همنشینی هوش‌مصنوعی و فین‌تک؛ آینده از آن ماشین‌هاست!

هوش مصنوعی حالا یکه‌تاز دنیای تکنولوژی است. امروز هر کس محصولی در حوزه تکنولوژی تولید می‌کند جایی برای توسعه با هوش مصنوعی در آن پیش‌بینی می‌کند. اینترنت اشیاء که روزگاری ایده‌ای بلندپروازانه به نظر می‌رسید حالا با گسترش تلفن‌های همراه و سیستم‌های خانه یا شهرهای هوشمند امری بدیهی است.

همه‌گیر شدن هوش مصنوعی در فین‌تک نیز راهی ناگزیر است؛ حجم اطلاعات و تراکنش‌هایی که درگاه‌های پرداخت ثبت می‌شوند آنقدر زیاد است که رسیدگی و استفاده از آنها راحت نخواهد بود و استفاده از نیروی انسانی برای پیشبرد پروژه‌های این کسب‌وکارها از لحاظ اقتصادی کاری بیهوده و بدون صرفه است.

علاوه‌برآن ماهیت سرعت و راحتی که دو ویژگی مهم در خدمات فین‌تکی است با راهکاری جز به‌کارگیری هوش مصنوعی امکان‌پذیر نخواهد بود. هوش مصنوعی از پس حل مسائلی بر‌می‌آید که انسان توانایی آن را در زمان مناسب ندارد؛ تشخیص کلاه‌برداری، سنجش ریسک، بهبود رضایت مشتری، ارتقای اتوماسیون حسابداری و معاملاتی، معاملات الگوریتمی و… مواردی هستند که هوش مصنوعی کارایی مناسبی برای آن دارد.

تاثیر هوش مصنوعی بر توسعه خدمات مالی

صنعت مالی که روزگاری بر محور نیروی انسانی و با انبوهی از تحلیلگران و مدیران مالی چرخش می‌چرخید، اکنون دارد با شتاب به صنعتی بر محور فناوری تبدیل می‌شود. در نتیجه، سیستم مالی و پرداخت الکترونیک امروزی به دنبال تقویت هوش انسانی با استفاده از هوش مصنوعی است. زیرا به خوبی دریافته که این عامل، منجر به کارایی بیشتر، کاهش هزینه‌ها برای مؤسسات مالی و بانک‌ها و پیشنهادات جدید به مصرف‌کنندگان خواهد شد. براساس پیش‌بینی‌ها از سال ۲۰۲۰ تا ۲۰۲۴ سرمایه‌گذاری جهانی در هوش مصنوعی دو برابر خواهد شد و از ۵۰ میلیارد دلار به بیش از ۱۱۰ میلیارد دلار می‌رسد.

هند می‌تواند مثال واقعی تبدیل شدن به یک بازیگر برجسته در عرصه‌ی مالی جهانی در دهه گذشته از طریق تلاش‌های گسترده و افزایش دیجیتالی شدن اقتصاد باشد و ارائه دهنده داده‌های فوق‌العاده غنی باشد. این اطلاعات در سال‌های آینده می‌تواند منبعی برای تعیین چشم‌انداز  برای ارائه خدمات و محصولات هدفمند به مصرف‌کنندگان باشد. همچنین، تعدد بالای شرکت‌های فین‌تک هند، امکان هر شهروند این کشور را برای دسترسی به سرمایه و خدمات سریع و راحت تضمین می‌کند.

در بازارهای سرمایه، هوش مصنوعی در حال تصاحب بخش قابل توجهی از فرایندهای اجرایی تجاری-مالی است. معاملات الگوریتمی روندی بود که در دهه ۱۹۸۰ آغاز شد. معامله‌گران و صندوق‌های تأمین شروع به استفاده از الگوریتم‌های بسیار پیچیده و دستورات نرم‌ افزاری برای اجرای معاملات کردند. در سیستم‌های مالی امروزی، معاملات الگوریتمی بر پایه هوش مصنوعی مورد استفاده قرار می‌گیرد و عمده کارکرد آن سنجش ایده‌های تجاری و اجرای معاملات است. صنعت و تجارتِ به سرعت رو به رشد امروز به شدت به اجرای معاملات خودکار ارائه شده توسط مدل‌های یادگیری ماشینی وابسته شده است. فرایندی که با استفاده از تکنیک‌هایی مانند بازگشت میانگین، تشخیص ناهنجاری و تکنیک‌های مختلف یادگیری عمیق، برای ثبت الگوهای زیربنایی پیچیده، انجام می‌شود.

بر اساس یک مطالعه توسط جی. پی. مورگان در سال ۲۰۲۰، بیش از ۶۰ درصد از معاملاتِ بالای ۱۰ میلیون دلار، با استفاده از الگوریتم‌ها انجام شده‌اند. علاوه بر این، انتظار می‌رود بازار معاملات الگوریتمی تا سال ۲۰۲۴ به میزان ۴ میلیارد دلار رشد کند و حجم کل آن به ۱۹ میلیارد دلار برسد.

چنین تحولی در دنیای فینتک سال‌ها پیش با ظهور درگاه پرداخت اینترنتی تجربه شد و پس از آن در صنعت پرداخت، توسط دایرکت دبیت یا برداشت مستقیم از حساب توجه صاحبان کسب‌وکار و کارآفرینان را جلب کرد. برای دهه آینده و حتی زودتر، نوبت ماشین‌هاست که تحول بیافرینند.

چالش‌های هوش مصنوعی در سیستم‌های مالی

با وجود کاربردهای بسیار زیاد هوش مصنوعی در مدیریت مالی و بانکداری نوین، هنوز چالش‌های متعددی در مسیر استفاده از فناوری هوش مصنوعی در سیستم مالی قرار دارد.

هوش مصنوعی اغلب به عنوان یک جعبه سیاه تلقی می‌شود، زیرا کاربران تمایل ندارند که متوجه شوند یا توضیح دهند که چرا یک مدل هوش مصنوعی یک نتیجه خاص را پیشنهاد یا پیش‌بینی می‌کند. این چالش نیاز به چارچوب‌های نظارتی و حاکمیتی برای پذیرندگان هوش مصنوعی را ایجاب می‌کند تا اطمینان حاصل شود که هیچگونه تعصب یا تبعیضی در یک مدل هوش مصنوعی اعمال نمی‌شود.

به عنوان مثال، یک هوش مصنوعی را در نظر بگیرید که بر اساس جنسیت، روی گروه خاصی از یک جامعه فرضی تعصب دارد. سوگیری داده‌ها، که منجر به تبعیض ناعادلانه می‌شود، مغایر با هدف شمول مالی بانک‌ها و مؤسسات خواهد بود. از این رو، هوش مصنوعی توضیح‌پذیر برای اطمینان از نظارت و قضاوت انسانی، اهمیت بیشتری پیدا می‌کند.

مدل‌های هوش مصنوعی به طور مداوم پیش‌بینی‌های خود را بر اساس داده‌های جدید می‌آموزند و اصلاح می‌کنند. با این حال، دامنه ریسک ناشی از رویدادهای پیش‌بینی نشده (خطر قوی سیاه- رویدادهای پیش‌بینی نشده‌ای که فراتر از انتظارها هستند و معمولاً تبعات منفی سنگینی دارند، مانند کووید-۱۹) یک نقطه ضعف برای آنها محسوب می‌شود. زیرا در این موقعیت‌ها آموزش مدل‌های یادگیری ماشینی به دلیل دریافت داده‌های ناگهانی و متفاوت، به یکباره تغییر می‌کند. چنین شرایط پیش‌بینی نشده‌ای که توسط داده‌ها ثبت نمی‌شود، دقت پیش‌بینی مدل‌های یادگیری ماشینی را تضعیف کرده و عملکرد آنها را کاهش می‌دهد. بنابراین، هوش مصنوعی با وجود تمام توانایی‌های تکنولوژیکی و محاسباتی‌اش، همچنان در بسیاری از موقعیت‌ها، به نظارت و مدیریت انسانی در کل فرایند نیاز دارد. اینها مواردی هستند که حوزه‌های تحقیقاتی جامعه هوش مصنوعی در دهه آینده را تعیین می‌کنند. موانعی که انتظار می‌رود تا آن زمان حل شوند.

همراهی هوش مصنوعی و ایجاد افق روشن فناوری مالی

بانک‌ها و مؤسسات مالی مدام از فناوری استفاده می‌کنند تا در بازار رقابت باقی بمانند و خدمات توسعه‌یافته‌تری به مشتریان خود ارائه کنند. در عصر فراگیری هوش مصنوعی، امور مالی و بانکداری نوین به جای استفاده از فناوری هوش مصنوعی به عنوان یک عامل فرعی، به مؤسسات و خدماتی تبدیل خواهندشد که الویت‌شان استفاده از هوش مصنوعی است. اگر فناوری یادگیری ماشینی و هوش مصنوعی به شکلی درست در خدمت سیستم مالی درآیند، توانایی بهبود تصمیم‌گیری‌های انسانی را دارند، و دستاوردی مثل کاهش ریسک و ایجاد فرصتی چند تریلیون دلاری را در صنعت فین‌تک به‌وجود آورند.

.

پایان رپورتاژ آگهی