کاربرد هوش مصنوعی در بانکداری
سال ۲۰۲۳ که به پایان خود نزدیک شده، سال رشد و روی بورس آمدن هوش مصنوعی بود. البته که در گذشته نیز هوش مصنوعی کاربردهای زیادی داشته اما با معرفی chat GPT توسط شرکت OpenAi، کاربرد این تکنولوژی در زندگی روزمره انسان‌‌‌ها عمیق‌‌‌تر شد که نوید‌بخش فصل تازه‌‌‌ای از تحول در زندگی انسانی بود. مدل GPT نوعی مدل شبکه عصبی در یادگیری ماشینی است که به ایجاد متن‌‌‌های نزدیک به گفتار انسان کمک می‌‌‌کند. این مدل‌‌‌ها در صنایع، به خصوص صنایعی که با خدمات روزمره سر و کار دارند، می‌توانند به شدت اثرگذار بوده که یکی از این صنایع، قطعا صنعت بانکداری است. تا پیش از این نیز استفاده از هوش مصنوعی در لایه‌‌‌های زیرین بانکداری کاربرد داشت اما مدل‌‌‌های GPT می‌توانند در حوزه کمک به بهبود خدمت‌رسانی به مشتریان نقش مهمی ایفا کرده و از این نظر، کاربردی ملموس‌تر داشته باشند.
کاربرد هوش مصنوعی در بانکداری
همان‌طور که پیش‌تر گفته شد، عرضه مدل‌‌‌های هوش مصنوعی بر مبنای مدل GPT تحول بسزایی بر کاربرد هوش مصنوعی در زندگی انسان‌‌‌ها داشت، اما هیچ‌گاه این‌طور نبوده که تا پیش از این، از توانمندی‌‌‌های این تکنولوژی در بانکداری استفاده نشود. تا پیش از این، هوش مصنوعی در لایه‌‌‌های نظارتی بر تراکنش‌‌‌ها وجود داشت. با کمک مدل‌‌‌های یادگیری ماشینی همواره بر تراکنش‌‌‌های بانکی نظارت می‌‌‌شد و تلاش بر این بود که با بررسی رفتار مشتریان در انجام تراکنش‌‌‌ها، آن دسته از نقل و انتقالات که مشکوک به اختلال در سیستم یا پولشویی بوده شناسایی و از تکمیل آنها جلوگیری شود.
در برخی از بزرگ‌ترین بانک‌‌‌های دنیا، از مدل‌‌‌های شبکه‌‌‌های عصبی (Neural Networks) در حوزه بانکداری برای پیش‌بینی‌‌‌های پیچیده و تحلیل تصاویر (مانند شناسایی امضاها یا تصاویر از چک‌‌‌ها) استفاده می‌شود. با استفاده از مدل‌‌‌های بازیابی متن و داده‌کاوی (Text Retrieval and Data Mining) بانک‌‌‌ها می‌توانند داده‌‌‌های بزرگ را استخراج کرده و از آنها در استخراج معانی و الگوهای مفید برای تصمیم‌گیری بهره ببرند. همچنین از برخی از مدل‌‌‌های یادگیری ماشینی در بررسی ریسک اعتباری در بانک‌‌‌ها استفاده می‌‌‌شده که مربوط به رتبه‌‌‌بندی اعتباری افراد بوده و کاربرد زیادی در مساله نقش بانک به عنوان یک واسطه پولی ایفا می‌‌‌کرده است. اما معرفی مدل تازه از این فناوری که به تکامل چت‌‌‌بات‌‌‌ها منجر شد، مبحث تازه‌‌‌ای را از کاربرد هوش مصنوعی در بحث بانکداری باز کرد.
GPT چیست؟
مدل GPT به‌‌‌تازگی به یکی از پرکاربردترین و معروف‌‌‌ترین مدل‌‌‌های تولید متن به کمک هوش مصنوعی تبدیل شده است. این واژه مخفف Generative Pre-Trained Transformers یا «ترانسفورماتورهای از پیش آموزش دیده مولد» است. نمونه‌‌‌های اولیه این مدل‌‌‌ها پیش‌تر توسط Google brain توسعه داده شد و پس از آن شرکت OpenAI به توسعه شاخه خاصی از آن پرداخته که در نهایت به تولد Chat GPT منجر شد. این مدل می‌تواند مانند یک انسان با دیگران ارتباط برقرار کرده، آنان را درک کرده و پاسخ مناسب را در جهت نیاز افراد ارائه دهد. از این رو استفاده از این مدل در بانکداری می‌تواند به بهبود ارائه خدمات به مشتریان بانکی کمک کند. از آنجا که این مدل می‌تواند مانند یک انسان داده‌‌‌ها را تحلیل کرده و به ارائه راهکار بپردازد، به نوعی با ترکیب با دیگر مدل‌‌‌ها می‌تواند به یک ابرمشاور در حوزه بانکداری تبدیل شود.
ریل تحول بانکداری با کمک هوش مصنوعی
هوش مصنوعی مبتنی بر مدل GPT می‌تواند کاربرد زیادی در بانکداری داشته باشد. شاید شاخص‌ترین کمکی که این مدل به این صنعت ارائه می‌دهد، تحول خدمت‌رسانی به مشتریان باشد. این هوش مصنوعی همواره درحال یادگیری و تکامل است. در لحظه می‌تواند هزاران داده مختلف را بررسی کرده و بر اساس آن تصمیم‌گیری کند. این موضوع می‌تواند حوزه خدمات بانکی را گسترش دهد. بسیاری از افراد بنا به مشکلات گوناگون مانند عدم‌آشنایی با تکنولوژی یا بی‌‌‌خبری از خدمات بانکی، در انجام امور بانکی روزمره خود با مشکلات فراوانی روبه رو هستند. با به‌کارگیری این نوع هوش مصنوعی در چت‌‌‌بات‌‌‌ها این امکان برای بانک‌‌‌ها به وجود می‌‌‌آید که بتوانند با هر مشتری متناسب با میزان درک آنها از مسائل رو‌به‌رو شوند.
تا پیش از این بسیاری از روبات‌‌‌های پشتیبان می‌توانستند تنها به یکسری از سوالات از پیش تعیین شده پاسخ دهند، اما نسل جدید آنها با بهره‌‌‌وری از هوش مصنوعی می‌تواند به بررسی مشکلات مشتریان بپردازد. همچنین از آنجا که هوش مصنوعی خالی از عواطف و احساسات است، استفاده از آن برخی از مشکلات نیروی انسانی را نخواهد داشت. خستگی ناشی از کار و مشکلات روحی و روانی از جمله مسائلی است که بر کیفیت خدمت‌رسانی به افراد توسط نیروی انسانی اثر می‌‌‌گذارد. اما روبات‌‌‌ها می‌توانند هفت روز هفته و به‌صورت ۲۴ ساعته مشغول خدمت‌رسانی باشند و به هیچ عنوان دچار خستگی نشوند. البته کیفیت خدمات هم به برنامه نویسی اولیه هوش مصنوعی بازمی‌گردد اما در نهایت در صورت استفاده از یک مدل صحیح، کیفیت خدمات افزایش خواهد داشت.
علاوه بر موضوعات بالا، یک هوش مصنوعی مناسب می‌تواند با استفاده از فناوری‌‌‌های تشخیص صوت و پردازش گفتار، واسط‌‌‌های صوتی هوشمند ایجاد کرده که به مشتریان کمک می‌‌‌کنند تا از طریق صحبت با سیستم، اطلاعات مورد نیاز خود را به دست آورند. این کار به نوعی می‌تواند ارتباط احساسی مشتری با بانک را تقویت کند.
این تکنولوژی می‌تواند به ایجاد سیستم‌‌‌های توصیه‌‌‌گر در بانکداری به شکل قابل‌توجهی کمک کند. این سیستم‌‌‌ها می‌توانند به مشتریان پیشنهادهای مرتبط با محصولات مالی، سرمایه‌گذاری، وام و خدمات دیگر بانکی ارائه دهند. هوش مصنوعی می‌تواند به‌طور همزمان وضعیت بانک، مشتریان و هزاران داده اقتصادی را بررسی کند و با توجه به شرایط، بهترین گزینه را به مشتریان جهت سرمایه‌گذاری در بانک پیشنهاد دهد. در ابعاد بزرگ‌تر، این دستیاران می‌توانند الگوهای بازار و نوسانات قیمتی را تحلیل کرده و کمک کنند تا بانک‌‌‌ها و موسسات مالی مدیریت مناسبی را نسبت به ریسک‌‌‌های بازاری انجام دهند. از این نظر این تکنولوژی می‌تواند به یکی از اصلی‌‌‌ترین مشاوران اقتصادی مشتریان و مدیران بانکی و موسسات مالی بدل شود. همچنین این قابلیت را به بانک‌‌‌ها می‌‌‌دهند تا با بررسی رفتار مالی افراد، تاریخچه تراکنش‌‌‌ها، میزان درآمد و مخارج و دیگر اطلاعات مالی، محصولات شخصی‌سازی شده‌‌‌ای را به هر فرد ارائه دهند.
علاوه بر موضوعات بالا، این دسته از هوش مصنوعی می‌تواند الگوهای رفتاری مشتریان را تحلیل کرده و الگوهای غیرمعمول را شناسایی کند. به عنوان مثال، اگر یک تراکنش غیرمعمول انجام شود که با الگوی رفتاری قبلی مشتریان مطابقت نداشته باشد، هوش مصنوعی می‌تواند این موضوع را تشخیص داده و هشدار دهد.
مشکلات استفاده از هوش مصنوعی
هرچند که این تکنولوژی تحول بزرگی را در صنعت بانکداری ایجاد می‌‌‌کند ولی این تکنولوژی بدون ایراد هم نخواهد بود. دو نگرانی اصلی در زمینه استفاده هوش مصنوعی را می‌توان موضوعات مربوط به امنیت اطلاعات مشتریان و دوگانگی در تصمیمات هوش مصنوعی عنوان کرد. در صورتی که بانک‌‌‌ها اطلاعات را به درستی رمزنگاری نکنند، به راحتی این اطلاعات نشت پیدا کرده و امنیت کاربران را به خطر می‌‌‌اندازد. در صورتی هم که ایرادی در مدل برنامه نویسی هوش مصنوعی وجود داشته باشد، در ارائه پاسخ به مشتریان دچار چندگانگی تصمیم خواهد شد که البته این موضوع نیز با پیشرفت مدل‌‌‌ها به‌زودی برطرف خواهد شد.