هوش مصنوعی و فینتک

مک‌کینزی پیش‌بینی می‌کند که هوش مصنوعی می‌تواند سالیانه تا یک تریلیون دلار ارزش افزوده برای صنعت بانک‌داری خلق کند. بانک‌ها و سایر نهادهای مالی گوش‌به‌زنگ هستند که نگرشی را اتخاذ کنند که با در اولویت قرار دادن هوش مصنوعی، میدان را به شرکت‌های بزرگ فناوری واگذار نکنند. به نظر می‌رسد در آینده، هوش مصنوعی و فینتک مسیر جدایی‌ناپذیری در پیش داشته باشند.

در خدمات مالی، کشف خودکار عامل[1] یا شناسایی ماشینی[2] مولفه‌هایی هستند که باعث عملکرد بهتر شده، بیشتر رایج می‌شوند و به اصلاح مدل‌سازی مالی در سراسر این حوزه کمک خواهند کرد. به‌عنوان یک کاربرد کلیدی بازنمایی معنایی[3] در هوش مصنوعی، گراف‌های دانش و رایانش گرافی[4] نقشی مهم‌تر ایفا خواهند کرد. توانایی آنها برای شناسایی روابط و الگوها در سراسر شبکه‌های مالی، با استفاده از گستره وسیعی از منابع داده‌ای متمایز، در سال‌های آتی فراگیر خواهد بود.

در نهایت، تجزیه و تحلیلی که از حریم شخصی محافظت می‌کند، مصرف داده حداقلی به همراه دارد و فقط از اطلاعات پاکسازی‌شده [5]مرتبط، به‌طور مناسب در آموزش مدل‌های مالی استفاده خواهد کرد. این اطلاعات شامل یادگیری فدرال[6] می‌شود که نوعی از یادگیری ماشین غیرمتمرکز است که تلاش می‌کند تهدیدات مربوط به حریم خصوصی در مجموعه‌های داده متمرکز را رفع کند. رمزگذاری پیشرفته، رایانش چندجانبه ایمن، روش‌های اثبات دانش صفر و سایر ابزارهای تحلیل داده که به حفاظت از حریم خصوصی می‌پردازند افق‌های جدیدی را در محافظت از حریم مشتریان، خواهند گشود.

کاربردهای هوش مصنوعی به تمام طیف‌های فعالیت‌های صنعت مالی در فرانت آفیس، میدل آفیس و بک آفیس نفوذ خواهند کرد. کاربردهای دارای تعامل با مشتریان شامل محصولات سفارشی‌شده، تجربه کاربری و خدمات تجزیه و تحلیلی شخصی‌سازی شده، خدمات رباتی و رابط‌های چت هوشمند، ردیابان بازار[7]، تراکنش‌گر‌ها و ربات‌های مشاور خودکار در کنار ارزیاب اعتبار جایگزین (با استفاده از داده‌های غیرمالی)، تشخیص چهره و احراز هویت می‌شود. کاربرد‌های میدل آفیس و بک آفیس شامل فرآیندهای هوشمند، ابزار بازنمایی دانش تقویت‌شده (بهینه‌شده با گراف‌های دانش) و پردازش زبان طبیعی برای تشخیص تقلب می‌شود.

بسیاری از نهادهای مالی از هوش مصنوعی به شیوه‌ای نامرتب و پراکنده بهره می‌برند؛ با این حال مدیران صنعت بانکی در حال متحول کردن فعالیت‌ها با بهره‌گیری سیستماتیک از هوش مصنوعی در تمامی فعالیت‌های دیجیتال خود هستند. در حال حاضر، صنعت مالی در حال پذیرفتن این واقعیت است که الگوریتم‌ها در محدوده داده‌هایی که به آنها داده شده، می‌توانند مفید باشند؛ به همین دلیل شرکت‌ها بیشتر به کسب امتیاز رقابتی با گردآوری داده‌های رفتاری مشتریان از فعالیت‌های متداولی توجه می‌کنند که پیش از این از آنها زیاد استفاده نمی‌شد. این اتفاق باعث استفاده از ظرفیتی می‌شود که تا کنون در تامین مالی اکوسیستم‌محور مغفول مانده و در آن بانک‌ها، بیمه‌گران و سایر شرکت‌های خدمات مالی با بازیکنان غیرمالی شریک می‌شوند تا تجربه‌ مشتری یکپارچه‌ای را در فعالیت‌های خارج از حوزه فعالیت سنتی خود، تسهیل کنند.

سازمان‌های پیشرو در هوش مصنوعی می‌توانند برای شرکت‌ها، با خودکارسازی حداکثری کارهای دستی (نگرش «عملیات صفر[8]») و جایگزینی یا همراه کردن تصمیمات انسانی با تشخیص‌های[9] پیشرفته، بهره‌وری عملیاتی بیشتری را فراهم کنند. بهره‌وری عملیاتی بهبودیافته، شامل کاربرد گسترده فناوری‌های هوش مصنوعی قدیمی و جدید از یادگیری ماشین و تشخیص چهره گرفته تا تحلیل (تقریبا) بی‌درنگ دادگان کلان و پیچیده مشتریان می‌شود. در آینده، بانک‌های پیشرو در هوش مصنوعی نیز سرعت و چابکی شرکت‌ها و کاربران «دیجیتال بومی[10]» را خواهند داشت. آنها امکان نوآوری با سرعت فوق‌العاده و ارائه قابلیت‌های جدید در طی بازه چند روز یا چند هفته (به جای چند ماه یا سال) را دارند. بانک‌ها همچنین به‌طور گسترده با شرکای غیربانکی همکاری خواهند کرد تا پیشنهاد ارزش‌آفرینی‌های جدید که در سفرها[11]، پلتفرم‌های فناوری و مجموعه‌های داده‌ها به هم متصلند را ارائه دهند. مسیر نوآوری هوش مصنوعی و فینتک روزهای پرماجرایی در پیش دارد.

[1] Automatic factor discovery

[2] Machine-based identification

[3] Semantic representation

[4] Graph computing

[5] Sanitized

[6] Federated learning

[7] Market trackers

[8] zero-ops

[9] Diagnostics

[10] Digital native

[11] Journeys

نویسندگان: دیک فانگ، فنگ هان، لوییس لیو، جان کو و آرتور شک

منبع: مک‌کینزی

ترجمه و ویرایش اختصاصی برای وبلاگ تکنوتجارت: محمدحسن هاشم‌خانلو