به گزارش خبرگزاری موج، حسین امامی مدرس و پژوهشگر هوش مصنوعی گفت: هوش مصنوعی به یکی از ارکان اصلی نوآوری در بانکداری تجاری تبدیل شده و با بهینه‌سازی فرآیندهایی چون اعتبارسنجی، کشف تقلب، تعامل با مشتری، گردش‌های کاری عملیاتی و رعایت الزامات نظارتی، انقلابی در این حوزه رقم زده است. بانک‌ها با بهره‌گیری از یادگیری ماشین، تحلیل‌های پیش‌بینی‌محور و هوش مصنوعی مولد، در حال بازتعریف فرآیندهای سنتی، افزایش دقت تصمیم‌گیری و ارائه خدمات شخصی‌سازی‌شده در مقیاس وسیع هستند.

در این گزارش، کاربردهای گوناگون هوش مصنوعی در بانکداری تجاری بررسی شده و نمونه‌های عملی از بانک‌های پیشروی جهانی مانند JPMorgan Chase، BBVA، Morgan Stanley و HSBC ارائه شده است. از خودکارسازی فرآیندهای اعطای اعتبار گرفته تا مقابله با پول‌شویی، هوش مصنوعی نه‌تنها عملکرد عملیاتی را بهبود داده، بلکه رقابت در بخش مالی را نیز متحول کرده است.

بخش اول- اعتبارسنجی هوشمند و ارزیابی ریسک با هوش مصنوعی

ارتقای مدل‌های اعتبارسنجی با یادگیری ماشین

بانک‌های تجاری به‌طور فزاینده‌ای از الگوریتم‌های یادگیری ماشین برای ساده‌سازی و بهبود فرآیند اعتبارسنجی استفاده می‌کنند. مدل‌های سنتی که متکی به داده‌های مالی گذشته و شاخص‌های استاندارد هستند، جای خود را به سامانه‌های پویای هوش مصنوعی داده‌اند که حتی داده‌های ساخت‌نیافته مانند فعالیت در شبکه‌های اجتماعی، الگوهای تراکنشی و روندهای ژئوپلیتیکی را نیز تحلیل می‌کنند. به عنوان نمونه، بانک BBVA سامانه‌ای طراحی کرده که با تحلیل داده‌های تراکنش‌های مالی و شرایط بازار، اعتبار کسب‌وکارهای کوچک و متوسط را ارزیابی کرده و در نتیجه زمان تأیید تسهیلات را تا ۳۰ درصد کاهش داده و بازدهی تعدیل‌شده با ریسک را افزایش داده است. برخی بانک‌های اروپایی نیز با بهره‌گیری از این مدل‌ها، موفق به افزایش ۱۰ درصدی فروش محصولات مالی جدید شده‌اند.

تحلیل پیش‌بینی‌محور در مدیریت پرتفوی

توانایی پیش‌بینی هوش مصنوعی، استراتژی‌های مدیریت ریسک را دگرگون کرده است. بانک‌ها با تحلیل داده‌های بازار و شاخص‌های کلان اقتصادی به‌صورت لحظه‌ای، می‌توانند احتمال نکول تسهیلات را پیش‌بینی و پرتفوی اعتباری خود را پیش‌دستانه تنظیم کنند. پلتفرم nCino، با ترکیب هوش مصنوعی در وام‌دهی تجاری، بینش‌های پیش‌بینی‌محور در اختیار بانکداران قرار می‌دهد که امکان قیمت‌گذاری پویا و تنظیم شروط اعتباری را فراهم می‌سازد. یکی از بانک‌های متوسط اروپایی با بهره‌گیری از این ابزارها، موفق به کاهش ۲۰ درصدی نکول وام‌ها از طریق شناسایی زودهنگام ریسک‌ها شده است. این سامانه‌ها همچنین امکان شبیه‌سازی سناریوهای تنش‌زا مانند افزایش نرخ بهره یا اختلال در زنجیره تأمین را فراهم می‌سازند.

بخش دوم- کشف تقلب و مقابله با جرایم مالی پایش لحظه‌ای تراکنش‌ها

سامانه‌های هوش مصنوعی، روزانه میلیون‌ها تراکنش را پایش کرده و الگوهای مشکوک را شناسایی می‌کنند. بانک JPMorgan Chase از مدل‌های یادگیری عمیق برای کشف انتقال‌های مشکوک بین‌المللی یا برداشت‌های پیاپی غیرمعمول استفاده کرده و با کاهش ۴۰ درصدی هشدارهای اشتباه، تمرکز تحلیل‌گران را بر پرونده‌های واقعی افزایش داده است. بانک‌هایی که از راهکارهای IBM بهره‌برده‌اند نیز کاهش چشمگیری در حملات فیشینگ و سرقت هویت گزارش کرده‌اند.

مقابله با پول‌شویی و گزارش‌های نظارتی

هوش مصنوعی مولد در حال متحول‌سازی فرآیندهای مبارزه با پول‌شویی است. ابزارهای شرکت Oracle با بهره‌گیری از یادگیری بدون نظارت، تغییرات رفتاری مشکوک همچون افزایش ناگهانی واریزهای نقدی یا انتقال به مقاصد پرریسک را شناسایی می‌کنند. HSBC با به‌کارگیری این فناوری، نرخ هشدارهای اشتباه را تا ۳۵ درصد کاهش داده و کیفیت گزارش‌های فعالیت مشکوک را بهبود بخشیده است. اقدام اخیر نهاد پولی سنگاپور در استفاده از بازرسی‌های مبتنی بر هوش مصنوعی، گویای نقش فزاینده این فناوری در پاسخگویی به الزامات نظارتی روزافزون است.

بخش سوم- تعامل با مشتری و خدمات مالی شخصی‌سازی‌شده چت‌بات‌های هوشمند و دستیارهای مجازی

چت‌بات‌های هوش مصنوعی مولد، تعامل مشتریان با بانک را دگرگون کرده‌اند. همکاری Morgan Stanley با OpenAI به تولید چت‌باتی منجر شد که به مشتریان خدمات ثروت، در تنظیم سبد سرمایه‌گذاری، بهینه‌سازی مالیاتی و برنامه‌ریزی بازنشستگی مشاوره می‌دهد. این ابزار با تحلیل داده‌های فردی و روند بازار، توصیه‌هایی متناسب با میزان ریسک‌پذیری مشتری ارائه می‌کند و رضایت مشتریان را تا ۱۵ درصد افزایش داده است.

طراحی محصولات مالی فوق‌العاده شخصی‌سازی‌شده

بانک‌ها با بهره‌گیری از پردازش زبان طبیعی (NLP)، از طریق تحلیل ایمیل‌ها و سوابق تراکنشی، رویدادهای مهم زندگی مشتریان مانند خرید خانه یا قبولی دانشگاه را شناسایی کرده و در زمان مناسب، پیشنهادهای اعتباری یا سرمایه‌گذاری مرتبط ارائه می‌کنند. به عنوان نمونه، برنامه آزمایشی سیتی‌بانک برای مشتریان نسل جدید، باعث افزایش ۱۲ درصدی جذب محصول نسبت به روش‌های بازاریابی سنتی شد.

بخش چهارم- بهره‌وری عملیاتی و خودکارسازی فرآیندهای پشتیبان

خودکارسازی پردازش اسناد

ابزارهای مبتنی بر هوش مصنوعی با استخراج خودکار اطلاعات از صورت‌های مالی، اظهارنامه‌های مالیاتی و فاکتورها، زمان پذیرش مشتریان جدید را تا ۵۰ درصد کاهش داده‌اند. یکی از بانک‌های منطقه نوردیک با بهره‌گیری از این فناوری، ۷۰ درصد خطاهای انسانی را کاهش و هزینه‌های عملیاتی را تا ۴۰ درصد کم کرده است.

اتوماسیون هوشمند فرآیندها

ترکیب RPA (اتوماسیون رباتیک) با هوش مصنوعی، تحولی در فرآیندهای پشت‌صحنه ایجاد کرده است. پلتفرم COIN متعلق به JPMorgan Chase سالانه بررسی ۱۲هزار قرارداد حقوقی را در چند ثانیه انجام می‌دهد—کاری که پیش‌تر نیازمند ۳۶۰هزار ساعت انسانی بود. سامانه تطبیق پرداخت‌های مرزی HSBC نیز با بهره‌گیری از هوش مصنوعی، اختلافات فاکتورها و پرداخت‌ها را ۹۰ درصد سریع‌تر از روش‌های سنتی برطرف می‌کند.

بخش پنجم- انطباق با مقررات و ملاحظات اخلاقی هوش مصنوعی قابل توضیح برای تصمیم‌گیری شفاف

در پاسخ به تقاضای روزافزون نهادهای ناظر برای شفافیت، بانک‌ها به چارچوب‌های «هوش مصنوعی قابل توضیح» روی آورده‌اند. مدل‌های یادگیری ماشین بانک BBVA به گونه‌ای طراحی شده‌اند که دلایل رد وام را مستند کرده و از تطابق با قوانین وام‌دهی منصفانه اطمینان حاصل شود. قانون جدید اتحادیه اروپا در زمینه هوش مصنوعی نیز چنین شفافیتی را الزامی کرده است.

کاهش سوگیری و تضمین عدالت

مدل‌های آموزش‌دیده با داده‌های تاریخی، اگر بدون اصلاح استفاده شوند، ممکن است نابرابری‌هایی در دسترسی به تسهیلات ایجاد کنند. برای مقابله با این چالش، بانک‌هایی مانند NatWest از تکنیک‌های «ضد سوگیری» استفاده می‌کنند. آزمایش‌های اولیه موفق به کاهش ۱۸ درصدی نابرابری جنسیتی در وام‌دهی شده‌اند، هرچند چالش‌های ریشه‌کنی کامل سوگیری همچنان باقی‌ست.

چالش‌ها و افق پیش رو ریسک‌های حریم خصوصی و امنیت داده

بانک‌ها برای بهره‌برداری ایمن از هوش مصنوعی، ناچار به ایجاد چارچوب‌های حاکمیتی دقیق داده‌ها هستند. استفاده از رمزنگاری و یادگیری فدرال از جمله روش‌هایی‌ست که بانک‌هایی مانند HSBC برای محافظت از داده‌ها در پیش گرفته‌اند.

مرز بعدی: هوش مصنوعی مولد و محاسبات کوانتومی

کاربردهای آینده شامل شبیه‌سازی آنی مشاوره مالی با هوش مصنوعی مولد و استفاده از یادگیری ماشین کوانتومی برای بهینه‌سازی پرتفوی است.  Morgan Stanley در حال بررسی الگوریتم‌های کوانتومی برای حل معادلات پیچیده ریسک با سرعتی هزار برابر رایانه‌های کلاسیک است—تحولی بنیادین در قیمت‌گذاری ابزارهای مشتقه.

نتیجه‌گیری

هوش مصنوعی با بهبود چشمگیر بهره‌وری، خدمات شخصی‌سازی‌شده و انطباق با مقررات، به‌طور بنیادین بانکداری تجاری را متحول کرده است. با این حال، ملاحظات اخلاقی و ریسک‌های عملیاتی، نیازمند نظارت مستمر و دقیق‌اند. بانک‌هایی که بتوانند ضمن بهره‌برداری هوشمندانه از این فناوری، پاسخگوی چالش‌های آن نیز باشند، آینده‌ساز عرصه خدمات مالی خواهند بود.