محمد عالیشاهی، مشاور ارشد هوش مصنوعی بانک صادرات: بنده 15 سال سابقه کار در حوزه شرکتهای بانکی و تحلیل داده، AI، EI، علم داده دارم. در حوزه صنعت بانکی با توجه به اینکه حجم دادهها روزانه در حال افزایش است و محصولات و خدمات متنوعی در این حوزه ارائه میشوند؛ در نتیجه با حجم دادههای خیلی زیادی مواجه هستیم و لذا تحلیل داده در این قسمت میتواند برای بانک مزایای خیلی مهمی داشته باشد. برای اینکه بانکها در حوزه رقابتی باقی بمانند حتما باید از ابزارها و پلتفرمهای هوش مصنوعی استفاده کنند.
بنده همچنین مدیر پروژه ANP (فرآیند تحلیل شبکه) در بانک صادرات هستم. بهتازگی بانک صادرات مرکز هوش مصنوعی ایجاد کرده که در این مرکز بهطور تخصصی کل پروژه هوش مصنوعی را در این حوزه پیش میبرد. بحث کاهش هزینهها اولین موضوعی است که در زمینه هوش مصنوعی در حوزه بانکها مطرح است. کاری که هوش مصنوعی میتواند انجام دهد این است که فرآیندها و روندهای زیاد در کسبوکارهای بانکی را حذف کند و بهطور خودکار این موارد تکراری را انجام دهد این کار درنتیجه باعث کاهش هزینه زیادی از بانک میشود. بحث دیگر بهبود تجربه مشتری است.
در این مساله هوش مصنوعی میتواند با توجه به رفتار و تجربه مشتری آنها را در گروههایی دستهبندی کرده و به مشتریان همگروه توصیهنامههایی را جهت استفاده از سرویسها و خدمات بانکی ارائه دهد. این امر در حوزه بانکی باعث افزایش درآمد میشود. همچنین با توجه به سرعت کار و ترکیب محصولات و خدمات بانکی باعث ایجاد محصولات جدید و نیز درآمدزایی میشود. یکی از بحثهایی که به کاربرد هوش مصنوعی در حوزه بانکی اشاره دارد، بحث ریسک اعتباری مشتریان است.
در دنیا این قضیه خیلی مورد بحث است و کارهای مختلفی روی آن انجام میشود. ریسک اسکورینگ (امتیازدهی ریسک) مشتریان که بهطور کامل مبتنیبر هوش مصنوعی است در بانک ملت پیادهسازی و عملیاتی شده است. طبق شنیدهها بانک مرکزی نیز به این سمت در حال حرکت است.
موضوع بعدی «پیشگیری و کشف تقلب» (فراد دیتکشن و فراد پریونشن) است که آموزه جذابی است و حتی در تز دکترا در این حوزه نیز کار میکنند. بحث دیگر چتبات سفارشیسازی خدمات به مشتریان و دستهبندی مشتریان براساس تخصیص تسهیلات و خدمات است. یکی از ویژگیهایی که کاربرد چتبات در حوزه بانکی دارد این است که بهصورت 24 در 7 است؛ یعنی در 24 ساعت شبانهروز و در 7 روز هفته آماده ارائه خدمات است و در زمینه افتتاح حساب و انتقال پول میتواند کمک کند. در انجام و اجرای این پروژهها چالشها و مشکلاتی وجود دارد.
اولین بحث پیچیدگی توسعه و نگهداری است. چتباتها با حجم دادههای زیاد و پیچیده آموزش داده میشوند و اینکه دادهها به چه میزان میتوانند پاسخگوی نیاز مشتری باشند چالش جدی دیگری است که مطرح میشود. بحث دقت و قابل اطمینان بودن پاسخ چتبات مهم است.
در پاسخ چتبات به پرسشهای بانکی مشتریان میتواند اهمیت بالایی داشته باشد. یکی از چالشهای این حوزه بحث امنیت دادههاست. در حال حاضر هوش مصنوعی در کل دنیا فراگیر شده و صنایع و سازمانهای مختلفی در این مورد صحبت میکنند اما اگر امنیت داده حل نشود شاید خیلی از پروژهها به نتیجه نرسند و ممکن است دچار چالشهایی از این دست شویم. بحث امنیت داده حوزه بسیار مهمی است. این پدیده بهخاطر نوظهوری قوانین تازهای هم دارد که باعث میشود رسیدن به کیفیت مطلوب زمانبر شود. یکی از پروژههای خیلی مهمی که در حوزه بانکی وجود دارد بحث کشف تقلب است. این موضوع مبتنیبر روشهای هوش مصنوعی راهاندازی شده و سامانهها و رباتهای هوش مصنوعی میتوانند این موضوع را کنترل کنند.
هوش مصنوعی میتواند روشهای کلاهبرداری پیچیده را تشخیص دهد که نسبت به نیروی انسانی کار را خیلی جلوتر میبرد. این هوش مصنوعی و ربات اگر دقت درستی داشته باشد میتواند بخش زیادی از نیروی انسانی را در بخش اداره تشکیل پرونده و ضدپولشویی کاهش دهد. اما در این میان میتوان چالشهایی هم پیرامون هوش مصنوعی گفت؛ بحث «کشف تقلب» در لایه میانی حوزه بانکی در حوزه «سوئیچ» و «کُر» است. موردی که اهمیت بالایی دارد این است که طبق درخواستی که از سمت مشتری میآید این مدل هوش مصنوعی باید چند ویژگی داشته باشد. اول اینکه در کمترین زمان بتواند پاسخ سریع ارائه دهد و نکته بعدی اینکه دقت خیلی بالایی داشته باشد. چالشی که پیش میآید این است که در واقعیت این اتفاق عملا رخ نمیدهد.
یکی دیگر از چالشها بحث عدم دسترسی است. بحث در واقع چالش داده است. از آنجایی که حساسیت داده مشتریان بالاست بانکها این دادهها بهویژه دادههای برچسبگذاریشده در حوزه کشف تقلب را بهراحتی در اختیار شرکتها قرار نمیدهند؛ چراکه کشف تقلب بحث آبروی افراد است. بحث برچسبگذاری مشتریان یکی از نیازهایی است که در کشور وجود دارد؛ بهتبع مشتریای که رفتار کلاهبرداری یا تقلب داشته باشد نیاز به تاییدیه دارد. بیان این واقعیتها کمک میکند تا برای ورود به بحث بانکی با چالشهای آن آشنا باشید. بحث دیگر نیز بحث سفارشسازی خدمات مشتریان است که با توجه به سوابق تراکنشها و رفتار مالی و تراکنشیای که مشتری دارد، میتواند یکسری توصیههای مالی را انجام بدهد و محصولات و خدمات ترکیبی را به مشتریان ارائه دهد. همچنین تجربیات دیگر مشتریانی را که در یک گروه طبقهبندی شدهاند در اختیار مشتریان همگروه قرار دهد. چالش بعدی چالش جمعآوری دادهها و نوع رفتار مشتری است.
در بسیاری از بانکها لاگ (ثبت وقایع) رفتار مشتریان در یک بانک، کاملا متفاوت است. بهعنوان مثال در یک بخش توسعهدهنده یک نوع لاگ ایجاد کرده و در بخش دیگر فرمتها و مدلها به یک شکل دیگر است. گاهی در زمان جمعآوری لاگها مشاهده میکنیم چالشها آنقدر زیاد است که همین کار بهخودیخود یک پروژه است. بانکها ابتدا باید زیرساخت خود را اصلاح کنند؛ بهطوری که اگر این موضوع حل نشود به نظر من هوش مصنوعی هر چقدر هم که دقت بالایی داشته باشد و خدمات قابل قبولی بدهد باز هم کارساز نیست. در دادههای غیرساختیافته، دادهها بهصورت متنی و با حجم زیاد ارائه میشوند. با توجه به رفتار مشتریان در معیارهای امنیتی و حفظ حریم خصوصی یکی از چالشهای مشتریان درز اطلاعات و نشر اطلاعات حساب و پروفایل مشتریان است.
بحث «پایگاه تحلیلی داده» (data warehouse) که یک بانک اطلاعاتی بزرگ است از سال ۱۹۸۰ در ایران مطرح شد. بانک مرکزی در ایران از سال ۲۰۱۰، قوانین یازدهگانه ضدپولشویی را به بانکها ابلاغ و قرار بر پیادهسازی این قوانین شد و باعث شد که بانکها به سمت انبارداری بروند. 99 درصد بانکها بستر انبارداری خوبی دارند اما این کافی نیست.
در موضوع دادهها ما به دادههایی غیرساختاریافته دسترسی داریم و مانند گذشته نیست که بخواهیم صرفا روی دادههای تراکنشی و ساختاریافته تحلیل انجام بدیم؛ لذا «پایگاه تحلیلی داده» در هوش مصنوعی به نوعی کارایی خودش را از دست میدهد و بانکها و خیلی از سازمانها باید به سمت lakehouse حرکت کنند. درواقع، lakehouse ترکیبی از «مخزن داده» (data lake) و «پایگاه تحلیلی داده»data warehouse است یعنی نه «پایگاه تحلیلی داده» است نه «مخزن داده»، بلکه ترکیبی از این دو است. «مخزن داده» در واقع دریاچهای از داده است که انواع و اقسام داده با فرمتهای مختلف در آن قرار داده میشد.
«پایگاه تحلیلی داده» در واقع بحث «ابرداده» را کاملا رعایت کرده و این داده با تاکید بر دو تکنولوژی با راهاندازی «پایگاه تحلیلی داده» میتواند انواع و اقسام دادهها با هر نوع دادهای چه با حجم داده بالا و چه دادههای ساختیافته باشد و تحلیلهای متنوعی را هم داشته باشید. چندی پیش شرکت «اوراکل» از «اوراکل 23 AI» رونمایی کرد. یکی از ویژگیهایی این نسخه اضافه کردن ویژگی injector search بود.
قبلا شما براساس کلیدواژه داده را جستوجو میکردید اما در حال حاضر با وجود این ویژگی الگوهایی که شما در پایگاه داده در اختیار دارید بهصورت وکتورهای عددی در نظر گرفته شده و وکتورهای عددی که مشابه به هم باشند را استخراج میکند. این کار ارتباط پنهان و پیچیده بین دادهها را شناسایی میکند که برای اولین بار اتفاق میافتد. ویژگی دوم هم Daewoo for data است که برای کسانی که در حوزه تحلیل داده کار میکنند، لحاظ شده است.
دسترسی سریع
اخبار این صفحه
امنیت داده جزء مهمترین چالشها در حوزه بانکداری است
ارسال نظر