پنج سناریوی کاربردی هوش مصنوعی در بانکداری
در دهه‌های گذشته ، بانکها شیوه‌های تعامل خود با مشتریان را بهبود بخشیده اند. آنها تکنولوژی مدرن را بر اساس نیاز و تمایلات مشتریان توسعه داده‌اند. در این روند، در دهه 1960 ، اولین دستگاه‌های خودپرداز ظاهر شد و ده سال بعد ، کارت هایی برای پرداخت ایجاد شد.
هوش مصنوعی در بانکداری
در آغاز قرن جدید، کاربران با بانکداری آنلاین شبانه روزی آشنا شدند و در سال 2010 ، آنها درباره بانکداری تلفن همراه شنیدند. اما توسعه سیستم مالی به همین جا ختم نشد، زیرا عصر دیجیتال فرصت‌های جدیدی مثل استفاده از هوش مصنوعی را برای صنایع مختلف ایجاد کرده است. در این روند تا سال 2023، بانک ها با استفاده از اپلیکیشن‌های هوش مصنوعی 447 میلیارد دلار در هزینه‌ها صرفه‌جویی می کنند.
این در حالی است که در ایران نیز بانکها و شرکت‌های پیشرو در حوزه فناوری‌های مالی، از ظرفیت‌های هوش مصنوعی برای توسعه راهکارها و بهبود تجربه مشتریان شبکه بانکی کشور غافل نشده‌اند. در این میان سرمايه‌گذاری برای توسعه پلتفرم هوش مصنوعی توسن‌تکنو شامل راهکارهایی نظیر ربات هوشمند، چت‌بات، احراز هویت از روش‌هایی نظیر تشخیص چهره و تشخیص گفتار با رویکرد خلق تجربه‌ای متفاوت برای مشتریان، از برنامه‌های اصلی و در حال توسعه و پیاده‌سازی توسط این شرکت است.
در این مطلب به چگونگی استفاده از قابلیت‌های هوش مصنوعی در راهکارهای بانکی اشاره خواهد شد.
چت بات‌های مجهز به هوش مصنوعی
چت‌بات‌ها رابط‌های مکالمه‌ای دارای هوش مصنوعی هستند. این یکی از رایج‌ترین موارد استفاده از هوش مصنوعی در بانکداری است. ربات‌ها از طرف بانک بدون نیاز به هزینه های زیاد با هزاران مشتری ارتباط برقرار می کنند. محققان برآورد کرده‌اند که بانکها برای هر ارتباطی که چت بات انجام می دهد چهار دقیقه در وقت صرفه جویی می کنند.
از آنجا که مشتریان از اپلیکیشن‌های تلفن همراه برای انجام تراکنش‌های پولی استفاده می‌کنند، بانک ها خدمات چت بات را در آنها تعبیه می کنند. این امر باعث جلب توجه کاربران و ایجاد یک برند معتبر در بازار نیز می‌شود.
به عنوان مثال ، بانک آمریکا یک چت بات راه‌اندازی کرده که نوتیفیکیشن‌ها را برای کاربران ارسال می‌کند، موجودی حساب را به آنها اطلاع می دهد، توصیه‌هایی برای پس انداز پول ارائه می دهد، گزارش‌های اعتباری را به روز می‌کند و غیره. با این خدمت، بانک به مشتریان خود در تصمیم‌گیری آگاهانه کمک می‌کند.
مثال دیگر، راه اندازی چت بات Ceba است که موفقیت بزرگی را برای بانک مشترک المنافع استرالیا به ارمغان آورده است. با کمک Ceba، حدود نیم میلیون مشتری توانستند بیش از دویست مساله بانکی را حل کنند، کارت‌های خود را فعال کنند، موجودی حسابها را چک کنند و پول نقد را برداشت کنید.
ارائه خدمات بانکی از طریق تلفن همراه
عملکرد هوش مصنوعی در اپلیکیش‌های تلفن همراه، فعال‌تر، شخصی‌تر و پیشرفته‌تر شده است. به عنوان مثال ، رویال بانک کانادا، “Ciri” را در اپلیکیشن iOS خود قرار داده است. اکنون ، برای ارسال پول به کارت دیگری ، کافی است چیزی شبیه به این را بگویید: “سلام ، سیری ، 30 دلار برای لیزا بفرست!” و بعد تراکنش را با استفاده از Touch ID تأیید کنید.
به لطف هوش مصنوعی ، بانکها از طریق بانکداری موبایلی، 66 درصد بیشتر از زمانی که مشتریان به شعب مراجعه می کنند، درآمد کسب می کنند. بنابراین بانکها توجه زیادی به این فناوری دارند تا کیفیت خدمات خود را ارتقا دهند و در بازار رقابتی باقی بمانند.
جمع آوری و پردازش اطلاعات
بانکها روزانه میلیون‌ها تراکنش تجاری را ثبت می کنند. حجم اطلاعات تولید شده توسط بانک ها بسیار زیاد است ، بنابراین جمع آوری و ثبت آن برای کارکنان به یک کار طاقت فرسا تبدیل شده است. ساختار و ثبت این داده ها تا زمانی که برنامه‌ای برای استفاده از آن وجود نداشته باشد، غیرممکن است. بنابراین ، تعیین رابطه بین داده‌های جمع آوری شده چالش برانگیز است ، به ویژه هنگامی که یک بانک هزاران مشتری دارد.
در گذشته این رویکرد وجود داشت که یک مشتری با کارمند بانک ملاقات می‌کرد و نام و سابقه مالی آنها را می دانست و گزینه هایی قابل ارائه را پیشنهاد می‌داد. اما حالا با انبوه داده های حاصل از تراکنش‌های بی شمار ، بانکها سعی می کنند ایده های تجاری نوآورانه و راه حل های مدیریت ریسک را پیاده سازی کنند.
اپلیکیشن‌های مبتنی بر هوش مصنوعی، داده‌ها را جمع آوری و تجزیه و تحلیل می‌کنند. این قابلیت باعث بهبود تجربه کاربر می شود. از این اطلاعات می توان برای اعطای وام یا تشخیص تقلب استفاده کرد. شرکت‌هایی که سود خود را از تجزیه و تحلیل داده‌های بزرگ بدست می‌آورند، متوسط افزایش درآمد را تا 8 درصد و کاهش هزینه ها را 10 درصد گزارش کرده‌اند.
مدیریت ریسک
تمدید اعتبار برای بانکداران یک کار چالش برانگیز است. اگر بانکی به مشتریان ورشکسته پول بدهد، ممکن است دچار مشکل شود. اگر وام گیرنده درآمد پایدار خو را از دست بدهد ، این امر منجر به عدم پرداخت وام می شود. طبق آمار ، در سال 2020 ، معوقات کارت اعتباری در ایالات متحده در مدت شش ماه 1.4 % افزایش یافته است.
سیستم های مجهز به هوش مصنوعی می توانند سابقه اعتباری مشتریان را با دقت بیشتری ارزیابی کنند تا از این سطح پیش فرض جلوگیری شود. اپلیکیشن‌های بانکداری تلفن همراه تراکنش های مالی را ردیابی کرده و داده های کاربران را تجزیه و تحلیل می کند. این کار به بانک ها کمک می کند تا خطرات مربوط به صدور وام مانند ورشکستگی مشتریان یا تهدید به کلاهبرداری را پیش بینی کنند.
امنیت داده ها
بر اساس گزارش‌های مختلف در سال 2020، تقلب در کارت اعتباری رایج ترین نوع سرقت اطلاعات شخصی است.
سیستم های مبتنی بر هوش مصنوعی در برابر عوامل مخرب، موثر هستند. این اپلیکیشن‌ها، رفتار مشتری ، موقعیت مکانی و عادات مالی را تجزیه و تحلیل کرده و در صورت تشخیص هرگونه فعالیت غیرمعمول ، مکانیزم امنیتی ایجاد می کند. تحقیقات ABI تخمین می زند که هزینه های مربوط به هوش مصنوعی و امنیت سایبری تا پایان سال 2021 به 96 میلیارد دلار خواهد رسید.
جمع‌بندی
روشهای بیشتری برای استفاده از هوش مصنوعی در صنعت مالی وجود دارد. بر اساس یک نظرسنجی OpenText ، 80 درصد از بانکها مزایای هوش مصنوعی را تشخیص می‌دهند ، 75 درصد آنها از این فناوری استفاده می کنند و 46 درصد قصد دارند در آینده نزدیک سیستم های مبتنی بر هوش مصنوعی را پیاده سازی کنند.
راه حل های مبتنی بر هوش مصنوعی بخشی جدایی ناپذیر از استراتژی‌های توسعه بانکها و شرکت‌ها هستند و به آنها کمک می کند تا در بازار رقابتی باقی بمانند. این فناوری هزینه های عملیاتی را به حداقل می رساند، پشتیبانی مشتری را بهبود می‌بخشد و فرآیندها را خودکار می کند.