هانیه تقی‌زاده, Author at داتا - صفحه 3 از 5

با گذر زمان و فراگیری هوش مصنوعی، پذیرش جوامع نسبت به این فناوری و ابزارهای مرتبط با آن در حال تغییر است و می‌توان ادعا کرد که این روزها مردم با روی گشاده‌تری به پیشنهادات هوشمندی که برنامه‌های مختلف به آنها ارائه می‌کنند، واکنش نشان می‌دهند. ماهیت عملکردی کسب‌وکارهای فعال در صنعت بانکداری به‌گونه‌ای است که هر راهکاری مستقیما بر دارایی‌های افراد تاثیر می‌گذارد؛ با این‌حال و با تمام حساسیت‌های موجود، به نظر می‌رسد اعتماد مردم به این فناوری‌ها در حال تقویت است. به‌طوری که در بررسی‌های اخیر GFT از شاخص اختلالات بانکی آمریکا (Banking Disruption Index)، مشخص شد که 44 درصد از کاربران آمریکایی، نسبت به استفاده از هوش مصنوعی برای خلق تجربه بانکی شخصی‌شان ابراز خرسندی کرده‌اند؛ البته به شرطی که جزییات چگونگی بکارگیری این فناوری به صورت شفاف تشریح شود. طبق این بررسی‌ها اعتقاد بسیاری از کاربران مورد بررسی بر این است که باید از فناوری هوش مصنوعی در ارائه خدمات بانکی استفاده شود.

فینتک‌ها و نئوبانکها به طور مداوم در حال عرضه نوآوری‌های مبتنی بر هوش مصنوعی برای مشتریانشان هستند. اگرچه به طور معمول بانکها قادر نیستند که هم‌پای رقبای دیجیتال و نوین خود در به‌کارگیری قابلیت‌های مختلف هوش مصنوعی به پیش بروند، اما هنوز این توانایی را دارند که در موارد مشخصی که موقعیت بسیار ارزشمند و خاصی پیش بیاید، مطابق با استراتژی موجود پیشروی کنند. بر اساس جدیدترین گزارش سالانه‌ای که از سوی GFT منتشر شده، استفاده از هوش مصنوعی برای بهبود جنبه‌های مختلف ارائه خدمات بانکداری به مشتریان و محافظت مداوم از آنها در برابر تهدیدات سایبری، از جمله کاربردهایی هستند که عموما مشتریان تمایل دارند از آنها بهره‌مند شوند.

در این بررسی میدانی، GFT تعداد 2002 کاربر آمریکایی را برای درک و شناسایی مرزهای به‌کارگیری هوش مصنوعی در صنعت بانکداری مورد بررسی قرار داد. سپس اطلاعات بدست آمده را برای شناسایی حوزه‌هایی که بانکها باید در اولویت قرار دهد تا به بهترین نحو به نیاز مشتریان پاسخ دهند و سهم بازار خود را حفظ کنند، تحلیل کرد.

تاکید جدی مشتریان بر کاربردهای عملیاتی هوش مصنوعی در صنعت بانکداری

اگرچه بررسی‌های GFT از پذیرا بودن مشتریان بانکی برای بکارگیری هوش مصنوعی در ارائه خدمات حکایت داشت، اما در کنار این موارد، نتایج دیگری نیز یافت شدند که نشان می‌دهند مشتریان این حوزه، هنوز آنچنان که باید آماده توسعه هوش مصنوعی به اموری فراتر از ساده و خودکارسازی قابلیت‌های روزمره بانکی نیستند. گزارش مذکور تاکید می‌کند که برای حفظ اعتماد و رضایت مشتریان، بانکهای سنتی باید حسب اولویت‌های مشتری، بر به‌کارگیری راهکارهای مبتنی بر هوش مصنوعی تمرکز کنند:

پناه مشتریان بانکی در برابر سیل تقلب‌های سال 2023

زمانی که در نظرسنجی انجام شده اخیر از مشتریان سوال شد که نسبت به کدامیک از قابلیت‌های هوش مصنوعی برای امور بانکداری روزانه پذیرا هستند، بخش اعظم آمریکایی‌ها (35 درصد) به رصد آنی تقلب‌ها رای دادند. به‌کارگیری هوش مصنوعی برای رصد تقلب‌ها، فرصت بی‌نظیری را در اختیار بانکها و مشتریانشان قرار می‌دهد تا بتوانند در سیل انبوده حملات سایبری و تراکنش‌های متقلبانه‌ای که در سال گذشته رخ داد، از پول‌ها و حساب‌هایشان بهتر حفاظت کنند.

تاکید مشتریان بانکی بر راهکارهایی برای پس‌انداز بهتر پول در سال 2024

90 درصد شهروندان آمریکایی تمایل دارند که هر ماهه بتوانند مبلغی از درآمد خود را پس‌انداز کنند و از این تعداد، یک سوم آنها مایلند که فناوری‌های بانکی مبتنی بر هوش مصنوعی، آنها را در رسیدن به این هدف یاری کند. با این حساب توصیه‌های پس‌اندازی و مدیریت دخل و خرج را باید پس از تقاضای رصد آنی تقلب‌ها، دومین قابلیت‌ پرتقاضای هوش مصنوعی نزد مشتریان بانکها (با میزان تقاضای 32 درصد) دانست. چنین راهکارهایی هم بر کنترل مخارج روزانه تمرکز دارند و هم قادرند راه‌حل‌هایی برای سرمایه‌گذاری‌های بلندمدت و مدیریت ثروت ارائه کنند.

حرکت در مسیر خلق مدیران پولی هوشمند

مشتریان بانکی خواستار آنند که هوش مصنوعی با ایجاد فهرستی از کارهایی که باید روزانه انجام شوند، آنها را در مسیر مدیریت بهتر دارایی‌هاشان یاری کند. 28 درصد از شرکت‌کنندگان در بررسی مذکور با طرح این قابلیت درخواستی، خواستار آن شدند که هوش مصنوعی راهکاری برای چک کردن صورت‌های مالی، انتقال سرمایه و دارایی‌ها و همچنین دریافت بروزرسانی‌های حساب ارائه دهد و به نوعی به خودکارسازی انجام این امور کمک کند.

هوش منصوعی؛ نسل Z پذیرا و بومرهای محتاط

اگر بنا باشد حس و ذهنیت افراد مختلف نسبت به هوش مصنوعی مورد بررسی قرار گیرد، باید تاکید کرد که اساسا شکاف بزرگی میان نگرش نسل‌های مختلف به این فناوری وجود دارد. درحالی که افراد 18 تا 24 ساله حاضر در این بررسی، بسته به نوع کارکرد مد نظر مشتاق به‌کارگیری هوش مصنوعی در بانکداری بودند، افراد 55 سال به بالا (بومرها) با احتمال سه برابر بیشتر نسبت به دیگران، مستعد کنار گذاشتن ایده‌های مبتنی بر هوش مصنوعی در صنعت بانکداری شناخته شدند.

اعتبارسنجی هوشمند، رویکرد مدرنی برای ارزیابی اعتبار افراد با بهره‌گیری از پتانسیل‌های هوش مصنوعی و یادگیری ماشین است. سیستم‌های اعتبارسنجی هوشمند به جای آنکه صرفا بر روش‌های سنتی اعتبارسنجی مانند سوابق فعالیت‌های اعتباری، درآمد و بدهی‌های موجود تکیه داشته باشند، تلاش می‌کنند تا به طیف گسترده‌تری از منابع داده‌ای (از جمله ردپای دیجیتال افراد) نگاه کنند.

اعتبارسنجی هوشمند، برای تحلیل چنین داده‌هایی که در نهایت به پیش‌بینی رفتار مالی آتی افراد منجر می‌شود، از الگوریتم‌های پیچیده استفاده می‌کند. این فرم پیشرفته اعتبارسنجی پتانسیل آن را دارد که بینش‌های ظریفی خلق کرده و کمک کند تا رهبران سازمانها، آگاهانه‌تر تصمیم بگیرند.

به‌کارگیری هوش مصنوعی در اعتبارسنجی، حتی ارزیابی اعتبار افرادی که طبق معیارهای سنتی، سابقه مالی چندانی از آنها در دست نیست را نیز میسر کرده و کار ارزیابی اعتباری این افراد را با تحلیل انواع دیگری از داده‌ها که در قالب رد پای دیجیتال در فضای مجازی از آنها به جا مانده است (مانند تراکنش‌های آنلاین، تعاملاتی که در شبکه‌های اجتماعی دارند و یا بکارگیری اپلیکیشن‌های مختلف) به انجام می‌رساند.

سیستم‌های اعتبارسنجی هوشمند چگونه کار می‌کنند؟

اساس عملکرد سیستم‌های اعتبارسنجی هوشمند، بر الگوریتم‌های یادگیری ماشین استوار است. این الگوریتم‌ها از طریق مجموعه‌‌های عظیمی از داده‌های تاریخی آموزش داده می‌شوند و قادر می‌شوند که الگوها و همبستگی‌های مرتبط با توانایی و یا احتمال بازپرداخت مبالغ توسط وام‌گیرنده را شناسایی کنند.

چنین الگوهایی از طریق داده‌های تاریخی آموزش می‌بینند و سپس بر مجموعه‌های جدیدی از داده‌ها اعمال می‌شوند تا رفتارهای آتی افراد را پیش‌بینی کنند. این فرآیند یادگیری از داده‌های گذشته برای پیش‌بینی رفتار آینده، مشخصه کلیدی یادگیری ماشین است و همین توانایی، اجرای یک سیستم اعتبارسنجی مبتنی بر هوش مصنوعی را ممکن می‌کند.

داده‌ای که در سیستم‌های اعتبارسنجی هوشمند به کار گرفته می‌شود، می‌تواند از منابع متعددی تامین شود. اطلاعات اعتباری سنتی، شامل سوابق تراکنش‌ها، بدهی‌های موجود و مدت سابقه اعتباری، از جمله منابع داده‌ای متداول به حساب می‌آیند. با این وجود، اعتبارسنجی هوشمند، می‌تواند منابع داده‌ای متفاوت و جایگزینی را نیز شامل شود که این امکان را فراهم می‌آورند تا سیستم‌ها پتانسیلی برای اعمال نظر فرای روش‌های سنتی را نیز داشته باشند. این منابع داده‌‌ای جایگزین، می‌توانند شامل داده‌‌های تراکنش‌ها، رفتار وب‌گردی کاربر، فعالیت‌هایش در شبکه‌های اجتماعی و انواع دیگری از ردپای دیجیتال باشند.

مدل‌های اعتبارسنجی هوشمند با تحلیل طیف وسیعی از داده‌ها، می‌توانند ارزیابی دقیق‌تر و جامع‌تری از ریسک اعتباری موجود ارائه دهند. این مدل‌ها، چشم‌انداز کل‌نگری از رفتار مالی هر فرد ترسیم می‌کنند که می‌تواند شامل جنبه‌هایی باشد که از نگاه روش‌های سنتی اعتبارسنجی مغفول می‌مانند.

انواع مدلهای اعتبارسنجی هوشمند

مدلهای اعتبارسنجی هوشمند، بسته به تکنیک یادگیری ماشین مشخصی که به کار برده شده و منابع داده‌ای که مورد استفاده قرار گرفته، می‌توانند انواع مختلفی داشته باشند. این مدلها عبارتند از: مدلهای یادگیری تحت نظارت‌، مدلهای یادگیری بدون نظارت و مدلهای هیبرید.

مدلهای یادگیری تحت نظارت

مدلهای یادگیری تحت نظارت‌ یکی از انواع بسیار رایج اعتبارسجی هوشمند هستند. این مدلها بر اساس مجموعه‌ای از داده‌های برچسب‌گذاری شده با خروجی‌های مشخص، مانند سوابق اعتباری و رفتار بازپرداخت وام، آموزش داده شده‌اند. مدل می‌آموزد که داده‌های ورودی را با داده‌های خروجی تلفیق کند و میزان اعتبار افراد جدید را بر اساس سوابق اعتباری آنها برآورد و پیش‌بینی کند.

مدلهای یادگیری بدون نظارت‌

مدلهای یادگیری بدون نظارت زمانی به کار می‌روند که خروجی‌ها ناشناخته باشند. این مدلها بر اساس مجموعه‌ای از داده‌های برچسب‌گذاری نشده آموزش داده می‌شوند و به کشف الگوهای درون داده‌ها می‌پردازند. در اعتبارسنجی، یک مدل بدون نظارت می‌تواند افراد را بر اساس داده‌های تراکنش‌ها و یا رفتار وب‌گردی آنها دسته‌بندی (خوشه‌بندی) کند و این خوشه‌ها مبنای ارزیابی اعتبار آنها قرار بگیرند.

مدلهای یادگیری هیبرید

مدلهای هیبرید را باید ترکیبی از تکنیک‌های یادگیری تحت نظارت و بدون نظارت دانست. این مدلها از یادگیری بدون نظارت برای کشف ویژگی‌های جدید داده‌ای و روابط آنها استفاده می‌کنند و برای پیش‌بینی‌ها نیز از مدلهای یادگیری تحت نظارت استفاده می‌کنند. مدلهای هیبرید، به‌دلیل انعطاف‌پذیری و سازگاری بالایی که دارند، به گزینه بسیار مناسبی برای اعتبارسنجی و بهره‌گیری همزمان از مزایای هر دو مدل قبلی  برای ارزیابی جامه و دقیق ریسک تبدیل شده‌اند.

مقایسه اعتبارسنجی سنتی و هوشمند

اعتبارسنجی سنتی و هوشمند، نمایانگر دو رویکرد کاملا متمایز برای ارزیابی اعتبار افراد هستند. به‌طورکلی سیستم‌های اعتبارسنجی سنتی، مجموعه نسبتا کوچکی از متغیرها، مانند سوابق پرداخت، مدت سابقه اعتباری، میزان بدهی تسویه نشده و اعتبارات فعال افراد را مورد ارزیابی قرار می‌دهند. به‌هرحال چنین سیستم‌‌هایی ممکن است باعث شوند که اعتبارسنجی افرادی که اطلاعات زیادی از شاخص‌های اعتباری سنتی برای آنها در دست نیست، مانند جوانان و یا افراد حاضر در کشورهای در حال توسعه، با مشکل مواجه شود.

از سوی دیگر، اعتبارسنجی هوشمند از الگوریتم‌های یادگیری ماشین و تحلیل طیف وسیعی از ارایه‌های داده‌ای استفاده ی‌کند و به یافته‌هایی فرای اطلاعات اعتباری سنتی دست پیدا می‌کند.

مزایای اعتبارسنجی هوشمند

در تشریح مزایای اعتبارسنجی هوشمند می‌توان به موارد زیر اشاره کرد:

بهبود دقت: دقت سیستم‌های اعتبارسنجی هوشمند نسبت به سیستم‌های سنتی بالاتر است. زیرا فناوریهای به‌کار رفته در این سیستم‌ها، در تشخیص الگوهای پیچیده و درک همبستگی‌ داده‌هایی که ممکن است در تحلیل از سوی عوامل انسانی مورد غفلت قرار بگیرند، بهتر عمل می‌کند.

تصمیم‌گیری سریع: راهکارهای مالی مبتنی بر هوش مصنوعی می‌توانند حجم عظیمی از داده را در کسری از ثانیه پردازش کنند. چنین سیستمی این امکان را برای وام‌دهندگان فراهم می‌کند که سریع‌تر تصمیم بگیرند و با کاهش زمان انتظار برای دریافت وام، تجربه مشتریان در تعامل با مجموعه را بهبود بدهند.

سرویس‌دهی به افراد فاقد سابقه بانکی: فراهم شدن امکان فرصتی برای اعطای وام به افرادی که پیش از این سابقه بانکی خاصی نداشته‌اند، از دیگر مزیت‌های شاخص اعتبارسنجی هوشمند است. این راهکار جایگزین که تحلیل داده‌ها را در یک سیستم مبتنی بر هوش مصنوعی برای سنجش اعتبار افراد به انجام می‌رساند، فرصتی فراهم می‌کند تا افرادی که پیشتر در جریان ارائه و دریافت خدمات مالی حضور فعالی نداشته‌اند و سابقه قابل استنادی برای بررسی آنها وجود ندارد، بتوانند اعتبارسنجی شوند.

بهبود مدیریت ریسک: ابزارهای هوشمند مدیریت ریسک اعتباری به وام‌دهندگان در پیش‌بینی بهتر احتمال بازپرداخت نشدن وام‌ها کمک می‌کنند و همین مساله باعث می‌شود ریسک کمتری متوجه کسب‌وکار شود.

ریسک‌های اعتبارسنجی هوشمند

درحالی که اعتبارسنجی هوشمند باعث نوآوری شده و پتانسیل‌های موجود برای بهبود دقت ارزیابی اعتباری را تقویت می‌کند، با ریسک‌هایی نیز همراه است که لازم است مدیریت شود.

یکی از اصلی‌ترین دغدغه‌هایی که در به‌کارگیری سیستم‌های هوشمند اعتبارسنجی مطرح می‌شود، بحث حفاطت از اطلاعات و حریم خصوصی است. گردهم‌آوردن مجموعه‌های عظیمی از داده‌های کاربران برای تحلیل میزان اعتبار آنها، باعث افزایش احتمال بروز مسائل جدی در رابطه با امنیت اطلاعاتی و حفظ حریم خصوصی آنها می‌شود. این مساله می‌تواند زمینه‌ساز دسترسی‌های غیرمجاز و سواستفاده از اطلاعات حساس و هویت افراد برای انجام اعمال مجرمانه شود.

در کنار این مورد، نگرانی‌هایی نیز پیرامون سوگیری‌های الگوریتمی در اعتبارسنجی‌های انجام‌شده وجود خواهد داشت. کیفیت عملکردی سیستم‌های مبتنی بر هوش مصنوعی، رابطه مستقیمی با داده‌هایی دارد که برای آموزش آن سیستم به کار برده شده‌اند. در نتیجه هرگونه کژتابی و سوگیری در داده‌های به کار رفته، می‌تواند باعث تصمیم‌گیری‌های تبعیض‌آمیز توسط این سیستم‌های هوشمند شود.

آیا می‌دانستید؟؟؟؟ در سال 2019، سیستم اعتبارسنجی هوشمند یکی از شرکتهای شاخص، با چنین مشکلی مواجه شد و در ارزیابی‌های خود، اعتبار زنان را کمتر از آنچه که باید برآورد کرد. چنین موردی به‌خوبی گویای وجود ریسکی است که در زمینه قضاوت‌های غیرمنصفانه و دارای سوگیری توسط سیستم‌های اعتبارسنجی مبتنی بر هوش منصوعی وجود دارد.

شفافیت و توضیح‌پذیری یکی دیگر از چالش‌های به‌کارگیری سیستم‌های اعتبارسنجی هوشمند است. پیچیدگی‌ مدلهای هوش مصنوعی باعث می‌شود که درک منطقی ماجراهای پشت‌پرده یک امتیاز اعتباری مشخص، دشوار و چالش‌برانگیز باشد. این مساله جعبه سیاه (Black Box) می‌تواند انطباق با الزامات رگولاتوری را پیچیده کند.

چگونه هوش مصنوعی مدیریت ریسک اعتباری را بهبود می‌بخشد؟

فارغ از چالش‌های مطرح‌شده، هوش مصنوعی همچنان در بحث تحلیل ریسک‌های مالی، مزایای قابل‌توجهی ارائه می‌دهد.

به لطف مدلهای اعتبارسنجی یادگیری ماشین و با در نظر گرفتن هر دو دسته داده‌های تاریخی و آنی، می‌توان رفتار وام‌گیرندگان را با تقریب خوبی پیش‌بینی کرد. این امکان باعث می‌شود وام‌دهندگان همواره یک گام جلوتر از ریسک‌های احتمالی باشند و بتوانند تصمیمات درست و مناسبی اتخاذ کنند.

یکی دیگر از مزیت‌های مهم سیستم‌های اعتبارسنجی هوشمند، کشف ناهنجاری‌ها است. ابزارهای ارزیابی هوشمند ریسک، الگوهای غیرمعمولی که می‌توانند از وجود متقاضیان پرریسک حکایت داشته باشند را شناسایی می‌کنند. کشف زودهنگام این الگوها به معنای آن است که وام‌دهنده این امکان را خواهد داشت تا پیش از بروز هرگونه مشکلی، اقدامات درمانی و پیشگیرانه لازم را انجام دهد و ریسکی که متوجه کسب‌وکار است را به حداقل برساند.

ملاحظات اخلاقی سیستم‌های اعتبارسنجی هوشمند

ملاحظات اخلاقی از جمله موضوعاتی هستند که نمی‌توان آنها را نادیده گرفت و معرفی سیستم‌های اعتبارسنجی هوشمند، ناگزیر با چالش‌های اخلاقی مشخصی نیز همراه بوده است.

اولین و مهم‌ترین مورد را باید معطوف به مساله تبعیض و عدالت دانست. در کار با سیستم‌های اعتبارسنجی هوشمند، دریافت خروجی‌های تبعیض‌آمیز به هیچ عنوان محال نیست. در نتیجه ضروری است این اطمینان حاصل شود که سیستم‌های هوشمند طراحی شده، بدون داشتن موضع‌گیری‌های نژادی، جنسیتی و اجتماعی-اقتصادی و به دور از  تبعیض با افراد برخورد کنند.

مورد بعدی که باید مورد توجه قرار بگیرد، پاسخگویی و مسئولیت‌پذیری است. چنانچه یک سیستم هوشمند، تصمیم اشتباهی بگیرد، پاسخگو دانستن افراد مختلف (توسعه‌دهندگان، جمع‌آوری‌کنندگان  داده و یا نهاد مالی) در قبال تصمیمات اشتباهی که ممکن است یک سیستم هوشمند بگیرد، کار بسیار دشواری است. در نتیجه باید راهنمای جامعی از حدود مسئولیت‌های افراد در قبال تصمیمات سیستم‌ها تهیه شود. رعایت ملاحظات اخلاقی یکی از اصول بسیار ضروری به‌کارگیری سیستم‌های اعتبارسنجی هوشمند است و برای این‌کار باید حتما از رعایت انصاف و شفافیت در سیستم اطمینان حاصل شود.

آیا می‌دانستید؟؟؟؟ مقررات GDPR اتحادیه اروپا حقی با عنوان «حق توضیح‌خواهی» را برای افراد به رسمی شناخته است که به موجب آن افراد می‌توانند در قبال تصمیماتی که از سوی الگوریتم‌ها گرفته شده و زندگی آنها را تحت تاثیر قرار می‌دهد، توضیح شفاف بخواهند.

حذف ریسک‌های اعتبارسنجی هوشمند

با اتخاذ راهکارهای مناسب و ایجاد سازگاری اخلاقی، می‌توان بستری فراهم کرد که از بروز ریسک‌های مختلف در بکارگیری سیستم‌های اعتبارسنجی هوشمند جلوگیری شود. در ادامه شماری از مهم‌ترین اقداماتی که می‌توانند انجام شوند را می‌آوریم.

اجرای اقدامات کنترلی برای بررسی مداوم منصفانگی سیستم: در مدیریت سیستم‌های اعتبارسجی هوشمند، ضرورت اجرای اقدامات کنترل منصفانگی به شدت حس می‌شود. توسعه‌دهندگان می‌توانند با اجرای الگوریتم‌های منصفانگی، میزان سوگیری سیستم‌های مبتنی بر هوش مصنوعی را کاهش دهند. مدلها می‌توانند به طور مداوم مورد بازبینی قرار بگیرند و با به‌روزرسانی درست و در گذر زمان از رعایت انصاف در خروجی‌های ایجاد شده اطمینان حاصل کنند.

افزایش شفافیت: خلق مدلهای توضیح‌پذیر هوش مصنوعی، این امکان را برای سهامداران فراهم می‌کند که بدانند هر کدام از تصمیمات مشخص چگونه اتخاذ شده‌اند. این شفافیت باعث ایجاد اعتماد شده و به تطابق با الزامات رگولاتوری کمک می‌کند.

تطابق با الزامات رگولاتوری: نهادها باید همگام با تغییر مداوم درخواست‌های قانونی به‌روز بمانند و با رعایت استانداردهای صنعت، از جریمه و آسیب به شهرت و اعتبار به دور بمانند.

آینده هوش مصنوعی در سیستم‌های اعتبارسنجی مالی

با نگاهی به آینده، به نظر می‌رسد که هوش مصنوعی در سیستم‌های اعتبارسنجی، آماده رشد و تحولی چشمگیر است. همچنین می‌توان انتظار داشت که سیاست‌های رگولاتوری تکامل پیدا کنند. البته همزمان با آنکه حکومتها در صدد به‌کارگیری هوش مصنوعی هستند، توسعه الزامات قانونی برای اطمینان از رعایت ملاحظات اخلاقی نیز ادامه خواهد یافت و همین امر به شکل‌گیری این مساله می‌انجامد که مدلهای اعتبارسنجی هوشمند چگونه توسعه یافته و اجرایی شوند.

در ادامه پیشرفتهای فناورانه، شاهد خودکارسازی بیشتر سیستم‌های اعتبارسنجی خواهیم بود. انتظار می‌رود با پیشرفتهای آتی هوش مصنوعی و یادگیری ماشین، الگوریتم‌ها بهبود بیشتری پیدا کنند و از این طریق کارایی و دقت آنها افزایش یابد.

همچنین احتمال آن وجود دارد که به‌زودی شاهد سازگاری با این سیستم‌ها در اشل جهانی باشیم. سازگاری سریع‌تر کشورهای در حال توسعه با فناوری مالی مبتنی بر هوش مصنوعی به عنوان ابزاری برای جهش سیستم‌های بانکداری سنتی، افزایش شمول مالی در مقیاس بین‌المللی را به همراه داشت.

منبع

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.

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.

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.

منبع

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.

مشاهده متن کامل مقاله

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.

منبع

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.

منبع

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:

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.

1. حاکمیت داده تمام چرخه عمر داده را تحت پوشش قرار می‌دهد و هوش مصنوعی نیز بخشی از این مساله است.
2. حاکمیت داده توسعه سیستم‌های هوش مصنوعی مسئولیت‌پذیر که با یک موضوع مشخص تناسب دارند را میسر می‌کند.
3. حاکمیت داده موضوعاتی را مورد توجه و بررسی قرار می‌دهد که ممکن است در هوش مصنوعی از نظر دور بمانند.
4. حاکمیت داده برای آنکه سیستم‌های مبتنی بر هوش مصنوعی مورد پذیرش و توجه جوامع قرار بگیرند ضروری است.
5. نگاه حاکمیت داده به فناوری، ندانم‌گرایی است؛ در نتیجه طبعیت کلی‌نگرتری دارد.
6. 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.

منبع