وبینارهای گذشته

وبینار چهارم

صنعت بانکداری و سیستم های مالی، در سال های اخیر با تغییرات گسترده ای در جهان روبرو بوده اند. این تغییرات عمدتا شامل افزودن فناوری‌ های مبتنی بر هوش مصنوعی به فرآیندهای این صنعت است. برندهای تکنولوژی مالی به‌طور فزآینده‌ و در طیف گسترده ‌ای سعی در استفاده از هوش مصنوعی و یادگیری ماشین در بانکداری و سیستم‌ های مالی خود دارند تا از تمامی داده‌ های مشتری برای پیش ‌بینی چگونگی تکمیل نیازهای آن‌ ها بهره ببرند. به طوری که می توان گفت هوش مصنوعی به بزرگ‌ترین عامل ایجاد تفاوت بین بانک‌ ها ایجاد گردیده است. تکنولوژی های هوش مصنوعی و یادگیری ماشین روند کارهای بانکی را سریع تر، تراکنش های مالی را امن تر و عملیات درون بانکی را موثر تر کرده است.

در ادامه، ابتدا به برخی از نقش‌ های مهم هوش مصنوعی و یادگیری ماشین در نظام بانکداری، و سپس به بررسی انواع روش های یادگیری ماشین پرداخته خواهد شد:

  • مدیریت ریسک

در صنعت بانکداری، با فشار فزاینده در مدیریت ریسک همراه با افزایش حاکمیت و ملزومات نظارتی، خدمات بانک‌ ها در جهت بهبود سرویس‌ های منحصر به ‌فرد و بهتر برای مشتری، رشد گسترده ‌ای داشته است.

مدیریت ریسک، رتبه‌بندی اعتباری و ارزیابی میزان ریسک مشتریان، از اهمیت بالایی برای بانک‌ ها برخوردار است. براساس آمارهای رسمی منتشر شده از سوی بانک مرکزی در سال‌ های اخیر، میزان مطالبات معوق بانک‌ ها بسیار افزایش‌ یافته است؛ زیرا سیستم اعتبارسنجی دقیقی برای ارزیابی اعتبار و اندازه‌ گیری میزان ریسک مشتریان وجود ندارد. بانک‌ ها با استفاده از ابزارهای داده ‌کاوی به بخش‌ بندی مشتریان، مطالعه سوددهی، رتبه ‌بندی اعتباری و پیش‌ بینی پرداخت تسهیلات و وصول مطالبات، بازاریابی، شناسایی و کشف تقلب در تراکنش‌ ها و … توجه کرده ‌اند، که در ادامه به بخش­ هایی از این کاربردها پرداخته می شود:

  • تحلیل اعتبار مشتریان (Customer Credit Analysis)

زمانی که مشتری برای دریافت وام یا دیگر تسهیلات بانکی درخواست می ­دهد، سیستم بانکی نیازمند بررسی اعتبار آن مشتری می ­باشد که در آینده از عهده انجام تعهدات خود بر خواهد آمد یا خیر. در هر دو حالت (بررسی درخواست‌ های وام جدید و کنترل وام‌ گیرندگان قبلی) احتمال بازپرداخت در دوره وام‌ دهی تخمین زده می ‌شود و در نتیجه، مشتریان براساس تخمین حاصل درباره توانایی در بازپرداخت، به سطوح متفاوتی از ریسک، رتبه ‌بندی خواهند شد. با استفاده از هوش مصنوعی، امکان ایجاد سیستمی جهت بررسی سوابق و شرایط مالی مشتریان، تحلیل و امتیازدهی به مشتریان به صورت آنی وجود دارد که این مساله، صرفه جویی بسیاری در وقت مشتریان و بانک­ ها نموده و نیز روندهای اداری را به شدت کاهش می ­دهد. کما اینکه ریسک عدم بازگشت سرمایه توسط برخی مشتریان بدحساب را برای بانک­ ها کاهش داده و از طرفی با افزایش سرعت دریافت وام و احقاق حق مشتریان خوش حساب، موجب رضایتمندی بیشتر مشتریان بانک­ ها خواهد شد.

  • تحلیل رفتار مشتریان (Customer Behavior Analysis)

مطالعه رفتار مشتریان در هر کسب و کاری برای درک مخاطب هدف، ایجاد سرویس ها و خدمات پیشنهادی انجام می گیرد. رفتار مشتری نتیجه ی فرآیندهای شناختی، تعاملات اجتماعی و نهادهای اجتماعی است. موفقیت بانک ها و موسسات مالی در گرو توانایی برطرف کردن نیازهای مشتریان از طریق ارائه سرویس ها و خدمات است. این توانایی تابع نحوه ی درک و شناخت رفتار مشتری و استفاده ی مؤثر از این شناخت است. در واقع می توان گفت مزیت رقابتی بانک ها نسبت به هم ناشی از درک بهتر رفتار مشتری و فرآیند تفکر بهتر راجع به آنها و عمل براساس اطلاعات موجود درباره ی آنهاست. با استفاده از یادگیری ماشین می توان رفتار هر مشتری را حتی در چند روز اخیر به صورت اتوماتیک از روی تراکنش های انجام شده تحلیل و بررسی کرد.

  • بررسی تراکنش­ های غیر متعارف (Fraud/Cyber Crime Detection)

در سراسر دنیا روزانه میلیون­ ها نقل و انتقالات مالی الکترونیکی بین اشخاص، شرکت­ ها و سازمان­ ها صورت می ­گیرد که در این بین کلاهبرداران زیادی به دنبال بهره گیری از این فرصت­ ها هستند. آگاهی از خطر تقلب، قبل از شروع هرگونه فعالیت‌ های مشکوک برای کاهش فعالیت متقلبانه، ضروری و لازم است. پیشرفت در یادگیری ماشین می ‌تواند هر گونه فعالیت مشکوکی را قبل از به خطر افتادن امنیت حساب مشتریان احساس نماید. خوشبختانه با رشد هوش مصنوعی سیستم های بانکی قابلیت تشخیص نقل و انتقالی که با اهداف کلاهبرداری صورت می ­گیرد را کسب کرده اند. الگوریتم­ های شبکه عصبی با یادگیری داده های مربوط به انتقالات مالی صورت گرفته قبلی، می ­توانند یک الگو جهت شناسایی معاملات و تراکنش های نامتعارف، ایجاد کنند. بدین شکل در هر نقل و انتقال، سیستم هوشمند بانکی، با توجه به مواردی از قبیل سوابق مالی دو طرف معامله، مقدار پولی که جابجا می شود، زمان معامله و مکان دو طرف معامله و مقایسه این موارد با الگوی موجود، انجام کلاهبرداری را تائید کرده و از وقوع آن جلوگیری می کند. مزیت اساسی این امر این است که هوش مصنوعی قادر به انجام تجزیه‌ و تحلیل در سطح بالا و با کیفیت عالی در زمان واقعی است؛ آنالیزی که انجام دستی آن برای انسان تقریبا غیرممکن است.

  • دستیار مجازی (Virtual Assistance)

چت بات های مبتنی بر هوش‌ مصنوعی از سرویس‌ های بسیار مفیدی‌ هستند که مکالمه‌ های انسانی را شبیه‌سازی می ‌کنند. فناوری آمیخته در چت ‌بات‌ ها باعث می ‌شود تا بانک‌ ها بتوانند سریعتر به پرسش‌ های مشتریان پاسخ دهند. چت ‌بات‌ ها ابزاری مفید در فرآیندهای بانکداری و موسسات مالی هستند که می ‌توانند در عرض مدتی نسبتا کوتاه به تمامی مشکلات کاربران در سطح بسیار گسترده ‌ای پاسخ دهند. همچنین روبات‌ ها برخی کارها مانند پاسخگویی به تماس‌ های تلفنی مشتریان یا رسیدگی به شکایات را به جای انسان‌ ها انجام می ‌دهند و در کنار کارمند یا مدیر بانک می ­توانند قرار گیرند تا سریعتر و هوشمندانه تر خدمات را به مشتریان ارائه دهند. همچنین این روبات ها می ­توانند درون بانک (Assistant Onsite)، مستقر و به صورت هوشمندانه پاسخگوی مشتریان باشند.

یکی دیگر از کاربردهای این دستیاران مجازی که با استفاده از الگوریتم های یادگیری ماشین فعالیت می کنند، تشخیص اتوماتیک اعداد دست نویس بر روی چک ها یا اوراق بانکی می باشد. علاوه بر این بانک ها و موسسات مالی نیز در سال های اخیر اقدام به جمع آوری سریع اطلاعات مهم و استخراج بندهای کلیدی قراردادها با استفاده از یادگیری ماشین بدون نظارت، در اسناد قانونی داخلی خود کرده اند.

با این همه، در سال‌ های آتی این نقش‌آفرینی به حوزه‌ های هوشمندتری شامل تصمیم گیری‌ ها و سیاست ‌گذاری‌ های مالی و اعتباری نیز تسری خواهد یافت و در آینده، این روبات‌ ها خواهند بود که الگوهای غیرعادی معاملات مالی را با هدف احتمال‌سنجی اختلاس و کلاه‌ برداری کنترل خواهند کرد.

  • بازاریابی (Marketing)

امروزه، هر کسب و کاری نیاز دارد که در زمینه بازاریابی، هوشمندانه تر عمل کند و اینجاست که الگوریتم­ های یادگیری ماشین به کار می ­آیند تا راهی بیابند که ضمن کاهش بسیار زیاد هزینه ها، خدمات ایمن تر و سریع تری را به مشتریان ارائه دهند. یکی از کارهایی که در بازاریابی هوشمند (AI Marketing) می ­توان انجام داد بحث تحلیل های هوشمند تمایلات است (مانند خرید ارز، ورود به بازار بورس، حساب سرمایه­گذاری با درصد سود خاص و …). داشتن یک سیستم اتوماتیک هوشمند به منظور تحلیل و ارزیابی این تمایلات و اتفاق هایی که بین مشتریان رواج پیدا می کند، به بانک این امکان را می دهد که  بازاریابی هدفمندتری داشته باشد.

  • تنظیم در اقساط (Adjustment in Installment)

استفاده از قدرت هوش مصنوعی و یادگیری ماشین همراه با تسریع در علم داده، برای افزایش سرمایه‌گذاری مشتریان مورد نیاز است. یکی از مثال‌ های عملی برای نمایش مزایای یادگیری ماشین می ‌توان به اعطای وام اشاره کرد. با این‌حال، این روند همیشه یکپارچه و دقیق نبوده و بانک‌ ها برخی اوقات با چالش‌ هایی روبرو می ‌شوند. الگوریتم‌ های یادگیری ماشین، اطلاعات مالی برای اعطای وام به کاربر را با روشی بسیار مناسب، تجزیه‌ و تحلیل می ‌کنند. برای تخصیص وام به مشتری می توان با توجه به پارامترهای مختلفی از جمله سابقه، درآمد، خوش حسابی، اعتبار و … ، اقساط پرداخت را برای هر مشتری تطبیق پذیر کرد. با این کار می توان در جذب مشتری عملکرد بهتری داشت.

  • تعریف قوانین جدید (Defining Good Lows)

تحلیل و ارزیابی قوانین مالی جدید در راستای بازاریابی، می توانند به صورت هوشمندانه، توسط ماشین انجام شوند و هر بار بانک این قوانین جدید بازاریابی را با صرف زمان و انرژی کمتر به صورت ماشینی و با توجه به شرایط موجود ایجاد کند.

  • سیستم توصیه گر (Recommender System)

سیستم توصیه گر یا فروش متقابل (Cross-Selling)، از دیگر کاربردهای یادگیری ماشین است که خدمات ارزنده ای را ارائه می دهد. در این گونه سیستم ها علاوه بر سرویس خاصی که به مشتری ارائه می شود بانک می تواند سرویس دیگری نیز در کنار آن به مشتری ارائه دهد. تحلیل های این بخش می تواند در بخش یادگیری ماشین به صورت اتوماتیک انجام گیرد و در سرعت عمل و نحوه بازاریابی هوشمند بسیار تاثیر گذار باشد.

راه کارهایی که تا به امروز در خصوص بانکداری در کشور ما پیاده سازی شده است، بیشتر ساخت سیستم هایی است که سعی دارند تا امورات داخلی بانک را سریع تر و راحت تر انجام دهند. البته نباید چشم بر پیشرفت های الکترونیکی که کمک به نقل و انتقال سریع تر و ارزان تر پول کرده اند بست، اما با توجه به سرعت رشد و توسعه تکنولوژی، می شود گفت که بانک های ما چند قدم عقب تر از تکنولوژی های روز دنیا حرکت می کنند و این نکته قابل اهمیت است که باید بدانیم هوش مصنوعی و الگوریتم­ های یادگیری ماشین در کاربردهای مختلف بانکی به سرعت در حال ظهور هستند.

حال که به انواع کاربردهای هوش مصنوعی و یادگیری ماشین در صنعت بانکداری اشاره شد، در ادامه به بررسی حوزه یادگیری ماشین با دو نوع یادگیری، تحت عنوان یادگیری بانظارت  (Supervised Learning) و بدون نظارت (Unsupervised Learning) پرداخته می شود.

اصلی‌ ترین تفاوت این دو یادگیری در آن است که در مسائل یادگیری بانظارت، مجموعه داده‌ ها دارای برچسب (ستون خروجی در پایگاه داده) هستند و با وضعیت واقعی انجام می ‌شود؛ به عبارت دیگر، از قبل می ‌دانیم که نمونه‌ هایمان چه مقادیر خروجی دارند. بنابراین، هدف از یادگیری بانظارت این است که تابعی را فرا گیرد که به بهترین شکل رابطه میان ورودی و خروجی داده‌ ها را تخمین ‌زند. از سوی دیگر، یادگیری بدون نظارت فاقد خروجی برچسب‌دار است. بر اساس این نوع یادگیری، ساختار طبیعی موجود در یک مجموعه نقاط داده ‌ای استنتاج می ‌شود.

یادگیری بانظارت معمولاً در زمینه دسته‌بندی با هدف یافتن ساختارها یا روابط خاص در داده ها به کار گرفته می ‌شود. این کار می ‌تواند نقش موثری در تولید داده‌ های خروجی صحیح داشته باشد. توجه داشته باشید که خروجی صحیح به طور کلی از داده‌ های آموزشی به دست می ‌آید؛ پس گرچه این پیش‌ فرض وجود دارد که مدل به درستی عمل می ‌کند، اما نمی ‌توان مدعی شد که برچسب‌ داده‌ ها همیشه و در هر شرایطی درست و بی‌ نقص هستند. برچسب‌ های داده های نویزدار یا نادرست می ‌توانند از تاثیرگذاری مدل کاسته و کارآیی را پایین آورند.

از جمله متداول ‌ترین کارهایی که می ‌توان با یادگیری بدون نظارت انجام داد، خوشه ‌بندی است. در اینگونه یادگیری، به دنبال یادگیری ساختار ذاتی داده‌ ها بدون استفاده از برچسب‌ داده ها هستیم. به دلیل نداشتن برچسب، هیچ روش مشخصی برای مقایسه عملکرد مدل در اکثر روش‌ های یادگیری بدون نظارت موجود نیست. روش‌ های یادگیری بدون نظارت در تحلیل‌ های اکتشافی و کاهش بُعد نیز مورد استفاده قرار می ‌گیرند. این روش ها قادرند ساختار را به طور خودکار در داده شناسایی کنند. برای نمونه، اگر تحلیلگری بخواهد مشتریان را تفکیک کند، روش‌ های یادگیری بدون نظارت می ‌تواند شروع بسیار خوبی برای تحلیل باشد. در مواردی که بررسی روندهای موجود در داده‌ ها برای انسان امکان‌ناپذیر است، روش‌ های یادگیری بدون نظارت می ‌توانند بینش مناسبی فراهم کرده و برای آزمودن تک‌تکِ فرضیه‌ ها به کار برده شوند.

از آنجایی که در دنیای واقعی تعداد داده های برچسب دار به مراتب کمتر از داده های غیر برچسب دار است، الگوریتم ها و روش های زیادی برای برچسب زنی داده ها وجود دارند، هرچند که برچسب زنی داده ها کار سخت و هزینه بری است. دسته ی دیگری از روش های یادگیری وجود دارند که با عنوان یادگیری نیمه نظارت شده (Semi Supervised Learning) شناخته شده اند که برخی از داده ها برچسب دار و برخی دیگر غیر برچسب دار می باشند.

برای مطالعه بیشتر در این حوزه ها می توانید به لینک زیر مراجعه کنید:

https://www.aparat.com/azamrabiee

وبینار تحلیل داده

ناهنجاری ها (Anomalies) الگوهایی در داده ‌ها هستند که با مفاهیم خوش تعریف از رفتار طبیعی مطابقت ندارند. ناهنجاری در داده‌ ها ممکن است ناشی از دلایل گوناگونی مانند فعالیت‌ های مخرب، نفوذ سایبری یا شکست یک سیستم باشد. اما ویژگی مشترک ناهنجاری‌ ها که این مبحث را به حوزه‌ ای جالب توجه برای تحلیلگران مبدل ساخته، ارتباط تنگاتنگ ناهنجاری ‌های موجود در زمینه ‌های گوناگون با مسائل جهان واقعی است. تشخیص ناهنجاری با حذف نویز (Noise Removal) و تطبیق نویز(Noise Accommodation)  که هر دو با حذف نویزهای ناخواسته در داده ‌ها سر‌و‌کار دارند مرتبط، اما متمایز از آنها است.

نویز را می ‌توان به عنوان پدیده ‌ای در داده‌ ها معرفی کرد که مانند مانعی برای تحلیل داده‌ ها عمل می‌کند و مورد علاقه تحلیلگران نیست. اما ناهنجاری، الگویی متفاوت با الگوی مرسوم است که اطلاعات مهمی از آنچه به وقوع پیوسته است را ارائه می‌کند. دیگر مبحث مرتبط با ناهنجاری، تشخیص نویی (Novelty Detection) است که با هدف شناسایی الگوهای نوظهور به وقوع پیوسته در داده ‌ها انجام می‌ شود. تمایز بین الگوهای نو و ناهنجار این است که الگو های نو پس از شناسایی به طور معمول در مدل طبیعی جای می‌ گیرند، اما ناهنجاری‌ ها در زمان تعریف و تشخیص ناهنجاری، همواره ناهنجار خواهند بود.

مسئله تشخیص ناهنجاری در تصاویر یکی از مسائلی است که در سال های اخیر توجه زیادی را به خود جلب کرده است. در تصاویر، پیکسلی ناهنجاری محسوب می شود که دارای طیفی باشد که در صحنه غیر منتظره است نه پیکسلی که از لحاظ طیفی با پس زمینه اش متفاوت باشد.

الگوریتم های تشخیص ناهنجاری، نوع خاصی از روش های آشکار سازی هدف هستند که در آن ها هیچ اطلاعات اولیه ای در مورد اهداف و طیف آن ها استفاده نمی شود. هدف این الگوریتم ها آشکار سازی پیکسل هایی در مکعب اطلاعات است که طیف آن ها تفاوت زیادی با طیف های موجود در تصویر دارد و در مقایسه با دیگر اجزای تصویر، نوعی ناهنجاری محسوب می شوند. این الگوریتم ها برای تشخیص اشیاء مطلوب، از این نظر قدرتمند هستند که پیش نیازی برای آن ها نیست و همچنین به آموزش و کتابخانه های طیفی نیازی ندارند.

ارزيابي الگوريتم هاي تشخيص ناهنجاري با استفاده از دو معيار سرعت و دقت تشخيص انجام مي شوند. سرعت اجراي الگوريتم ها را با استفاده از هر نوع تصويري مي توان بررسي كرد ولي براي ارزيابي دقت تشخيص الگوريتم ها، به تصويری با اهداف مشخص نياز است.

در سال­های اخیر روش­های متعدد و مناسبی بر روی داده­هایی از جنس ویدئو نیز در حوزه تشخیص ناهنجاری مورد توجه قرار گرفته­است که روش ­های ارائه شده می ­توانند بی درنگ (Real Time) انجام شوند.

تشخیص ناهنجاری استفاده گسترده ‌ای در دامنه کاربردهای مختلف از جمله صنعت بانکداری دارد که در ادامه به بخش هایی از آن اشاره خواهیم کرد.

  • تشخیص کلاهبرداری (Fraud Detection): این حوزه یکی از حوزه های مورد علاقه سالهای اخیر می باشد که بسیاری از پژوهش ها حول آن انجام گرفته است و مبحث مطرح دنیای امروز می باشد. تشخیص کلاهبرداری به شناسایی فعالیت‌های مجرمانه در سازمان‌های تجاری مانند بانک‌ ها، شرکت‌ های صادرکننده کارت اعتباری، اداره‌ های بیمه، شرکت‌ های مخابراتی و بازار بورس گفته می‌شود. خرابکاران ممکن است مشتری‌ های واقعی سازمان باشند و یا وانمود کنند یکی از مشتریان سازمان هستند که البته این کار به عنوان سرقت هویت شناخته شده است. کلاهبرداری زمانی به وقوع می ‌پیوندد که کاربران از مزایای ارائه شده توسط سازمان به شیوه غیرمجاز استفاده کنند. امکان رخداد این کلاه برداری ها در تراکنش هایی که استاندارد نیستند نیز وجود دارد.

سازمان ‌ها به تشخیص سریع چنین کلاهبرداری‌ هایی برای ممانعت از خسارت‌ های مالی بسیار علاقمند هستند. یک رویکرد عمومی برای تشخیص ناهنجاری، نگهداری پروفایل کاربری هر مشتری و نظارت بر این پروفایل ‌ها برای شناسایی هرگونه انحراف است. استفاده از روش های سنتی در تشخیص اینگونه مسائل، ممکن است ما را به بیراهه کشاند. لذا از راهکارهای تشخیص ناهنجاری می توان بهره جست. در حل مسائل تشخیص ناهنجاری باید توجه داشت که با چه نوع داده ای مواجه هستیم. به علت توسعه ی روش های تشخیص ناهنجاری در تمامی زمینه ها، داده ها ممکن است از نوع تصویر، فیلم، ارقام، ویژگی ها و … باشند.

از دیگر مباحثی که در بانکداری دیجیتال وجود دارد می توان به شناسایی رفتار مشکوک مشتریان و یا کارکنان و همچنین شناسایی تردد افراد مضنون در شعب مختلف اشاره کرد که امروزه با توجه به وجود دوربین های متعدد در بانک ها که همواره از رفتار کارکنان و مشتریان فیلم گرفته و ذخیره می کنند، قابل شناسایی می باشند. از دیگر کاربردهای تشخیص ناهنجاری در بانکداری دیجیتال می توان به تطبیق امضا و دسته چک نیز اشاره کرد.

  • داده ‌های متنی: پژوهشگران با استفاده از تشخیص ناهنجاری در داده ‌های متنی، به شناسایی موضوعات نو، رویدادها یا خبرها می‌پردازند. ناهنجاری در داده‌ های متنی، به موجب یک رویداد جدید یا موضوع غیرعادی به وقوع می‌پیوندد. داده‌ های متنی اغلب دارای ابعاد زیاد و پراکنده‌ ای هستند که جنبه زمانی دارند؛ زیرا مستندات در گذر زمان گردآوری می‌شوند. چالش مهم برای روش‌ های تشخیص ناهنجاری در داده‌ های متنی، ساختار نیافتگی و تنوع بالای مستندات متعلق به یک دسته یا موضوع است. در همین راستا می­توان به تشخیص اسناد مالی و هویتی مخدوش اشاره کرد. در بانکداری دیجیتال بر اساس احراز هویت افراد نسبت به سرویس دهی و ارائه خدمات به آنها تصمیم گیری می شود که ارائه کارت شناسایی یکی از راه های شناسایی افراد می باشد. خدشه در این اسناد می تواند به عنوان ناهنجاری محسوب شود. یکی از مسائلی که در مخدوش کردن اسناد مطرح می باشد نحوه ی مخدوش کردن و چگونگی دسته بندی آنهاست. اگر مساله تشخیص ناهنجاری به روش سنتی دسته بندی حل شود، امکان از دست دادن برخی از ناهنجاری­ها وجود دارد. لذا برای استفاده از روش های جدید، در ابتدای امر مدل مورد نظر خود را به وسیله اسناد غیر مخدوش و استاندارد، آموزش داده و سپس به تشخیص ناهنجاری ها با استفاده از روش های مختلف پرداخته می شود.

در حال حاضر نیز خدمات احراز هویت غیر حضوری مشتریان و تطبیق تصاویر آن­ها با ثبت احوال در برخی سامانه ها در حال انجام می ­باشد.

چالش‌ها

در سطح انتزاعی، ناهنجاری به عنوان الگویی که با رفتار طبیعی مورد انتظار مطابقت ندارد تعریف شده است. بنابراین، یک رویکرد تشخیص ناهنجاری صحیح مبتنی بر ارائه تعریف ناحیه‌ ای که نشانگر رفتار طبیعی بوده و گزارش هر مشاهده ‌ای در داده‌ ها که متعلق به این ناحیه طبیعی نیست، به عنوان ناهنجاری است.

مولفه ‌های گوناگونی این رویکرد به ظاهر ساده را بسیار چالش بر‌انگیز می‌کنند که برخی از آن ‌ها در ادامه بیان شده ‌اند. تعریف یک ناحیه بهنجار که هر رفتار طبیعی ممکنی را شامل شود بسیار دشوار است و به علاوه، مرزهای بین رفتار بهنجار و ناهنجار معمولا دقیق نیستند. در نتیجه، یک مشاهده غیرعادی که به مرزهای تفکیک رفتار بهنجار و ناهنجار نزدیک است می‌تواند بهنجار یا ناهنجارمحسوب شود.

هنگامی‌که ناهنجاری ‌ها در نتیجه رفتارها یا فعالیت‌ های خرابکارانه به وقوع می ‌پیوندند، خرابکارها سعی دارند خود را به صورت بهنجار نشان دهند تا طبیعی به ‌نظر برسند، و این مساله تشخیص ناهنجاری را دشوارتر می‌ سازد. از سوی دیگر، در بسیاری از دامنه ‌ها، رفتار طبیعی به طور دائم در حال تغییر است و مفهوم کنونی رفتار بهنجار در یک دامنه، ممکن است در آینده در همان دامنه نیز گویا نباشد. مساله دیگر تفاوت تعریف مفهوم دقیق ناهنجاری در دامنه کاربردهای گوناگون است. برای مثال، در دامنه پزشکی، یک انحراف کوچک از رفتار بهنجار ممکن است یک ناهنجاری باشد، در حالی که انحراف مشابهی در بورس ممکن است بهنجار در نظر گرفته شود. بنابراین اعمال یک فن ساخته شده برای یک دامنه به دامنه دیگر کار درست و امکان‌ پذیری نیست. فقدان داده‌ های برچسب‌دار برای آموزش، تایید اعتبار مدل‌ هایی که برای تشخیص ناهنجاری استفاده می‌شوند و نیاز به مجموعه داده های بسیار از دیگر چالش‌ های این حوزه به حساب می آیند.

دیگر مساله مهمی که بر پیچیدگی تشخیص ناهنجاری می‌افزاید وجود نویز است. معمولا داده ‌های دارای نویز به ناهنجاری ‌های واقعی گرایش دارند بنابراین تشخیص و حذف آن ‌ها دشوار است. به‌دلیل وجود چالش ‌های مذکور، حل مساله تشخیص ناهنجاری، به شکل کلی و عمومی آسان نیست. در حقیقت، بیشتر فنون تشخیص ناهنجاری موجود، یک مساله خاص را با توجه به مولفه ‌های گوناگون مانند ماهیت داده ورودی، وجود داده ‌های برچسب‌دار و نوع ناهنجاری فرمول ‌بندی و حل می‌کنند. چالش مهم دیگر در تشخیص ناهنجاری، شیوه ارائه گزارش است.

به طور معمول، خروجی مساله تشخیص ناهنجاری یک مجموعه امتیاز یا برچسب است. در روش امتیازدهی، یک امتیاز ناهنجاری به هر نمونه در داده ‌های آزمون با توجه به درجه ‌ای که هر نمونه به عنوان ناهنجاری در نظر گرفته شده، تخصیص داده می ‌شود. بنابراین خروجی این روش یک لیست امتیازبندی شده از ناهنجاری ‌ها است. پژوهشگران در مواجهه با چنین گزارش ‌هایی معمولا یک آستانه مشخص برای تعیین ناهنجاری ‌ها انتخاب می‌کنند. در روش برچسب‌ گذاری، به هر نمونه از مجموعه داده‌ ها یک برچسب بهنجار یا ناهنجار اختصاص می‌ دهند. روش ‌های تشخیص ناهنجاری مبتنی بر امتیاز، به تحلیلگران امکان انتخاب آستانه خاصی برای تعیین ناهنجاری را می‌ دهند، اما در روش ‌های برچسب‌ گذاری به طور مستقیم به تحلیلگر چنین امکانی داده نمی‌ شود.

webinar-1024

با توجه به تحول عظیمی که انقلاب دیجیتالی در جوامع امروزی ایجاد کرده است، می توان پیش بینی کرد بانکی موفق تر خواهد بود که بتواند خود را با میزان بالاتری از شاخص های بانکداری دیجیتال مطابقت دهد. استفاده از بانکداری دیجیتال یکی از ابزارهای ضروری برای تحقق و گسترش تجارت دیجیتالی است که می تواند نقش کلیدی در بقا و موفقیت یک بانک ایفا کند. استفاده از سیستم های دیجیتالی در موسسات مالی و اعتباری جهان به سرعت رو به گسترش بوده و شمار استفاده کنندگان از خدمات بانکداری دیجیتال روز به روز در حال افزایش است.

هوش مصنوعی می ‌تواند به عنوان یکی از اساسی ‌ترین فناوری ‌های تحول‌ آفرین، نقشی کلیدی در تحول بانک ‌ها در عصر دیجیتال ایفا کند. بانکداری می ‌تواند به کمک هوش مصنوعی تغییرات اساسی را تجربه کند. شاید بتوان گفت مهم‌ ترین این تغییرات در مشتری مداری و تمرکز بر بخش مشتریان خواهد بود.

از یک سو مشتریان امروزی به دلیل استفاده از تکنولوژی و فناوری در زندگی روزمره خود انتظار دارند که شاهد این فناوری ‌ها در کسب و کارهایی باشند که با آن ‌ها سر و کار دارند و از سوی دیگر همگام شدن بانکداری با حوزه ‌هایی همانند فناوری اطلاعات و ارتباطات از راه دور، باعث انتقال اطلاعات مهم بیشتر از طریق شبکه و آسیب پذیری بانک‌ ها در برابر حملات سایبری و کلاهبرداری‌ های اینترنتی شده است. این مشکلات نه تنها سودآوری بانک‌ ها را کاهش می‌ دهد بلکه بر ارتباط و اعتماد مشتریان و بانک ‌ها نیز تاثیر سوء دارد.

به کمک فناوری ‌های شناختی و هوش مصنوعی، علاوه بر این که می ‌توان به بانک ‌ها مزیت دیجیتالی شدن بخشید و به آن ها کمک کرد تا در رقابت در دنیای فینتکی از سایر رقبا جا نمانند، می توان جواب مناسبی برای مقابله با مشکلات و چالش های پیش رو داشت.

فناوری هوش مصنوعی توانایی تجزیه تحلیل داده‌ های پیشرفته برای مقابله با کلاهبرداری ‌ها و تایید هویت مشتریان در هنگام انجام معاملات را دارد. الگوریتم ‌های هوش مصنوعی قادر هستند تا فعالیت ‌های ضد پولشویی را در چند ثانیه انجام دهند که این روند به صورت سنتی چندین ساعت و یا روز طول می ‌کشید. هوش مصنوعی همچنین به بانک‌ ها کمک می‌ کند تا حجم عظیمی از داده ‌ها را به سرعت ضبط و مدیریت کنند و از آن‌ ها بینش ارزشمندی بدست بیاورند. ویژگی‌ هایی همانند چت بات ‌های هوش مصنوعی، مشاوران پرداخت دیجیتالی و مکانیسم ‌های شناسایی تقلب باعث افزایش کیفیت خدمات به مشتریان خواهد شد. در نهایت همه ‌ی این افزایش کیفیت در خدمت رسانی باعث صرفه جویی در هزینه‌ ها و افزایش سود و درآمد بانک‌ ها خواهد شد. همچنین هوش مصنوعی باعث افزایش رقابت بین بانک ها نیز می شود.

در بانکداری دیجیتال، فناوری هوش مصنوعی می ‌تواند کارکردهای مختلفی داشته باشد که در ادامه به برخی از آن ها اشاره می شود:

  • ارائه خدمات از طریق رابط های تعاملی واقع گرایانه مانند چت ‌بات‌ ها و ربات‌ ها

بارزترین روشی که صنعت بانکی از هوش مصنوعی برای ارائه خدمات به مشتریان استفاده می ‌کند، از طریق چت ‌بات‌ ها و ربات‌ هاست. بسیاری از بزرگترین مؤسسات مالی از هوش مصنوعی استفاده می ‌کنند تا ارائه خدمات به مشتریان را ساده ‌تر کنند. این رابط های تعاملی هوشمند، همزمان با پیشرفت پردازش‌ های زبان طبیعی، قابلیت‌ های تشخیص متن و احساس را در گفتگوی متنی دارند و به مناسب ترین روش، با دسترسی به حجم انبوهی از داده‌ ها، به آن ها پاسخ می دهند. چت ‌بات ها به منزله نقطه آغازین مسیر دستیابی به کانال‌ های تعاملی هستند و نباید با مقصد و هدف اشتباه گرفته شوند.

اغلب ربات‌ های کنونی دارای قابلیت‌ های محدودی هستند. بسیاری از این ربات‌ ها صرفاً جایگزینی برای بخش پرسش‌ های متداول وب ‌سایت‌ ها می ‌باشند. با این حال بانک‌ های دارای تفکر پیشرو، فراتر رفته و از ربات‌ ها برای رصد سرویس‌ های معاملاتی و تعامل صحیح با کاربران استفاده می ‌کنند. این رویکرد، اولین گام برای پشتیبانی از تمام خدمات بانکداری اعم از فروش یا مشاوره در سطح بالایی از شخصی ‌سازی، تعامل دوستانه با کاربران و اتوماسیون است.

این دستگاه های شناختی، بانک ها را قادر می سازند که نه تنها در زمان صرفه جویی کنند و کارایی را بهبود بخشند، بلکه به بانک ها این امکان را می دهند که در نتیجه صرفه جویی در هزینه های انباشته، میلیون ها دلار پس انداز کنند.

 

  • تسهیل بانکداری موبایل

روش دیگر مشتری ‌مداری از راه هوش مصنوعی، تسهیل بانکداری موبایل است. هوش مصنوعی در بانکداری موبایل یک تحول اساسی در تجربه مشتری است. فرض اصلی بانکداری موبایل، ارائه خدمات بانکی بصورت شبانه ‌روزی و همچنین فراهم ساختن پشتیبانی برای مشتری جهت تمرکز روی کارهای پیچیده ‌تر است. برای مثال یک دستیار مجازی هوش مصنوعی، می ‌تواند به مشتریان کمک کند تا توازن حساب خود را بررسی کنند، به آن‌ ها موعد پرداخت صورتحساب‌ ها را یادآوری کند و به سؤالات بانکی مشتریان نیز پاسخ دهد. جذابیت استفاده از اینگونه خدمات در این است که مانند تمام خدمات بانکداری موبایل، امکان دسترسی ۲۴ ساعته در تمام روزهای هفته را برای مصرف ‌کنندگان جهت انجام عملیات بانکی فراهم می ‌کند و نیازی به استراحت ندارد.

همچنین مؤسسات بانکی می ‌توانند اپ موبایل خود را با استفاده از هوش مصنوعی ارتقا داده‌ تا در زمان نیاز کاربران یادآوری‌ هایی برایشان ارسال شود. ساده ‌سازی فعالیت‌ های کاربر با فن ‌آوری صوتی، به ‌سرعت تبدیل به بخش ضروری تجربه‌ کاربر می ‌شود. در این‌جا بانک‌ ها نیز باید تجارب هوش مصنوعی ساده و درعین ‌حال غنی را فراهم سازند تا بتوانند ارتباط خود را با کاربران موبایل حفظ کنند.

  • افزایش امنیت و کشف کلاهبرداری‌ ها

امنیت و کشف کلاهبرداری‌ ها همیشه در بخش مالی یکی از اولویت‌ های اصلی بوده است. با پیشرفت‌ های روزافزون فناوری‌ های ضد امنیتی و افزایش معاملات، شاهد تهدیدهای امنیتی بیشتری هستیم که هوش مصنوعی و یادگیری ماشین یک سپر امنیتی در این زمینه به شمار می ‌آید. یادگیری ماشین می ‌تواند از الگوریتم‌ ها استفاده کند تا مشخص کند آیا یک فعالیت خاص مشکوک به نظر می ‌رسد یا خیر و سپس آن را جهت بررسی نشانه‌ گذاری کند. همچنین می ‌تواند با تجزیه و تحلیل عوامل مختلف، پروسه احراز هویت کاربر را نیز بهبود بخشد.

فناوری هوش مصنوعی به موسسات مالی در مدیریت ریسک و تصمیم‌ گیری در مورد وام‌ ها کمک می ‌کند. هنگامی که از الگوریتم‌ های یادگیری ماشین و یادگیری عمیق استفاده شود، احراز هویت به تجربه‌ ای تبدیل می ‌شود که در آن کاربر نیازی ندارد راحتی را فدای امنیت کند. هوش مصنوعی در تشخیص تفاوت بین هویت‌ های واقعی و جعلی بسیار دقیق عمل می ‌کند. مدارک شناسایی، از قبیل گواهینامه‌ های رانندگی، کارت ملی و پاسپورت، اسکن می ‌شوند تا ویژگی‌ های مختلف مدارک، از جمله الگوهای ریز بر روی آن ها و یا سایر ویژگی‌ های امنیتی تعبیه شده، بررسی شوند و چهره فرد با چهره اصلی آن تطبیق داده ‌شود. فرآیند بررسی یادگیری ماشین، کارآمدتر و دقیق ‌تر از یک انسان آموزش دیده برای بررسی و احراز هویت است.

  • تجارت الگوریتمی

تجارت الگوریتمی به زبان ساده، به هر نوع معامله خودکار اطلاق می ‌شود. ابزار تجارت الگوریتمی در بازارهای مالی سراسر دنیا، از آمریکا تا اتحادیه اروپا، از چین تا هند و سنگاپور چنان مزیت رقابتی برای شرکت‌ های سرمایه ‌گذاری ایجاد کرده است که توانسته در بازه زمانی کوتاهی شرکت‌ های سنتی را تماماً از بازار بیرون کند. به دلیل مزایای کامپیوتر نسبت به انسان، در حوزه سرعت تحلیل، سرعت اجرای دستورات و تصمیم‌ گیری، عدم خستگی و عدم خطا و همچنین عدم تأثیر احساسات بر معامله و استراتژی، نمی ‌توان به باقی ماندن روش های سنتی در گردانه رقابت امیدوار بود. در بانکداری نیز، ملاحظات مربوط به هزینه، رقابت ‌پذیری و سودآوری، انگیزه‌ های اصلی برای تجارت با استفاده از الگوریتم‌ ها هستند. تجزیه و تحلیل همزمان هزاران داده، به یادگیری ماشین و هوش مصنوعی اجازه می ‌دهد تحت عنوان تجارت الگوریتمی سود مورد انتظار و خطر احتمالی را ارزیابی کرده تا به انسان در تصمیم‌ گیری‌ های تجاری کمک کنند.

  • تجربه مشتری

بر اساس تعاملات گذشته، هوش مصنوعی درک بهتری از مشتریان و رفتار آن ها ایجاد می کند. این امر به بانک ها این امکان را می دهد تا با افزودن ویژگی های شخصی و تعامل های بصری، خدمات بانکی را برای دستیابی به تعامل بیشتر با مشتری برای هر فرد به صورت شخصی، سفارشی سازی کنند تا رابطه ای معنی دار و مستحکم با مشتریان ایجاد گردد، به گونه ‌ای که مشتری حس می کند ارزشمند و مهم است.

  • پیش بینی نتایج و روندهای آینده

هوش مصنوعی با قدرت خود برای پیش بینی حالات آینده با تجزیه و تحلیل رفتارهای گذشته به بانک ها کمک می کند تا نتایج و روندهای آینده را پیش بینی کنند. این امر به بانک‌ ها در شناسایی کلاهبرداری، تقلب و کشف الگوی مبارزه با پولشویی کمک می ‌کند. پولشویان از طریق یک سری اقدامات تصور می کنند که منبع پول غیرقانونی آن ها قانونی است. هوش مصنوعی با استفاده از قدرت یادگیری ماشین، این اقدامات پنهان را شناسایی کرده و به پس انداز میلیون ها دلار در بانک کمک می کند.

به طور مشابه، هوش مصنوعی قادر به کشف الگوی داده های مشکوک در بین حجم زیاد از داده ها برای انجام مدیریت کلاهبرداری، می باشد.

  • فرآیند شناختی اتوماتیک

این ویژگی امکان اتوماسیون سازی انواع خدمات بانکی که به دلیل پر محتوایی و هزینه زیاد مستعد خطا هستند را اجرایی و مطالبات را مدیریت، هزینه ها را کاهش و همچنین پردازش دقیق و سریع خدمات را در هر مرحله تضمین می کند. اتوماسیون فرآیند شناختی مجموعه ای از وظایف را که مکرراً انجام می ‌شوند را به راحتی انجام می ‌دهد و به کمک یادگیری ماشین، هوش مصنوعی می ‌تواند این فرآیندها را یادگرفته و به خوبی و بدون اشتباه مدیریت کند. این موضوع اجازه می دهد تا کارمندان وقت خود را برای کارهای با ارزش که نیاز به مداخلات انسانی بالا دارند، صرف کنند.

  • تصمیم گیری موثر

سیستم های شناختی که مانند کارشناسان حرفه ای، فکر می کنند و پاسخ می دهند، راه حل های بهینه را براساس داده های موجود در زمان واقعی ارائه می دهند. این سیستم ها یک مخزن اطلاعاتی تخصصی را در پایگاه داده خود به نام بانک اطلاعاتی نگه می دارند. سیستم‌ های هوش مصنوعی می ‌توانند با تجزیه و تحلیل داده‌ های موجود و بررسی فاکتورهای زیادی راه حل‌ های بهینه‌ ای را پیشنهاد دهند و در زمان کوتاهی کمک می ‌کنند تا مشکلات به راحتی حل شوند. بانکداران می ‌توانند به خوبی از این سیستم‌ های هوش مصنوعی برای اتخاذ تصمیمات استراتژیک و مواجهه با بحران‌ ها استفاده کنند.

هوش مصنوعی و بانکداری نه تنها از طریق اتوماسیون شدن به یکدیگر مربوط می ‌شوند بلکه استفاده از هوش مصنوعی به افزایش امنیت و کاهش کلاهبرداری و حملات سایبری و… کمک خواهد کرد. هوش مصنوعی به زودی به یکی از فرآیندهای بانکی تبدیل و باعث ایجاد تکامل و نوآوری خواهد شد. هوش مصنوعی به بانک‌ ها کمک خواهد کرد تا از نیروی انسانی و کامپیوترها در تعامل با یکدیگر و به صورت بهینه استفاده کنند تا علاوه بر کاهش هزینه‌ ها راندمان و بازدهی را بالا ببرند. همه‌ی این مسائل نشان می ‌دهد که آینده ‌ای روشن و چشم ‌اندازی وسیع در انتظار صنعت بانکداری نشسته است تا به کمک هوش مصنوعی به آن دست یابد.

 

بیشتر بخوانید