موانع بکارگیری هوش‌مصنوعی در بانک‌ها چیست؟
مطلب حاضر قسمت سوم یک مقاله 4 قسمتی از مکنزی است. در قسمت اول این مقاله چالش‌های هوش مصنوعی در بانک‌ها مورد بررسی قرار گرفت و در قسمت دوم به این موضوع پرداختیم که بانک‌های مجهز به هوش مصنوعی در آینده، چه ویژگی‌هایی خواهند داشت؟، در این قسمت موانع بکارگیری هوش‌مصنوعی در بانک‌ها را مورد بررسی قرار می‌دهیم:
بانک‌ها با دو هدف روبرو هستند، که در اولین نگاه، متناقض به نظر می‌رسند. از یک طرف، بانک‌ها نیازمند دستیابی به سرعت، چابکی و انعطاف‌پذیری ذاتی یک فین‌تک هستند. از طرف دیگر، باید مدیریت مقیاس، استانداردهای امنیتی و الزامات رگولاتوری یک سازمان بزرگ ارائه‌دهنده خدمات مالی را رعایت کنند.
علی‌رغم میلیاردها دلار مخارج هر ساله مربوط به تغییر فناوری، بانک‌های کمی موفق به استفاده از فناوری‌های هوش مصنوعی در سازمان خود شده‌اند. میان موانع بازدارنده بانک‌ها، رایج‌ترین مساله، عدم وجود یک استراتژی مشخص برای هوش مصنوعی می‌باشد. دو چالش دیگر برای بانک‌ها عبارتند ازضعف فناوری مرکزی و قدیمی بودن مدل عملیاتی؛ سیستم‌های فناوری مرکزی بانک‌ها، که برای ثبات و پایداری ساخته شده‌اند، عملکرد خوبی به ویژه در پشتیبانی از عملیات متداول بانکداری مثل، سپرده‌گیری، نقل و انتقال وجوه و ارائه وام دارند. با این حال، بانک‌ها باید ضعف‌های سیستم قدیمی خود را قبل از به کارگیری فناوری‌های هوش مصنوعی در مقیاس متناسب، رفع نمایند (شکل 1). مهم‌تر از همه، این سیستم‌ها اغلب ظرفیت و انعطاف‌پذیری لازم برای پشتیبانی از نیازهای محاسباتی متغیر، پردازش داده و آنالیز آنی مورد نیاز اپلیکیشن‌های هوش مصنوعی را ندارند. سیستم‌های مرکزی همچنین به سختی قابل تغییر هستند و حفظ و نگهداری از آنها مستلزم منابع قابل توجه است. به علاوه، ذخائر داده بسیاری از بانک‌ها بین چندین فضا (تیم‌های مجزای کسب و کار و فناوری) تفکیک شده است و تجزیه و تحلیل آنها، بر پایه موارد کاربردی مستقل انجام می‌شود. بدون یک پشتوانه متمرکز داده، آنالیز داده‌های مربوطه و تولید پیشنهادات هوشمند یا ارائه آنها در زمان درست، عملاً غیرممکن است. اگر داده، یکی از مواد اولیه اساسی بانک به شمار می‌رود، آن داده باید مدیریت شود و با حفظ امنیت، به شکلی در دسترس قرار بگیرد که آنالیز داده از منابع داخلی و خارجی در مقیاس متناسب برای میلیون‌ها مشتری، به صورت آنی، در «نقطه تصمیم‌گیری» درون سازمان، قابل انجام باشد. در نهایت، برای مقیاس کردن مدل‌های مختلف تجزیه و تحلیل و هوش مصنوعی پیشرفته، سازمان‌ها نیازمند مجموعه قوی از ابزارها و فرایندهای استاندارد برای ساخت، آزمایش، استقرار و بررسی مدل‌ها، به صورت «تکرارپذیر» و «صنعتی» می‌باشند.
شکل 1 – سرمایه‌گذاری در فناوری مرکزی، برای رفع تقاضاهای روزافزون مقیاس‌پذیری، انعطاف‌پذیری و سرعت، حیاتی است.
فناوری ابری)
چالش‌ها:
- قابلیت مقیاس سیستم‌های مرکزی/قدیمی، کافی نیست (برای مثال، بیش از 150 تراکنش در هر ثانیه)
- برای نگهداری از زیرساخت، زمان و اقدامات زیاد و تیم‌های بزرگی لازم است.
- جهت تامین تدارکات لازم برای توسعه و آزمایش، زمان طولانی مورد نیاز است (برای مثال، بیش از 40 روز در برخی موارد)
علوم کامپیوتر چگونه به این موضوع کمک می‌کند؟
مجازی ساختن زیرساخت، موجب مقیاس‌پذیری بیشتر، انعطاف‌پذیری خدمات و پلتفرم‌ها می‌شود.
هزینه IT را کاهش داده، سبب اتوماسیون بسیاری از امور مدیریت زیرساخت می‌شود و به تیم‌های توسعه اجازه می‌دهد به صورت «سلف‌سرویس» عمل کنند.
موجب تسریع در زمان ارائه محصول به بازار می‌شود؛ با ارائه خدمات مدیریت شده، زمان را به طرز چشمگیری کاهش می‌دهد (برای مثال، راه‌اندازی فضاهای جدید در چند دقیقه به جای چند روز)
داده)
چالش‌ها:
- خطاهای زیاد؛
- دشواری دسترسی به موقع به بسیاری از موارد کاربردی
- به دام افتادن داده‌ها در فضاهای جداگانه و سخت بودن یکپارچه‌سازی آنها با منابع خارجی
مدیریت داده طراز اول چگونه به این موضوع کمک می‌کند؟
به شکلی مقرون به صرفه، صحت بالا و وجود تنها یک منبع را تضمین می‌نماید.
موجب دسترسی به موقع و متناسب برای بسیاری از موارد کاربردی می‌شود (برای مثال، مقررات، هوش تجاری در مقیاس مناسب، تجزیه و تحلیل و فراگیری ماشین پیشرفته)
چشم‌اندازی 360 درجه برای سازمان به وجود می‌آورد تا با الگوریتم‌ها و مدل‌های تصمیم‌گیری، نسلی با دید عمیق‌تر ایجاد کند.
API)
چالش‌ها:
- زمان زیاد ارائه به بازار، محدودیت در قابلیت استفاده مجدد از کدها و نرم‌افزار در تیم‌های داخلی
- دشواری در مشارکت یا همکاری با شرکای خارجی؛ زمان زیاد برای یکپارچه‌سازی
- بهینه نبودن تجربه کاربری؛ دشواری در پیوند زدن داده و خدمات میان فضاهای عملیاتی مختلف به منظور عملکرد یکپارچه
APIها چگونه به این موضوع کمک می‌کند؟
قابلیت استفاده مجدد را تقویت می‌کنند و با ایجاد دسترسی به خدمات داخلی و خارجی موجب تسریع در توسعه می‌شوند.
پیچیدگی را کاهش می‌دهند و موجب همکاری سریع‌تر با شرکای خارجی می‌شوند.
با ایجاد دسترسی به موقع به داده و خدمات میان تیم‌های مختلف، تجربه مشتری را ارتقاء می‌بخشند و سرعت ارائه به بازار را به دلیل تدارکات و آزمایشات محدودتر بین تیم‌ها افزایش می‌دهد.
مدل‌های عملیاتی قدیمی بانک‌ها، اقدامات آنها برای رفع نیاز پیوسته به نوآوری را با شکست مواجه می‌سازد. بسیاری از بانک‌های قدیمی حول مسیرهای تجاری خاص سازماندهی شده‌اند و دارای فناوری متمرکز و تیم‌های تجزیه و تحلیل در قالب مراکز هزینه هستند. صاحبان کسب و کارها، اهداف خود را به صورت یک جانبه تعیین می‌کنند و همترازی با فناوری و استراتژی تجزیه و تحلیل سازمان (در صورت وجود)، اغلب ضعیف یا ناکافی است. تیم‌های کاری مجزا و فرایندهای اجرایی «آبشاری»، همواره منجر به تاخیر، افزایش هزینه و عملکرد غیربهینه خواهد شد. به علاوه، سازمان‌ها به تفکر «تست و یادگیری» معتقد نیستند و حلقه‌های فیدبک قوی برای تسریع آزمایشات و بهبود شرایط به صورت تکرارپذیر را ندارند. عوامل اجرایی کسب و کارها، که اغلب از عملکرد پروژه‌ها و آزمایشات گذشته ناراضی هستند، تمایل دارند برای تامین امکانات و قابلیت‌های حیاتی و استعدادی که در بهترین حالت و برای اطمینان از تمایز رقابتی باید به صورت درون‌سازمانی گسترش پیدا کند، به طرف سوم ارائه‌دهنده فناوری تکیه کنند.
گفتنی است 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 مبتنی بر 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 قسمت آخر یعنی قسمت چهارم این مقاله مکنزی، به این موضوع خواهیم پرداخت که بانک‌ها برای استفاده از فن‌آوری هوش مصنوعی باید چه الزاماتی را رعایت کنند و چگونه متحول شوند.
| این مقاله توسط عصربانک و به سفارش توسن‌تکنو ترجمه شده است |