اکوسیستم هوش مصنوعی در غیاب نقشه راه داده

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

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.

به گزارش پایگاه خبری بانکداری الکترونیک، 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.

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 باهم می خوانیم:

* آقای خرقانی لطفاً وضعیت فعلی هوش مصنوعی در ایران و جهان را مرور کنید به ویژه اینکه شما در شرکت صنایع یاس هم مطالعات ویژه‌ای در این مورد داشته‌اید.

خرقانی: به بحث هوش مصنوعی از چند جنبه می‌توان ورود کرد؛ یکی آکادمیک و علمی و تخصصی است که فکر می‌کنم به اندازه کافی از این جنبه به هوش مصنوعی پرداخته و مقالات گوناگونی منتشر شده است؛ منتهی یک طبقه‌‌بندی مقدماتی برای آغاز بحث نیاز است؛ هوش مصنوعی به صورت جدی از سال‌های قبل از 2000 مطرح بوده است و با توجه به ظهور فناوری اطلاعات و علم کامپیوتر همه دنبال این بودند که به نوعی از ماشین‌ها بهره‌‌برداری کنند تا تفکرات و تصمیم‌گیری‌های انسان‌ها را به نوعی از طریق کدها و برنامه‌ها بر عهده کامپیوتر‌ها قرار دهند. نقطه اوج این قضیه آنجاست که در دهه‌‌های اخیر مباحثی از قبیل تحلیل داده و موضوعاتی که زیرمجموعه هوش مصنوعی قرار می‌گیرند؛ مثل ماشین لرنینگ و دیپلرنینگ حوزه‌های تخصصی این قضیه هستند و از طرفی می‌دانیم که ماشین، عاری از شعور است و این هنر انسان‌‌هاست که با برنامه‌‌ریزی‌ای که انجام می‌‌دهند تفکرات خود را در قالب کدها و برنامه‌ها به ماشین‌‌ها دیکته می‌کنند.

هوش مصنوعی در صنایع مختلف از جمله ژنتیک، امنیت، کشاورزی، حمل و نقل و … کاربرد دارد؛ اما از آنجایی که مبحث ما بیشتر بانکی و مالی است؛ بنابراین به این موارد ورود نمی‌کنیم؛ از طرفی برای آنکه کاربرد آن ملموس باشد باید وارد بحث تحلیل شویم. تحلیل چند مرحله دارد؛ از جمله تحلیل توصیفی، تحلیل تشخیصی و تحلیل پیش‌بینانه.

بر اساس آن اتفاق و علل آن اتفاق و با یک سیر تاریخی، الگوریتم‌هایی که در ماشین‌لرنینگ‌ها متداول است سعی می‌کند پیش‌بینی کند که در‌ آینده این اتفاق‌‌ها بیفتد. منتهی در این میان مسئله‌ای وجود دارد و آن اینکه چون علم هوشمندسازی و هوش مصنوعی بر مبنای آمار و احتمال است یک معضل، عدم قطعیت نتایج است؛ ولی کمتر به آن توجه می‌‌شود؛ بنابراین جا دارد از همین ابتدای بحث به عدم قطعیت از پیش‌بینی بپردازیم و انتظار نداشته باشیم که دقت این پیش‌بینی خیلی بالا باشد.

مرحله بعد، تحلیل توصیه‌ای یا به نوعی ساپورتینگ است که بر اساس پیش‌بینی آینده می‌گوید که توصیه می‌‌کنم در کسب و کار مالی و بانکی‌تان از میان راهکارهای مختلف از این روش استفاده کنید.

مرحله آخر نیز تحلیل شناختی است که از ابزارهای دیگر به عنوان ورودی برای تحلیل استفاده می‌‌کند و آن ورودی از Natural Language تا بینایی علم کامپیوتر که تصاویر را بررسی می‌کند و … شامل می‌شود و همة اینها باعث می‌‌شوند تحلیل‌ها غنی‌تر شوند و پشتیبانی‌های مناسب‌‌تری ارائه دهند.

* آقای محمودیان شما یک گام جلوتر بروید و به اکوسیستم هوش مصنوعی در حوزه بانکداری بپردازید.

محمودیان: همان‌طور که آقای خرقانی بیان کردند؛ تمام اتفاقاتی که ضمن هوش مصنوعی رخ می‌دهد معلول تحلیل‌هایی است که روی داده‌ صورت می‌گیرد؛ بنابراین برای چیدمان این پازل اولین قطعه «داده» است. داده‌ها حاصل عملکرد، رفتار و موارد متعدد نظیر داده های حاصل از محیط مثل اینترنت اشیا و … است که یک ماشین این داده‌ها را تحلیل می‌‌کند و بر اساس یک استراتژی‌ رفتارهایی انجام و تصمیم‌هایی گرفته می‌شود.

در مورد وضعیت فعلی باید بگویم که اولین نیاز مجموعة بانکی، داشتن داده درست است؛ اگر داده درستی نداشته باشیم؛ طبیعتاً تحلیل درستی نخواهیم داشت و طبیعتاً هوش مصنوعی نیز به بی‌راهه می‌رود. یکی از بزرگ‌ترین مشکلات این بخش این است که داده‌‌های ما عمدتاً تمیز و کامل نیستند.

* اینجا بحث مرغ و تخم‌مرغ مطرح است؛ چون هوش مصنوعی می‌تواند داده‌های ساختارنیافته را جمع‌آوری و تحلیل کند.

محمودیان: به ‌نظرم این‌طور نیست. ما می‌توانیم از هوش مصنوعی برای تمیز کردن داده‌ها نیز استفاده کنیم؛ اصلاً یکی از پروژه‌های بانک‌ها همین تمیز کردن داده‌ها بوده است. به یاد دارم شاپرک طی پروژه‌‌ای داده پذیرندگان را تمیز می‌کرد یا بانک‌ها طی پروژه‌ای داده مشتریان‌شان را تمیز کردند؛ حتی طی چند سال اخیر بانک مرکزی تمیز کردن داده‌ها را انجام داد و سپرده‌های غیر واقعی را که روی چند شماره ملی وجود داشتند و … تمیز کردند. اتفاقاً هوش مصنوعی‌ و تکنولوژی‌های دیگر به ما کمک می‌کند و داده‌های ما را تمیز می‌‌کند اینجا هوش مصنوعی کار بانکی نمی‌‌کند؛ بلکه داده را تمیز می‌‌کند؛ چون یکی از کاربردهایش این است. برخی مجموعه‌ها در این زمینه موفقیت‌های خوبی داشتند؛ مثلاً بانک ملت و بانک ملی و مجموعه‌های دیگر اقداماتی انجام دادند و بعد از آن سراغ این رفتند که این داده‌ها را تحلیل و از آنها بهره‌برداری کنند.

اگر بخواهم به وضع موجود اشاره‌ای کنم باید بگویم که در بسیاری از نقاط هنوز در داده‌ها مسئله داریم یا در مرحله تمیز یا تکمیل داده هستیم. ما در گذشته از اهمیت یک سری داده غافل بودیم؛ بسیاری از مجموعه‌ها شروع به جمع‌‌آوری بهتر داده، تکمیل داده و اطلاعات مشتریان، همکاران و پذیرندگان کرده‌اند. اینها گام‌های خوبی است که برداشته شده و این پازل را کم‌‌کم تکمیل می‌‌کند. برخی نیز جلوتر رفته و توانسته‌اند از روی برخی داده‌ها شناسایی‌های خوبی انجام دهند؛ مثلاً نقطه مناسب برای گذاشتن یک ATM را شناسایی می‌‌کنند.

* لطفاً به چند نمونه از این دستاورد‌ها اشاره کنید.

محمودیان: این حوزه دستاوردهای خوبی دارد به نظرم آقای خرقانی در مجموعه ملت استفاده‌‌های بسیاری از هوش مصنوعی کرده‌اند. تقریباً همه بانکها به سمت BI رفته و سعی کرده‌اند هوش تجاری را مبتنی بر این دیتاها راه‌اندازی و متناسب با آن، استراتژی‌های‌شان را تدوین و سیستم‌های پشتیبان تصمیم را مستقر کنند تا تصمیمات درستی بگیرند.

چند مجموعه به سمت خوشه‌‌بندی و شخصی‌‌سازی تجربه مشتریان رفته‌اند. این کاربردها بروز و مدرن هستند. برخی مجموعه‌ها زودتر حرکت کرده‌اند و اطلاعات تمیزتری داشتند و می‌توانند بعضی از این اقدامات را انجام دهند و برخی سعی می‌کنند با ترفند‌هایی اطلاعات تمیز و مشتری تمیز جذب کنند؛ مثلاً امروز قشر خاصی با درجه تحصیلی خاص و شناخت خاص از نئوبانک‌ها استفاده می‌کنند از این طریق می‌توان دادة خوبی از یک قشر خاصی را جمع‌آوری کرد و این یک زیرکی است. امروز برخی مجموعه‌ها به سمت ساخت تجربة مشتری حرکت کرده‌اند و در این مرحله قرار دارند که به سمت بهتر کردن تجربة مشتری بروند.

* آقای ویسی از نظر شما هوش مصنوعی در چه موقیعیتی قرار دارد؟

ویسی: من مدتی در مرکز نوآوری بانک فعالیت داشتم و با نیازهای حوزه بانک آشنا شدم. از طرفی، مدرس ماشین‌لرنینگ هستم و حوزه کاری‌ دانشگاهیم هوش مصنوعی است که در کنار آن مقداری تجربیات حرفه‌ای و صنعتی در این حوزه نیز دارم؛ به همین دلیل بر حسب علاقه شخصی، به این سمت رفتم که اطلاعات خود را در حوزه ارتباط نیازهای صنعت بانکی با هوش مصنوعی مدون کنم؛ بنابراین مطالبی در این زمینه از قبل نوشته‌ام که قصد دارم صحبت‌هایم را با آنها آغاز کنم.

در دوره‌ای به این فکر می‌کردم که کاربرد‌های هوش مصنوعی در صنعت بانکداری ایران چه چیزهایی هستند؛ آنها را در سه دسته کلی قرار دادم و وضعیت کشور را بر حسب اطلاعات خود در هر کدام از محورها بیان می‌کنم؛ محور اول، مدیریت ریسک و امنیت به صورت عموم است که یک سری اپلیکیشن هوش مصنوعی را می‌توان در این حوزه نام برد؛ مثل احراز هویت غیرحضوری که امروز مصداق‌هایی از آن را می‌بینیم؛ هر چند هنوز به صورت عملیاتی در صنعت بانکداری کشور نمی‌توان ادعای جدی‌ای روی آن داشت، یا بحث فراددیتکشن و تشخیص تقلب به صورت عام که شنیده‌ام فعالیت‌هایی در این حوزه در کشور در حال انجام است، یا در لایه زیرساخت شبکه مثل تشخیص حملات و امنیت یا اعتبارسنجی مشتریان که در بانک‌ها اعمال می‌شود؛ اما روی اینکه چقدر هوش مصنوعی است، جای بحث دارد یا برای آن علامت سؤال گذاشت؛ در مورد اینکه صنعت بانکداری کشور چقدر در این محور موفق بوده است؟ دقیق نمی‌دانم! اما به نظرم در حدود پله اول ایستاده‌ایم و این یعنی در مقایسه با محورهای بعدی که عرض می‌کنم وضع خیلی بد هم نیست چون در بعضی از محورها هنوز به پله اول هم نرسیده‌ایم.

محور دوم را بازاریابی و ارتباط با مشتری می‌دانم که نمونه کاربردهایی که می‌توان برای آن نام برد گروه‌بندی یا خوشه‌بندی مشتری‌هاست که به نظرم در کشور فعالیت‌هایی در این حوزه آغاز شده است. بحث پردازش زبان طبیعی و NLP را می‌توان در این حوزه قرار داد، چت‌بات‌ها (چه صوتی و چه متنی) برای تعامل، تحلیل احساس و سنتیمنت کاربران با هر نیتی، بحث تحلیل رفتار مشتری مثل روی‌گردانی، طول عمر و مواردی از این دست را می‌توان در این حوزه قرار داد. به نظرم در خیلی از کاربردهای این محور در کشور هنوز شروع به کار نکرده‌ایم؛ چون احتمالاً دادة مناسبی نداریم.

محور سوم، مدیریت دارایی است؛ مواردی مانند مکان‌یابی ATMها و شعب، بهینه‌سازی سود و تخمین نقدینگی مورد نیاز در ATMها و شعب، ارزیابی عملکرد، پیش‌بینی و هدف‌گذاری‌های سالانة بانک‌ها در برنامه‌ریزی خود و موراد مشابه که مرتبط با دارایی هستند، در این حوزه قرار می‌گیرند.

* برداشتم یک رویکرد به گذشته و ترسیم آینده است؛ ولی آیا می‌تواند چیزی فراتر از این وجود داشته باشد؟

ویسی: در ادامه به این سؤال شما پاسخ می‌دهم. هوش مصنوعی در صنعت بانکی در برخی حوزه‌ها در کشور فعالیت قابل بیان نداشته‌اند؛ مثل خودکارسازی فرآیندها، چون زیرساخت مخصوص به خود را نیاز دارند، مثلاً در این حالت بانک باید ذاتاً دیجیتال باشد.

معتقدم که در محور مدیریت ریسک و امنیت از میان چند پله‌ای که باید بالا برویم، در پله اول قرار داریم. در محور بازاریابی و ارتباط با مشتریان در حال قدم گذاشتن روی پله اول هستیم ولی هنوز به آن نرسیده‌ایم؛ چون فقط مصداق‌ها و لایت‌هاوس‌های کوچک در این حوزه وجود دارند؛ در محور دارایی هم، وضعیت‌مان شبیه به محور دوم است؛ بنابراین در جمع‌بندی باید بگویم که هنوز به مرحله‌ای نرسیده‌ایم که برخی کارهای‌مان هوشمند انجام شود.

در کل هوش مصنوعی باید کارها را به صورت اتوماتیک انجام دهد. حال چگونه چنین چیزی ممکن است؟ از دو روش، روش اول اینکه عده‌ای انسان هوشمند کنار این عامل مصنوعی بنشینند و به آن دیکته کنند که چگونه کار کند، این هوش مصنوعی دهه 50 الی 70 میلادی است. روش دوم، رویکرد داده‌محوری است که روش غالب امروزی است و امروز کسی حرف غیر داده‌ای در فضای هوش مصنوعی نمی‌زند؛ وقتی در مورد داده و روش اول صحبت می‌کنیم؛ یعنی باید دانشی از گذشته داشته باشم تا رفتار هوشمندانه‌ای برای آینده انجام دهم. امروز ماشین‌ها همگی از روی داده‌های گذشته یاد می‌گیرند. این داده‌ها انواع دارند؛ برخی از آنها اطلاعات کمکی مورد نیاز هوش مصنوعی که آنها برچسب می‌گوییم را دارند و برخی اصلاً برچسب ندارند و یک داده خام هستند و ماشین باید آنها را بدون اطلاعات کمکی تحلیل کند؛ در هر صورت اینها بر اساس داده گذشته یاد می‌گیرند. به صورت کلی، در علم کامپیوتر هیچ چیزی نبوده که انسان به ماشین نگوید و ماشین بتواند آن را انجام دهد؛ یعنی هر کاری که ماشین یا کامپیوتر می‌تواند انجام دهد قطعاً توسط انسان در قالب برنامه و اطلاعات لازم به آن داده شده است.

* اگر نگاهی به دو سه سال اخیر داشته باشیم وضعیت چگونه است؟

ویسی: هوش مصنوعی طی دو الی سه سال اخیر پارادایم جدیدی را تجربه کرده است و آن اینکه ماشین به صورت کاملا خودکار و بدون حضور انسان و بدون این نوع اطلاعات داده شده توسط انسان یاد بگیرد، شبیه کاری که خود انسان انجام می‌دهد. مصداق‌هایی از این نوع یادگیری در بعضی از حوزه‌ها موجود است؛ مثلاً گوگل پروژه‌ای به نام آلفازیرو دارد که پروژه معروفی است و از ترکیب دیپ‌لرنینگ (یادگیری عمیق) و ری‌اینفوسمنت‌لرنینگ (یادگیری تقویتی) ایجاد شده برای اینکه ماشین، خودش بازی‌های کامپیوتری را یاد بگیرد؛ مثلا بازی شطرنج یا آتاری را به صورت خودکار و از طریق بازی کردن با دیگران یاد بگیرد. بنابراین در بعضی از حوزه‌ها این حرکت که ربات خودش یاد بگیرد آغاز شده است؛ اما در بیزینس‌هایی شبیه به صنعت بانکداری چنین موضوعی را ندیده‌ام.

* در واقع پینگ‌پنگی که ماشین با محیط دارد؛ یعنی داده می‌دهد و داده می‌گیرد و به مرور یاد می گیرد و به بلوغ عقلی می‌رسد.

ویسی: دقیقاً درست است. معتقدم؛ هوش مصنوعی سه ستون کلیدی دارد؛ یک ستون الگوریتم‌ها هستند که یاد می‌گیرند و تحلیل می‌کنند و به ما پیشنهاد می‌دهند و پیش‌بینی می‌کنند، ستون دوم داده است و ستون دیگر زیرساخت نام دارد. آنچه امروز بر فضای بانکی حاکم است یادگیری الگوریتم‌ها از روی داده‌هاست. این نوع کاربردهای نوین هوش مصنوعی که ماشین یا ربات به صورت هوشمند و کاملاً خودکار یاد بگیرد، وجود ندارد. نکته کلیدی دیگر اینکه امروز در صنعت بانکداری به این سطح از بلوغ نرسیده‌ایم؛ بلکه به مصداق‌های ساده‌تر هوش مصنوعی نیاز داریم.

* آقای خرقانی لطفاً به محور دوم بپردازید و بفرمایید چه وضع مطلوبی برای هوش مصنوعی در ایران پیشنهاد کنید.

خرقانی: قبل از‌ ترسیم یک وضع مطلوب باید به صحبت دوستان گریزی بزنم. دوستان به عناصر پایه‌ای فاندامنتال بحث هوش مصنوعی اشاره کردند که دیتا و زیرساخت و الگوریتم‌های مورد استفاده در آن به شدت مورد اهمیت هستند. حال ببینیم ایران کجا قرار دارد. بر اساس آمار در جوامع دانشگاهی از نظر مطالعات در حوزه علم هوش مصنوعی رتبه خوبی داریم؛ ولی همه آنها کاربردی نشده و در صنعت ورود نکرده‌اند؛ در واقع خلأ بسیاری وجود دارد که در چالش‌ها به آنها می‌پردازم.

با ذکر همین مقدمه کوتاه از بحث قبلی، اگر بخواهم وارد ارائه وضع مطلوب شوم با توجه به ملاحظاتی که در قسمت سوم به آنها خواهم پرداخت؛ مجبورم به این نکته اشاره کنم که یکی از نگرانی‌هایی که مردم یک سازمان یا یک مجموعه یا یک کشور درباره مبحثی مانند هوش مصنوعی دارند این است که آنها جایگزین انسان‌ها شوند؛ برای رفع این نگرانی و دستیابی راحت‌تر به وضع مطلوب باید چت‌بات‌ها یا اتوماسیون فرآیند‌ها را راه‌اندازی کنیم و به سمت بانکداری دیجیتال و غیره برویم این روزها در مورد این چیزها خیلی صحبت می‌شود؛ اخیراً بحث دیگری درباره هوشمندی مطرح شده و آن هوش افزوده است که به AI می‌رسد. حال هوش افزوده چیست؟ هوش افزوده می‌گوید که ماشین و انسان باید مکمل یکدیگر و به طور همزمان رشد کنند.

با وجود هوش افزوده برخی مشاغل از بین می‌روند؛ حتی با بانکداری الکترونیک برخی مشاغل از بین رفتند؛ بنابراین روند تکنولوژی، برخی مشاغل را به صورت خود به خود از بین می‌برد. جامعه از طیف‌های سنتی مختلف با ضریب‌های هوشی و دانشی مختلف تشکیل شده است؛ بنابراین ما باید ماشین و انسان را در کنار یکدیگر قرار دهیم و تعاملی ایجاد کنیم و به آن هوش افزوده بگوییم. نظر شخصی من این است که آنجایی نقطه مطلوب است که به سمت هوشمندی افزوده در سازمان‌های‌مان حرکت کنیم نه کاملاً هوش مصنوعی. من با کمک ماشین لرنینگ، دیپلرنینگ و … که قدرت پردازشی عظیمی دارند می‌توانم مطالعاتم را انجام دهم و به افزایش سطح بینش یا بصیرت افراد کمک کنم تا در گسترش کارشان آن را به کار ببرند.

در طبقه‌بندی داده، هرمی داریم که سطح زیرین آن خام است. این داده باید به اطلاعات و اطلاعات باید به دانش تبدیل شود و از این دانش، خرد می‌آید. قبل از خردمندی و هوشمندی باید به اطلاعات و دیتای طبقه‌بندی‌شده برسیم و برای رسیدن به اطلاعات و دانش باید اینساید عمیقی پیدا کنیم تا بر مبنای آن یک هوشمندی و تجزیه و تحلیلی صورت گیرد؛ بنابراین در بیزینس‌ها و کسب و کارها و خدمات مالی و بانکی اگر از زمینه‌های مختلف و چندین مرحله تحلیلی استفاده کنیم و فرهنگ و باور را شکل دهیم چه در حوزه متخصصان دانش هوش مصنوعی و چه در حوزه صاحبان کسب و کار‌های مالی و بانکی که اتحاد این دو می‌تواند ارزش افزوده‌ای خلق کند؛ آن نگرانی از بین می‌رود و به نظرم نقطه مطلوب آنجاست که این دو تلاقی یابند.

* تکنولوژی نمی‌تواند متوقف شود اگر نگران باشیم عملاً باز می‌ماند؛ ولی می‌تواند به عنوان یک نقطه مطلوب آن را در نظر گرفت.

خرقانی: ما از نظر دانش و مدرک دانشگاهی تقریباً بیش از چهار هزار نفر فارغ‌التحصیل رشته هوش مصنوعی در سال 99 داشتیم که از نظر رتبه‌بندی در رنکینگ جهانی رتبه پایینی نیست؛ ولی در بخش کاربری قوی نیستیم؛ چرا؟ چون فاصلة بین صنعت و نقطه‌ای که باید از آن بهره‌برداری شود و مراکز علمی و دانشگاهی ما زیاد است.

* آقای محمودیان نقطه مطلوب و کاربردی را چگونه ترسیم می‌کنید؟

محمودیان: آقای خرقانی افق زیبا و مطلوبی را ترسیم کردند؛ ولی راه درازی تا رسیدن به این افق داریم. اجازه دهید کمی عملیاتی‌تر به موضوع نگاه کنم. در حوزه بانکی چند دسته‌بندی و کتگوری وجود دارد؛ یک بخش، بهبود محصولات و خدمات است. ما از هوش مصنوعی برای آسیب‌شناسی خدمات و محصولات موجود و برای بهبود آنها و ارائه پیشنهاد بهتر به مشتری استفاده کنیم؛ بنابراین بهبود خدمات و محصولات می‌تواند یکی از کتگوری‌هایی باشد که هوش مصنوعی می‌تواند به آن کمک کند؛ مقوله دیگر بهبود بهره‌وری عملیات، یعنی فرآیندها یا اتومات کردن یک سری فرآیندهای تکرارشونده است که هر قدر بانکداری دیجیتال استقرار بیشتری پیدا کند فرآیند‌های بیشتری دیده می‌شوند که می‌توانند توسط ماشین انجام شوند هر قدر این فرایند‌ها به سمتی حرکت کنند که توسط ماشین‌ها انجام شوند نتایج بهتری حاصل می‌شود و بهره‌وری ما را در عملیات اجرایی افزایش می‌دهد و خطا در این امورکاهش می یابد.

مقوله دیگر که بسیار مهم است بحث کاهش ریسک و کشف تقلب است که مقوله مفصلی محسوب می‌شود و اقداماتی هم در این حوزه صورت گرفته است. اتفاقاً ماشین‌لرنینگ در این بخش بسیار مؤثر است و هوش مصنوعی یادگیرنده عمل می‌کند نه اینکه مقابل یک سری خطاهای شناخته‌شده را بگیرد علاوه بر آن یاد می‌گیرد که با رفتار‌ها یا اتفاقات غیر عادی چگونه برخورد و آنها را شناسایی کند.

مقوله مهم دیگر مقوله حفظ مشتری است که شامل جلوگیری از ریزش آن و افزایش سطح رضایت و افزایش منافع مشتری است؛ مثلاً می‌توان با هوش مصنوعی، روش های جدیدی برای سرمایه‌گذاری به مشتری ارائه کرد. درست است که بانک هم منتفع می‌شود؛ ولی عملاً انتفاع مشتری را افزایش می‌دهیم و سطح رضایت او را بالا می‌بریم و نسبت وفاداری مشتری به مجموعه را افزایش می‌دهیم.

فرآیند بازاریابی و بازار هم مقوله‌ای است که هوش مصنوعی می‌تواند در شناسایی فرصت‌های جدید و جلوگیری از اتفاقاتی که در مارکت ممکن است، بیفتد، می‌تواند بسیار عمیق تحلیل کند. شاید بتوان هر کدام از اینها را در دسته‌بندی‌ای بررسی کرد.

* اگر نقطه مطلوب ما این باشد که یک سفر جذاب برای مشتری در هر مسیری فراهم کنیم این امر به یک بستر آنلاین با اینترنت قوی و یک اکوسیستم زنده نیازمند است. آیا می‌توان این را به عنوان نقطة مطلوب در نظر گرفت؟

محمودیان: به چند محور اشاره کردم هر کدام از آنها یک نقطة مطلوب دارد که در چتر مشتریان نقطه مطلوب همین است؛ ولی نمی‌توان گفت که این نقطه مطلوب ما در هوش مصنوعی است؛ چون این تکه ربطی به کشف تقلب یا جلوگیری از کاهش ریسک بانک ندارد. بالاخره شما در مورد ابزاری صحبت می‌کنید که در مقوله‌های مختلف می‌توان از آن استفاده‌های گوناگونی شود، منظورم خوب و بد نیست؛ بلکه منظورم این است که در فیلدهای مختلف یا سگمنت‌های مختلف کاربرد دارد. در مورد مشتریان بهترین جمله این است که یک تجربه پیوسته اختصاصی شده توسط هوش مصنوعی. یکی از مهم‌ترین نمودهای آن ساخت تجربه دوخته‌شده برای مشتری است؛ به تعبیر دیگر تجربه‌ای که برای شما دوخته شده است مناسب فرد دیگری نیست؛ بلکه بر اساس سبک زندگی شما، رفتار شما، مدل تفکر شما که چطور سرمایه‌گذاری می‌کنید، «آیا پس‌اندازگر هستید، آیا اهل سفر هستید» تهیه شده است.

* اگر فرض کنیم که صاحب اصلی، مشتری است، هر کاری که بانک انجام دهد در نهایت قصد دارد مشتری‌اش فراغ بال بیشتری داشته باشد؛ اگر ریسک‌های خود را کم می‌کند برای این است که مشتری‌اش بماند؛ لطفاً از این لحاظ به مسئله بپردازید.

خرقانی: این دو رابطه غیر مستقیم با یکدیگر دارند. یک سفر مطلوب و رضایت‌بخش برای مشتری لزوماً با چیزی مانند کاهش ریسک در بانک یا مباحثی از قبیل رگولاتوری یا تطبیق‌پذیری ارتباطی ندارند.

* در نهایت قصد داریم به چه چیزی دست یابیم؟

خرقانی: درست است که برای جلب رضایت مشتری است؛ ولی جلب رضایت مشتری به معنی تسهیل کار مشتری یا اهمیت دادن به سلائق مشتری یا ارائه پیشنهاد مناسب به مشتری است. هوش مصنوعی می‌تواند سفر یا تجربه مشتری را رضایت‌بخش‌تر کند و این یکی از نقاط مطلوب است.

* آقای ویسی شما چه نقطه مطلوبی را پیشنهاد می‌کنید.

ویسی: می‌توان ایده‌آل فکر کرد و صحبت‌های زیبا در وصف استفاده از هوش مصنوعی داشت؛ در هر صورت در استفاده از این فناوری‌های نوین باید دنبال این بود که بانک را به مکانی دلپذیر برای ذی‌نفعان (شامل مشتری، سهامداران و کارمندان) تبدیل کرد؛ وقتی درباره اتوماسیون فرآیند صحبت می‌کنیم در واقع مهم‌تر از مشتری، کارمندان مخاطب ما هستند؛ هر چند مشتری در نهایت این سرویس را از بانک دریافت می‌کند؛ ولی چه کسی سرویس را باید به آنها ارائه دهد؟ واضح است که مشتری ستون کلیدی ماست و جلب رضایت او و دلپذیر کردن بانک برای او از اهداف کلیدی محسوب می‌شود. در تشریح وضع مطلوب باید بگویم که وضع ما در ستون زیرساخت، نزدیک به کامل شدن است.

* منظورتان از نزدیک به کامل شدن چیست؟

ویسی: مثلاً بسیاری از بانک‌ها شروع به ایجاد دیتاورهاوس‌های اختصاصی کرده‌اند و در حال تجمیع و یکپارچه‌سازی داده‌ها هستند؛ برخی بانک‌ها سیستم یکپارچه دارند؛ ولی اغلب آنها سیستم‌های جزیره‌ای دارند، تراکنش‌های ارزی یک جا و ریالی جای دیگر، کارت جای دیگر و … قرار دارند؛ برای کارهای هوش مصنوعی، مثلا برای تحلیل رفتار یک مشتری باید همه ‌این داده‌ها را کنار هم داشته باشید.

* برخی بانک ها چند سالی است  در بحث بیگ دیتا سرمایه‌گذاری ویژه‌ای کرده‌اند و به نوعی از دیتاورهاوس گذشته و به بیگ دیتا رسیده‌اند.

ویسی: بله درست است. اما منظورم از دیتاورهاوس زیرساخت تحلیل کل داده است یا جایی که به ما امکان پردازش کل داده‌های مشتری را می‌دهد. من می‌دانم که برخی بانک‌ها این سرویس را در اختیار ندارند و در حال تلاش هستند که آن را ایجاد کنند.

* یکی از چالش‌ها درک نادرست از این مسئله است.

ویسی: معتقدم؛ یکی از نقاط مطلوب ما طی پنج سال آینده این است که زیرساخت بانک‌های‌مان آمادخ استفاده و دیتا به اندازة کافی در دیتاورهاوس‌ها نشسته باشد تا بتوان آن را تحلیل کرد. یک محور کلیدی دیتاگاورننس است؛ در برخی از بانک‌ها حتی ادارات مختلف همان بانک اجازه دسترسی به داده‌های یکدیگر را ندارند؛ چون هنوز رگولیشن درستی ایجاد نشده است و همه ما از اینکه این داده را چگونه استفاده کنیم، می‌ترسیم؛ بنابراین وقتی می‌گوییم داده باید قابل استفاده باشد؛ یعنی یک سری از چالش‌های بنیادیِ ما حداقل کمرنگ شده باشد. اگر واقع‌بینانه و عملیاتی نگاه کنیم، معتقدم؛ اگر طی پنج سال آینده بیش از نیمی از بانک‌های‌ کشورمان توانسته باشند پنج اپلیکیشن را که جنس آن هوش مصنوعی به معنای واقعی است، داشته باشند به نقطه مطلوب در طول پنج ساله رسیده‌ایم و این یعنی این فناوری در این صنعت در کشور در مسیر درست قرار گرفته است و از آن زمان به بعد کاربردهای دیگر هوش مصنوعی در این صنعت می‌تواند‌ با سرعت بیشتر ایجاد شود. به نظرم اگر زیرساخت‌ که در دل آن آیتم‌هایی مانند نیروی انسانی مناسب، داده مناسب، تجهیزات کافی و مسائل مشابه است، ایجاد شده باشد طی پنج سال آینده می‌توان آن را یک نقطه مطلوب برای صنعت بانکداری کشور نامید.

به نظرم نقطه ‌ایده‌آل می‌تواند این باشد که بعضی از سرویس‌هایی که به مشتری می‌دهیم ۱۰۰ درصد خودکار باشند و همه کار آن سرویس از جمله فرایندهای آن را هوش مصنوعی هدایت کند.

* اتومات بودن مناسب دوره امروز است در آینده سیستم فکر می‌کند و فکر کردن بسیار مهم است، اتومات بودن بخشی از فکر کردن است.

ویسی: تا زمانی که فکر کردن نباشد، اتومات بودن اتفاق نمی‌افتد؛ مثلاً چه زمانی می‌توانید تسهیلات را کاملا اتومات و بدون دخالت انسان به شخصی ارائه دهید؟ باید مقداری فکر کرد که آیا ریسک این فرد جوابگوی این هست که به او تسهیلات ارائه کنم؟ آیا اعتبار کافی دارد؟ و … .

* اتومات کردن به دو شکل می‌تواند اتفاق بیفتد؛ شکل اول صفر و یک بودن است؛ مثلاً در شرایطی یک و در شرایطی دیگر صفر باشد؛ اما در برخی نقاط ممکن است کد صفر داشته باشد؛ ولی بتوان به او وام پرداخت کرد.

ویسی: در هوش مصنوعی هر دو رویکرد تصمیم قطعی صفر و یک و تصمیم‌گیری نرم غیر صفر و یکی که اصطلاحاً فازی می‌گوییم وجود دارد هر چند در نهایت باید به یک سمت تصمیم را نهایی کرد؛ مثلاً در دنیای واقعی وقتی برای دریافت وام با رئیس شعبه بانکی صحبت می‌کنید و طبق قوانین شما نمی‌توانید تسهیلات دریافت کنید؛ ممکن است در مجموع رئیس شعبه حس کند که می‌تواند به شما تسهیلات بدهد، این حس کردن باید اتفاق بیفتد و این یعنی فکر کردن. بنابراین اگر زیرساخت آماده باشد و عمده بانک‌ها چهار تا پنج اپلیکیشن به تمام معنا هوشمند را اجرا کرده باشند به نقطه مطلوب در کوتاه مدت دست یافته‌ایم.

 

ادامه دارد…

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

3  ×  1  =