هوش مصنوعی صنعت بانکداری را بیش از هر صنعت دیگری تحت تأثیر قرار داده است. سازمان‌هایی که در صنعت بانکداری فعال هستند، به طور فزاینده ای برای تثبیت جایگاه خود به عنوان یک شرکت نوآور، در حال رقابت اند. تصویر زیر نشان دهنده دلایل استفاده گسترده از هوش مصنوعی در خدمات بانکداری و مالی است.
هوش مصنوعی چندین برنامه در صنعت بانکداری ارائه کرده است.
در این نوشته به معرفی پنج زمینه کاربردی و کلیدی هوش مصنوعی، در حوزه صنعت بانکداری، پرداخته می‌شود. این زمینه‌ها می‌توانند در پنج سال آینده انقلابی در صنعت ایجاد کنند.
تشخیص الگو AML
ضد پول‌شویی (AML)، مجموعه‌ای از رویه‌ها، قوانین و مقررات طراحی شده برای توقف درآمدهای حاصل از اقدامات غیرقانونی و پول شویی است. پول شویی، تبدیل سود حاصل از خلافکاری و فساد به دارایی‌های به ظاهر مشروع است. در فرایند پول‌شویی، پول حاصل از اقدامات غیرقانونی تبدیل به پول یا ثروتی می‌شود که در ظاهر از راه‌های قانونی بدست آمده‌است و به این طریق «پول شسته شده» وارد اقتصاد می‌شود. در اغلب موارد، پول شویان با به کارگیری یک سری اقدامات پنهانی، این کار را انجام می‌دهند.
اکثر بانک‌های بزرگ در سرتاسر دنیا، در حال انتقال از قوانین مبتنی بر سیستم‌های نرم افزاری به سیستم‌های مبتنی بر هوش مصنوعی هستند. سیستم‌های مبتنی بر هوش مصنوعی، از الگوریتم‌های ضدپول شویی قوی تر و هوشمندانه تری استفاده می‌کنند. در طول سال‌های آینده، این سیستم‌ها با توجه به نوآوری‌های مداوم و پیشرفت‌های حوزه هوش مصنوعی، دقیق تر و سریعتر می‌شوند.
ربات‌های چت
ربات‌های چت هوشمند مبتنی بر هوش مصنوعی، سیستم‌های چت خودکار هستند که گفتگوهای انسانی را بدون دخالت هیچ انسانی شبیه سازی می‌کنند. این سیستم‌ها براساس شناسایی محتوا و احساسات در چت‌های متنی با کاربران نهایی کار می‌کنند. آن‌ها متن کاربر را بررسی نموده و مناسب ترین پاسخ را ارسال می‌کنند. با گذشت زمان، این ربات‌های چت، داده‌های فراوانی در مورد رفتار و عادت‌های کاربر دریافت می‌کنند. یادگیری رفتار کاربر، به آن‌ها کمک می‌کند تا با نیازها و خلق و خوی کاربر نهایی سازگار شوند.
ربات‌های چت در حال حاضر به طور گسترده در صنعت بانکداری استفاده می‌شوند. این ربات‌ها در مدیریت ارتباط با مشتری، در سطح خصوصی تغییرات اساسی ایجاد کرده اند. بانک مرکزی آمریکا قصد دارد یک دستیار مجازی به نام “اریکا” را به مشتریان ارائه دهد. این دستیار مجازی با استفاده از هوش مصنوعی پیشنهاداتی را برای بهبود امور مالی کاربران در تلفن همراه آن‌ها، ارائه خواهد داد. آلوو (Allo)، یکی دیگر از موارد تحقق ربات‌های چت است که توسط گوگل منتشر شده است.
تجارت الگوریتمی
بسیاری از صندوق‌های پوشش ریسک، در سراسر جهان، سیستم‌های قدرتمندی دارند. آن‌ها از این سیستم‌ها برای گسترش مدل‌های هوش مصنوعی استفاده می‌کنند. این مدل‌ها با گرفتن ورودی از چندین منبع متنوع در بازارهای مالی و تجزیه و تحلیل تمایلات نهادها، به تصمیم‌های سرمایه گذاری کمک می‌کنند. گزارش‌ها حاکی از این است که بیش از 70 درصد از معاملات امروزه توسط سیستم‌های هوش مصنوعی و به صورت خودکار انجام می‌شود. بسیاری از این صندوق‌های پوشش ریسک، به محض شناسایی یک فرصت تجاری مبتنی بر ورودی‌ها، راهکارهای متفاوتی برای انجام معاملات پر تکرار (HFT)، ارائه می‌کنند.
چندین صندوق پوششی فعال در فضای هوش مصنوعی، عبارتند از: تو سیگما (Two Sigma)، پی دی تی پارتنر (PDT Partners)، د ای شاو (DE Shaw)، مدیریت سرمایه وینتون (Winton Capital Management)، بازرگانی کچام (Ketchum Trading)، ال ال سی (LLC)، سیتادل (Citadel)، وولئون (Voleon)، آزمایشگاه واتیس (Vatic Labs)، کوبیست (Cubist)، پوینت24 (Point72)، من آ اچ ال (Man AHL).
تشخیص تقلب
تشخیص تقلب (Fraud detection)، یکی از زمینه‌هایی است که با استفاده از هوش مصنوعی، ترقی زیادی داشته و با بکارگیری هوش مصنوعی، توانسته تا حد زیادی، نتایج دقیق و برتری ارائه دهد. این بخش، یکی از بخش‌های کلیدی در صنعت بانکی است و سیستم‌های مبتنی بر هوش مصنوعی، بیشترین موفقیت را در آن کسب کرده اند. از نمونه‌های اولیه اجرای موفقیت‌آمیز تکنیک‌های تجزیه و تحلیل داده‌ها در صنعت بانکی، می‌توان به سیستم ارزیابی تقلب FICO falcon اشاره کرد. این مجموعه به منظور توسعه سیستم‌های هوش مصنوعی مبتنی بر یادگیری عمیق در سطح بالا، از یک پوسته شبکه عصبی استفاده می‌کند. سیستم تشخیص تقلب تا به امروز مسیری طولانی را طی کرده و انتظار می‌رود در سال‌های آینده بیشتر رشد کند.
پیشنهاد به مشتریان
موتورهای پیشنهاد، بخش مهمی از هوش مصنوعی در صنعت بانکی هستند. این ابزار، با استفاده از داده‌های گذشته درباره کاربران/ یا پیشنهادهای مختلف بانک مانند طرح‌های کارت اعتباری، استراتژی‌های سرمایه گذاری، صندوق‌ها و … مناسب ترین توصیه‌ها را براساس اولویت‌ها و پیشینه کاربران، به آن‌ها ارائه می‌دهد.
با داده‌های بزرگ و محاسبات سریع تر، ماشین‌ها به الگوریتم‌های دقیق هوش مصنوعی مجهز شده اند که نقش مهمی در چگونگی ارائه پیشنهادات در بخش بانکی دارند.
بانک‌های کوچک چگونه می‌توانند بیشتر از هوش مصنوعی استفاده کنند؟
با بررسی بانک‌های کوچکتر می‌توان به وضوح دید که آن‌ها شدیداً سعی دارند خود را به رقابت با بانک‌های بزرگ برسانند. بانک‌های بزرگ با استفاده از تیم‌های داخلی دانشمندان داده‌ها از تکنیک‌های هوش مصنوعی برای تحلیل و ارزیابی ریسک، تجزیه و تحلیل مالی، مدیریت نمونه کارها، روند تأیید اعتبار و سیستم‌های مبارزه با پول شویی استفاده می‌کنند. از سوی دیگر، بانک‌های کوچک می‌توانند از هوش مصنوعی برای دستیابی به کارایی عملیاتی و تعاملات بهتر با مشتری استفاده کنند.
برخی از برنامه‌های کاربردی هوش مصنوعی که بانک‌های کوچکتر می‌توانند از آن بهره مند شوند، عبارتند از:
- تعامل بهتر مشتری با استفاده از ربات‌های چت
- پیشنهادات دقیق با استفاده از موتورهای پیشنهاد
- تشخیص تقلب با استفاده از الگوریتم‌های یادگیری ماشین
در نتیجه واضح است که هوش مصنوعی بر صنایع گوناگون تأثیر زیادی می‌گذارد. بانکداری یکی از پیشگامان این عرصه است. این روند احتمالاً در آینده افزایش خواهد یافت. چنین احتمال می‌رود شرکت هایی که هوش مصنوعی را به مجموعه خود اضافه کنند، در ده سال آینده برنده خواهند بود.
