مقدمه
هوش مصنوعی مولد در آستانه تبدیل شدن به یک کاتالیزور برای موج بعدی افزایش بهره‌وری در صنایعی است که خدمات مالی بسیار در میان آنها وجود دارد. این تغییر از تحلیل مدل‌سازی گرفته تا خودکارسازی وظایف دستی تا ترکیب محتوای بدون ساختار را شامل می‌شود. این فناوری در حال حاضر در حال تغییر نحوه عملکردهای بانکی، از جمله نحوه مدیریت ریسک‌ها و سازگاری مؤسسات مالی با مقررات است. برای عملکردهای ریسک و انطباق، ضروری است که باندهای محافظ برای استفاده از هوش مصنوعی در سازمان تعریف شود. با این حال، این فناوری می‌تواند به عملکردها در بهبود کارایی و اثربخشی کمک کند. در این مقاله، ما در مورد اینکه چگونه بانک‌ها می‌توانند یک رویکرد منعطف و قدرتمند برای استفاده از هوش مصنوعی در مدیریت ریسک و انطباق ایجاد کنند و برخی از موضوعات اصلی را که مدیران باید در نظر بگیرند، معرفی می‌کنیم.
به کارگیری هوش مصنوعی مولد
هوش مصنوعی این پتانسیل را دارد که در سه تا پنج سال آینده شیوه مدیریت ریسک بانک ها را متحول کند. این می‌تواند به بانک‌ها اجازه دهد تا از فعالیت‌های وظیفه‌محور به سمت مشارکت با خطوط تجاری در زمینه پیشگیری از ریسک‌های استراتژیک و داشتن کنترل‌هایی در ابتدای سفرهای مشتری جدید، حرکت کنند. این به نوبه خود، به متخصصان ریسک کمک می‌کند تا وقت آزادتری داشته باشند و به کسب‌وکارها در مورد توسعه محصول جدید و تصمیمات استراتژیک تجاری مشاوره داده و روندها و سناریوهای ریسک نوظهور را بررسی کرده، انعطاف‌پذیری را تقویت و فرآیندهای ریسک و کنترل را به طور فعال بهبود بخشند. این پیشرفت‌ها می تواند منجر به ایجاد مراکز اطلاعاتی مبتنی بر هوش مصنوعی گردد. چنین مرکزی می‌تواند گزارش‌دهی خودکار، شفافیت ریسک بهبودیافته، کارایی بالاتر در تصمیم‌گیری مرتبط با ریسک و اتوماسیون در تهیه پیش‌نویس و به‌روزرسانی سیاست‌ها و رویه‌ها را به همراه داشته باشد. این مرکز به عنوان یک منبع قابل اعتماد و کارآمد اطلاعاتی عمل می‌کند و مدیران ریسک را قادر می‌سازد تا تصمیمات آگاهانه را سریع و دقیق اتخاذ کنند. در نهایت، هوش مصنوعی مولد می‌تواند هماهنگی بهتر بین LOD[1]های اول و دوم در سازمان را تسهیل کرده و در عین حال ساختار حاکمیتی را در آنها حفظ کند. هوش مصنوعی مولد، هماهنگی را بهبود داده، مکانیسم‌های نظارت و کنترل را افزایش می‌دهد و در نتیجه چارچوب مدیریت ریسک سازمان را تقویت می‌کند.
کاربردهای نوظهور هوش مصنوعی در ریسک و انطباق
از میان بسیاری از کاربردهایی که برای هوش مصنوعی مولد برای مؤسسات مالی ذکر می‌شود، مجموعه‌ای از کاربردهای منتخب وجود دارد که بانک‌ها برای اولین موج پذیرش هوش مصنوعی به بررسی انها می‌پردازند. انطباق با مقررات، جرایم مالی، ریسک اعتباری، مدل‌سازی و تجزیه و تحلیل داده‌ها و ریسک سایبری از جمله این موارد هستند.
یک مثال از کاربرد هوش مصنوعی در پاسخ‌دهی به کاربران و مشتریان است. با استفاده از کارشناس مجازی، کاربر می‌تواند یک سوال بپرسد و یک پاسخ خلاصه تولید شده را دریافت کند که از اسناد طولانی و داده‌های بدون ساختار، ایجاد شده است. با اتوماسیون فرآیند دستی، هوش مصنوعی مولد می‌تواند وظایفی را انجام دهد که نیاز به زمان طولانی و دقت بالایی بوده است. از سویی دیگر، یکی دیگر از کاربردهای هوش مصنوعی مولد، به روزرسانی کدهای قدیمی و یا ایجاد کدهای جدید با استفاده از داده‌هیا به دست امده است.
- انطباق با مقررات: شرکت‌ها می‌توانند از هوش مصنوعی به‌عنوان یک متخصص قانون‌گذاری و سیاست‌گذاری مجازی استفاده نموده و با آموزش آن، برای پاسخ به سؤالات مربوط به مقررات، خط‌مشی‌های شرکت و دستورالعمل‌ها بهره ببرند. این فناوری همچنین می تواند سیاست‌ها، مقررات و رویه‌های عملیاتی را با هم مقایسه کند. این بررسی انطباق با مقررات به صورت خودکار انجام شده و هشدارهایی را برای نقض احتمالی ارائه دهد.
- جرایم مالی: هوش مصنوعی می‌تواند گزارش‌های فعالیت مشکوک را بر اساس اطلاعات مشتری و تراکنش تولید نموده و می‌تواند ایجاد و به‌روزرسانی رتبه‌بندی ریسک مشتریان را بر اساس تغییرات در ویژگی‌های شناخت مشتری، را به صورت خودکار انجام دهد. با تولید و بهبود کد برای شناسایی فعالیت های مشکوک و تجزیه و تحلیل تراکنش ها، این فناوری می تواند نظارت بر تراکنش ها را بهبود بخشد.
- ریسک اعتباری با خلاصه کردن اطلاعات مشتری (به عنوان مثال، تراکنش با سایر بانک‌ها): برای اطلاع از تصمیمات اعتباری، هوش مصنوعی به فرآیند اعتباری سرتاسر بانک‌ها کمک نموده و به ان سرعت بخشد. همچنین، هوش مصنوعی می‌تواند پس از یک تصمیم اعتباری، قرارداد مناسب را ایجاد نماید. مؤسسات مالی از این فناوری برای تولید گزارش‌های ریسک اعتباری و استخراج بینش و رویکرد مشتریان استفاده می‌کنند.
- مدل‌سازی و تجزیه و تحلیل داده‌ها: هوش مصنوعی می‌تواند مهاجرت زبان‌های برنامه‌نویسی قدیمی، مانند جابجایی از SAS و COBOL به Python را تسریع بخشد. همچنین می‌تواند نظارت بر عملکرد مدل را به‌طور خودکار انجام داده و در صورتی که معیارها خارج از سطح تعیین شده قرار گیرند، هشدار ایجاد کند. شرکت‌ها همچنین از هوش مصنوعی برای پیش‌نویس اسناد مدل و گزارش‌های تأییدیه استفاده می‌کنند.
- تهدیدات سایبری: با بررسی آسیب‌پذیری‌های امنیت سایبری، هوش مصنوعی می‌تواند از زبان طبیعی برای تولید کد در خصوص قوانین تشخیص و تسریع توسعه کدهای امن استفاده کند. این می تواند در شبیه‌سازی استراتژی‌های بدبینانه و آزمایش سناریوهای حمله مفید باشد. این فناوری همچنین می‌تواند به عنوان یک متخصص مجازی برای بررسی داده‌های امنیتی عمل کند.
ملاحظات کلیدی در پذیرش نسل AI
در حالی که چندین مورد استفاده وجود دارد که در آنها هوش مصنوعی می‌تواند بهره‌وری را افزایش دهد، اولویت‌بندی موراد کاربرد برای تحقق ارزش و در عین حال استفاده مسئولانه و پایدار از فناوری بسیار مهم است. مک‌کنزی مدلی سه بعدی ارائه نموده است که
مدیران ریسک می‌توانند برای تعیین اولویت‌بندی موارد استفاده و به حداکثر رساندن تأثیر هوش مصنوعی از آن استفاده کنند. مدیران ریسک می‌توانند تصمیمات خود را بر اساس ارزیابی در ابعاد کیفی و کمی سه بعد: 1- تأثیر، 2- ریسک و 3- امکان‌سنجی مورد بررسی و ارزیابی قرار دهند. این فرآیند شامل همسویی با دیدگاه‌های کلی بانک‌هایشان برای هوش مصنوعی و خط قرمزهای محافظ مرتبط، درک مقررات مربوطه (مانند قانون هوش مصنوعی اتحادیه اروپا) و ارزیابی حساسیت داده‌ها است. همه مدیران باید از خطرات و ریسک‌های جدید مرتبط با این فناوری جدید آگاه باشند. این خطرات را می‌توان به طور کلی به هشت دسته تقسیم کرد:
- بر هم زدن برابری و عدالت: زمانی که خروجی یک مدل هوش مصنوعی ممکن است بر علیه گروه خاصی از کاربران باشد.
- نقض مالکیت معنوی: مانند نقض حق نسخه‌برداری و سرقت ادبی.
- نگرانی های مربوط به حریم خصوصی: مانند افشای غیرمجاز عمومی اطلاعات شخصی یا حساس.
- استفاده مخرب: مانند انتشار محتوای جعلی و استفاده از هوش مصنوعی توسط مجرمان برای ایجاد هویت جعلی، سازماندهی حملات فیشینگ یا کلاهبرداری از مشتریان.
- تهدیدات امنیتی: زمانی که آسیب‌پذیری‌ها در سیستم‌های هوش مصنوعی می‌توانند نقض شوند یا مورد سوء استفاده قرار گیرند.
- ریسک‌های عملکرد و «قابل توضیح»: مانند مدل‌هایی که پاسخ‌های واقعی نادرست و اطلاعات قدیمی ارائه می‌کنند.
- خطرات استراتژیک: از طریق عدم انطباق با استانداردها یا مقررات ESG، ایجاد خطرات اجتماعی یا شهرت.
- خطرات شخص ثالث(third-party): مانند نشت داده‌های اختصاصی به حوزه عمومی از طریق استفاده از ابزارهای شخص ثالث.
ابزارهایی برای برنامه‌ریزی یک سفر هوش مصنوعی
سازمان‌هایی که می‌توانند ارزش‌هایی را از هوش مصنوعی استخراج کنند، باید از یک رویکرد متمرکز و از بالا به پایین برای شروع سفر استفاده کنند. با توجه به کمبود منابع برای مقیاس‌بندی قابلیت‌های هوش مصنوعی، سازمان‌ها باید با سه تا پنج مورد استفاده از ریسک و انطباق با اولویت بالا شروع کنند که با اولویت‌های استراتژیک آنها همسو باشد. آنها می‌توانند این موارد استفاده را در سه تا شش ماه اجرا کرده و به دنبال آن یک تخمین تأثیر تجاری را انجام دهند. مقیاس‌بندی برنامه‌ها مستلزم توسعه یک اکوسیستم هوش مصنوعی است که بر هفت حوزه تمرکز دارد:
- تهیه کاتالوگی از خدمات و راه‌حل‌های هوش مصنوعی آماده و قابل استفاده مجدد (مورد استفاده) که به راحتی می‌تواند به طیف وسیعی از سناریوها و برنامه‌های تجاری در سراسر زنجیره ارزش بانکی متصل شود؛
- ایجاد پشته فناوری ایمن و آماده برای نسل AI که از استقرار ابرهای ترکیبی برای فعال کردن پشتیبانی از داده‌های بدون ساختار، آموزش یادگیری ماشین، اجرا و پردازش قبل و بعد از راه‌اندازی استفاده می‌شود؛
- ادغام با مدل‌ها و ابزارهای پایه در سطح سازمانی برای فعال کردن انتخاب مناسب برای هدف و هماهنگی در بین مدل‌های باز و اختصاصی؛
- اتوماسیون ابزارهای پشتیبانی، از جمله MLOps (عملیات یادگیری ماشین) و داده‌ها برای تسریع در توسعه، انتشار و نگهداری راه‌حل‌های هوش مصنوعی؛
- مدل‌های حکمرانی و استعدادی؛
- هم ترازی فرآیند برای ساخت هوش مصنوعی برای پشتیبانی از آزمایش سریع و ایمن؛
- تهیه یک نقشه‌راه که در واقع جدول زمانی است برای تشریح موقعیت‌هایی که قابلیت‌ها و راه‌حل‌های مختلف راه‌اندازی و مقیاس‌بندی می‌شود؛
در زمانی که شرکت‌ها در همه بخش‌ها در حال آزمایش با هوش مصنوعی هستند، سازمان‌هایی که در استفاده از پتانسیل فناوری شکست می‌خورند در معرض خطر عقب ماندن از کارایی، خلاقیت و تعامل با مشتری هستند. در ابتدا، بانک‌ها باید در نظر داشته باشند که حرکت از وضعیت آزمایشی به تولید برای هوش مصنوعی نسبت به هوش مصنوعی کلاسیک و یادگیری ماشینی به طور قابل توجهی بیشتر طول می‌کشد.
اهمیت داده‌ها و تقاضاهای فناوری
بانک‌ها نباید داده‌ها و تقاضاهای فناوری مربوط به سیستم هوش مصنوعی را دست کم بگیرند، که هر دو این موارد مورد نیاز است. هوش مصنوعی به ورودی داده‌های مناسب و باکیفیت نیاز دارد. علاوه بر این، داده‌های موجود ممکن است ناکافی باشند. سازمان‌ها ممکن است نیاز به ساخت یا سرمایه‌گذاری در مجموعه‌های داده برچسب‌‌گذاری شده برای کمی‌سازی، اندازه‌گیری و ردیابی عملکرد برنامه‌های کاربردی هوش مصنوعی داشته باشند. داده‌ها به عنوان یک مزیت رقابتی در استخراج ارزش از هوش مصنوعی عمل خواهند کرد. بانک‌هایی که به دنبال خودکارسازی تعامل با مشتری با استفاده از هوش مصنوعی هستند باید داده‌های به‌روز و دقیق داشته باشد. بانک‌هایی که دارای پلتفرم‌های داده پیشرفته هستند، در بهره‌گیری از قابلیت‌های هوش مصنوعی مؤثرتر خواهند بود.
[1]lines of defense (LODs)
