهای از پژوهشهای هوش مصنوعی است تا الگوریتمهای پیشرفته معاملاتی توسعه داده شوند که امکان پیشبینی حرکات بازار را با دقت بالاتری ممکن میکنند.
نهادهای مالی در حال توسعه منابع دادهای خود فرای شاخصهای مالی سنتی هستند؛ دادههایی که میتوان در تشریح بیشتر آنها به تحلیل احساسات نهفته در محتوای شبکههای اجتماعی، تصاویر ماهوارهای و دادههای دستگاههای اینترنت اشیا اشاره کرد. چنین طیف گستردهتری از دادهها، موجب میشوند بتوان چشمانداز جامعتری از شرایط بازار و رفتار مشتری به دست آورد.
با افزایش یکپارچهسازی تحلیلهای پیشگو با انواع عملیات مالی، نهادهای رگولاتوری احتمالا دستورالعملهای سختگیرانهتری را برای اطمینان از برآورده شدن الزامات اخخلااقی، شفافیت و مسئولیتپذیری تنظیم خواهند کرد. سازمانهای مالی باید با ارتباط درست با رگولاتور مرتبط با فعالیتشان، خود را متعهد به رعایت بالاترین سطح اصول اخلاقی، در بحث بهکارگیری دادهها برای تصمیمگیری کنند.
بهکارگیری فناوری بلاکچین در تحلیلهای پیشگو، باعث ایجاد فرصتهای درخشانی برای بهبود شفافیت و امنیت اطلاعات میشود. بلاکچین می تواند به جلوگیری از دستکاری دادهها کمک کند و از یکپارچگی تجزیهوتحلیل پیش بینیکننده از طریق ایجاد یک دفتر کل (temper-proof ledger) برای مدیریت تراکنش ها و داده های مورد استفاده در مدل ها اطمینان حاصل کند.
پیشرفتهای سریع فناوری، بهکارگیری و یکپارچهسازی منابع مختلف داده و تمرکز ویژه روی تطبیق با الزامات رگولاتوری و ملاحظات اخلاقی، باعث شدهاند که بتوان به آینده تحلیلهای پیشگو در این صنعت بسیار امیدوار بود. نهادهای مالی برای آنکه بتوانند مدیریت ریسک را به گونهای بهینه، کارا، نوآورانه و امن اجرا کنند و از تحلیلهای پیشگو حداکثر بهره را ببرند، لازم است چابک بمانند و به طور پیوسته استراتژیها و فناوریهای خود را با شرایط جدید تطبیق دهند.
نتیجهگیری
در نهایت باید تاکید کرد که تحلیلهای پیشگو، مدیریت ریسک در صنعت مالی را به طور کل متحول کردهاند. این تحلیلها ابزار قدرتمندی هستند که به پیشبینی ترندها، حذف ریسکها و تسهیل تصمیمگیری آگاهانه کمک میکنند. نهادهای مالی که خود را با تحلیلهای پیشگو تطبیق دادهاند، مانند امریکن اکسپرس و HSBC بهبود قابلتوجهی در تصمیمگیری و پروفایل ریسک سازمان خود حس کردهاند.
با تمام اینها، بهکارگیری تحلیلهای پیشگو در عملیات مالی خالی از چالش نیست. از جمله مهمترین چالشهای این موضوع میتوان به پیچیدگی مدلها، نیاز به شفافیت و الزام تطبیق با مقررات رگولاتوری اشاره کرد. با این وجود، تعهد این صنعت به غلبه بر مشکلات موجود، در سرمایهگذاریهای روزافزونی که در زیرساختهای داده، تطبیق با ابزارهای تحلیلی پیشرفته و ایجاد فرهنگ دادهمحوری در سازمانها و بانکهای آمریکایی کاملا مشهود است.
آینده تحلیلهای پیشگو در صنعت مالی بسیار روشن است. پیشرفتهای ایجاد شده در تحلیل آنی (real-time) داده، هوش مصنوعی و منابع جایگزین داده، باعث بهبود قابلیتهای مدیریت ریسک خواهد شد. بهکارگیری فناوری بلاکچین نیز نویدبخش بهبود امنیت و شفافیت و اطمینان از یکپارچگی تحلیلهای پیشگوست.
متخصصان مالی برای آنکه بتوانند بر پیچیدگیهای بازار فائق آیند و از نهادها در برابر ریسکهای آتی محافظت کنند، باید خود را با تحلیلهای پیشگو تطبیق دهند. باید تصریح کرد که این فناوری، از جمله فناوریهایی است که میتواند نتیجه بازی را تغییر دهد و بهبود قابلتوجهی در مدیریت ریسک ایجاد کند. در نتیجه هر سازمانی که مایل است در آینده صنعت نقشآفرین باشد، باید چنین اقدامات استراتژیکی را مورد توجه جدی قرار دهد.
امروزه تجزیه و تحلیل پیشگو به جزء جداییناپذیر صنعت مالی تبدیل شده و علاوه بر متحول کردن رویکردهای مدیریت ریسک، کیفیت تصمیمگیری را نیز بهبود داده است. این فناوری نوآورانه از الگوریتمهای پیچیده و تکنیکهای محاسباتی برای ارزیابی مجموعههای عظیم داده، تشخیص روندها و پیشبینی دقیق رویدادهای بالقوه آتی استفاده میکند. در حقیقت تجزیه و تحلیل پیشگو مزایای رقابتی قابلتوجهی برای بخش مالی که در آن دقت و به موقع بودن اهمیت زیادی دارد، ایجاد میکند.
یکپارچهسازی یادگیری ماشین و تحلیل شبکه، حوزه عملکرد مدیریت ریسک مالی را گسترش داده است. به طوری که اکنون افزون بر دادههای کمی سنتی، منابع دادهای بدون ساختار مانند مقالات خبری، بیانیههای شرکتی و کامنتهای شبکههای اجتماعی نیز به صورت گسترده مورد استفاده قرار میگیرند. چنین منابع چشمانداز جامعتری از دینامیک بازار ارائه میکنند که متخصصان مالی را قادر میسازد ریسکهای بالقوه را به گونهای موثر پیشبینی کنند و به آنها پاسخ دهند.
به گزارش روابط عمومی داتا، امنیت سایبری یکی از حوزههایی است که اخیرا در آن اهمیت تجزیهوتحلیلهای پیشگو افزایش یافته است. به طوری که نهادهای مالی فعالانه و به صورت روزافزون، در حال پیادهسازی استراتژیهایی برای شناسایی تهدیدهای سایبری پیش از وقوع و خنثیسازی آنها هستند. حالا دیگر تجزیهوتحلیلهای پیشگو در بحث شناسایی و تعدیل ریسکهای آتی، جای مدلهای سنتی مبتنی بر دادههای تاریخی را میگیرند.
تحلیل ریسک اعتباری، یکی دیگر از حوزههایی است که تجزیه و تحلیل پیشگو توانسته در آن ارزشهای خود را به اثبات برساند. با تحلیل الگوهای دادههای مشتریان، نهادهای مالی میتوانند احتمال نکول را با دقت بیشتری پیشبینی کنند و این مورد آنها را قادر میکند که ریسک اعتباری را بهگونهای موثرتر مدیریت کنند.
در بحث مدیریت پورتفولیو، تجزیه و تحلیل پیشگو به تخصیص بهینه منابع، پیشبینی روند بازارها و به حداقل رساندن قرارگیری در معرض ریسکها در عین بهبود درآمدها، کمک میکند. چنین تجزیهوتحلیلهایی سرمایهگذاران و مدیران صندوق را قادر میکنند تا دادههای ساختارمند و بدون ساختار را تحلیل کنند و بتوانند پیشبینیهای آگاهانهای درباره حرکت بازارها و رفتارهای اقتصادی انجام دهند.
تجزیه و تحلیل پیشگو رویکرد مدیریت ریسک در صنعت مالی را متحول کرده است. هرچه در کاربردها، چالشها و محدودیتهای این فناوری عمیقتر شویم درمییابیم که متخصصان مالی برای دوام در میدان رقابت چنین صنعتی که به لطف داده و نوآوری، به سرعت در حال تکامل است، باید نسبت به چنین پیشرفتهایی پذیرا باشند. در نهایت، پذیرش و سازگاری با تجزیه و تحلیل پیشگو، برای پیشروی بیشتر و بیشتر صنعت مالی ضروری است.
در مدت اخیر بخش مالی تحول چشمگیری را آغاز کرده است و رهبری این تغییر را باید از آن تجزیه و تحلیل پیشگو دانست. چنین تغییر رویکردی با یکپارچهسازی مدلهای آماری، الگوریتمهای یادگیری ماشین و مجموعههای دادهای گستردهای ممکن شده است که نهادهای مالی را قادر میکنند رفتارها و روندهای آتی را با دقت بیسابقهای پیشبینی کنند.
در حقیقت تجزیه و تحلیل پیشگو، چگونگی عملکرد ارزیابان در برآورد ریسک اعتباری را عمیقا تغییر داده است. مهاجرت این صنعت از مدلهای سنتی (که به دادههای تاریخی و متغیرهای ثابت وابسته بودند) به مدلهای پویایی که به لطف جریانهای لحظهای از دادهها و احساسات مطرح شده در شبکههای اجتماعی و رخدادهای جغرافیایی ایجاد میشوند، به میسر شدن ارزیابی دقیقتر ریسک وامگیرندگان منجر شده است.
در کنار اینها، تجزیه و تحلیل پیشگو در موضوع کشف تقلب نیز نفوذ قابلتوجهی داشته است. الگوریتمهای کشف ناهنجاری و تشخیص الگو به میزان چشمگیری توانایی نهادهای مالی برای شناسایی فعالیتهای فریبکارانه و جلوگیری از وقوع آنها را بهبود داده است. به عنوان مثال مسترکارت تجزیه و تحلیلهای پیشگو را به اهرمی برای تحلیل آنی دادههای تراکنشها و مشخص کردن ناهنجاریهای مشکوک به تقلب تبدیل کرده و بدینترتیب از نهادها و مشتریانشان محافظت میکند.
در مدیریت پورتفولیو، تجزیهوتحلیل پیشگو به مدیران داراییها برای بهینهسازی استراتژیهای سرمایهگذاری از طریق پیشبینی حرکات بازارها، شناسایی فرصتهای سرمایهگذاری و مدیریت موثر ریسک کمک میکند.
تجزیهوتحلیلهای پیشگو در بحث ارزیابی ریسک عملیاتی نیز مفیدند. اکنون نهادهای مالی برای برآورد وقوع ریسکهای عملیاتی (شامل تهدیدات امنیت سایبری، خرابی سیستم و نقض الزامات تطبیق) و حذف آنها به سراغ استفاده از مدلهای پیشگو میروند. مثلا Citibank با استفاده از تجزیه وتحلیلهای پیشگو برای رصد و تحلیل الگوهای تراکنشهایش در سراسر جهان و به حداقل رساندن ریسک اختلالات و خسارات، رویکرد فعالی را برای مدیریت ریسک عملیاتی در پیش گرفته است.
افزایش بهکارگیری تجزیهوتحلیل پیشگو در حوزه مالی، اکنون بیش از انطباق صرف با فناوریهای جدید است و گویای حرکتی به سمت تصمیمگیری دادهمحور است. بهرهگیری از تجزیهوتحلیلهای پیشگو، بخشهای مالی را قادر میکند که با بهبود دقت، کارایی و قابلیتهای پیشبینی، به چالشهای مالی معاصر بپردازند. این تکامل بر نقش حیاتی تجزیهوتحلیلهای پیشگو در تحول عملیات مدیریت ریسک تاکید میکند و این اطمینان را ایجاد میکند که صنعت مالی در برابر فرصتها و چالشهای پیش رو، تابآور باقی بمانند.
اجزای اصلی تجزیهوتحلیلهای پیشگو
تجزیه و تحلیل پیشگو، برای متخصصان مالی که از مدلهای آماری پیشرفته، الگوریتمهای یادگیری ماشین و عملیات پیچیده مدیریت داده برای استخراج بینشهای قابلاجرا از دادههای خام استفاده میکنند، ابزار قدرتمندی به حساب میآید. استفاده از رویکردهای آماری مانند تحلیل رگرسیون، رگرسیون لجستیک و سریهای زمانی برای پیشبینی روندهای آتی در مدلسازی آمار بر اساس دادههای تاریخی، به خوبی اثبات شده است. به هر حال یادگیری ماشین حالا دیگر مجموعه ابزارهای تحلیلی در دسترس متخصصان مالی را گسترش داده است. روشهایی مانند جنگل تصادفی (Random Forests)، ماشینهای تقویت گرادیان (GBM) و شبکههای عصبی میتوانند الگوهای پیچیده غیرخطی را که عموما رویکردهای آماری از آنها غافل می مانند، در مجموعه داده ها کشف کنند.
برای کسب موفقیت در کار با تحلیل های پیشگو، داشتن استراتژیهای قوی برای مدیریت داده ها ضروری است. اساسا میزان دقت هر پیشبینی را میزان دقت و کامل بودن داده ها مشخص میکنند. در نتیجه، حفظ کیفیت دادهها و مدیریت ظرافت و ریزبینی آنها ضرورت دارد. مدیریت جامع داده این اطمینان را حاصل میکند که دادهها دقیق، کامل و بهموقع باشند و همین اعتبار مدلهای پیشگو را بالا میبرد.
یکپارچهسازی فناوریهای هوش منصوعی و بلاکچین رویکرد منحصربفردی برای بهبود امنیت و شفافیت تحلیلهای پیشگو است. فناوری غیرمتمرکز بلاکچین، با ایجاد اطمینان از یکپارچگی و قابل تایید بودن دادههای به کار رفته در مدلهای پیشگو، به مکملی برای توانایی هوش مصنوعی در پردازش و تحلیل حجم عظیم داده تبدیل میشود.
اساس تجزیهوتحلیلهای پیشگو در صنعت مالی بر تکنیکهای اماری استادانه و یادگیری ماشین، اقدامات جدی حاکمیت داده و بهکارگیری فناوریهای انقلابی مانند بلاکچین و هوش مصنوعی استوار است. بهرهبرداری از چنین ابزارهایی، نهادهای مالی کیتوانند استراتژیهای مدیریت ریسک خود را بهبود دهند، بهرهوری عملیاتی را بهینهسازی کنند و بتوانند در محصول و خدمتی که ارائه میدهند، نوآوری به خرج دهند.
چالشها و محدودیتها
تجزیهوتحلیلهای پیشگو عملا تحول قابلتوجهی در بحث مدیریت ریسکهای صنعت مالی ایجاد کردهاند؛ با اینحال چالشها و محدودیتهایی نیز در کار است. این چالشها ممکن است بر کارایی مدلهای پیشگو و دقت
پیشبینیهای آنها تاثیر بگذارند. بنابراین توجه به برخی ملاحظات و مدیریت استراتژیک شرایط امری ضروری است.
پیچیدگی مدلهای پیشگو یکی از چالشهای مهم به حساب میآید. با افزایش پیچیدگی، از سهولت مداخله و اعتبارسنجی این مدلها کاسته میشود. از طرفی این پیچیدگی ممکن است باعث بروز برخی سوگیریها در این مدلها شود؛ خصوصا اگر دادههایی که برای آموزش این مدلها به کار گرفته شدهاند، چیزی متفاوت از بازار وسیعتر و یا بکگراند مشتری را به نمایش نگذارند. برای مثال، یک مدل ریسک اعتباری که عمدتا بر اساس دادههایی از یک گروه جمعیتشناختی مشخص آموزش داده شده، به احتمال زیاد نتواند با دقت مطلوبی ریسک مربط با افرادی که خارج از آن گروه قرار دارند را ارزیابی کند و این مساله به اتخاذ تصمیمات غیرمنصفانه در بحث وامدهی بیانجامد.
شفافیت و توضیحپذیری یکی دیگر از چالشهای جدی این حوزه است. برخی از االگوریتمهای یادگیری ماشین که طبیعت جعبه سیاه (black box) دارند، در بحث شفافیت و توضیحپذیری با دشواریهایی همراه هستند. رگولاتورها و سهامداران به نحو فزایندهای به نهادهای مالی فشار میآورند تا درباره چگونگی انجام فرآیندهای تصمیمگیری توضیحات لازم را ارائه دهند؛ خصوصا آن تصمیماتی که مستقیما بر مشتریان تاثیر میگذارند. برای مثال، چنانچه یک مدل پیشگو باعث شود که جلوی وامدهی به یک شخص گرفته شود، نهادها باید به صورت شفاف درباره فرآیند تصمیمگیری توضیح دهند. الگوریتمهای پیچیده ای که امکان تفسیر آنها ووجود ندارد، دستیابی به این مهم را با مشکل مواجه میکنند و شفافیت را با چالش مواجه میکنند.
ملاحظات اخلاقی و رعایت مقررات نیز چالش های مهمی هستند. تجزیه و تحلیلهای پیشگو، باید از انطباق با دستورالعمل های اخلاقی و دستورات قانونی اطمینان حاصل کنند. قوانین محافظت از اطلاعات شخصی (GDPR) اتحادیه اروپا با پافشاری بر حفظ حریم خصوصی و امنیت اطلاعاتی شخصی اقدام به اجرای چنین الزاماتی میکنند. بانکها و دیگر نهادهای مالی باید این اطمینان را ایجاد کنند که ابزارهای آنها برای تحلیل پیشگو، به رعایت حقوق افراد احترام گذاشته و از بدنام کردن آنها اجتناب میکند.
در نهایت برای موفقیت در بهکارگیری تحلیلهای پیشگو ،حفظ کیفیت دادهها و مدیریت آنها ضروری است. زیرا تنها در صورت داشتن دادههای دقیق، کامل و به روز است که میتوان به ایجاد پشبینیهای دقیق و تصمیمگیری بینقص امیدوار بود. بنابراین نهادهای مالی باید روی اقدامات و سیستمهای قدرتمند مدیریت داده سرمایهگذاری کنند تا از یکپارچگی و اعتمادپذیری دادههایشان اطمینان حاصل شود.
در مواجهه با موانع، همراهی تحلیلهای پیشگو با پیشرفتهای ایجاد شده در روششناسی مدیریت ریسک اجتنابناپذیر است. نهادهای مالی باید با مدیریت درست و خردمندانه این موانع، از راهکارهای مناسب و نوآورانه برای بیشینه کردن پتانسیلهای تحلیلهای پیشگو و به حداقل رساندن محدودیتهای آن بهره بگیرند.
داتا، انتخاب «پیوست» برای نگارش گزارش بخش استارتاپگردی شماره 126 این ماهنامه بود. در بازدید خبرنگاران عزیز این مجموعه از شرکت، تلاش شد تا ضمن معرفی بخشهای مختلف، جزییاتی از فعالیتهای داتا به عنوان یکی از بازیگران نوظهور صنعت داده و هوش مصنوعی کشور ارائه شود و در گپوگفتی خودمانی، از فرصتها و چالشهای این صنعت صحبت کنیم.
مشروح این گزارش را میتوانید در ادامه بخوانید:
داتا تجارت
زمینه کاری: تحلیل داده، هوش تجاری، اعتبارسنجی و هوش مصنوعی
نیروی انسانی: ۴۰ نفر
سال تاسیس: ۱۴۰۲
به گزارش پیوست، اگر سازمان دادهمحوری را یک فیلم یا سناریو در نظر بگیرید و هوش مصنوعی و هوش تجاری را بازیگران مهم آن، استارتآپگردی این شماره ما متعلق به یکی از کارگردانهای بانکی این حوزه است.
این بار مهمان شرکت داده و اعتبارسنجی تجارت ایرانیان (داتا) هستیم که در سال ۱۴۰۲ با ماموریت مدیریت و حاکمیت داده و هوش مصنوعی، توسعه زیرساختها، تجزیهوتحلیل و مدیریت کلاندادهها و ارائه خدمات هوش مصنوعی به عنوان یکی از زیرمجموعههای بانک تجارت تاسیس شده است.
تیم داتا بهتازگی به ساختمان جدیدشان در حوالی میدان آرژانتین خیابان بخارست نقل مکان کردهاند و به قول مدیرانشان در تلاشاند با کارگردانی و استراتژیهای درست به سازمانها کمک کنند تا دادهها را بهتر بشناسند و با توانمندسازی دادهها، در تصمیمسازیهای مالی و اعتباری سازمانها یاریگر آنها باشند.
اکنون علی گلزاده کرمانی مدیرعامل داتا تجارت است و از ابتدای فعالیت داتا یعنی تیرماه ۱۴۰۲ همراه داتا بوده: «سالها در حوزه توسعه نرمافزار و فناوری اطلاعات در سمتهای مختلف فعالیت میکردم و از سال گذشته به طور رسمی به داتا پیوستم.»
گلزاده تولد داتا و چرایی آن را به موضوع چالش داده در سطح کلان در ایران مرتبط میداند: «در حوزه داده در بانک تجارت چالشهایی وجود داشت. چون در واقع با حجم مشتریان و دادههای کلان این بانک، مدیریت دیتا، استخراج و یکپارچه کردن دادهها اهمیت زیادی پیدا کرده بود و بانک تجارت در لایه تحلیل پیشرفته و کارهای فنی آن نیاز به بازوی فناور در حوزه دیتا داشت. اینجا بود که داتا متولد شد.»
داتا حالا یکی از زیرمجموعههای هلدینگ تفتای بانک تجارت است که با استخراج و یکپارچه کردن دادهها و تحلیلهای پیشرفته به بانک تجارت کمک میکند: «در هر سازمان بزرگ سیستمها و سامانههایی وجود دارند که ممکن است به شکل جزیرهای فعالیت کنند. تجمیع دادههای تولیدشده به وسیله این سامانهها ارزش زیادی برای سازمان تولید میکند که به منظور یکپارچه و قابل استفاده کردن آن کارهای فنی و زیرساختی زیادی لازم است. در حقیقت کار داتا استخراج دانش از دادههای تولیدشده و کمک به تصمیمگیریها در آن سازمان و کسبوکار است.»
داتا برای این کار از دادهکاوی یا تحلیل داده هم استفاده میکند: «یکی از کارهایی که در داتا انجام میدهیم فعالیت در زمینه اعتبارسنجی است چون با دادههایی که در صنعت بانکی وجود دارد میتوان برای هر فرد حقیقی یا حقوقی رتبه اعتباری آن را به وسیله روشهای دادهکاوی محاسبه کرد.»
در مسیر اعتبارسنجی
توسعه پروژه اعتبارسنجی نیازمند داده و البته دادههای مطلوب است: «هر قدر دادهها مطلوبتر و دقیقتر باشد، به تبع آن اعتبارسنجی دقیقتر و تکمیلتر خواهد بود، گرچه هرگز ریسک ارائه تسهیلات صفر نیست و همیشه چالشهایی وجود دارد، اما کار داتا این است که ریسک این موارد را کاهش دهد.»
گلزاده فعالیتهای داتا را در پنج بخش تعریف میکند: «یک بخش زیرساخت داده است که کار تجمیع و یکپارچهسازی دیتا را انجام میدهد. یک بخش کار تحلیل داده و هوش تجاری را انجام میدهد. بخش دیگر کار تولید سامانهها و اپلیکیشنهای دادهمحور را بر عهده دارد. بخش دیگر مربوط به حاکمیت داده و موضوع سیاستگذاری، امنیت و کیفیت روی حوزه داده است، بخش پنجم نیز به ارائه سرویسهای هوش مصنوعی در داتا میپردازد.»
به گفته گلزاده، در حال حاضر تمرکز اصلی داتا روی خواستهها و نیازهای بانک تجارت است: «با حجم فعالیتهایی که در بانک بزرگی مثل تجارت صورت میگیرد، فعلاً تمرکزمان روی بانک تجارت است، اما قصد داریم امسال در حوزههایی که دانش و تجربه لازم را کسب کردهایم به ارائه خدمات در اکوسیستم بانکی بپردازیم. در حوزه تحلیل داده، ارائه سامانه مدیریت ریسک و پیشبینی انواع ریسکهای بانکی با استفاده از روشهای هوش مصنوعی و پیادهسازی سیاستهای حاکمیت داده آماده ارائه خدمات در صنعت بانکی و حتی صنایع بزرگ هستیم.»
حرکت به سمت هوش مصنوعی نیز از کارهایی است که به گفته گلزاده در داتا دنبال میشود: «استفاده از هوش مصنوعی دیگر تنها در حرف و کلام خلاصه نمیشود، استفاده از این فناوری در صنعت بانکی اهمیت زیادی پیدا کرده است، ما در داتا برآنیم که نقشه راه استفاده از هوش مصنوعی را برای صنعت بانکی پیاده کنیم و این کار نیاز به زیرساختهایی دارد تا بتوانیم دادهها را به سمت کاربردی کردن و استفاده از سرویسهای هوش مصنوعی ببریم.»
گلزاده چالش نیروی انسانی خبره در حوزه داده و هوش مصنوعی و امنیت دادهها را از مهمترین مسائل این حوزه به شمار میآورد: «امنیت داده در تمام سطوح برای شرکتهای فعال حوزه داده حائز اهمیت است و ما هم از این قاعده مستثنی نیستیم پس بدیهی است از پایهایترین لایهها این موضوع را در اولویتهایمان قرار دهیم و در این بخش نیروی انسانی خبره بهشدت کمککننده است.»
گلزاده راهکار مشکل منابع انسانی در شرکتهای فناور را تربیت نیروهای تازهکار و فرصت دادن به آنها میداند: «ما تنها به نیروهای متخصص حوزه داده نیاز نداریم، بلکه نیروهای ما باید با فضای بانکی نیز آشنایی داشته باشند و کسبوکار بانک را بهخوبی بفهمند. خوشبختانه تغییر عملکرد بانک تجارت در دو سال اخیر با توجه به نگرش مدیران آن مشهود است و ما هم به همین منظور در کنار بانک هستیم تا به شخصیسازی کردن خدمات و محصولات بانک تجارت کمک کنیم و پروژههای جدی و مهمی را در این باره پی میگیریم».
به سمت توانمندسازی دادهها
یکی از پروژههایی که در داتا پیگیری میشود پروژه حاکمیت داده است که مدیریت آن را رویا حمزه بر عهده گرفته. او عضو انجمن حاکمیت داده آمریکا نیز هست: «به زبان سادهتر، حاکمیت داده به معنای توانمندسازی داده است. وقتی شرکتها میگویند به سمت دادهمحور کردن سازمانشان و استفاده از هوش مصنوعی در حرکتاند، در حقیقت این اتفاق با توانمندسازی داده رخ میدهد. در یک سازمان دادهمحور هوش مصنوعی و هوش تجاری بازیگران آن هستند و ما در جایگاه کارگردان کمک میکنیم تا سازمانها دادههای خود را بهتر بشناسند و بتوانند دادههایشان را قابل اتکا کنند تا تصمیمهای دادهمحور اتخاذ شود.»
حمزه در ادامه از چگونگی حاکمیت داده در آمریکا صحبت میکند: «از لحاظ چارچوبها حاکمیت داده در ایران و آمریکا تفاوتی ندارد، ما هم در تلاشیم از دادهها به بهترین نحو ممکن استفاده کنیم، اما در حقیقت در بخش استفاده از داده به پای آنها نرسیدهایم. در حقیقت در داتا میخواهیم از فاز مستندنویسی صرف خارج شویم و به اجرا برسیم تا به دادههای مطلوبتر دست پیدا کنیم.»
دادهها هرقدر توانمندتر باشند بیشتر میتوانند به ارائه تسهیلات بانکی کمک کنند و پروژه اعتبارسنجی یکی از همین پروژههاست. مدیرپروژه اعتبارسنجی داده در داتا فردین صبوری است، او کارشناسی ارشد هوش مصنوعی خوانده و سالها در حوزه بانکداری کار کرده است. به گفته صبوری یکی از اهداف مهم پروژه اعتبارسنجی داده کاهش ریسکهاست: «یکی از معضلات صنعت بانکداری ریسک نقدینگی است، بانکها همیشه با نگرانی بازپرداخت تسهیلات خود مواجهاند و هدف اصلی اعتبارسنجی این است که قبل از اعطای تسهیلات بانکها بتوان ریسک عدم پرداخت تسهیلات را کاهش داد. ما در داتا این کار را برای بانک تجارت انجام میدهیم. الگوریتمهای یادگیری ماشین و هوش مصنوعی از ابزارهای مهم ما هستند. با بررسی روند طولانیمدت حضور یک مشتری در بانک و شناسایی روند رفتار مشتری با ویژگیهایی مثل گردش مالی، شغل، محل سکونت و… رفتار اعتباری کاربر و شاخصهای تخمین سعی میکنیم ریسکها را کاهش دهیم.»
صبوری در واقع ذینفع اصلی را مشتریان بانکها میداند: «گرچه فعالیتهای داتا B2B است، اما ذینفع اصلی فعالیتهای ما در داتا بیش از خود بانک مشتریان هستند. چون داتا با کوتاه کردن فرایند اعتبارسنجی دریافت تسهیلات را آسان میکند. حتی ما در داتا میتوانیم برای کسانی که تاکنون تسهیلات دریافت نکردهاند هم تسهیلگر باشیم. این کار از طریق شباهتسنجی با مشتریان قبلی و بررسی رفتارهای مالی و نهفقط اعتباری افراد صورت میگیرد. یکی از فضاهایی که در آن وارد شدهایم رفع این خلأهاست و هدف ما بهبود سیستم اعتبارسنجی فعلی است.»
البته او تحریمها را هم در بخش اعتبارسنجی بیتاثیر نمیداند: «در فضای تحریم، الگوبرداری از کشورهای پیشرفته ممکن نیست و ما با یک بیزینس خاص بومی طرفیم، در واقع بانکداری ما هم به هیچ جای دیگری شبیه نیست و همین که نمیتوانیم از تجربههای موفق کشورهای پیشرفته بهره ببریم یعنی دائم باید با آزمون و خطا کارها را پیش ببریم. در صورتی که استفاده از این تجربهها میتواند ادامه مسیر را سادهتر کند. البته با همین شرایط بومی و ایرانیزهشده هم معتقدیم تجربه درست ما در داتا و در بانک تجارت به طور حتم میتواند دایره مشتریانمان را گسترش دهد و اعتبارسنجی بهبود پیدا کند.»
اقتصاد دیجیتال به سرعت در حال تکامل است و موفقیت بهکارگیری هوش مصنوعی در امور، وابستگی زیادی به قوت اقداماتی دارد که در بحث مدیریت و حاکمیت داده در حال انجام هستند. حالا و در شرایطی که روز به روز بر وابستگی شرکتها به هوش مصنوعی برای خلق نوآوری و مزیت رقابتی در بیشتر میشود، حصول اطمینان از حفظ امنیت، حریم خصوصی و کیفیت دادهها ضروری است. سیاستهای کارآمد حاکمیت داده نه تنها میتوانند کارایی عملیاتی را بهبود دهند، بلکه به تقویت اعتماد عمومی نیز که برای سازگاری همگانی با هوش مصنوعی ضروری است، کمک خواهند کرد. این درحالی است که سیاستهای ضعیف حاکمیت داده، میتواند به ایجاد مدلهای ضعیف و ناقص بر مبنای هوش مصنوعی، تصمیمات سوگیرانه و ایجاد ریسکهای قانونی منجر شود و حتی خوش نامی شرکت را در معرض تهدید قرار دهد.
بهکارگیری یک سیاست منسجم و قدرتمند برای حاکمیت داده، متضمن آن است که در توسعه و پیادهسازی برنامههای هوش مصنوعی، سلامت اخلاقی، شفافیت و مسئولیتپذیری حفظ شود. انطباق با مقررات جهانی حفاظت از داده، مانند GDPR اتحادیه اروپا، باعث حمایت و حفظ حقوق مصرفکنندگان و ترویج فرهنگ رقابت منصفانه خواهد شد. از منظر پایداری، یک سیاست درست حاکمیت داده، از بهکارگیری مسئولیتپذیرانه هوش مصنوعی حمایت میکند؛ مصرف انرژی را بهینهسازی میکند؛ جلوی اتلاف منابع را میگیرد و از تلاشهای تعاملی حمایت میکند. چنین اقداماتی همزمان از حقوق فردی افراد حفاظت کرده و به فراگیری و پذیرش یک جامعه دیجیتال کمک میکند. موسسه جهانی مکنزی پیشبینی میکند که 70 درصد از شرکتها تا سال 2030 دستکم یکی از انواع فناوریهای هوش مصنوعی را به کارخواهند گرفت و کسبوکار خود را با آن سازگار خواهند کرد؛ این درحالی است که نتایج بررسیهای PwC نشان میدهد که همین حالا نیز 58 درصد از شرکتها دستکم از یکی از کارکردهای هوش مصنوعی در کسبوکارشان استفاده میکنند.
در مقیاس جهانی، کشورهایی که در بحث حاکمیت داده چارچوبهای مستحکمی دارند، توانستهاند موضعگیری بهتری برای رهبری فضای هوش مصنوعی اتخاذ کنند و در عین رعایت استانداردهای اخلاقی، نوآوری کنند. این امر به افزایش رقابتپذیری اقتصادی و اثرگذاری آنها در استانداردهای جهانی منجر میشود. برعکس، یک سیاست ضعیف حاکمیت داده می تواند به سواستفاده از هوش مصنوعی، تشدید نابرابریهای دیجیتال و تهدیدهای سایبری بیانجامد و به به صورت بالقوه بیثباتی جوامع و اقتصادها را تشدید کند.
اولویت قرار دادن حاکمیت داده، برای داشتن رشدی پایدار ضروری است و سازمانها را قادر خواهد کرد که از فرصتهای جدید بهرهبرداری کنند و همزمان در جهانی که امور آن بر محور هوش مصنوعی میچرخد، از پایداری و مسئولیتپذیری اجتماعی حمایت کنند.
اهمیت حاکمیت داده در هوش مصنوعی
حاکمیت داده مجموعه اقداماتی است که مدیریت دسترسیپذیری، کاربردپذیری، یکپارچگی و امنیت دادهها در یک سازمان را شامل میشود. در زمینه هوش مصنوعی، اجرای یک سیاست موثر برای حاکمت داده، متضمن آن است که مدلهای هوش مصنوعی بتوانند بر اساس مجموعه دادهای دقیق، قابلاعتماد و بدون سوگیری آموزش داده شوند که این امر به حصول نتایجی ارزشمند و اخلاقی منجر خواهد شد. بر عکس، نتیجه به کارگیری سیاستهایی ضعیف برای حاکمیت داده، مدلهای هوشمند اما ضعیف و ناقص خواهد بود که شهرت و اعتبار شرکت را در معرض تهدید قرار میدهند.
با پیشرفت فناوری هوش مصنوعی، کشورهای سراسر جهان در حال توسعه و پیادهسازی چارچوبهای حاکمیت داده هستند تا بتوانند در فضای رقابتی بازارهای جهانی دوام بیاورند. مقررات عمومی اتحادیه اروپا برای حفاظت از دادههای کاربران که به اختصار GDPR نامیده میشود، استانداردهای سطح بالایی را برای حفاظت از حریم خصوصی و دادههای کاربران ارائه میکند و این مقررات به قدری دقیق و جامع هستند که حالا حتی سیاستهای کلی جهانی در این مورد را نیز تحت تاثیر قرار دادهاند. به ور مشابه، کشورهایی مانند ایالات متحده آمریکا، چین و هند نیز در حال ساخت استراتژیهای ویژهای برای ایجاد تعادل میان نوآوری، امنیت و حریم خصوصی هستند.
شرکتهایی که مجدانه برای پیادهسازی چارچوبهای قدرتمند حاکمیت داده تلاش میکنند، از مزایای پایدار این اقدامات بهرهمند میشوند و پیش از هر چیز شاهد ارتقا کارایی عملیاتی خواهند بود؛ زیرا دادههای باکیفیتی که بهخوبی مدیریت شده باشند، باعث ایجاد مدلهای دقیقتر هوش مصنوعی و بینشهای قابلاعتمادتر خواهند شد. این مورد در ادامه باعث بهینهسازی فرآیندهای کسبوکاری و بهبود تصمیمگیری خواهد شد. در مرحله بعدی، چنین شرکتهایی موفقیت بیشتری در جلب اعتماد عمومی کسب خواهند کرد؛ زیرا با اولویت قرار دادن حاکمیت داده توسط شرکت، خیال سهامداران و مشتریان از اینکه دادههایشان به گونهای اخلاقی و امن مدیریت میشود، راحت خواهد بود. جلب چنین اعتمادی برای فراگیری و تطبیق عمومی جوامع با فناوریهای هوش مصنوعی ضروری است.
افزون بر این، پایبندی به استانداردهای سختگیرانه و دقیق حاکمیت داده، به شرکتها کمک میکند تا با رعایت مقررات جهانی، از مجازات و جرایم قانونی بالقوه در امان بمانند. انطباق با مقرراتی مانند GDPR، نه تنها متضمن حفظ حقوق کاربر است، بلکه با ملزم کردن تمام مجموعهها به رعایت قوانین مشابه، به ایجاد یک فضای رقابتی سالم و منصفانه کمک میکند و کل صنعت از این شفافیت بهرهمند میشوند.
از منظر پایداری، اجرای مجموعه منظمی از سیاستهای حاکمیت داده حمایتگر رویکرد مسئولیتپذیرانه در قبال بهکارگیری هوش مصنوعی است و باعث میشود شرکتها ضمن بهینهسازی مصرف انرژی، بتوانند هزینههایشان را کاهش دهند و در فضایی تعاملی، از رعایت استانداردهای حمایت کنند.
6 دلیل که حاکمیت داده بستری برای حاکمیت هوش مصنوعی است
سیل فرصتها و چالشهای روزافزون فناوری هوش مصنوعی باعث شده که هر روز حجم عظیمی از کمیتهها، فرومها و سامیتهای ممرتبط با هوش منصوعی تشکیل شوند. اگرچه وجود چنین تشکلهایی ضروری و مهم است، اما این پلتفرمها عموما از یک محور اساسی برای مدیریت موثر هوش مصنوعی غافل هستند و آن چیزی نیست جز حاکمیت داده.
تمرکز جاری روی حاکمیت هوش مصنوعی با تمامی اقدامات اخلاقی، قانونی و اجتماعی آن درصدد است تا گریزی به این حقیقت بزند که یک حاکمیت موثر هوش منصوعی، در بطن خود، تماما به اصول و اقدامات حاکمیت داده وابسته است. این اشتباه نظری به شکلگیری مجموعهای از رویکردهایی منجر شده که جوامع داده و هوش مصنوعی را جدا و ایزوله از هم میدانند؛ وجود نوعی همافزایی میان این دو کاملا ضروری است.
این دو حوزه طبیعت در هم تنیدهای دارند. با طرح شش دلیل به بررسی این مساله میپردازیم که چگونه بدون وجود یک چارچوب مناسب برای حاکمیت داده، اجرای حاکمیت هوش مصنوعی غیرممکن خواهد بود. در پرداختن به مشترکات این دو موضوع، باید بر ضرورت یکپارچه ساختن حاکمیت داده در اقدامات هوش مصنوعی و پرورش رویکردی منسجمتر و موثرتر برای حاکمیت این فناوری تحولآفرین تاکید شود.
- حاکمیت داده تمام چرخه عمر داده را تحت پوشش قرار میدهد و هوش مصنوعی نیز بخشی از این مساله است.
- حاکمیت داده توسعه سیستمهای هوش مصنوعی مسئولیتپذیر که با یک موضوع مشخص تناسب دارند را میسر میکند.
- حاکمیت داده موضوعاتی را مورد توجه و بررسی قرار میدهد که ممکن است در هوش مصنوعی از نظر دور بمانند.
- حاکمیت داده برای آنکه سیستمهای مبتنی بر هوش مصنوعی مورد پذیرش و توجه جوامع قرار بگیرند ضروری است.
- نگاه حاکمیت داده به فناوری، ندانمگرایی است؛ در نتیجه طبعیت کلینگرتری دارد.
- پیادهسازی، استانداردسازی و قانونگذاری حاکمیت داده، برای حاکمیت هوش مصنوعی درسهای ارزشمندی به دنبال دارد.
بهترین اقدامات برای تضمین کیفی دادهها و مدیریت موثر آنها
برای اطمینان از اینکه دادهها از سطح کیفی مناسبی برخوردار باشند و به گونهای موثر مدیریت شوند، شرکتها باید مرتبا دادههای خود رو تمیز و بهروز کنند تا بتوانند دقت و قابلاطمینان بودن آنها تضمین کنند. یکپارچه کردن دادههای جمعآوری شده از منابع مختلف برای ایجاد مجموعه دادههای جامعی که تاریخچهای از فعالیتهای عملیاتی شرکت را ارائه میکند، نیز در این میان امری ضروری خواهد بود. اعمال کنترل دسترسیهای مبتنی بر نقش افراد، به تضمین اینکه دادههای حساس صرفا توسط پرسنل ذیصلاح قابل دستیابی باشند و ریسک نشت داده به حداقل برسد کمک خواهد کرد و این اطمینان را ایجاد میکند که سازگاری کافی با مقررات حریم خصوصی ایجاد شود. اعمال سیاستهای شفاف حریم خصوصی و امنیت که با مقررات مرتبط مانند GDPR اتحادیه اروپا و قانون حریم خصوصی مصرفکنندگان (CCPA) سازگاری داشته باشند، برای محافظت از داده در کل چرخه عمر آن ضروری خواهد بود.
بسیاری از شرکتها در بحث سیاستهای حاکمیت داده ه الگو و بنچمارک حوزه خود تبدیل شدهاند و برای شرکتهای دیگری که در صدد دستیابی به استراتژیهایی برای مدیریت دادههایشان هستند، بینشهای ارزشمندی فراهم میکنند. مثلا IBM یکی از شرکتهایی است که به چارچوبهای مستحکمی که در بحث حاکمیت داده ایجاد کرده مشهور است و در این برنامهها بر اهمیت کیفیت داده، یکپارچهسازی از منابع مختلف و بهکارگیری سیاستهای صریح در قبال امنیت و حریم خصوصی افراد و سازمانها تاکید دارد.
اقدامات جامع گوگل برای حاکمیت داده، روزانه مقادیر عظیمی از داده را اداره کرده و ضمن تجمیع و یکپارچهسازی منابع عظیم داده، این اطمینان را ایجاد میکند که کنترل لازم روی محدود کردن دسترسیها ایجاد شود و سازگاری لازم با مقررات GDPR اتفاق بیفتد. رویکرد مایکروسافت در قبال این ماجرا، شامل پاکسازی مداوم دادهها، تجمیع آنها برای ایجاد یک چشمانداز کسبوکاری منسجم و اعمال دسترسیهای محدودی است که بر اساس نقش افراد تعریف میشود و متضمن رعایت استانداردهای جهانی است.
مجموعه ارائه خدمات اینترنتی آمازون (AWS) با تعریف استانداردهای سطح بالایی برای حاکمیت داده – به خصوص در خصوص بخش خدمات ابری- این اطمینان را ایجاد میکند که با بهروزرسانیهای مکرر و اقدامات امنیتی منجسم، سطح کیفی دادهها بالا بماند. چارچوبهای حاکمیت دادهای که توسط Deloitte تعیین شده، به پیچیدگیهای مدیریت دادهها در سطح انبوه میپردازد و بر حفظ دقت دادهها، تجمیع و یکپارچهسازی آنها از منابع گوناگون و اعمال محدودیتهای دسترسی به دادهها طبق مقررات GDPR تمرکز دارد. سازمانها میتوانند با سازگار کردن اقدامات خود با برنامههای چنین شرکتهایی که به الگوهایی در زمینه اعمال حاکمیت داده تبدیل شدهاند، دستیابی به سطح کیفی مشخصی برای دادههایشان را تضمین کنند و با اطمینان از رعایت مقررات تعیین شده، اعتماد مصرفکنندگان و سهامداران را جلب کنند.
بعد اخلاقی توسعه هوش مصنوعی و رعایت مقررات جهانی
توسعه اخلاقی هوش مصنوعی شامل ایجاد مدلهایی برای فناوری هوش مصنوعی است که دادههای استفاده شده برای آموزش آن عاری از سوگیری باشند و خروجیهای این مدلها مکررا مورد بازبینی و بررسی دقیق قرار بگیرد. این رویکرد متضمن آن است که سیستمهای هوش مصنوعی بتوانند تصمیمات سنجیده و بیطرفانهای بگیرند که در بحث حفظ اعتماد و مسئولیتپذیری بسیار ضروری است. وقتی که کاربران متوجه شوند که هر یک از تصمیمات سیستمهای هوش مصنوعی، چرا و چگونه گرفته شدهاند، بهتر میتوانند این تصمیمات را بپپذیرند و به این فناوری اعتماد کنند. بازبینیها و نظارتهای مرتب سیستمهای هوش مصنوعی برای اطمینان از رعایت استانداردهای اخلاقی و نیازمندیهای تنظیمگری ضروری هستند. این امر شامل ارزیابی منابع داده، عملکرد مدل و خروجی تصمیمات برای شناسایی و اصلاح هرگونه بیدقتی و سوگیری است.
برای شرکتهایی که عملکرد و بازار آنها چندین کشور را شامل میشود، توسعه اخلاقی هوش مصنوعی و تدوین برنامههای دقیق برای حاکمیت داده بسیار ضروری است. چنین شرکتهایی باید چشمانداز پیچیدهای از انتظارات فرهنگی و مقررات درحال تغییر را مورد بررسی داشته باشند. تضمین حفظ شفافیت در فرآیندهای تصمیمگیری به کمک هوش مصنوعی، به جلب اعتماد سهامداران و مشتریان بینالمللی میانجامد و نشاندهنده پایبندی و تعهد آن شرکت به رعایت انصاف و مسئولیتپذیری است. پایبندی به استانداردهای اخلاقی نواحی مختلف میتواند از بروز معضلات قانونی احتمالی جلوگیری کند و حافظ شهرت و اعتبار شرکت باشد.
اساسا در توسعه و تحکیم سیاستهای هوش مصنوعی و حاکمیت داده، همکاریهای بینالمللی از اهمیت بالایی برخوردار است. سازمانهایی مانند OECD و سازمان ملل در حال کار برای تدوین استانداردهای جهانی و کاملی هستند که توسعه اخلاقی هوش مصنوعی و حاکمیت داده را تضمین کنند. برای شرکتهای بینالمللی، انطباق با استانداردهای جهانی، انطباق آنها در حوزههای قضایی مختلف را تسهیل میکند و از پیچیدگیها و هزینههای پایبندی به جموعه مقررات محلی میکاهد. توافقات دوطرفه میان کشورها نیز در شکلدهی چشمانداز حاکمیت داده و هوش مصنوعی نقشی اساسی ایفا کرده و چارچوبهایی را برای همکاریها و شناخت دو طرفه استانداردها فراهم میکنند.
داشتن عملکرد شفاف و اخلاقی نه تنها به شرکتها کمک میکند که از افتادن در دامهای مقرراتی اجتناب کنند، بلکه باعث میشود بتوانند بعد رقابتی خود را تقویت کنند. مصرفکنندگان و شرکا بهطور فزایندهای به دنبال تعامل بیشتر با کسبوکارهایی هستند که در عملکرد خود ثابت کردهاند که نسبت به اقدامات هوش مصنوعی مسئولیتپذیر هستند. با پایبندی به توسعه اخلاقی هوش مصنوعی و مشارکت در تلاشهای بینالمللی برای استانداردسازی حاکمیت داده، شرکتها میتوانند وجهه بینالمللی برندشان را تقویت کنند و روابط ماندگارتری با شرکا و مشتریان سراسر جهان شکل بدهند.
با تمام اینها، باید توجه داشت که با توسعه هرچه بیشتر هوش مصنوعی، ریسکهای سواستفاده از آن نیز به همان نسبت افزایش مییابد. توسعه اخلاقی هوش مصنوعی با اطمینان از اینکه سیستمهای هوش مصنوعی در قالبی مسئولیتپذیرانه مورد استفاده قرار میگیرند و اثرات منفی آن به حداقل رسیده، به حذف ریسکهای احتمالی این فناوری کمک میکند. توانایی مدیریت موثر این ریسکها، برای ثبات و رشد پایدار بلندمدت شرکتهایی که در مقیاس جهانی فعالیت میکنند، حیاتی است. با ترویج فرهنگ توسعه اخلاقی هوش مصنوعی و ایجاد یک برنامه قدرتمند حاکمیت داده، شرکتهای چندملیتی میتوانند تغییرات مثبتی ایجاد کنند و با افزایش نوآوری در صنعت هوش مصنوعی، به نمونههایی موفق برای دیگر شرکتها تبدیل شوند.
در اقتصاد دیجیتال عصر حاضر، مدیریت و حاکمیت موثر دادهها برای مدیریت کامل ریسکهای هوش ضروری است. با انجام بهترین اقدامات ممکن برای بهبود کیفیت داده، امنیت و حریم خصوصی افراد و اطمینان از اینکه استانداردها و مقررات بینالمللی در حال رعایت شدن هستند، میتوان سیستمهای هوش مصنوعی ارزشمند و اخلاقمحور ساخت. این رویکرد ضمن حذف ریسکهای احتمالی، متضمن رشد پایدار، بهبود رقابت در جهان مبتنی بر هوش مصنوعی امروز است. همزمان که شرکتها با چالشهای و پیچیدگیهای پیادهسازی سیستمهای هوش مصنوعی دست و پنجه نرم میکنند، تمرکز استراتژیک بر بحث حاکمیتت داده برای اطمینان از موفقیت بلندمدت سازمانها ضروری خواهد بود. با در پیش گرفتن رویکرد و اقدامات مسئولیتپذیرانه هوش مصنوعی و مدیریت دادهها، شرکتها میتوانند دریچه جدیدی از فرصتهای تازه را پیش روی خود ببینند و در مسیر ایجاد فضایی شفاف و منصفانه در اقتصاد دیجیتال حرکت کنند.
اگر شما هم از شنیدن عباراتی مبنی بر پیشی گرفتن اهمیت کلان داده بر هوش مصنوعی متعجب شدهاید، احتمالا ذهن شما در دو مساله، دارای پیشفرضهای نهچندان درست درباره کلاندادههاست:
- کلان داده مرکز توجه تبلیغات و تاکید افراطی در دهه ابتدایی قرن جدید بود؛ زمانی که همه به دنبال نسخههای عظیم از هر پدیده و رویدادی بودند؛ حتی دادهها. اما خیلی زود همه متوجه شدند که تعریف دقیق مقیاس «بزرگ» ممکن نیست و از طرفی، اندازه داده اهمیت چندانی ندارد.
- این اعتقاد وجود دارد که رشد و بهبود سختافزار با سرعت زیادی اتفاق افتاده است و دادهها چقدر هم که بزرگ باشند، میتوانند درون یک ماشین بزرگ و یا انبار داده گنجانده شود.
اما واقعیت آن است که کلانداده در همه جا وجود دارد و حالا اندازه آن بزرگتر از هر زمان دیگری است. کلانداده در حال نفوذ و پیشروی درون شرکتهای بزرگ است و آنها را قادر میکند تا بتوانند با اتکا به فناوری هوش مصنوعی و انواع تحلیلها، دست به ابتکاراتی بزنند که تا همین چند سال پیش غیرممکن بودند. بسیاری از اقدامات هوش مصنوعی که بیشترین اهمیت را از بابت درآمدزایی و کاهندگی هزینه دارند، عموما به مجموعههای عظیمی از داده وابستهاند. به عبارتی در بسیاری از این موارد، چنانچه کلاندادهای وجود نداشته باشد، هوش مصنوعی نیز معنایی ندارد.
شاید هنوز اظهارات مطرح شده را باور نداشته باشید. اما گریزی به اعداد، به شما ثابت خواهد کرد. ابتدا به این سوال پاسخ دهید که این روزها، کلاندادهها در حدود چند پتابایت حجم دارند؟ در پرسوجویی از شرکتهایی که دریاچه داده دارند، احتمالا اعدادی بین دهها و صدها پتابایت به شما اعلام میشود. حتی اکنون برخی شرکتها اظهار میکنند که حجم دادههایشان از یک اگزابایت نیز فراتر رفته است. این اعداد حالا در شرایطی عادی تلقی میشوند که حوالی سال 2010 میلادی، یک پتابایت حجم بسیار عظیمی داده به حساب میآمد؛ اما اکنون در پایین طیف اعدادی قرار دارد که شرکتها از میزان دادههای خود اعلام میکنند. اگرچه این میزان داده، حجم بسیار عظیمی از داده است، اما در مقایسه با واحدهایی در حد اگزابایت، تا حدی مسخره به نظر میرسد. برای درک عظمت این میزان داده، بد نیست گریزی به آمارهای چند شرکت بزنیم. حجم دادههای 10هزار مشتری شرکت Snowflake که یکی از بزرگترین ارائهدهندگان خدمات ابری در جهان است، مجموعا چیزی در حدود 2 اگزابایت است. این میزان داده همچنان حجم عظیمی از داده به حساب میآید، اما اگر آن را با حجم مجموع دادههای شرکتهایی مقایسه کنید که دارای دریاچه داده هستند و هر کدام چیزی در حدود یک اگزابایت داده ذخیره دارند، در مییابیم که این میزان داده، همچنان در مقابل مجموع حجم دادههای شرکتی، مقداری ناچیز است.
حجم دادهای که در دریاچه داده بسیاری از شرکتها قرار دارد، دهها و صدها برابر حجم دادههای موجود در انبارهای داده آنهاست. این دادهها ابتدا توسط موتورها و نرمافزارهای خاصی پردازش میشوند. مثلا، شرکت Databricks روزانه 9 اگزابایت داده را پردازش میکند و جالب اینجاست که این شرکت صرفا بخش کوچکی از بازار spark است. یعنی روزانه چیزی در حدود 4 شرکت Snowflakes. اگر به آمارهای 3 شرکت شاخص خدمات ابری دقت کنیم، درمی یابیم که درآمد سرویس Spark آنها مبالغ قابلتوجهی است که عموما پس از پردازش و ذخیرهسازی لحاظ میشود و با اضافه شدن بار کاری ناشی از هوش مصنوعی، بر میزان آن افزوده میشود. با اینحساب به خوبی مشخص است که کسبوکار Spark آنها تا چه اندازه عظیم است. افزون بر این، اگرچه Spark یکی از پروژههای منبع باز بسیار موفق است که در انجام پروژههای شرکتهای متعددی به کار میرود، برخی شرکتها این کار رو خودشان متقبل میشوند و در نتیجه اعداد مجموع مدام بزرگ و بزرگتر میشوند. در نتیجه میتوان دریافت که چه میزان کلان داده وجود دارد.
با تمام اینها، ابهام ادعای وجود این همه کلانداده در چیست؟ بسیاری از فروشندگان انبار داده، مدعی هستند که کار کلانداده نیز انجام میدهند. این ادعایی است که این گروه حسب استراتژی کسبوکاری خود مطرح میکنند و صرفا برای برنده شدن پروژهها، مدعی انجام همهکاری میشوند. این درحالی است که حقیقت چیز دیگری است. از هر 100 شرکتی که با آنها صحبت میشود، تنها یک مورد اذعان میکند که انبار داده مورد ادعای آنها، صرفا یک دریاچه داده (Data lake) و یا یک Data lakehouse است. مابقی واقعا یک دریاچه داده دارند. آن یک شرکت از 100 مورد نیز در حقیقت به معنای واقعی آنچه از چنین ساختاری انتظار میرود را انجام نمیدهد و احتمالا نه آنچنان از هوش مصنوعی استفاده میکند و نه دادههایشان را حفظ و مورد بهرهبرداری قرار میدهند.
سوالی که مطرح میشود آن است که اگر دادههای بیشتر و بیشتری در یک انبار داده قرار داده شود، پس چیزی که حاصل میشود کلان داده است… اما نکتهای وجود دارد که مانع از انجام این کار توسط عموم کسبوکارها میشود و آن این است که انجام چنین کاری، هزینههای انبار داده را به میزان چشمگیری بالا میبرد. در مورد یک موتور MPP مدرن، این انتظار معقولی است که زمان کوئری به تناسب میزان داده به صورت خطی افزایش یابد. حتی افزایش غیرخطی اندک نیز قابل انتظار است و این مورد در مورد spark عموما صادق است. اما در مورد انبار داده داستان کمی متفاوت است و این تغییرات خطی صرفا تا یک نقطه مشخص اتفاق میافتد و از آنجا به بعد است که تغییرات غیرخطی آغاز میشوند. نمودار زیر مقایسهای از وضعیت تغییرات Databricks و Snowflake است که تغییرات غیرخطی از یک نقطه به بعد کاملا مشهود است و از آنجا به بعد زمان کوئری (در نتیجه هزینه) به صورت قابلتوجه افزایش پیدا میکند. همین مساله یکی از مهمترین موانعی است که باعث میشود انباشتن هر میزان داده در Snowflake و CDWها برای شرکت به صرفه و معقول نباشد.
حالا سوال بعدی آن است که چرا کلانداده ارزشمند است؟ داشتن دادههای تجمیع شده aggregate)ها( کفایت نمیکند؟ خصوصا آنکه aggregateها با انبار دادههای شما نیز سازگار می شوند. حقیقتا خیر… پیشنهاد مناسبی نیست. Aggregate برای گزارشدهی و امور هوش تجاری عالی است … زمانی که بنا باشد درآمد را بر اساس مشتری یا محصول مورد بررسی قرار دهید؛ اما اگر بنا به استفاده از هوش مصنوعی باشد، اصلا مناسب نیست. مثلا برای پیشبینی اینکه آیا یک مشتری در یک روز گرم حاضر به خرید یک نوشیدنی سرد خواهد شد یا نه، به تمام تراکنشهای انفرادی وی نیاز خواهید داشت و در ادامه نیز باید برای ایجاد یک مدل، این دادهها را با دادههای آبوهوایی ترکیب کنید. چنین مسالهای برای اکثر پروژههای هوش مصنوعی صادق است که پیشبینیها بر اساس ورودیهای دادهای خام و یا قابلیتهای پردازشی مبتنی بر دادههای خام انجام میشوند. در نتیجه مدلها باید بر اساس همان دادههای ورودی آموزش داده شوند. Data Lakehouseها چنین ورودیهایی را در فرمت اصلیشان ذخیره و نگهداری میکنند.
حالا احتمالا این سوال پیش بیاید که این داده چیست؟ پاسخ آن است که میتواند شامل خیلی چیزها باشد:
- IOT data/telemetry data – که غالبا برای موارد نگهداری و تعمیرات پیشگویانه (predictive maintenance) و کارکردهای رباتیک مورد استفاده قرار میگیرند.
- Click data – غالبا در CDPها و تحلیلهای بازاریابی و تحلیلهای پیشگویانه مورد استفاده قرار میگیرند.
- Log data/analytics data که غالبا در موارد نظارتی و امنیتی به کار میروند.
- Genomic data یا health recordsکه غالبا در پژوهشهای پزشکی و یا آنالیز مرحله سوم مورد استفاده قرار میگیرند.
- دادههای عکس، لیدار، صوت و تصویر که در اتومبیلهای خودران و برخی دیگر از کاربردهای مشابه هوش مصنوعی به کار میروند.
- دادههای متنی و اسناد – برای مدلهای بزرگ زبانی
- دادههای محصول – بررسی اینکه مشتریان چگونه از محصول استفاده میکنند.
- و موارد دیگر..
سوال بعدی این است که مردم با چنین دادههایی چه کار میکنند؟ کارهای زیادی مانند موارد زیر:
- آموزش مدلهای هوش مصنوعی – بسیاری از ابزارهای هوش مصنوعی در شرکتها بر اساس چنین مجموعه دادههایی کار میکنند.
- ساخت مجموعه دادههایی که میتوانند برای ایجاد داشبورد و بینش، با دادههای کسبوکارهای کوچکتر ادغام شوند -غالبا چنین مجموعه دادههای کوچکتری در انبار داده قرار میگیرند و ضمن نگهداری دادههای خام، همزمان با تغییرات کسبوکار در طول زمان امکان بازپردازش aggregateها را برای شما فراهم میکند.
- ایجاد دادههای محصولی -کسب درآمد از دادههایی که دارید
- ساخت محصولات تحلیل مشتری – این یکی از ترندهای اخیری است که شرکتها به آن روی آوردهاند و امکان دسترسی مشتریان به دادههایی که خودشان ساخته و انتقال دادهاند را فراهم میکند. پلتفرم Adobe experience یکی از مثالهای شاخص در این مورد است.
با این حساب دفعه بعدی که در شرکتتان مهندس دادهای دیدید که با Spark و یا Hadoop کار میکند، از وی درباره کاری که انجام میدهد و انواع دادههایی که شرکت دارد سوال کنید. احتمالا پاسخهای او شما را شگفتزده خواهد کرد. زیرا احتمالا کلاندادهها حتی در حال متحول کردن شرکت شما نیز باشند.
منبع: لینکدین
رییس اداره مدیریت ریسک بانک تجارت با اشاره به عزم جدی این بانک برای هوشمندسازی فرآیندهای سازمانی، از تکمیل نخستین فاز توسعه سامانه اختصاصی مدیریت ریسک بانک تجارت خبر داد.
به گزارش روابط عمومی داتا، امیرحسین الموتینیا، با اشاره به همکاری بانک تجارت و داتا برای توسعه و پیادهسازی این سامانه، گفت: تسهیل فرایند مدیریت ریسک و انجام الزامات بانک مرکزی جمهوری اسلامی ایران، مبنی بر پیادهسازی سامانه اطلاعاتی مدیریت ریسک توسط بانکها، موجب شد که توسعه سامانه هوشمندی را برای مدیریت ریسک سازمانی(ERM) در دستور کار قرار دهیم. رییس اداره مدیریت ریسک بانک تجارت با اشاره به اینکه پیادهسازی چنین سامانهای به اجرای رهنمودهای کمیته بال (کمیته نظارت بر بانکداری) کمک خواهد کرد افزود: حسب طراحی انجام شده، به کمک این سامانه قادر خواهیم بود انواع ریسکهای پیش روی بانک (شامل ریسکهای داخلی، محیطی و نیز ریسک های نوظهور) را شناسایی و ارزیابی کنیم و با پایش و گزارشدهی، نتایج را در اختیار هیأت مدیره بانک قرار دهیم.
الموتینیا بر برنامه این بانک برای تکمیل این سامانه در قالب سه فاز تاکید کرد و گفت: فاز ابتدایی که طراحی سامانه است اخیرا با موفقیت به پایان رسیده است و قرار است به کمک داتا، فاز توسعه این سامانه نیز تا پایان امسال به پایان برسد؛ وی ابراز امیدواری کرد که چنانچه شرایط طبق برنامه پیش برود، انتظار داریم که فاز نهایی این سامانه که مختص بحثهای محاسباتی و ارزیابی است نیز تا اواخر سال 1404 به پایان برسد.
رییس اداره مدیریت ریسک بانک تجارت، همکاری با داتا به عنوان یکی از زیرمجموعههای این بانک را فرصتی مغتنم در اجرای چنین طرحی دانست و گفت: این مجموعه با تخصصی که در زمینههای فنی، مدیریت داده و هوش مصنوعی دارد، توانست در مدت زمان کمی سامانه را طبق نیازمندیهای اعلامی بانک طراحی و در بستر وب پیادهسازی کند؛ به گونهای که ورود، مدیریت و گزارشدهی اطلاعات ریسکها به صورت سیستمی قابل انجام باشد.
الموتینیا با مرور وضعیت کشورهای توسعه یافته و در حال توسعه تصریح کرد: سازمانها و بانکها در چنین کشورهایی در حال برنامهریزی برای حرکت به سمت استفاده از مزیتهای ناشی از به کارگیری فناوریها/الگوریتمهای هوش مصنوعی برای مدیریت ریسک هستند. کشور ایران نیز با توجه به این مزیتها به دنبال استفاده از هوش مصنوعی در سامانههای خود بوده ولی تاکنون موفقیت چندانی در این زمینه حاصل نشده است.
الموتینیا پیاده سازی چنین سامانههایی در کشور را با چالشهای زیادی همراه دانست و گفت: جدید بودن، زمانبر بودن فرآیندهای سازمانی، کمبود نیروی انسانی خبره، عدم دسترسی/فقدان داده، وجود سامانه های متعدد جزیرهای و ضعف فرهنگ سازمانی و فرهنگ ریسک و در نتیجه مقاومت کارکنان/واحدها برای استفاده از فناوری، از جمله موانعی هستند که اجرای این طرح ها را با دشواری همراه میکند. او سامانه اخیر را که با هدف هوشمندسازی مدیریت ریسک سازمانها پیادهسازی شده، سامانهای منحصربفرد دانست و تاکید کرد: اکنون کمتر بانکی را در ایران میتوان یافت که چنین سامانهای را بر بستر RMIS در دست طراحی و توسعه قرار داده باشد، اما خوشبختانه در بانک تجارت و با کمک داتا توانستیم این اتفاق را رقم بزنیم.
اساسا پیچیدگی و در هم تنیدگی ریسکها در صنایع بزرگ، اقتضا میکند که مدیریت ریسک در کسبوکارهای چنین حوزههایی از طریق راهکارهای جامع و خاصی دنبال شود. در همین راستا، داتا با طراحی و توسعه سامانه مدیریت ریسک، در تلاش است تا بخش زیادی از این پیچیدگیها را پوشش دهد و شرکتهای بزرگ خصوصا بانکها را در یافتن پاسخی برای این شرایط یاری کند.
سامانه مدیریت ریسک در تسهیل انجام الزامات بانک مرکزی و شناسایی، مدیریت، گزارشدهی ریسکهای بانکها به صورت یکپارچه و ارائه نتایج در قالب تحلیلهای هدفمند و پیش بینی ریسکها کمک شایانی به بانکها و مدیران آن میکند. سامانه مدیریت ریسک داتا با ارائه ابزارها و داشبوردهای تحلیلی و پیش بینی ریسکها، باعث بهبود عملکرد و تصمیمگیری بانک از طریق شناسایی، ارزیابی و مدیریت ریسکها میشود. مدیریت سامانه با تعریف دسترسیها برای نمایندههای واحدهای مربوطه، امکان تعریف ریسک و ورود اطلاعات را برای آن واحدها فراهم میکند و در کنار این مورد، امکان تجمیع و یکپارچهسازی بلادرنگ ریسکهای مختلف از سامانههای مختلف نیز وجود دارد.
منبع: