فرصت‌های هوش مصنوعی در بخش خدمات مالی جهانی

اکثر ما زمانی که به هوش مصنوعی فکر می‌کنیم، طراحی‌های جذاب و بصری را تصور می‌کنیم که زیربنایشان سیستم های سریع و کارآمدی هستند که همه در یک قالب شخصی به ما تحویل داده می‌شوند. اما چیزی که بسیاری از ما به آن فکر نمی‌کنیم، اعداد سخت و سرد هستند. واقعیت عجیب این است که داده‌ها عنصر اساسی در ایجاد سیستم‌های هوش مصنوعی هستند. هوش مصنوعی کاملا در مورد داده‌ها و  اعداد است که به عنوان ورودی به سیستم‌ها ارسال و سپس تجزیه و تحلیل و جمع‌بندی می‌شوند. هدف از این فرایند آن است که در همه صنایع، به‌ویژه در امور مالی برای مشتری تجربه بی‌نظیری فراهم کنند.

به‌غیر از بلاکچین، مدت‌ها است که هوش مصنوعی همانند یک راه نجات برای خدمات مالی محسوب می‌شود. به عنوان صنعتی مبتی بر داده‌ها، هوش مصنوعی مزایای غیرقابل توصیفی به بخش مالی ارائه می‌دهد. چه برند‌های مالی بخواهند یک چت بات سطح بالا را در بخش خدمات مشتری یا حتی در سطوح پایین‌تر ایجاد کنند و یا این که بخواهند خدمات مالی را مطابق با راهنمایی‌های نظارتی فزاینده ارائه دهند، در هر دو حالت هوش مصنوعی می‌تواند برای پیشرفت صنعت مالی به آن‌ها کمک کند.

موفقیت‌های هوش مصنوعی در حوزه خدمات مالی

در حالی که صنایع مشتری مدار در سرتاسر جهان رو به جلو حرکت می‌کنند، بخش خدمات مالی به طور متناقضی عقب مانده‌است و در نتیجه این عقب‌ماندگی شکافی عمیق بین آنچه مشتریان می‌خواهند و تجربه‌ای که دریافت می‌کنند را ایجاد می‌کند. در زمانه‌ای که تجربه مشتری به عنوان یک فاکتور کلیدی که همه چیز از طریق آن برای مشاغل امکان پذیر است در نظر گرفته می‌شود، موفقیت هوش مصنوعی در امور مالی بسیار مهم تلقی خواهد شد.

برندهای مالی مدرن که امروزه عملکرد خوبی دارند، یک نکته اشتراک اساسی دارند و آن این است که همه آن‌ها تحت سلطه فناوری هستند. بانک‌های چالش‌گرا و مشاغل مالی معاصر در حال برهم زدن استانداردهای صنعت و تنظیم دوباره سرعت هوش مصنوعی و قابلیت تجزیه و تحلیل داده‌ها هستند. با این حال، به دلیل ورود پر سرعت آن‌ها به این عرصه و ارتقای مداوم نرم‌افزارها، هنوز برخی از پیاده‌سازی‌های ظریف وجود دارد که باید به خاطر سپرده شود.

یکی از موارد این لیست، شناخت و دانش دقیق از داده‌های مورد استفاده است. هنگام وارد کردن داده‌ها، امکان رخ دادن افت‌های احتمالی زیادی وجود دارد. همه ما داستان‌های ترسناکی در مورد پروفایل بیومتریک و بایاس‌هایی (جهت‌گیری الگوریتم‌ها) که هنگام دیجیتالی‌کردن داده‌های شخصی به وجود می‌آیند، شنیده‌ایم. در مورد امور مالی مصرف‌کننده نیز همین مورد وجود دارد. بنابراین کامپیوتری‌کردن دقیق اعداد برای آزمایش و آموزش نرم‌افزار با هدف یادگیری ارزش داده‌ها و استفاده از پتانسیل واقعی آن‌ها، بسیار ضروری است.

با این اوصاف قبل از درک داده‌ها، ابتدا باید زیرساخت‌های درست را به دست آوریم. کمبود معماری‌ای که برای کار با هوش مصنوعی طراحی شده باشد به معنای این است که خدمات مالی ممکن است برای ادغام هوش مصنوعی در عملیات خود با مشکل روبرو شوند. به‌روز‌رسانی سیستم‌های قدیمی بسیار دشوار و گران‌قیمت است. در سطح استراتژیک، بانک‌ها تصمیم می‌گیرند که آیا از استراتژی “شکافتن و جایگزینی” استفاده کنند یا از یک رویکرد یکپارچه برای اتصال سیستم‌های ایزوله‌شده استفاده کنند. در نهایت و در هسته هر سیستمی که در به کارگیری هوش مصنوعی موفق شده‌است، مجموعه‌ای صحیح از مهارت‌های فناوری، مدیریت داده‌های کاملاً مشخص و زیرساخت‌های فناوری اطلاعات با عملکرد بالا قرار دارد.

تحول سیستم‌های قدیمی

شاید بزرگترین چالش خدمات مالی این باشد که هوش مصنوعی یک نوآوری معماری و همچنین نوآوری مولفه‌ای است. در نتیجه به عبارتی می‌توان گفت نیازهای آن فراتر از فناوری و ایده‌های جدید است، به گونه‌ای که یکی از این نیاز‌ها تلفیق فن‌آوری و ایده‌های قدیمی به روشی متفاوت است. هوش مصنوعی شایسته به داده‌های عظیمی نیاز دارد: با داشتن این داده‌ها می‌آموزد که اشیا چگونه کار می‌کنند و نحوه رفتار آن اشیا را در آینده پیش‌بینی می‌کند. برای بسیاری از مشاغل معرفی سیستم‌های مدیریت داده‌ها به معنای پیاده‌سازی ظرفیت محاسباتی کاملاً جدید در کنار نوآوری‌هایی مانند نظارت بر “اینترنت اشیا”  برای جمع آوری اطلاعات مورد نیاز، می‌باشد.

با این وجود به دلیل اینکه اطلاعات در خدمات مالی همیشه عنصر اصلی یک تجارت بوده‌اند، مشکل بزرگتر نحوه تبدیل سیستم‌های موجود برای برقراری ارتباط موثر با هوش مصنوعی است. سیستم‌های قدیمی در امور مالی در طی دهه‌ها توسعه یافته‌اند. تغییر این سیستم‌های موجود که در بازار پر ریسک امور مالی و در حال حاضر ارزش ارائه می‌دهند، کاری بزرگ‌تر و خطرناک‌تر نسبت به ساخت یک سیستم از ابتدا است.

تغییر در راه است

یک گزینه برای کار با سیستم‌های قدیمی در زمینه هوشمند و دیجیتالی شده، توسعه یک شبکه هوشمند یا Data Fabric است به گونه‌ای که غنای داده‌های تاریخی را با رابط کاربرپسند سیستم‌های مدرن در یک جا جمع کند. لایه داده هوشمند می‌تواند پلی بین زیرساخت‌های موجود و زیر ساخت‌های جدید که برای افزایش سرعت به وجود آمده، ارزشی که ارائه دهنده خدمات مالی امروزه به آن نیاز دارد، ایجاد کند.

اساساً، تغییرات چشمگیر در معماری امکانات این بخش را گسترش می‌دهند. بخش اساسی این فرایند حرکت به سمت پردازش ابری است تا بتوان تقاضاهایی که محاسبات فشرده‌ی مورد نیاز برای آموزش هوش مصنوعی را بدون هزینه اضافی برای ایجاد این ظرفیت داخلی انجام می‌دهند، را کنترل کرد. در حالی که از بسیاری جهات خدمات مالی بخشی از لبه‌های برتر هوش مصنوعی است اما در دسترس بودن معماری‌ای که از ابتدا برای فعالیت‌های مبتنی بر هوش مصنوعی طراحی شده‌باشد، به معنای این است که تغییرات بیشتری در پیش روی سیستم‌های هوش مصنوعی وجود دارد.

نمی‌توان کاملا پتانسیل واقعی هوش مصنوعی را پیش‌بینی کرد اما آنچه ما می‌دانیم این است که در حال حاضر در صورت اینکه داده‌ها ساختار درستی داشته باشند، توانایی هوش مصنوعی در افزایش بهره‌وری و کارایی از طریق اتوماسیون بی‌نظیر است.