هوش مصنوعی (AI) و رشد چشمگیر آن در صنایع مختلف مانند دستیار هوشمند الکسا (Alexa) و سیری (Siri)، ربات گفت‌وگو (chatbot) فیسبوک و Drift، این دانش و فناوری را به یکی از بحث‌های داغ تبدیل کرده است. فناوری AI از طریق دستیاران دیجیتال صوتی و دیگر محصولات مبتنی بر AI به زندگی روزمره‌ی افراد وارد می‌شود. افزون بر تاثیر مستقیم هوش مصنوعی، این دانش به صورت غیرمستقیم از طریق کسب و کارهای مختلف مانند صنعت بانکداری به دنیای واقعی وارد می‌شود. در این مقاله به پنج راهی که هوش مصنوعی صنعت بانکداری را متحول می‌کند می‌پردازیم. با مجله‌ی فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

بنابر آماری که تارنمای Statista اعلام کرده است تعداد مشتریان دستیاران هوشمند مجازی در سال ۲۰۱۸ به یک میلیارد خواهد رسید. همچنین بر اساس پژوهش شرکت مشاوره حرفه‌ای اکسنچر (Accenture)، سی و هفت درصد از مشتریان آمریکایی تا پایان سال ۲۰۱۸، مالک یک دستیار هوشمند صوتی (DVA) خواهند بود.

۱) اتوماسیون خدمات مشتری

با پیشرفت فناوری پردازش زبان‌های طبیعی (NLP)، تشخیص تفاوت یک ربات صوتی و نماینده‌ی خدمات مشتری برای کاربران دشوار است زیرا توانایی ربات‌های صوتی در گفت‌وگو و حل مسائل مشتری بدون دخالت نیروی انسانی افزایش یافته است. پردازش زبان‌های طبیعی یکی از زیرشاخه‌های علوم رایانه است که به تعامل بین رایانه و زبان‌های (طبیعی) انسانی می‌پردازد. از سوی دیگر، هوش مصنوعی برای بانک‌ها در اتوماسیون خدمات مشتری و کاهش چشمگیر هزینه‌ی بانک‌ها مفید خواهد بود.

Autonomous Research فعال در پژوهش‌های مالی پیش‌بینی کرده است که با ورود فناوری هوش مصنوعی به صنعت بانکداری و وام، تعداد ۱٫۲ میلیون شغل در این صنعت کاهش می‌یابد و تا سال ۲۰۳۰، ۴۵۰ میلیارد دلار هزینه صرفه‌جویی خواهد شد. اگرچه عملکرد چت بات‌ها قابل قبول است، جایگزین کردن نیروی انسانی با ربات‌های گفت‌وگو به صورت کامل توصیه نمی‌شود بلکه همگام کردن فناوری هوش مصنوعی با نیروی انسانی ارائه‌دهنده‌ی خدمات مشتری نتیجه‌ی بهتری خواهد داشت.

شاید این پرسش ایجاد شود که چگونه بانک‌ها از هوش مصنوعی برای خدمت به مشتریان استفاده می‌کنند؟ می‌توان بانک یوبی‌اس سوئیس (UBS) را مثال زد. این بانک که از نظر حجم دارایی در رتبه‌ی ۳۵ جهان قرار دارد، با شرکت آمازون همکاری می‌کند. بانک UBS با همکاری آمازون خدمات “Ask UBS” را در دستگاه‌های هوشمند صوتی آمازون اکو (Amazon Echo) راه‌اندازی کرده است. خدمات “Ask UBS” مجموعه‌ای از مشاوره‌ها و تجزیه و تحلیل‌های بازارهای مالی جهانی را به مشتریان خود از طریق الکسا ارائه می‌دهد. همچنین این خدمات به عنوان منبع آموزشی اصطلاحات مالی عمل می‌کند. با خدمات “Ask UBS” می‌توان درخواست صحبت به یک مشاور مالی بانک UBS را داد.

این خدمات هوشمند به طور مستقیم نمی‌تواند به اوراق بهادار یا معامله‌های کاربر دسترسی داشته باشد. همچنین نمی‌تواند بر اساس دارایی‌های مشتری، مشاوره‌ی شخصی بدهد. عدم دسترسی به دلیل رعایت امنیت و حریم شخصی است. ارائه‌دهندگان سرویس “Ask UBS” امیدوارند در آینده، خدمات همراه با امنیت و قابلیت اطمینان و سازگاری فراهم کنند.

۲) شخصی‌سازی (Personalization)

بانک‌ها به داده‌های بسیاری از مشتری‌های خود از جمله سابقه‌های معامله‌ آفلاین و آنلاین و تجزیه وتحلیل داده دسترسی دارند. بانک‌ها با کمک روش‌های یادگیری ماشین (machine learning) می‌توانند داده‌های مالی مشتری را از منبع‌های مختلف جمع‌آوری و تحلیل و دید گسترده‌تری برای مشتری فراهم کنند. بنابراین بانک قادر خواهدبود ارائه‌ی محصولات و خدمات را به صورت شخصی‌سازی شده برای مشتری انجام دهد.

مدیر بازاریابی شرکت نرم‌افزاری اروپایی SAP بر این باور است که گام بعدی در پیشرفت خدمات دیجیتالی در بانک‌ها اتفاق خواهد افتاد. بانک‌ها برای هر مشتری به صورت جداگانه و شخصی سازی شده خدمات ارائه می‌دهد. شرکت SAP به تولید نرم‌افزارهای سازمانی در زمینه مدیریت عملیات تجاری و روابط با مشتریان می‌پردازد. محصولات این شرکت هم اکنون حدود ۲۴ صنعت مختلف از بانکداری و بخش سلامت و بهداشت گرفته تا صنایع دفاعی و نفت و گاز را پوشش می‌دهد.

هم‌اکنون بانک‌ها داده‌های تحلیلی هوش مصنوعی را به کار می‌گیرند تا با توجه به هدف مشتری به او مشاوره ارائه دهند. برای نمونه بانک سانتاندر (Santander) که در رتبه ۱۴ام جهان قرار دارد در تارنمای کگل (Kaggle) رقابتی را با جایزه‌ی ۶۰۰۰۰ دلار برای مهندسان داده طراحی کرد. پلت فرم داده عمومی کگل، بزرگ‌ترین جامعه مهندسان داده و یادگیری ماشینی است. در این رقابت از مهندسان داده خواسته شد با توجه به داده‌های دردسترس، پیش‌بینی کنند مشتریان بر اساس رفتار و عادت‌های پیشین خود چه محصولاتی را در ماه آینده استفاده خواهند کرد. این رقابت با عنوان “Can you pair products with people?” در تارنمای کگل ایجاد شده بود.

۳) امنیت (Security)

در صنعت بانکداری و پول، تعداد بسیاری از بانک‌ها از اطلاعات بیومتریک مانند اثر انگشت برای جایگزینی رمزعبور و تایید هویت مشتریان استفاده می‌کنند. شرکت مشاوره و تحلیل‌گر مستقل Goode Intelligence گزارش کرده است ۱٫۹ میلیارد از مشتریان بانک‌ها تا سال ۲۰۲۱ از یکی از روش‌های تایید هویت بیومتریک استفاده خواهند کرد. شرکت Goode Intelligence در امنیت اطلاعات و تایید هویت و روش‌های بیومتریک فعال است. همچنین روزنامه‌ی گاردین (Guardian) درباره‌ی بانک هالی‌فاکس انگلستان (Halifax) می‌گوید که مشتریان دارای یک مچ‌بند مجهز به ارتباط بلوتوث هستند و هر مشتری بر اساس ضربان قلب منحصر به فرد خود تایید هویت می‌شود و به حساب خود دسترسی پیدا می‌کند.

در گوشی‌های هوشمند آیفون، امکانات تشخیص چهره Face ID افزوده شده است. با Face ID قفل گوشی با تشخیص چهره‌ی دارنده‌ی گوشی باز می‌شود. Face ID در سامانه‌ی پرداخت اپل (Apple Pay) نیز برای تشخیص هویت به کار می‌رود. اپل پی یکی از روش‌های نوین پرداخت پول همچون پرداخت همراه یا کیف پول دیجیتالی است.

۴) بهینه سازی فرآیند

یکی از برنامه‌های نویدبخش هوش مصنوعی در بانکداری، خودکار کردن کارهای با حجم بالا و دارای ارزش پایین است. معتبرترین شرکت مشاور مدیریت جهانی مکنزی اند کامپنی (McKinsey & Company) گزارش داده است که درخواست‌های IT داخلی خود شامل درخواست تغییر رمز عبور کارکنان را از طریق هوش مصنوعی و بات‌ها انجام می‌دهند. این شرکت آمریکایی با هدف ارزیابی تصمیم‌های مدیریتی در بخش‌های دولتی و خصوصی تحلیل‌های کیفی و کمی انجام می‌دهد. در این شرکت، با ۴۰ کارمند تمام وقت در سال ۲۰۱۷، درخواست‌های نزدیک به ۱٫۷ میلیون توسط بات‌ها اجرا شده است.

۵) بازشناسی الگو و جلوگیری از تقلب و کلاه‌برداری

توانایی هوش مصنوعی در تحلیل کلان داده و شناسایی الگو و مدل داده، باعث می‌شود دیگر نیازی به ناظران انسانی نباشد. این ویژگی برای جلوگیری از تقلب و کلاه‌برداری اهمیت بسیاری دارد. شرکت مک‌آفی (McAfee) فعال در زمینه امنیت رایانه می‌گوید هزینه‌ی جرایم اینترنتی برای اقتصاد جهانی به ۶۰۰ میلیارد دلار می‌رسد. روش‌های هوش مصنوعی و یادگیری ماشین توسط بسیاری از فراهم‌کنندگان خدمات مالی به کار گرفته می‌شود تا جرایم اینترنتی را شناسایی کنند.

سخن پایانی

فناوری مالی (fintech) هنوز در گام‌های ابتدایی خود قرار دارد. فناوری مالی کاربرد نوآورانه فناوری در ارائه خدمات مالی است. هوش مصنوعی تاکنون در صنعت بانکداری سنتی تغییرهای بسیاری ایجاد کرده است. رشد بانک‌ها در گروی شناخت هوش مصنوعی و کاربردهای آن است. توجه به همراهی صنعت بانکداری و هوش مصنوعی می‌تواند ایده‌های بسیاری برای کارآفرینان و استارتاپ‌ها در فناوری مالی به ارمغان آورد.

در همین زمینه بخوانیم:

>>پنج مسئله اساسی که هوش مصنوعی می‌ تواند در حل آنها به ما کمک کند
>>سخنرانی TED: هوش مصنوعی دومین انقلاب صنعتی دنیا
>>کلان داده و ویلچر هوشمند : نشستن طولانی مدت بر ویلچر و عوارض جانبی آن

منبع: entrepreneur

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»