الزامات بانک ها برای استقرار هوش مصنوعی

برای بسیاری از بانک‌ها، استفاده از فناوری‌های هوش مصنوعی در سازمان، دیگر یک انتخاب نیست، بلکه یک الزام راهبردی است. بنابراین در نظر داشتن و ساخت قابلیت‌های بانک به طور همه‌جانبه در چهار لایه‌ای که در این مطلب به آنها پرداخته می‌شود برای رسیدن به موفقیت، امری حیاتی خواهد بود.

الزامات بانک ها برای استقرار هوش مصنوعی

مطلب حاضر قسمت چهارم و آخر 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 قسمت سوم موانع بکارگیری هوش‌مصنوعی در بانک‌ها بررسی شد و در این قسمت به موضوع الزامات بانک‌ها برای تبدیل شدن به موسسات پیشرو در هوش مصنوعی خواهیم پرداخت:

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.

به منظور غلبه بر چالش‌های محدودکننده استقرار فناوری‌های هوش مصنوعی در سطح سازمان، بانک‌ها باید رویکردی همه‌جانبه اتخاذ کنند و تحول در چهار لایه قابلیت‌های یکپارچه را مد نظر قرار دهند: لایه مشارکت، لایه تصمیم‌گیری بر پایه هوش مصنوعی، لایه فناوری مرکزی و داده‌ها و مدل عملیاتی؛

یک بانک برای تبدیل شدن به موسسه پیشرو در هوش مصنوعی، باید قابلیت‌های خود برای ارزش‌آفرینی را ساده‌سازی کند.

همانطور که در ادامه توضیح خواهیم داد، وقتی این لایه‌های مستقل، همگی با هم کار کنند، بانک را قادر می‌سازند تا تجربیات متمایزی را به مشتریان ارائه دهد، از شخصی‌سازی در مقیاس متناسب پشتیبانی کند و چرخه‌های نوآوری را هدایت کند که برای بقا در رقابت دنیای کنونی حیاتی می‌باشد. البته هر لایه دارای یک نقش منحصربفرد است و سرمایه‌گذاری تنها در یک لایه پیوند ضعیفی را ایجاد می‌کند که می‌تواند کل سازمان را فلج کند.

در بندهای زیر به تغییراتی اشاره می‌شود که بانک‌ها باید آنها را در هر لایه از این قابلیت‌ها بپذیرند:

لایه اول: تجدیدنظر در لایه مشارکت مشتری

مشتریان همواره انتظار دارند که بانکشان در تجربه‌های کاربری نهایی آنها حاضر باشد، شرایط و نیازهای آنها را فارغ از محل تعامل آنها با بانک بشناسد و تجربه‌ای بی‌دردسر ایجاد کند. امروزه فعالیت‌های بانکداری مانند خدمات پرداخت و ارائه انواع وام‌ها غیرحضوری شدند. بانک برای اینکه بتواند در زندگی مشتریان خود تحول ایجاد کند و نیازهای پنهان و آشکار آنها را برطرف کند و در ضمن، تجربیات فراگیر شهودی را میسر سازد، باید در نحوه تعامل خود با مشتریان بازنگری داشته باشد و چند تغییر کلیدی و مهم را بپذیرد.

بانک در مرحله اول باید از محصولات استاندارد فراتر برود و پیشنهادات یکپارچه‌ای را ارائه دهد. این امر، مستلزم طراحی ارزش‌های پیشنهادی است که فراتر از محصول کربنکینگ بوده و شامل نوعی هوشمندی است که تصمیمات و فعالیت‌ها را به نمایندگی از مشتریان به سمت اتوماسیون می‌برد. علاوه بر این، بانک‌ها باید تلاش کنند تا محصولات و خدمات غیربانکی مرتبطی را در فعالیت‌های خود یکپارچه کنند که همراه با محصولات کربنکینگ، نیازهای نهایی مشتری را برطرف می‌کند.

تغییر ضروری دوم، ورود بی‌حدومرز تجربیات مشتری به اکوسیستم‌ها و پلتفرم است تا بانک‌ها بتوانند در نقطه پایانی، با مشتری تعامل داشته باشند و میزان استفاده از خدمات خود را افزایش دهند. در این زمینه بانک ICICI در هند خدمات بانکداری اصلی خود را در واتس‌اپ پیاده‌سازی کرد و در عرض سه ماه پس از راه‌اندازی، آن را به مقیاس یک میلیون کاربر توسعه داد. در دنیایی که مشتریان و کسب و کارها روز به روز، بیشتر به اکوسیستم دیجیتالی وابسته می‌شوند، بانک‌ها باید در مورد موضع خود – یعنی ایجاد، هماهنگی یا شراکت – نسبت به پذیرش اکوسیستم‌های متعدد تصمیم‌گیری کنند و مطابق با آن، از قابلیت‌های لایه مشارکت استفاده نمایند.

سوم، بانک‌ها باید تجربیات کلی و خاص مشتریان را برای تعامل امنی‌چنل مجدداً طراحی کنند. بدین طریق به مشتریان اجازه داده می‌شود تا در یک تجربه بی‌حدومرز بین کانال‌های مختلف جابجا شوند (مانند وب، اپلیکیشن موبایل، شعبه، مرکز تماس و تجهیزات هوشمند) و آخرین شکل تعامل را حفظ و به صورت پیوسته بروزرسانی کنند. شرکت‌های پیشگام در حوزه اینترنت، با مدل‌های کسب و کار آفلاین، انتظارات مشتریان را در این زمینه تغییر داده‌اند. بعضی از بانک‌ها در طراحی تجربیات فراگیر پیش‌قدم هستند ولی بیشتر آنها باید تلاش کنند خودشان را به بقیه برسانند.

لایه دوم: ایجاد لایه تصمیم‌گیری بر پایه هوش مصنوعی

ارائه پیام‌ها و تصمیمات شخصی‌سازی شده به میلیون‌ها کاربر و هزاران کارمند، به صورت آنی در طیف کاملی از کانال‌های مشارکت، مستلزم این است که بانک یک لایه تصمیم‌گیری بر پایه هوش مصنوعی را در مقیاس متناسب ایجاد کند. تکنیک‌های هوش مصنوعی در میان حوزه‌های مختلف بانکداری، می‌توانند به طور کامل جایگزین قضاوت انسانی شوند یا آن‌ را تقویت کنند تا نتایج بسیار بهتری حاصل شود (مانند صحت و سرعت بالاتر)، تجربیات مشتریان ارتقاء یابد (برای مثال، تعامل و پیشنهادات شخصی‌تر)، نگرش‌های عملی برای کارمندان ایجاد شود (مانند تعیین اولویت‌ها در تماس با مشتریان و توصیه بهترین اقدام بعدی) و مدیریت ریسک تقویت گردد (برای مثال، تشخیص زودهنگام احتمال قصور در پرداخت بدهی و فعالیت‌های فریب‌آمیز و کلاهبرداری).

الزامات مورد نیاز بانک‌ها برای استقرار هوش مصنوعی

بانک‌ها برای راه‌اندازی یک لایه مبتنی بر هوش مصنوعی باید از اقدام به توسعه موارد کاربردی خاص دست بکشند و راهکارها را به سمت تهیه نقشه راه سازمانی برای استقرار مدل‌های تحلیلی پیشرفته (AA) یا یادگیری ماشینی (ML) در کل سازمان سوق دهند. به عنوان مثال، در زمینه وام‌دهی به مشتری بدون ‌ضامن به تنهایی می‌توان بیش از 20 تصمیم را به صورت اتوماسیون اجرا کرد. بانک‌ها برای توسعه مدل‌های تصمیم‌گیری در مقیاس متناسب، باید فرایندهای توسعه را به صورت تکرارشونده دنبال کنند و بدین ترتیب بتوانند راهکارهای موثر و به موقعی را ارائه دهند. این امر علاوه بر نیاز به مشارکت قوی بین تیم‌های کسب و کار و استعدادهای تحلیلی، مستلزم ابزارهای قدرتمندی برای توسعه مدل، فرایندهای کارآمد و انتشار دانش بین تیم‌ها می‌باشد. علاوه بر توسعه مدل‌های تصمیم‌گیری در مقیاس متناسب میان حوزه‌های مختلف، نقشه راه نیز باید شامل برنامه‌هایی برای استقرار هوش مصنوعی در فرایند معمول کسب و کار باشد. این تلاش که اغلب دست کم گرفته می‌شود، مستلزم ایجاد اتصال مجدد بین فرایندهای کسب و کار است که مدل‌های هوش مصنوعی در آن استقرار خواهند یافت؛ همچنین تصمیم‌گیری هوش مصنوعی بایستی برای کاربران نهایی «توجیه‌پذیر» شود و یک برنامه مدیریت تغییر که به تغییرات ذهنیت کارکنان و شکاف‌های مهارتی می‌پردازد، ایجاد شود. بانک‌ها به منظور بهبود پیوسته، باید زیرساخت (مانند اندازه‌گیری داده‌ها) و فرایندهایی (مثلاً مرور دوره‌ای عملکرد و مدیریت ریسک مدل‌های هوش مصنوعی) را برای شکوفایی حلقه‌های بازخورد ایجاد کنند.

علاوه بر این، بانک‌ها نیاز خواهند داشت با قابلیت‌هایی به شدت متحولانه، مدل‌های هوش مصنوعی داخلی در فرایندهای مرکزی کسب و کار خود را تقویت نمایند. بسیاری از این قابلیت‌های پیشرو پتانسیل این را دارند که الگوی تجربه مشتریان و یا بازدهی عملیاتی را تغییر دهند. اگرچه بسیاری از بانک‌ها فاقد استعداد لازم جهت سرمایه‌گذاری برای توسعه این فناوری‌ها توسط خودشان هستند، ولی حداقل باید بتوانند این قابلیت‌های نوظهور را در سریع‌ترین زمان ممکن از ارائه‌دهندگان متخصص تهیه کرده و آنها را با استفاده از یک رابط برنامه‌نویسی کاربردی (API) در سازمان خود ادغام کنند و آزمایش‌های پیوسته‌ای را با این فناوری‌ها در محیط‌های سندباکس ارتقا دهند تا برنامه‌ها را آزمایش و اصلاح کرده و ریسک‌های بالقوه را ارزیابی نمایند و در مورد فناوری‌هایی که باید در مقیاس متناسب مستقر شوند تصمیم بگیرند.

لایه سوم: تقویت فناوری مرکزی و زیرساخت داده

استقرار قابلیت‌های هوش مصنوعی در سازمان مستلزم داشتن مجموعه ای مقیاس‌پذیر، منعطف و تطبیق‌پذیر از مولفه‌های فناوری مرکزی است. یک پشتوانه ضعیف برای  فناوری مرکزی، که سرمایه‌گذاری لازم در حوزه نوسازی نداشته باشد، می‌تواند اثربخشی لایه‌های مشارکت و تصمیم‌گیری را به شدت کاهش دهد. لایه فناوری مرکزی و داده دارای 6 مولفه مهم است (جدول 6):

شکل 6 – لایه فناوری مرکزی و داده، موجب افزایش استفاده از تکنولوژی ابری و کاهش فناوری قدیمی می‌شود.

قابلیت‌ها چشم‌انداز ما
استراتژی فناوری پیشرو ایجاد قابلیت‌های متمایز به صورت درون‌سازمانی با تقویت پایه‌های مهارت داخلی؛ سنجش دقیق گزینه‌ها برای خرید، ساخت یا تشکیل معماری از طریق راهکارهای «بهترین در نوع خود»
مدیریت داده برای دنیای هوش مصنوعی ارتقاء مدیریت داده و معماری بنیادین برای پشتیبانی از موارد کاربردی یادگیری ماشینی در مقیاس متناسب، با استفاده از فناوری ابری، جریان داده و تجزیه و تحلیل آنی
معماری مدرن API بهره‌گیری از قدرت ابزار جدید اصالتاً ابری برای ایجاد امکان پشتیبانی از تنظیمات پیچیده توسط پلتفرم مقیاس‌پذیر API ضمن یکپارچه‌سازی در کل اکوسیستم که موجب ارتقاء تجربه مشتری می‌گردد.
زیرساخت هوشمند افزایش انعطاف‌پذیری پلتفرم با به کارگیری عملیات هوش مصنوعی جهت پشتیبانی از شناخت عمیق، شناسایی خودکار و مقیاس‌پذیری اتوماتیک.
تخلیه مرکز توزیع پردازش تراکنش در سازمان؛ شناسایی انتخابی مولفه‌هایی که برای استفاده مجدد و گسترده‌تر، استانداردسازی و بازدهی، می‌توان آنها را خارج نمود.
امنیت سایبری و اقدامات کنترلی اعمال امنیت سایبری مستحکم و قوی در زیرساخت چندگانه

 

لایه چهارم، انتقال به مدل عملیاتی پلتفرم

بانک پیشرو در هوش مصنوعی در آینده، به یک مدل عملیاتی جدید برای سازمان نیاز خواهد داشت تا بتواند به چابکی و سرعت لازم دست پیدا کند و موجب ایجاد ارزش در لایه‌های دیگر شود. اگرچه اکثر بانک‌ها در حال تغییر پلتفرم‌های فنی و دارایی‌های خود جهت انعطاف‌پذیری بیشتر هستند، اما تیم‌های عملیاتی در بانک به کار در فضاهای جداگانه تحت مدل‌های همکاری غیربهینه ادامه می‌دهند و اهداف آنها اغلب با اولویت‌ها همراستا نیست.

بانک‌ها با ادغام کسب و کار و فناوری در پلتفرم‌های بانک که توسط تیم‌های مشارکتی اجرا می‌شوند، می‌توانند فضاهای جداگانه سازمانی را از بین ببرند، چابکی و سرعت را افزایش دهند و همسویی اهداف و اولویت‌ها را در سازمان بهبود بخشند.

مسیر تبدیل شدن به یک بانک پیشرو در هوش مصنوعی مستلزم توانمندی‌های متحول‌کننده در 4 لایه اصلی قابلیت‌هاست. نادیده‌گرفتن چالش‌ها یا سرمایه‌گذاری کم در هر یک از لایه‌ها مانند موجی به لایه‌های دیگر نفوذ می‌کند و منجر به ایجاد یک زیرساخت غیربهینه می‌شود که قادر به تامین اهداف سازمانی نیست.

یک راه عملی برای شروع این است که چگونگی تحقق اهداف راهبردی بانک (مثل رشد، بهره‌وری، مشارکت مشتری، نوآوری)‌ با طیفی از فناوری‌های هوش مصنوعی و هماهنگ‌سازی اهداف هوش مصنوعی با اهداف راهبردی بانک ارزیابی گردد. وقتی این همسویی رخ دهد، رهبران بانک باید موقعیت بانک را در این چهار لایه به طور جامع بررسی کنند تا حوزه‌هایی که به تغییرات کلیدی، سرمایه‌گذاری‌های بیشتر و استعداد جدید نیاز دارند شناسایی گردند. آنها سپس می‌توانند این دیدگاه‌ها را به یک نقشه راه تحولی تبدیل کنند که تیم‌های کسب و کار، فناوری و تجزیه و تحلیل را در بر ‌می‌گیرد.

طراحی یک رویکرد اجرایی متناسب با سازمان نیز از اهمیت زیادی برخوردار است. برای تضمین سازگاری با تغییر، ما یک رویکرد دومسیره را توصیه می‌کنیم که توازن پروژه‌های کوتاه‌مدت ارائه‌کننده ارزش تجاری در هر فصل را با قابلیت‌های سازمانی بلندمدت برقرار می‌کند. علاوه بر این، بانک‌ها بسته به موقعیت، اندازه و انگیزه‌های خود نباید تمامی قابلیت‌ها را خودشان بسازند. آنها می‌توانند قابلیت‌های مرکزی متمایزکننده را درون سازمان حفظ کنند و تامین قابلیت‌های غیرمتمایزکننده را به شرکای فناوری شامل متخصصین هوش مصنوعی بسپارند.

برای بسیاری از بانک‌ها، استفاده از فناوری‌های هوش مصنوعی در سازمان، دیگر یک انتخاب نیست، بلکه یک الزام راهبردی است. بنابراین در نظر داشتن و ساخت قابلیت‌های بانک به طور همه‌جانبه در هر چهار لایه برای رسیدن به این موفقیت، امری حیاتی خواهد بود.

 

منبع مقاله ای از  مکنزی
ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.