فاطمه آریان‌فر- پژوهشگر اقتصادی: نوشتار حاضر خلاصه‌ای از گزارش "کاربرد هوش مصنوعی و یادگیری ماشین در صنعت بانکداری" است که در اندیشکده پول و ارز منتشر شده است. امروزه دیجیتالی شدن به یک اولویت استراتژیک برای صنعت بانکداری در جهان تبدیل شده است. هوش مصنوعی (AI) و یادگیری ماشین (ML) به ‌عنوان با ارزش‌ترین عامل برای دستیابی به مزیت رقابتی با افزایش قابلیت‌های تصمیم‌گیری و تغییر صنعت بانکداری تلقی می‌شود. این دو مولفه به مدیران کمک می‌کند تا بر جنبه‌های کلیدی و استراتژیک کسب و کار تأکید کنند و زمان کمتری را برای کارهای تکراری صرف کنند. صنعت بانکداری از نسل اول که به روش‌های سنتی و قدیمی بانکداری وابسته است، تا بانکداری نسل چهارم که به طور گسترده از هوش مصنوعی استفاده می‌کند و فناوری‌های پیشرفته را ادغام می‌کند، راه زیادی را طی کرده است. بانک‌ها از فناوری‌های نوآورانه و پیشرفته برای مرتبط ماندن و پیشی گرفتن از رقبا استفاده می‌کنند. خدمات بانکی به دلیل جذابیت نوآوری‌های مالی مبتنی بر هوش مصنوعی با کاهش هزینه‌های عملیاتی، دستخوش تحولی شگرف شدند. این نوشتار کاربردهای هوش مصنوعی و یادگیری ماشین را آشکار می‌کند و کاربرد آنها را در حوزه‌های عملکردی مختلف صنعت بانکداری ارزیابی و چگونگی استفاده مؤثر این موسسات از این فناوری‌های نوین برای بهبود کسب‌وکار خود را بررسی می‌کند. هوش مصنوعی در عصر حاضر در بیشتر کارکردهای تجاری پیاده‌سازی شده و رویکرد کاربردی و ابزار قدرتمندی است که به طور گسترده در صنایع مختلف استفاده می‌شود و بخش مالی نیز از آن بی‌بهره نیست. با استفاده از فناوری‌های مرتبط متعدد موجود، کاربرد هوش مصنوعی عمیقاً در بخش بانکداری نفوذ کرده است و نه تنها در حال مدرن‌سازی، بلکه تبدیل این بخش به افق جدیدی است. علاوه بر این، یادگیری ماشین (ML) زیر مجموعه‌ای از هوش مصنوعی است که پدیده و بُعد مهم دیگری است که هدف آن مدیریت دارایی‌ها، محاسبه امتیازات اعتباری و ارزیابی سطح ریسک صنعت مالی است. هوش مصنوعی و یادگیری ماشین فناوری‌های مقیاس‌پذیری هستند که در مواردی همچون پیشگیری از تقلب، تعامل با مشتری و کمک به ارزیابی ریسک استفاده می‌شود. استفاد. از هوش مصنوعی می‌تواند عملیات بانکی و خدمات مالی را بهبود بخشد که به نوبه خود طبق برآوردها می‌تواند بیش از ۲۵۰ میلیارد دلار ارزش را در سراسر این صنعت به ارمغان ‌آورد (موسسه جهانی مک کینزی).

تأثیرات هوش مصنوعی و یادگیری ماشین به وضوح در بسیاری از زمینه‌های بخش بانکداری مانند امتیازدهی اعتبار، تحقیقات بازار، کشف تقلب و مدیریت دارایی و غیره آشکار می‌شود. بانک‌ها باید فناوری هوش مصنوعی را به منظور مرتبط‌تر شدن و رقابتی‌تر شدن، ارائه تجربه شخصی به مشتریان، بهبود و افزایش حاشیه سود و بقای بازار در میان رقابت‌های سرسخت اجرا کنند (شیخ و همکاران، ۲۰۲۴). امروزه بهبود عملکرد یک سیستم بانکی با استفاده از هوش مصنوعی در زمینه‌های مختلفی مانند امنیت سایبری، مدیریت ریسک، مدیریت تقلب، فروش، حسابرسی داخلی، کمک مالی، مدیریت دارایی، مدیریت وام و مدیریت مشتری امکان‌پذیر است (پارسونز و همکاران، ۱۹۹۳). همچنین، انطباق هوش مصنوعی می‌تواند به بانک‌ها و صنعت مالی کمک کند تا با پیگیری سریع مشکلات مشتریان، تعامل مداوم و سریع‌تری با کسب‌وکارشان داشته باشند. با توجه به کاربرد هوش مصنوعی و یادگیری ماشین در مدیریت ریسک‌های عملیاتی و گروه ریسک‌های مرتبط، نتایج قابل توجهی در سراسر جهان در زمینه‌های امنیت سایبری، پیشگیری از کلاهبرداری و مبارزه با پولشویی حاصل شده است. هدف از نگارش این گزارش، بررسی و تشریح کاربردهای هوش مصنوعی و یادگیری ماشین در صنعت بانکداری است.

بررسی ادبیات

مفهوم هوش مصنوعی اولین‌بار توسط دانشمند مشهور، جان مک کارتی در سال ۱۹۵۶ میلادی بیان شد. به گفته جان مک کارتی (۱۹۵۶)، هوش مصنوعی به عنوان مهندسی و علم ساخت ماشین‌های هوشمند تعریف می‌شود. هوش مصنوعی در تمام صنایع به طور عام و بخش بانکی به طور خاص برای رفع طیف وسیعی از چالش‌های بزرگ و کوچک از طریق ساده و هوشمند کردن تعامل با ماشین‌ها و سیستم‌ها استفاده می‌شود و در بسیاری از صنایع از قبیل مراقبت‌های بهداشتی، تجارت اینترنتی، پرداخت‌های دولتی، بخش مالی و مواردی از این دست کاربرد دارد (دومپو و همکاران، ۲۰۲۳).

با توجه به اینکه گزارش حاضر به صورت موردی در صنعت بانکداری بحث خواهد کرد، لذا با وجود کاربردهای فراوان هوش مصنوعی و یادگیری ماشین، تنها بر صنعت بانکداری متمرکز خواهد شد. در بخش بانکی، دیجیتالی شدن روزافزون اقتصاد، کسب‌وکارها را مجبور به ارزیابی مجدد مدل‌های کسب‌وکار متعارف خود کرده است که نشان‌دهنده نیاز به تغییر سریع و مؤثر در صنعت بانکداری برای پاسخگویی به خواسته‌های مشتریان خود در حین ارائه خدمات است. همه صنایع، از جمله صنعت بانکی، به دلیل تحولات تکنولوژی و همچنین به دلیل تغییر در رفتار و ترجیحات مشتریان، دستخوش تغییرات گسترده‌ای شده‌اند که باعث ارزیابی مجدد استراتژی کسب و کار و ارائه محصول می‌شود. پاتل و همکاران (۲۰۲۲) بیان می‌کنند که بانک‌ها می‌توانند از طریق تعامل با مشتری و مدیریت خدمات مالی از هوش مصنوعی بهره‌مند شوند. در مقایسه با رویکردهای مرسوم‌تر برای بسیاری از وظایف مالی محاسباتی بانکداری، خدمات مالی دیجیتالی که توسط هوش مصنوعی طراحی شده‌اند، سریع‌تر و کارآمدتر هستند (سیلوا، ۲۰۲۱).

همچنین، همه‌گیری ویروس کووید ۱۹ تأثیر عمیقی بر بسیاری از صنایع داشت و بخش مالی نیز از این قاعده مستثنی نبوده و با توجه به تمام محدودیت‌های اعمال شده در این رویداد بی‌سابقه، بانک‌ها مجبور بودند به سرعت استراتژی‌های خود را ارزیابی کرده و با روش‌های جدید کار سازگار شوند، بدون اینکه از کیفیت خدمات خود بکاهند و مشتریان خود را در معرض خطر قرار دهند. از آنجایی که یکی از اقدامات اولیه برای مبارزه با همه‌گیری ویروس کووید ۱۹، فاصله‌گذاری اجتماعی بود، این امر منجر به استفاده گسترده‌تر از خدمات دیجیتال و فناوری مالی در زندگی مدرن شد، که بیشترین تأثیر را در تجارت الکترونیک ایجاد کرد (جاناملا و سید، ۲۰۲۴). بدین صورت فناوری مالی موجب تغییر صنعت بانکداری شد. بانک‌ها از این تغییر استقبال کردند و فناوری مالی را در محصولات و خدمات بانکی خود در مشاوره مشتری، مدل‌های هوش مصنوعی، امنیت بلاک‌چین و بسیاری موارد دیگر تطبیق دادند.

بانکداری نسل چهارم، عصر فین‌تک مبتنی بر هوش مصنوعی

انقلاب صنعتی نسل چهارم تمامی صنایع را تحت تاثیر خود قرار داده که بانکداری نیز از این قاعده مستثنی نبوده است. مؤسسات مالی در اوایل دهه ۲۰۰۰ میلادی شروع به استفاده از الگوریتم‌های ساده هوش مصنوعی برای کشف تقلب و امتیازدهی اعتباری کردند. این کاربردهای اولیه پتانسیل هوش مصنوعی را برای پردازش سریع و دقیق حجم بالای داده‌ را نشان داد و راه را برای راه‌حل‌های پیشرفته‌تر مبتنی بر هوش مصنوعی هموار کرد (مار، ۲۰۱۸). ادغام فناوری‌های هوش مصنوعی در عملیات بانکی نه تنها تجربه مشتری را افزایش داده است، بلکه بانکداری را ایمن‌تر، قابل اعتمادتر و کارآمدتر کرده است. سرعت سریع پیشرفت‌های هوش مصنوعی، صنعت بانکداری را با افزایش کارایی عملیاتی، بهبود تجارب مشتریان و امکان توسعه محصولات مالی نوآورانه مواجه کرده است(جاناملا و سید، 2024). امروزه، هوش مصنوعی نه تنها برای کارهای اساسی، بلکه برای عملکردهای پیچیده‌ای مانند تجزیه و تحلیل پیش‌بینی، تجارت الگوریتمی و خدمات مشتری استفاده می‌شود. تجزیه و تحلیل پیش‌بینی‌کننده که توسط هوش مصنوعی پشتیبانی می‌شود، به بانک‌ها اجازه می‌دهد تا روندهای بازار و رفتارهای مشتری را پیش‌بینی کنند، در نتیجه فرآیندهای تصمیم‌گیری را بهبود می‌بخشند (داونپورت و رونانکی، ۲۰۱۸). پذیرش گسترده هوش مصنوعی در بانکداری به دلیل نیاز بانک‌ها به رقابتی ماندن در یک چشم‌انداز مالی به سرعت در حال تغییر است. با استفاده از هوش مصنوعی، بانک‌ها می‌توانند خدمات نوآورانه ارائه دهند، هزینه‌های عملیاتی را کاهش دهند و فرآیندهای تصمیم‌گیری را بهبود بخشند. پتانسیل هوش مصنوعی در بانکداری گسترده است و حوزه‌هایی مانند مدیریت ارتباط با مشتری، انطباق با مقررات و پیشگیری از جرایم مالی را در بر می‌گیرد. طبق تجارب کشورهای مختلف، بانک‌ها توانستند از فناوری هوش مصنوعی به طور مؤثرتری استفاده کنند و موارد تقلب را کاهش دهند، کارآمدتر عمل کنند و خدمات سریع‌تری به مشتریان ارائه کنند (جایرامان و همکاران، ۲۰۲۳- رائو و جایرامان، ۲۰۲۳).

بنابراین، بدیهی است که بخش بانکی نیز شروع به گسترش ادغام هوش مصنوعی با اجرای استراتژی خود کرده است تا به مزیت رقابتی از نظر خدمات سریع، بدون خطا، موثر و کارآمد به مشتریان دست ‌یابد و در عین حال بازدید از شعب را تا حد زیادی کاهش دهد. هوش مصنوعی می‌تواند بانک‌ها را در مورد حفظ ریسک اعتباری تضمین کند که این عامل به طور مستقیم بر ثبات مالی تأثیر دارد. با ظهور امور مالی اینترنتی، تقاضای صنعت بانکداری برای ارزیابی صلاحیت اعتبار کاربر افزایش می‌یابد که توسعه کنترل هوشمند ریسک را ارتقا می‌دهد. مدیریت ریسک مالی می‌تواند از شکل‌گیری ضرر جلوگیری کند و سود را برای بیشتر شرکت‌ها به حداکثر برساند. یکی‌دیگر از زمینه‌های حیاتی که هوش مصنوعی در آن برتری دارد، تشخیص تقلب است. الگوریتم‌های یادگیری ماشینی می‌توانند داده‌های تراکنش را برای شناسایی ناهنجاری‌ها و الگوهای غیرعادی که نشان‌دهنده تقلب بالقوه است، تجزیه و تحلیل کنند (محمد و همکاران، ۲۰۲۴). هوش مصنوعی با معرفی روش‌های دقیق‌تر و فراگیر برای ارزیابی اعتبار و خودکارسازی تأییدیه‌های وام، فرآیندهای امتیازدهی اعتباری و وام‌دهی را تغییر می‌دهد. هوش مصنوعی با تجزیه و تحلیل سریع داده‌های متقاضی و تصمیم‌گیری بر اساس معیارهای از پیش تعریف شده، موجب می‌شوند تا فرآیند تأیید وام به طور خودکار انجام شود که این باعث کاهش زمان پردازش و هزینه‌های عملیاتی می‌شود و در عین حال دقت را افزایش می‌دهد.

چالش‌ها و پیامدهای پیاده‌سازی هوش مصنوعی در کسب و کار بانکی

صنعت بانکداری یک چشم‌انداز نظارتی پیچیده و پویا را دنبال می‌کند و خواستار چارچوب‌های انطباق قوی و گزارش‌دهی دقیق نظارتی است. فرآیندهای دستی سنتی برای مقابله با حجم فزاینده و پیچیدگی داده‌ها منجر به ناکارآمدی‌های عملیاتی، خطاهای انسانی و تخلفات قانونی احتمالی می‌شود. کاربرد عمیق هوش مصنوعی در حوزه مالی نیازمند مبنای قانون‌گذاری است، اما چه در استانداردسازی قوانین نظارتی و چه در سیاست‌ها و قوانین دقیق نظارتی، همچنان در سطح مالی اینترنتی باقی مانده و هیچ قوانین و مقررات سیستماتیک و استانداردی تعریف نشده است. فقدان قوانین و مقررات، مرزهای نظارتی را مبهم می‌کند. در حال حاضر، برای استفاده از فناوری هوش مصنوعی در زمینه مالی، هنوز قوانین نظارتی نسبتاً کاملی وجود ندارد. کاربرد هوش مصنوعی در حوزه مالی باعث می‌شود که شرکت‌کنندگان در فعالیت‌های مالی همزمان هویت‌های متعددی داشته باشند. عدم نظارت، شناسایی ریسک‌های مالی را دشوار می‌کند و ریسک‌های مالی پنهان‌تر خواهند شد. علاوه بر این، استفاده از هوش مصنوعی آستانه ورود کسب و کار مالی را کاهش می‌دهد، انگیزه موسسات مالی را برای مشارکت در مشاغل پرخطر تقویت می‌کند. از سوی دیگر، با ارتقای مستمر هوش مصنوعی، تنظیم‌کننده‌های مالی نه تنها باید با مشکلات قدیمی در رفتار و حالت سنتی کسب‌وکار مالی مقابله کنند، بلکه با توسعه فناوری با مشکلات جدیدی در حوزه مالی مواجه شوند که چالش‌های جدیدی را ایجاد می‌کند. پیچیدگی سیستم‌های هوش مصنوعی چالش‌هایی را از نظر توسعه، پیاده‌سازی و نگهداری ایجاد می‌کند. اطمینان از عملکرد صحیح و قابل اعتماد این سیستم‌ها به تخصص فنی و منابع قابل توجهی نیاز دارد. به بیان دیگر، توسعه و نگهداری سیستم‌های هوش مصنوعی نیازمند دانش تخصصی در زمینه‌هایی مانند یادگیری ماشین، علم داده و مهندسی نرم افزار است. موسسات مالی باید یا تخصص داخلی ایجاد کنند یا با فروشندگان خارجی شریک شوند، که هر دوی اینها می‌تواند پُرهزینه و وقت‌گیر باشد (دیلویت، ۲۰۲۰). همچنین، ادغام سیستم‌های هوش مصنوعی با سیستم‌های قدیمی موجود می‌تواند چالش برانگیز باشد. موسسات مالی اغلب بر ترکیبی از فناوری‌های قدیمی و جدید متکی هستند و اطمینان از یکپارچگی نیاز به برنامه‌ریزی و اجرای دقیق دارد. این ادغام برای به حداکثر رساندن مزایای هوش مصنوعی و در عین حال به حداقل رساندن اختلالات مداوم بسیار مهم است. سیستم‌های هوش مصنوعی می‌توانند تصمیماتی بگیرند که تأثیرات قابل توجهی بر رفاه مالی افراد دارد. حصول اطمینان از اینکه این تصمیمات از نظر اخلاقی اتخاذ می‌شوند، مستلزم چارچوب‌های قوی برای حکمرانی هوش مصنوعی، از جمله سیاست‌های روشن در مورد استفاده اخلاقی از هوش مصنوعی، ممیزی‌های منظم و سازوکارهایی برای رسیدگی به نگرانی‌های اخلاقی است (فلوریدی و همکاران، ۲۰۱۸). همچنین، پذیرش گسترده هوش مصنوعی می‌تواند پیامدهای اجتماعی گسترده‌تری مانند جابجایی شغل به دلیل اتوماسیون داشته باشد. موسسات مالی باید به این فکر کنند که چگونه هوش مصنوعی ممکن است بر جامعه تأثیر بگذارد و برای کاهش اثرات منفی آن اقدام کنند. برخی از این اقدامات شامل تأمین مالی طرح‌های آموزش مجدد و ارتقای مهارت کارکنان است (داونپورت و رونانکی، ۲۰۱۸).

نتیجه‌گیری

در این گزارش، کاربرد هوش مصنوعی (AI) و یادگیری ماشین (ML) بر امور مالی با تمرکز اصلی بر بخش بانکداری مورد بررسی قرار گرفت. هوش مصنوعی در عصر حاضر یکی از مهم‌ترین پیشرفت‌های فناوری در زمینه‌های مالی، مهندسی و علوم است. هوش مصنوعی به طور گسترده به بخش مالی برای ادغام و بهینه‌سازی فرآیندهای مختلف از تجارت کمی، تجارت الگوریتمی، فرآیند مدیریت ریسک و همچنین خدمات مشاوره مالی کمک می‌کند. طبق بررسی‌های انجام گرفته، هوش مصنوعی شیوه‌های سنتی بانکداری را بازتعریف می‌کند و عامل‌های جدیدی از کارایی و شخصی‌سازی را معرفی می‌کند. هوش مصنوعی و یادگیری ماشین با ایمن‌سازی پرداخت‌ها و کاهش خطاها، شفافیت و امنیت سیستم مالی را بهبود می‌بخشند. ادغام هوش مصنوعی در بانکداری و تجارت به دلیل پیشرفت مداوم در فناوری و افزایش تقاضا برای کارایی و شخصی‌سازی، در حال رشد است. با وجود هوش مصنوعی در سیستم بانک‌ها، حفاظت از پرداخت‌ها با رعایت الزامات نظارتی مرتبط با شناخت مشتری و مبارزه با پولشویی بهتر می‌شود. در بیشتر موارد، فناوری هوش مصنوعی به متخصصان مالی کمک می‌کند تا خدمات خود را ارتقا دهند. با استفاده از هوش مصنوعی و یادگیری ماشین، بانک‌ها قادر خواهند بود حجم عظیمی از داده‌های جمع‌آوری‌شده از مشتریان، تراکنش‌ها و سایر منابع را با دقت بی‌سابقه‌ای مدیریت کنند و به آنها امکان ارائه خدمات مالی فراهم می‌سازد. هوش مصنوعی اکثر وظایف اصلی در امور مالی مانند ارزیابی ریسک، معاملات سهام و فرآیند اعطای وام به متقاضیان وام را بر عهده می‌گیرد. پیاده‌سازی هوش مصنوعی به این معنا نیست که فناوری هوش مصنوعی به طور کامل مشاغل حرفه‌ای‌های مالی را به دست می‌گیرد، اما هوش مصنوعی به مدیران مالی کمک می‌کند تا بر جنبه‌های اصلی و استراتژیک شرکت تمرکز کنند و زمان کمتری را برای کارهای یکنواخت و تکراری صرف کنند. بانک‌ها روزانه با تعداد زیادی از مشتریان تعامل دارند و همچنان به یک سیستم قدیمی وابسته هستند. با پیشرفت‌های امروزی در فناوری، تقریباً تمام فرآیندها به سمت اتوماسیون ارتقاء یافته‌اند. بانک‌ها با هماهنگ نبودن با روندها و زمان‌ معاصر، فرصتی را برای تغییر برخی از مدل‌های تجاری خود و رهایی انسان از کارهای تکراری، جلوگیری از کلاهبرداری، تصمیم‌گیری بهتر از دست می‌دهند. فرآیند اتوماسیون به مؤسسات و بانک‌ها کمک می‌کند تا سودآوری، عملکرد و کاهش وابستگی انسانی را افزایش دهند. به طور خلاصه، دستیاران مجازی مجهز به هوش مصنوعی، عملکرد فرآیند کسب‌وکار را در هر بخش از کسب‌وکار، به ‌ویژه بخش بانکی بهبود می‌بخشند و آن را سریع، قابل اعتماد و غیر وابسته به انسان می‌سازند. همچنین نکول وام، کلاهبرداری از کارت اعتباری، سرقت هویت و پولشویی در حال افزایش است و نیاز بانک‌ها به استفاده از راه‌حل‌های هوش مصنوعی و یادگیری ماشین را بیش از هر زمان دیگری ضروری می‌کند. سرمایه‌گذاری در فناوری‌های هوش مصنوعی و یادگیری ماشین در میان بانک‌ها در حال افزایش است، بسیاری از بانک‌ها در حال برنامه‌ریزی برای سرمایه‌گذاری در فناوری‌های هوش مصنوعی و یادگیری ماشین هستند، زیرا نوآوری‌های جدید به سرعت به آنها کمک می‌کند، خدمات به مشتریان را سرعت بخشند و تصمیم‌های بهتری بگیرند. بنابراین، از گزارش حاضر می‌توان نتیجه گرفت که در بخش بانکی، کاربرد و پذیرش هوش مصنوعی و یادگیری ماشین باعث افزایش کارایی، افزایش سودآوری، خدمت‌رسانی کارآمدتر به مشتریان، مدیریت ریسک بانک‌ها می‌شود. موسسات مالی که به طور موثر از هوش مصنوعی استفاده می‌کنند، احتمالاً مزیت رقابتی را به دست خواهند آورد، خدمات برتر را ارائه می‌دهند و به کارایی عملیاتی بالاتری دست می‌یابند. با این‌ حال، آنها همچنین باید به چالش‌های مرتبط، به‌ ویژه چالش‌های مربوط به اخلاق، امنیت و انطباق با مقررات رسیدگی کنند تا از پتانسیل کامل هوش مصنوعی به طور مسئولانه استفاده کنند. سهامداران کلیدی صنعت بانکداری باید استراتژی‌های مناسبی را با هدف غلبه بر چالش‌های هوش مصنوعی موجود و بالقوه تدوین کنند.