بخش مدیریت ثروت بریتانیا در سال‌های اخیر رشد قابل توجهی داشته است و حدود ۹۴۸ میلیارد پوند دارایی دارد که معادل ۴۶ درصد از تولید ناخالص داخلی این کشور است. بنابراین، جای تعجب نیست که موسسات مالی و شرکت‌های مدیریت ثروت به دنبال این هستند که هر چه سریع‌تر به جدیدترین فناوری‌های هوش مصنوعی دست پیدا کنند.
مدیریت ثروت یک صنعت غنی از داده است که عمدتاً به فرایندهای کلیدگذاری مجدد داده‌های انسانی (human data rekeying processes) تکیه زیادی دارد. در این شرکت‌ها سالانه هزاران ساعت صرف کارهای تکراری و پیش پا افتاده‌ای مثل وارد کردن داده‌ها و بررسی و پاکسازی ساده داده ها می‌شود. این داده‌ها ممکن است در مورد مشتریان یا بازارها باشند و استفاده هوشمندانه از این دو منبع، یکی از اصول مدل کسب‌وکار مدیریت ثروت است. اما فناوری‌های هوش مصنوعی (AI) این مدل را تغییر خواهند داد.
شرکت‌های مدیریت ثروت، مانند بسیاری از سازمان‌های دیگر، اغلب دارای ساختاری تفکیک‌شده هستند و با توجه به اینکه حوزه مالی بسیار گسترده و عمیق است، هر یک از کارمندان در حوزه بخصوصی تجربه و تخصص کسب می‌کنند. این تفکیک در نرم‌افزارهای کاربردی قدیمی که در شرکت‌ها مورد استفاده قرار می‌گیرند نیز صادق است. به عنوان مثال، یک نرم‌افزار ممکن است توسط تیم تحلیل عملکرد برای محاسبه بازده پرتفوی مشتری مورد استفاده قرار گیرد و یک نرم‌افزار دیگر توسط تیم گزارش مشتری برای تهیه گزارش‌هایی که حاوی اطلاعات مربوط به آن بازده است.
این جداسازی ها قابل درکند، اما این بدان معناست که سیستم‌های مجزا غالباً با هم تعامل ندارند و فرمت داده‌های آن‌ها با هم ناسازگار است. بنابراین، کارمندان مجبورند داده‌ها را به صورت دستی بین سیستم‌ها انتقال دهند که ناکارآمد بوده و منجر به خطای انسانی می‌شود. همچنین اغلب کارهای دستی پس از تمام شدن نیاز به تصحیح اشتباهات دارند. وقتی پروژه پس از موعد سررسید به مشتری تحویل داده شود و موافقت‌نامه‌های سطح خدمات نقض شوند، شرکت مدیریت ثروت مربوطه متحمل زیان یا مجبور به پرداخت جریمه می‌شود.
اما فناوری هوش مصنوعی چه کمکی می‌تواند بکند؟ مهم‌ترین دستاوردهای هوش مصنوعی در این حوزه مربوط به اتوماسیون هوشمند فرایندها است. فناوری‌هایی مانند اتوماسیون فرایند رباتیک (RPA)، استخراج فرایند، هوش مصنوعی سخنگو و تصمیم‌گیری خودکار می‌توانند در افزایش کیفیت نتایج نهایی نقش داشته باشند.
از نرم‌افزارهای RPA می‌توان برای ایجاد تغییراتی اساسی در سیستم‌های قدیمی (بدون جایگزین کردن آن‌ها) یا توسعه مجدد آن‌ها استفاده کرد. به لطف ابزارهای یادگیری ماشینی جدیدی که برای استفاده از آن‌ها نیازی به داشتن مهارت برنامه نویسی و کدنویسی نیست، همه افراد می‌توانند ربات نرم‌افزاری بسازند که کارهای ساده را برای آن‌ها انجام دهد. آن‌ها می‌توانند در نقش یک دانشمند داده فرایندهای پیچیده را نیز خودکار سازند. به عنوان مثال، یک ربات نرم‌افزاری می‌تواند بازده عملکرد یک برنامه را بخواند و آن‌ها را بدون خطا در برنامه گزارش سرویس‌گیرنده وارد کند. این امر نه تنها موجب صرفه‌جویی گسترده در زمان و بهبود کارایی عملیاتی می‌شود، بلکه کارمندان را نیز از انجام کارهای تکراری که دوست ندارند، معاف می‌کند و به آن‌ها این فرصت را می‌دهد تا بر روی کارهای استراتژیک متمرکز شوند.
ابزارهای استخراج مکاتبات نیز انقلابی در این صنعت ایجاد خواهند کرد. فناوری یادگیری عمیق اکنون می‌تواند در لحظه مکاتبات ساختارنیافته (مثل ایمیل، تماس، چت، یادداشت) را به داده‌های ساختاریافته تبدیل کند. این فناوری برای انجام این کار الگوریتم‌های یادگیری بدون نظارت را روی دیتاستی ساختارنیافته، مثل ایمیل‌های صندوق ورودی کاربر، اعمال می‌کند. به این ترتیب، مکاتبات مشابه در خوشه‌های مخصوص به خود قرار می‌گیرند و به کاربر ارائه می‌شوند. این نرم افزار ایمیل‌هایی را که فکر می‌کند موضوع مشابهی دارند را هوشمندانه گروه‌بندی می‌کند. سپس از کاربر خواسته می‌شود تا برای هر خوشه یک برچسب انتخاب کند تا بداند این ایمیل‌ها چه مکالماتی را شامل می‌شوند. این ابزار برای تأیید و یادگیری بیشتر به طور مداوم نمونه‌های جدیدی تولید می‌کند.
کاربر به کمک یادگیری ماشینی می‌تواند نقطه‌داده‌ها را به سادگی در ایمیل‌های مختلف با علامت زدن یک موجودیت و انتخاب یک نام برای آن، برچسب‌گذاری کند. اینجاست که کاربردهای اتوماسیون آشکار می‌شوند. کاربران می‌توانند ابزارهای یادگیری ماشین را آموزش دهند تا تشخیص دهند وجود کلماتی مثل Sedol، ISIN، بازده ناخالص یا خالص، نام شرکت، نام مشتری، نام صندوق و غیره در متن یک ایمیل به چه معناست. سپس این ابزار تفاوت‌های ظریف هر موجودیت را پیدا می‌کند تا برای تأیید یا تصحیح به کاربر ارائه دهد.
درخواست‌های پشتیبانی فنی حوزه دیگری است که هوش مصنوعی می‌تواند به افزایش کارآمدی آن در سازمان‌ها کمک کند. شرکت‌های مدیریت ثروت با استفاده از فراداده‌های جمع‌آوری‌شده توسط ابزارهای استخراج مکاتبات می‌توانند دریابند که اتوماسیون در کدام بخش بهترین عملکرد را داشته است. به عنوان مثال، حجم زیادی از درخواست‌های پشتیبانی فنی مربوط به استقرار مشتریان و کارمندان جدید است. الگوریتم یادگیری ماشینی را می‌توان به نحوی آمزوش داد که بتواند درخواست ورودی به صندوق پشتیبانی فنی را درک و شناسایی کرده و عناصر مربوطه را برگزیند.
ربات‌ها با استفاده از RPA با تیم‌ها و سیستم‌های مربوطه ارتباط برقرار می‌کنند تا بتوان مشتری یا کارمند جدید را به درستی مستقر کرد. به این منظور باید از ابزار گردش کاری استفاده کرد که بتواند نحوه رسیدگی به هر فرایند و کسی که باید به آن رسیدگی کند را مدیریت کند.
هوش مصنوعی با کاهش ساعات کاری که افراد باید صرف انجام کارهای تکراری و معمولی کنند، سازوکار صنعت مدیریت ثروت را متحول خواهد کرد. از آن‌جا که این صنعت به شدت رقابتی است، شرکت‌هایی که از هوش مصنوعی استقبال می‌کنند با افزایش بهره‌وری و بهبود خدمات مشتری، مزیت رقابتی به دست خواهند آورد.
منبع: هوشیو
