آینده هوش مصنوعی در صنعت بانکی و چالش‌های رسیدن به نقطه مطلوب

هوش مصنوعی روی میز پژوهشگران و فعالان این حوزه(بخش دوم)

توسعه هوش مصنوعی بدون داشتن استراتژی مشخص برای داده‌های حوزه بانکداری و پرداخت غیرممکن است و برای تدوین استراتژی مذکور وجود یک نقشه راه ضروری است. هدف‌گذاری نهایی نقشه راه اما ایجاد یک اکوسیستم مناسب داده است که در ذیل این اکوسیستم هوش مصنوعی بتواند رشد کند.

به گزارش پایگاه خبری بانکداری الکترونیک، هوش مصنوعی شاید اساس بانکداری باز باشد؛ اما زمانی می‌توان امید به آینده آن بست که نقشه راه و استراتژی جمع‌آوری، تحلیل و پایش داده در شبکه بانکی وجود داشته باشد تا آن زمان باید چوب ناکارآمدسازی را زمین بگذاریم.

در میزگرد پیش‌رو، مسعود خرقانی؛ مدیرعامل هلدینگ فناوری اطلاعات بانک شهر، وحید محمودیان؛ مدیرعامل مرکز نوآوری بانک ایران زمین و هادی ویسی؛ عضو هیئت علمی دانشکده علوم و فنون نوین به تشریح دیدگاه‌های خود در باره هوش مصنوعی پرداختند که بخش اول آن را با عنوان " اکوسیستم هوش مصنوعی در غیاب نقشه راه داده " باهم خواندیم.
در ادامه با ما همراه باشید:

 

* به نظرم یکی از چالش‌ها برای رسیدن به وضع مطلوب این است که در سیستم بانکی استراتژی داده یا نقشة راه نداریم، لطفاً به چالش‌های مختلف اشاره کنید.

خرقانی: استراتژی داده نقطه آغازین است؛ به تعبیر دیگر وقتی استراتژی حاکمیت داده در سازمان وجود ندارد به این مسئله مربوط است که رهبران آن سازمان درک درستی از اهمیت داده و کمک هوش مصنوعی به فرآوری و بهره‌برداری از داده ندارند. بانک‌ها و مجموعه‌های مالی که نگرش‌شان تقویت شده است چیزهایی دارند که کامل نیست.

یکی از چالش‌های بزرگ بحث دیتای قابل اتکا و کفایت دیتا و تمیزی و صحت و جامعیت دیتاست اینکه داده‌ها چه میزان با یکدیگر مرتبط هستند و چه میزان برای هدف ما کفایت می‌کنند؟ آقای دکتر بیان کردند که هنوز در سازمان‌ها نگرش سیلویی وجود دارد؛ به تعبیر دیگر یک واحد سازمانی، دادة خود را با بقیه به اشتراک نمی‌گذارد؛ اما در مباحث استراتژی داده، سازمان زمانی می‌تواند موفق باشد که داده را در کل سازمان به اشتراک بگذارد؛ حتی مشتریان و هم بهره‌برداران. بنابراین ساختن مجموعه دیتایی که به نوعی با یکدیگر ارتباطاتی داشته باشند یا حتی غیر مرتبط باشند کمک می‌کند؛ اگر وجه اشتراک داده‌ها را مشتری بدانیم می‌توان در کتگوری‌های مختلف در مورد این داده صحبت کرد.

* آیا می‌توان گفت که اکوسیستم داده کامل نیست؟

خرقانی: بله درست است؛ وقتی در مورد یک مشتری صحبت می‌کنیم باید بدانیم سبک زندگی، ‌رفتار، تراکنش‌های مالی و سلائق و علائق او چیست. جایی که قرار است زیرساخت داده‌ای را کامل کنیم، جدا از داده‌های داخل سازمان مرتبط با آن فرد رفتارهایش در حوزة تراکنش مالی، تسهیلات و درخواست‌هایش از شعبه در شبکة پرداخت را در نظر داشته باشیم.

* لطفاً به فرصت‌ها و ضرورت‌ها نیز اشاره کنید از طرفی آیا شکل‌گیری نهادها و قوانین ضرورت دارند؟

خرقانی: به نظرم آنچه باید شکل بگیرد اخلاق حرفه‌ای در افرادی است که به این علم ورود می‌کنند. برخی جوامع قوانینی مانند GDPR را راه‌اندازی می‌کنند یا سطح محرمانگی داده، سطح رضایت مشتری یا عدم سوءاستفاده از داده‌ را مدنظر قرار می‌دهند؛ بنابراین حفظ اسرار مشتری اهمیت بسیاری دارد؛ یعنی به یک سری پروتکل‌ها برای آن نیاز است؛ اما نیازی نیست که منتظر باشیم که رگولاتور قانون‌گذاری کند؛ بلکه با اخلاق حرفه‌ای هم می‌توان در این مسیر قرار گرفت.

* این شناخت تا چه حد در سیستم بانکی و پرداخت وجود دارد؟

خرقانی: متأسفانه خیلی قوی نیست؛ چون دوستان به این مسائل نمی‌پردازند.

* لطفاً به چند فرصت هم اشاره کنید؟

خرقانی: امروز برخی بانک‌ها و سازمان‌های مالی با به وجود آمدن مسائل مالی جدید، درها را گشوده‌اند؛ اگر بین دانشگاه و صنعت ارتباط برقرار شود فرصت بزرگی شکل می‌گیرد. متخصصان در دانشگاه‌ها و مراکز علمی کار آکادمیک می‌کنند و درس می‌خوانند و تئوری می‌دانند؛ ولی دیتایی ندارند تا با آن کار کنند، پژوهشکده‌ای ندارند. صنعت بانکی باید بخشی به عنوان سرمایة پژوهشی داشته باشد و انتظار خروجی سریع هم نداشته باشد در این صورت فرصت را به وجود می‌آورد و به سمت تکامل آن می‌رود تا طی پنج سال، چهار الی پنج نمونة موفق را ‌ایجاد کند و گسترش دهد. نکته دیگر اینکه قرار نیست ماشین جایگزین فرد شود یا فرد بدون ماشین بتواند کاری کند؛ این دو باید با یکدیگر گره بخورند و این می‌تواند ما را به موفقیت برساند؛ وگرنه درجا زدن است.

* البته بانکداریِ شناختی همین است که بانک بدون دخالت انسان بتواند بر اساس شناخت کسب‌شده پاسخگوی مشتری باشد و پیش برود.

خرقانی: تصور کنید آسمان‌خراش‌های بسیاری ساخته شده است؛ اما آیا این آسمان‌خراش به ماه می‌رسد؟ غیر ممکن است. دربارة هوش مصنوعی نیز این تفکر در برخی وجود دارد برخی می‌گویند؛ هوش مصنوعی بسیار پیشرفته کرده است؛ ولی آیا جایگزین هوش انسان می‌شود؟ بعضی می‌گویند؛ هیچ‌وقت نمی‌تواند بشود بعضی هم می‌گویند؛ اگر شد چه؟ بنابراین دو دیدگاه خوش‌بینانه و بدبینانه وجود دارد. معتقدم صحبت از بعضی چیزها و قضاوت در مورد آنها بسیار زود است.

* آقای محمودیان به چالش‌ها و فرصت‌ها اشاره کنید و بگویید استراتژی داده چقدر می‌تواند مصداق داشته باشد؟

محمودیان: من آدم اجرایی هستم و چالش‌هایم، چالش‌هایی است که امروز با آنها سر و کار دارم؛ امروز به نقطه‌ای رسیده‌ایم که می‌دانیم داده خوب است و برای آن پروژه‌های کوتاه‌مدت ۲ الی ۵ ساله تعریف کرده‌ایم؛ از طرفی زیرساخت‌هایی فراهم کرده‌ایم تا اگر شخصی استراتژی و الگوریتم خوبی ارائه کرد و ما هم توانستیم دیتا فراهم کنیم، بستر مناسب و فرآیندهای مناسب برای این کار وجود داشته باشد.

چالشی که در این مسیر با آن مواجه شدیم این بود که در بانک‌ها عمدتاً کُربنکینگ‌هایی وجود دارند که متعلق به سال‌ها قبل هستند و آنها آن زمان اصلاً به داده فکر نکردند.

* بنابراین این را یکی از ضرورت‌ها می‌دانید؟

محمودیان: معتقد نیستم ضرورت است؛ بلکه یک دست‌انداز بزرگ است؛ ما سعی داریم از این دست‌انداز‌ها عبور کنیم الزاماً راه‌حل همیشه این نیست که یک کربنکینگ جدید شکل بگیرد؛ چون همین موضوع یعنی 10 الی 15 سال به همین شکل باقی بمانیم. برخی سیستم‌های زیرساختی اصلی ما آن زمان به این موضوع فکر نکردند؛ امروز هم تلاش‌هایی می‌کنند؛ ولی واقعیت این است که در معماری اولیه‌شان به این موضوع فکر نکرده بودند. ما طی 2 الی 3 سال اخیر سعی کردیم لایه‌های میانی را ‌ایجاد کنیم تا کمی سمت و سو بدهد و برخورد بالغانه‌تری با داده‌هایی که وارد و خارج می‌شود داشته باشد در مجموعة بانک ایران زمین به سمت زیرساخت هوشمند داده حرکت کرده‌ایم که بر اساس آن داده به صورت هوشمند جمع‌آوری می‌شود و ساختار پیدا می‌کند تا بعدها از آنها استفاده‌های مناسب‌تری شود و این کار مدتی است که در حال انجام است.

مسئلة دیگری که طی چند سال گذشته با آن برخورد کردیم اینکه اتفاقاً در برخی نقاط داده‌های خوبی وجود دارد؛ حتی سعی کردیم سازمانی شویم که حاکمیت داده را هم داشته باشیم و به آن هم رسیدیم؛ ولی برخی داده‌ها در اختیار ما نیستند؛ ولی هستند؛ مثلاً بر اساس فرضیه یا خوانش شما از هوش مصنوعی به تجربة لذت‌بخش مشتری اشاره کردیم؛ یکی از ابزارهای تجربة لذت‌بخش مشتری، اپلیکیشن‌های مدیریت حساب مشتری و … است که طبق آن این ابزار به شما گزارشی می‌دهد که چند فنجان قهوه خورده‌اید، چند بار از حمل و نقل عمومی استفاده کردید، کجا تفریح کردید، کجا غذا خوردید و … سال‌هاست که این داده‌ها را در کشورمان داریم؛ یعنی سال‌هاست شاپرک از ساعت و مبلغ و منطقه و … تراکنش‌های شما مطلع است. ‌اینها بسیار خوب و قابل تقدیر است؛ ولی همة آنها را در گاو صندوق گذاشته و به هیچ کس ارائه نمی‌دهد. بنابراین در اکوسیستم داده‌ای کشور موارد بسیاری وجود دارد؛ ولی به یکدیگر متصل نیستند یا اجازة دسترسی به یکدیگر نمی‌دهند.

آقای خرقانی اشاره کردند که مقداری درها باز شده است و من فکر می‌کنم که یک کار بهتری که می‌شود انجام داد و برخی به سمت آن رفته‌اند و ما نیز در بانک ایران‌زمین به سمت آن رفته‌ایم این است که اجازه بدهیم تا دیگران دربارة این موضوعات فکر کنند، کاری انجام دهند یا پیشنهادی ارائه کنند یک مسیر خوب فضا دادن و فراهم کردن شرایط برای استارتاپ‌هاست که در مجموعة ‌ایران‌زمین به این سمت رفته‌ایم و سرویس و زیرساخت این کار را فراهم کرده و مرکز نوآوری راه انداخته‌ایم. مرکز نوآوری ابزارهای لازم را در حد داده‌هایی مورد نیازتان ارائه می‌دهد در این صورت استارتاپ‌ها، فین‌تک‌ها، مجموعه‌های مختلف می‌توانند فکر کنند و از داده‌ها بهره‌برداری مفیدتری بکنند. اشتباه رایجی که بسیاری کماکان دارند این است که همان افراد قبلی قصد دارند فکر جدید کنند، در حالی که آن افراد سال‌هاست تلاش خود را کرده‌اند.

* آیا می‌توان یکی از چالش‌ها را مقاومت افراد قبلی دانست؟

محمودیان: امروز افراد قبلی می‌دانند که اگر مقاومت کنند چیزی برای‌شان باقی نمی‌ماند و قافیه را می‌بازند. اکنون بسیاری از بانک‌ها به سمت مراکز نوآوری رفته‌اند؛ ولی اینکه چقدر جدی بگیرند و ‌اینکه چقدر به آن اعتماد کنند و ‌اینکه چقدر درها را باز کنند مهم است. ما در ‌ایران‌زمین این کارها را کرده‌ایم. یکی از کارهای منحصر به فرد ایران‌زمین این است که مرکز نوآوری این بانک متولی سرویس‌های دیجیتال بانک است؛ یعنی فکر کردن به محصول جدید را منحصر به بانک نگه نداشته است؛ بلکه به این سمت رفته است که بانک، سرویس بانکداری ارائه دهد و استارتاپ‌ها بخش‌های مختلف را بهبود دهند و با نوآوری تجربة مشتری بهتری ایجاد کنند. یک استارتاپ بر اساس دیتایی که در اختیارش قرار می‌گیرد، می‌تواند اقداماتی روی داده واقعی انجام دهد و نتایج ملموس و مفید بگیرد.

به نظر من موتور محرک این ماجرا علاوه استارتاپ‌ها می‌تواند مجموعة جوان و خلاق بدنة بانک هم باشد. ما روی این مسئله کار کرده‌ایم؛ یعنی سعی کردیم مجموعة بدنة بانک را آموزش دهیم تا خلاق فکر کنند یا متفاوت به موضوع نگاه کنند در مرکز نوآوری بانک ایران‌زمین آکادمی ایران‌زمین ایجاد کرده‌ایم که روی توسعة دانش کارکنان تمرکز دارد تا کارکنان ایران زمین بدانند که بانکداری دیجیتال یعنی چه یا داده چه ارزشی دارد تا همکار پشت باجه هم بتواند رفتار مشتری را تحلیل کند و بداند چه فایده‌ای برای ساخت تجربة بهتر مشتری دارد. بنابراین سعی کردیم این فرهنگ را ارتقاء دهیم.

* برای توسعه هوش مصنوعی فقط داشتن مرکز نوآوری کافی نیست؛ بلکه باید همة ابزارها آماده باشند تا در نهایت پیکرة هوش مصنوعی را شکل دهند.

محمودیان: من با نظر شما مبنی بر اینکه همه چیز باید آماده باشد موافق نیستم؛ بلکه معتقدم؛ این مسیر کم‌کم بالغ می‌شود؛ در حال حاضر با اس‌ام‌اس این کار را می‌کنند روز دیگر با ارائة دیتای بهتر و روز دیگر با دسترسی کُر، بهتر کار می‌کنند.

* چقدر به بازار هوش مصنوعی اعتقاد دارید؟ مثلاً برای ساخت یک ماشین همه قطعات آن را شما تولید نمی‌کنید؛ بلکه ساخت هر قطعه را به یک بخش می‌سپارید. چقدر این بازار، خلاق است و آیا اصلاً در ‌ایران شکل گرفته است؟

محمودیان: شکل نگرفته است؛ بلکه در حال پیشرفت است. صنایع دیگر هم مکمل این موضوع‌اند؛ مثلاً در حوزة مالی، بیمه‌ها می‌توانند به ابزارهای هوش مصنوعی خوراک داده بدهند و هم استفاده‌کنندگان مهمی برای این موضوع هستند. پیوند آنها با بانک و مجموعه‌های مالی اتفاق بسیار خوبی است که باعث پیشرفت و بلوغ می‌شود. مثال‌های بسیاری وجود دارد؛ مثلاً فردی امروز وام خرید خودرو دریافت می‌کند و فردا از طریق ‌اینترنت‌بانک به او پیشنهاد بیمه اتومبیل داده می‌شود. در این صورت اجزاء مختلف بازار، کنار هم قرار گرفته‌اند و مشتری تجربه و حس بهتری دریافت می‌کند.

* اگر شاپرک داده‌های خود را می‌فروخت و بخشی از بازار می‌شد و شما می‌توانستید داده‌های مورد نیاز حوزة پیمنت را که نیاز دارید خریداری کنید، در این صورت چه؟

محمودیان: در حال گذار به این سمت هستیم؛ مثلاً دولت، سندباکس راه‌اندازی کرده است تا سازمان‌ها و ارگان‌ها داده وارد بازار کنند. اقداماتی صورت گرفته است؛ اما معتقد نیستم که باید منتظر بمانیم تا زیرساخت‌ها ایجاد شوند.

* منظورم این است که چه مقدار آماده است که به مرور زمان کامل شود.

محمودیان: این موضوع با ‌ایده‌آل ما فرسنگ‌ها فاصله دارد؛ اما واقعیت این است که حرکت‌های کوچکی در حال رخ دادن است که امیدوار‌کننده‌اند و باید به سمت آنها حرکت کنیم و تیم‌های جوان می‌توانند از همین مقدار‌های کم، ارزش‌افزوده ایجاد و آنها را به تجربه‌های لذت‌بخش برای مشتری تبدیل کنند تا با این مقدارهای کم محصول خوبی ارائه شود. اگر این بستر را فراهم کنیم خیلی بیشتر از آن پنج اپ مورد نظر جناب ویسی ممکن است اتفاق بیفتد فقط به شرط آنکه درها گشوده و شرایط موجود بهتر شود.

* آقای ویسی لطفاً نظر خود را بیان کنید.

ویسی: در چند ماه در حین تهیه سند راهبردی هوش مصنوعی کشور گزارش‌هایی در این حوزه را بررسی می‌کردیم که در یکی از آنها مؤسسۀ IDRC کانادا میزان آمادگی و بلوغ کشورها برای هوش مصنوعی را رتبه‌بندی کرده است که طبق این گزارش ‌ایران در سال ۲۰۱۹، در رتبة 72 و در سال ۲۰۲۰ در رتبة 75 قرار داشت؛ این آمار نشان می‌دهد که اوضاع هوش مصنوعی در ‌ایران در کل زیاد تعریفی ندارد. به نظرم فین‌تک‌ها در مجموع در استفاده از فناوری از اکثر حوزه‌ها جلوتر هستند؛ ولی حوزة هوش مصنوعی در فین‌تک هم وضعیت مشابهی با همین رتبه غیر قابل قبول را دارد و نمی‌توان به آن آفرین گفت، برخلاف برخی حوزه‌های دیگر.

به نظرم دلیل این وضعیت، چالش‌های مرتبط با این حوزه هستند؛ اولین و بزرگ‌ترین مشکل، عدم شناخت دقیق و باور قطعی تصمیم‌گیران و رهبران سازمان در مورد اکوسیستم هوش مصنوعی به صورت عام است، نه اینکه نخواهند، می‌خواهند و در صحبت‌های‌شان علاقه نشان می‌دهند؛ ولی شناخت آنها دقیق نیست؛ وقتی شناخت دقیق نباشد، دیتاگاورننس ایجاد نمی‌شود، نیروی انسانی مناسب هوش مصنوعی جذب نمی‌کنند و اقدامات بسیاری دیگر در عمل صورت نمی‌پذیرد.

* آیا می‌توان گفت که این اکوسیستم نیمه زنده است؟

ویسی: نمی‌توان به آن زنده گفت، اصلاً نمی‌دانم بتوان به آن نیمه‌زنده هم گفت. در عمل وضعیت بلوغ هوش مصنوعی در این صنعت خوب نیست. به نظرم این موضوع شناخت و باور مدیران ارشد یکی از چالش‌های کلیدی است که اگر حل شود بعضی از مسائل خود به خود حل می‌شوند. مشکل دوم به صورت عمومی قوانین هستند که بخشی از آن از مشکل اول نشأت می‌گیرد؛ مثلاً اینکه دسترسی به داده به صورت ساختاریافته و سامان‌یافته برای بازیگران مرتبط امکان‌پذیر نیست، ناشی از عدم وجود قوانین شفاف این حوزه است.

* در مورد قوانین دو مسئله مطرح می‌شود؛ یکی دست و پا گیر بودن قوانین فعلی و دیگری فقدان قوانین مورد نیاز است حال منظورتان کدام مورد است؟

ویسی: به نظرم مسئلة دوم اهمیت بیشتری دارد؛ چون در این حوزه قوانین زیادی نداریم و مجبوریم به قوانین موجود که اصلاً برای کار دیگر ساخته شده‌اند، استناد کنیم؛ در نتیجه همان حس دست و پاگیری دست می‌دهد. مدیریت و دسترسی داده به قوانین خاص خود نیاز دارد و مباحثی خاصی مانند محرمانگی و امنیت در آن پررنگ است.

* گاهی با سرعت تکنولوژی، قوانین به‌روز نمی‌شوند؛ بنابراین سیال بودن نیازمند اتخاذ سیاست‌های خاصی است تا اینکه یک سری قوانین و مقررات سفت و سخت نیاز باشد.

ویسی: شاید بهتر باشد نام آن را سیاست قرار دهیم؛ اینجا بنده بین قانون و سیاست تفاوتی قائل نبودم. مشکل سوم، بلوغ دیتاست.

* منظورتان از بلوغ دیتا چیست و چطور می‌توان به آن دست یافت؟

ویسی: دیتا در برخی سازمان‌ها یکپارچه نیست و به آن دسترسی نداریم. دیتا تمیز نیست، دیتا Missing Featur دارد. بسیاری از فیلدهای دیتا کافی و کامل نیستند. واقعیت این است که اجزای سازمان همگی در مورد اهمیت و ضرورت این موضوع کامل بودن و تمیز بودن داده بی‌اطلاع هستند، مثلا وقتی فرد به شعبه رجوع می‌کند، همکار ما مشتری را از این آگاه نمی‌کند که فیلدهای اطلاعاتی را درست و دقیق پر کند و یا خودش این کار را انجام دهد. چالش چهارم کمبود نیروهای خبره هوش مصنوعی در اغلب بانک‌هاست؛ البته نه در همه بانک‌ها بلکه در اغلب بانک‌ها، وزن این افراد کم است؛ طبیعتاً اگر در سازمان چند نفر آگاه به هوش مصنوعی و کاربردهای آن باشند، اثرات مثبتی در این موضوع بر اطرافیان می‌گذارند.

* فقدان درک درست یا نادانسته‌گی کدام بیشتر در بانک‌ها به چشم می‌خورد؟ یعنی مدیران آگاه نیستند یا درک اشتباه از داده دارند؟

ویسی: به نظرم هنوز آگاه نیستند؛ یعنی هنوز اکوسیستم را نمی‌شناسند. شاید باید بانک‌ها یک یا چند مشاور داده‌ای یا مشاور هوش مضنوعی در کنار مدیران تصمیم‌گیر و یا تیم آی‌تی خود داشته باشند. مورد دیگر هم در مورد نیروی انسانی این است که افرادی که کار داده و هوش مصنوعی انجام داده‌اند و فنی هستند یا فلسفة آنها را می‌داند، زیاد به کسب و کار سازمان‌ها اشراف ندارند.

* شما بیان کردید که حدود چهار الی پنج هزار فارغ‌التحصیل دانشگاهی داریم، چطور هیچ کدام از ‌اینها وارد بازار نشده‌اند؟

ویسی: در گزارشی که به آن اشاره کردم به شاخص‌های مهم توسعه و رشد هوش مصنوعی پرداخته‌ایم، یکی از شاخص‌ها نیروی انسانی است، شاخص‌های دیگر آموزش و پژوهش، زیرساخت، داده و … است. در بحث نیروی انسانی وضع‌مان روی کاغذ از اغلب کشورها بهتر است؛ یعنی در بین همة شاخص‌های هوش مصنوعی، در نیروی انسانی اول هستیم؛ اما اول بودن تئوری است؛ مثل همة فیلدهای آکادمیک‌مان. یعنی دانش آموختگان این حوزه با نیازهای عملیاتی کسب و کار چندان آگاه نیستند، در اینجا بیزینس‌ها باید فرصت دهند و بخواهند تا این افراد وارد کسب و کار آنها شوند و کسب و کار یاد بگیرند و آن را بفهمند و سپس در آن حرکتی انجام دهند. کسب و کار از یک طرف می‌گوید که فرد خبره ندارم و فرد خبره هم می‌گوید که دیتای شما را ندیده‌ام و نمی‌دانم کسب و کار شما چیست.

* در واقع فرصت‌های تربیت فارغ‌التحصیلان فراهم نیست.

ویسی: دقیقاً درست است وگرنه ما در بخش تربیت نیروی انسانی با دانش فنی مناسب هیچ معضلی نداریم؛ بلکه جزو بهترین‌ها در دنیا هستیم نه فقط در منطقه بلکه در دنیا جزو بهترین‌ها هستیم.

* ضمن اینکه بسیاری از آنها که پرورش می‌یابند بلافاصله کشور را ترک می‌کنند.

ویسی: هوش مصنوعی یکی از پرمهاجرت‌ترین حوزه‌های نیروی انسانی ماست و طبیعی هم هست.

* جمع‌بندی صحبت‌های خودتان را بیان کنید.

خرقانی: اگرچه بحث رسانه‌ای دربارة هوش مصنوعی در امور بانکی معطوف به چگونگی استفاده از آن برای صرفه‌جویی در هزینه بانک‌ها با کاهش شغل است؛ اما این مؤسسات تمرکز اصلی دیگری نیز دارند و آن استفاده از فناوری هوش مصنوعی برای بهبود اشتهای ریسک آنهاست. مدیریت ریسک یکی از مهم‌ترین موضوعات در صنعت بانکداری است، به همین دلیل بسیاری از کارمندان خود را بر اندازه‌گیری آن با توجه به مشتریان خود متمرکز کرده‌اند. فناوری‌های فعلی در حال حاضر قادر نیستند به همان روشی که انسان می‌تواند، تصمیم‌گیری کنند؛ اما استفاده از هوش مصنوعی می‌تواند روند کار را ساده کند. تجزیه و تحلیل و ارائه داده‌ها با استفاده از هوش مصنوعی می‌تواند تعصب انسانی را در روند تصمیم‌گیری کاهش دهد و نتیجه را برای مؤسسات و مشتریان به طور یکسان بهبود بخشد، بدون اینکه کارکنان از این روند حذف شوند.

در نهایت اینکه، استفاده از هوش مصنوعی در بانکداری، مانند هر صنعت دیگر، می‌تواند نیاز به دخالت انسان را کاهش دهد. اما این بدان معنا نیست که صنعت بانکداری برای یک تحول گسترده، در جایی که مشاغل بی‌شماری از دست می‌رود، آماده است. هوش مصنوعی این امکان را دارد که با بهبود کارایی عملیات در مناطقی که دارای اهمیت واقعی هستند، مانند ردیابی پولشویی‌ها یا بهبود تجربه مشتری، انقلابی در صنعت بانکداری ایجاد کند.

در برخی موارد هم هوش مصنوعی فقط کارهای تکراری و اضافه‌ای را انجام می‌دهد که هیچ کس تمایلی به انجام‌شان ندارد. طی سال‌های اخیر، صنعت بانکداری به طور فزاینده‌ای در مورد هوش مصنوعی هیجان‌زده شده است. به طوری که تقریباً تمام مشاوران برجسته تحقیقاتی در مورد تأثیر هوش مصنوعی بر صنعت بانکداری مطالبی را منتشر کرده‌اند و سرمایه‌گذاری در این حوزه در حال توسعه راه‌حل‌های نوآورانه است. در کنار همه هیاهوها، این نگرانی اجتناب‌ناپذیر وجود دارد که اجرای این فناوری نیاز به کارکنان انسانی را کاهش می‌دهد. این که اگر بانکی بتواند فرآیندی را خودکار کند، مطمئناً برای انجام آن نیازی به انسان ندارند، مفهوم ساده‌ای به نظر می‌رسد؛ اما پاسخ به این سادگی‌ها نیست. گرچه این نوع ادعاها کاملاً هم بی‌اساس نیستند. یکی از زمینه‌های اصلی که بانک‌ها در حال اجرای راه‌حل‌های جدید مبتنی بر هوش مصنوعی هستند، خدمات به مشتری است.

تصوری که از هوش مصنوعی می‌تواند در ذهن کارکنان بانکی وجود داشته باشد و موجب ترس و نگرانی آنها شود، این است که گمان می‌کنند هوش مصنوعی، می‌تواند ربات‌ها را جایگزین آنها کند؛ اما در واقع نکات ظریفی وجود دارد که با این ذهنیت متفاوت است؛ البته شکی نیست که برخی از مشاغل از بین خواهند رفت، اما مشاغل جدید دیگری هستند که ایجاد می‌شوند و برخی دیگر از مشاغل نیز به چیز دیگری تبدیل می‌شوند؛ مثلاً برخی از مشاغل جدید عبارت‌اند از: طراح ربات هوشمند، ناظر و ارزیاب ربات هوشمند، دانشمندان علم داده، مهندسان فرآوری داده و … .

ویسی: هوش مصنوعی در صنعت بانکی کشور در ابتدای راه قرار دارد، در حال تکمیل زیرساختها هستیم و از این به بعد باید در این زمینی که آماده کردهایم، بذر بکاریم و آن را رشد دهیم تا شاهد برداشت بهره و میوه آن باشیم. بعد از زیرساخت، مدون کردن نقشه راه هوش مصنوعی در سازمان، ایجاد قوانین حاکمیت داده و اضافه شدن نیروی انسانی ماهر و متخصصان هوش مصنوعی به سازمان‌ ما را در رسیدن به هدف یاری خواهد کرد. امیدوارم صنعت بانکی کشور در ده سال آینده به سطحی از بلوغ برسد که با agentهای کاملاً هوشمند و مبتنی بر تحلیل داده به استقبال خدمت‌دهی به مشتریان، به ویژه نسل همزیست با صفحات لمسی برود.

لینک کوتاهلینک کپی شد!
ممکن است شما دوست داشته باشید
ارسال یک پاسخ

6  ⁄  2  =