پایگاه خبری راه پرداخت دارای مجوز به شماره ۷۴۵۷۲ از وزارت فرهنگ و ارشاد اسلامی و بخشی از «شبکه عصر تراکنش» است. راه پرداخت فعالیت خود را از دوم اردیبهشت‌ماه ۱۳۹۰ شروع کرده و اکنون پرمخاطب‌ترین رسانه ایران در زمینه فناوری‌های مالی، بانکداری و پرداخت و استارت‌آپ‌های فین‌تک است.
آنچه در رویداد چهارم از سلسله‌رویدادهای سازمان داده‌محور بیان شد / در آینده نزدیک استفاده از هوش مصنوعی به یک الزام تبدیل خواهد شد
احسان محمودی / چهارمین پخش زنده اینترنتی از سلسله‌رویدادهای سازمان داده‌محور با موضوع «جایگاه هوش تجاری و هوش مصنوعی در صنعت پرداخت ایران» با میزبانی آکادمی سحاب برگزار شد. رضا قربانی، عضو هیئت‌مدیره سازمان نظام صنفی رایانه‌ای استان تهران به‌عنوان مجری با وحیدرضا رامین‌آزاد، معاون فناوری اطلاعات پرداخت الکترونیک سداد؛ مریم حاتمی، معاون طرح و برنامه پرداخت نوین آرین و علی مهدویان، متخصص علم داده و هوش مصنوعی به گفت‌وگو پرداخت. همچنین در حین برگزاری این رویداد کتاب‌های «شکل‌دهی آینده انقلاب صنعتی چهارم» و «تحلیل استراتژیک» جهت کسب اطلاعات بیشتر در این زمینه به مخاطبان پیشنهاد شد.
نقش هوش مصنوعی و هوش تجاری در صنعت پرداخت
وحیدرضا رامین‌آزاد، معاون فناوری اطلاعات پرداخت الکترونیک سداد درباره نقش هوش مصنوعی و هوش تجاری در صنعت پرداخت و اینکه تا چه میزان در استفاده از این روندهای فناوری موفق بودیم، گفت: «صنعت پرداخت در ایران از روز نخست فعالیت خود با هدف تکمیل و توسعه ابزار پرداخت در این مسیر گام برداشته که امروز این روند به اشباع رسیده است. از این جهت شرکت‌های پرداخت با شناسایی نقاط آسیب در جهت کاهش هزینه‌ها، افزایش بهره‌وری، عملکرد خود و هدف‌گذاری در بازارهای مطمئن‌تر، به سمت داده‌محوری متمایل شدند. هوش تجاری در داده‌محوری در جهت بهره‌گیری از تحلیل‌های توصیفی مورد استفاده قرار می‌گیرد؛ از این رو بازیگران جدید و مدل‌های پرداخت، به‌ویژه پرداخت‌های غیرحضوری بیشتر از هوش مصنوعی و تجاری استفاده می‌کنند.»
میزان استفاده از هوش مصنوعی و تجاری در مجموعه سداد
شرکت سداد یکی از قدیمی‌ترین مجموعه‌های فناوری بانکی کشور در زیرمجموعه بانک ملی به‌شمار می‌رود و چندسالی است که شرکت پرداخت الکترونیک سداد روی حوزه پرداخت به‌صورت متمرکز مشغول فعالیت است. رامین‌آزاد، نیز در شرکت داده‌ورزی سداد به‌عنوان مدیر ارشد داده و خدمات هوشمند و در حال حاضر نیز در پی‌اس‌پی سداد در حوزه معاونت فناوری اطلاعات مشغول فعالیت است. به گفته او در شرکت داده‌ورزی سداد داشبوردهایی در زمینه ابزارهای هوش تجاری در فضای تخلفات و مبارزه با پول‌شویی، زیرساخت‌هایی برای داده‌کاوی و بستر دریاچه داده ایجاد شدند تا بر مبنای آنها سرویس‌های هوشمندی در سامانه‌ها در راستای کشف تقلب در سیستم بانکی و هوش عملیاتی مورد استفاده قرار بگیرند.
لزوم توسعه و بهبود زیرساخت‌های داده محوری پی‌اس‌پی سداد
معاون فناوری اطلاعات پرداخت الکترونیک سداد اظهار کرد که در صنعت پرداخت و در تمام بخش‌های شرکت پی‌اس‌پی سداد ابزارهای هوش تجاری به‌صورت رشدیافته در زمینه‌های بازاریابی، ارزیابی عملکرد فرایندهای پشتیبانی، تولیدات و عملکرد تیم‌های فنی مورد استفاده قرار می‌گیرند. وی با اشاره به عدم استفاده صحیح از داده بر این باور است که اغلب مدیران از داده‌ها به‌عنوان تأیید شهود خود استفاده می‌کنند، در حالی که باید بر مبنای همین داده‌ها به اطلاعات و دانش رسید.
به گفته او به‌دلیل عدم زیرساخت مناسب جهت داده‌محوری و داده‌کاوی در مجموعه پی‌اس‌پی سداد، از سال گذشته فرایندی برای سنجش بلوغ داده‌محوری آغاز شد که بر اساس مدل استنفورد پروژه‌ها در 11 پیلار مختلف در حوزه امنیت داده، هوش مصنوعی، هوش تجاری، بیگ‌دیتا و دیگر موارد برای مشخص‌شدن اهداف ایده‌آل دسته‌بندی شدند.
او همچنین در این‌باره ادامه داد: «در حال حاضر اهدافی برای تیم دیتاساینس تعریف شده که در مرحله جذب متخصص و ایجاد بستر برای استریم‌های داده‌ای و متادیتاها قرار دارد؛ همچنین از دیگر کارهای انجام‌شده ری‌فکتور کردن مدل‌های داده‌ای جهت مدل‌سازی داده‌های کلیدی صنعت در این زمینه بود که این اقدام بر اساس الگویIFW (Information FrameWork) که در شرکت پرداخت الکترونیک مورد استفاده قرار گرفت، در شرکت داده‌ورزی سداد نیز پیاده‌سازی شد.»
ارزش تراکنش‌های شاپرک بهنسبت نقدینگی کشور حدود 16 درصد است
مریم حاتمی، معاون طرح و برنامه پرداخت نوین آرین در ابتدا با تشریح ابعاد صنعت پرداخت با اشاره به آخرین گزارش منتشرشده از سوی شرکت شاپرک گفت: «ارزش تراکنش‌های شاپرک بهنسبت نقدینگی کشور حدود 16 درصد است که نشان‌دهنده اثر صنعت پرداخت روی مبادلات کشور است. در این صنعت، ماهانه حدود سه میلیارد تراکنش، توسط 12 شرکت پرداخت الکترونیکی روی حدود 13 میلیون ابزار پذیرش از انواع مختلف کارت‌خوان، اینترنت و موبایل با حضور کاربران و پذیرندگان انجام می‌شود.
به گفته او همچنین به‌صورت میانگین از هر 10 هزار جمعیت بالای 18 سال حدود دو هزار ابزار وجود دارد که هر فرد ماهانه بیش از 50 تراکنش با استفاده از همین ابزارهای پرداخت انجام می‌دهد که نشان‌دهنده رشد قابل توجه صنعت پرداخت و افزایش ضریب نفوذ آن در میان جامعه با توجه به گذشت عمر دو دهه از فعالیت این صنعت است.
میزان استفاده از هوش تجاری و هوش مصنوعی در صنعت پرداخت
او با اشاره به اینکه تا چه میزان هوش تجاری و هوش مصنوعی در صنعت پرداخت مورد استفاده قرار گرفته، معتقد است که داده، سرمایه اصلی سازمان‌ها به‌شمار می‌رود که در صنعت پرداخت نیز از حساسیت خاصی برخوردار است. هوش تجاری در مرحله اول به‌عنوان یک ابزار و تکنولوژی به سازمان‌ها در جهت اتخاذ تصمیمات دقیق‌تر و سنجیده‌تر کمک می‌کند که اگر سازمانی از این تکنولوژی استفاده نکند، از گوی رقابت عقب می‌ماند؛ بنابراین امروزه هوش تجاری یا داده‌کاوی تنها به‌عنوان یک ابزار تلقی نمی‌شود، بلکه رویکرد و نگرشی است که سازمان‌ها برای حفظ جایگاه خود در بین رقبا باید از آن استفاده کنند.
او معتقد است که هوش مصنوعی بخش به‌بلوغ‌رسیده هوش تجاری است و با توجه به حجم بالای داده و مبادلاتی که در صنعت پرداخت وجود دارد و محدودیت‌هایی که به سبب افزایش حجم داده، درک انسان را از ارائه تحلیل دقیق و درست ناتوان می‌کند، باید به استفاده از ابزار و ماشین داده‌کاوی جهت اتخاذ تصمیمات درست روی آورد.
تا چه میزان از هوش مصنوعی و هوش تجاری در شرکت پرداخت نوین آرین استفاده شده است؟
در بخش دیگری از این رویداد، حاتمی نوع رویکرد و نگرش یک سازمان را قبل از حرکت به سمت سازمان داده‌محور مهم تلقی کرد. او درباره میزان استفاده از هوش مصنوعی و هوش تجاری در شرکت پرداخت نوین آرین گفت: «تلاش شرکت بر استفاده بهتر از داده با پالایش آنهاست تا با جداسازی داده کثیف از داده تمیز، قابلیت مبنا قرار دادن داده برای تصمیمات شرکت و گزارش‌ها محقق شود. این مسیر کمک می‌کند که مبنای تصمیم‌گیری شرکت با ایجاد گزارش‌هایی در زمینه هوش تجاری برای رصد فرایندهایی که در این صنعت اتفاق می‌افتد، دقیق‌تر شود.»
او همچنین در این‌باره گفت: «یک تراکنش کوچک‌ترین فرایند این صنعت را به خود اختصاص می‌دهد که شاید از دید کاربر تنها یک لحظه باشد، ولی رصد این تراکنش مسیرهای مختلفی را طی می‌کند که در همین راستا یکی از اقدامات دیگر شرکت بررسی زنجیره ایجاد تراکنش‌ها و شناسایی گلوگاه‌ها بود تا اختلالات موجود در این حوزه برطرف شود.»
برای حرکت به سمت بلوغ داده و داده‌کاوی در شرکت پرداخت نوین آرین اقداماتی از قبیل تعیین شاخص‌هایی برای سنجش کیفیت خدماتی که از طریق سوئیچ انجام می‌شود؛ به‌کارگیری، تحلیل و شناسایی الگوریتم‌های بخشی از فرایندهای عملیاتی شرکت در سامانه هوش تجاری صورت گرفت که به گفته حاتمی تیمی در راستای تحلیل داده و الگوریتم‌های لازم جهت استخراج داده جهت رسیدن به اتخاذ تصمیم نهایی در واحد طرح و برنامه شرکت تشکیل شد.
داده‌هایی که در زمینه صنعت پرداخت تولید می‌شوند، چه اجزایی دارند؟
معاون طرح و برنامه پرداخت نوین آرین با بیان اجزای داده‌ای که در زمینه صنعت پرداخت تولید می‌شود، تشریح کرد: «فرایند تولید داده در این حوزه از زمان درخواست پذیرنده برای دریافت یک سرویس با مراجعه به شرکت پرداخت آغاز می‌شود. از آنجایی که شخص پذیرنده به‌دلیل سوابق گذشته خود به‌عنوان مشتری بانک شناخته می‌شود، یکسری داده‌هایی از گذشته در این زمینه تولید شده است؛ بنابراین هنگامی که این فرد به یکی از شرکت‌های پی‌اس‌پی مراجعه می‌کند، مشخصات فردی او به‌عنوان اولین داده تولید می‌شود. بعد از ارائه مشخصات فردی؛ احراز هویت و تأیید آن هم یک داده به حساب می‌آید. همچنین مشخصات دستگاه یا ابزاری که به فرد بعد از تأیید شرکت شاپرک تخصیص می‌یابد، یک داده محسوب می‌شود.»
به گفته او انجام تراکنش‌ها مرحله بعدی تولید این سری از داده‌هاست؛ چراکه هر تراکنش از چندین داده شامل زمان، مبلغ تراکنش و رفت‌و‌آمدهای بین سوئیچ‌های مختلف، تشکیل می‌شود که این داده‌ها را می‌توان به‌عنوان مجموعه تراکنش‌های روزانه یا ماهانه یک فرد یا به‌عنوان تحلیل رفتار افراد در صنعت پرداخت دسته‌بندی کرد.
در زمینه داده‌های کثیف و تمیز در قبل از وجود شرکت شاپرک و بعد از آن چه تفاوت‌هایی وجود دارد؟
به گفته حاتمی صنعت پرداخت به دو عصر قبل از زمان تأسیس شرکت شاپرک و بعد از آن تقسیم‌بندی می‌شود؛ چراکه صنعت پرداخت کار خود را به‌عنوان شرکت‌هایی مستقل، ولی وابسته به بانک‌ها از سال 1370 آغاز کرد، از این رو مکانیسم‌های کنترلی در جریان عدم وجود شرکت شاپرک روی این شرکت‌ها وجود نداشت که داده‌های به‌اصطلاح کثیف در این دوران تولید می‌شدند. شاپرک به‌عنوان رگولاتور صنعت پرداخت، با وضع ابزارهای کنترلی سبب شد تا بتوان با پالایش داده به داده‌های سالم‌تر و اصطلاحاً تمیزتری دست یابیم. این در حالی است که هم‌اکنون نیز در بعضی از سازمان‌ها این نوع از داده‌های کثیف همچنان وجود دارند که باید با کمک قانون‌گذار بخشی از آنها را قبل از اینکه به داده‌های صنعت پرداخت تبدیل شوند، کنترل و پالایش کرد.
تفاوت‌های هوش مصنوعی و هوش تجاری در چیست؟
علی مهدویان، متخصص علم داده و هوش مصنوعی با اشاره به تفاوت موجود میان هوش مصنوعی و هوش تجاری تشریح کرد: «داده، ارزشمندترین دارایی هر کسب‌وکاری است که به گفته مخترع وب، تیم برنرزلی؛ داده‌ها بیشتر از سامانه‌هایی که آنها را به تولید می‌کنند، دوام می‌آورند و از آنها ارزشمندتر هستند. برای بیان تفاوت‌های هوش تجاری و هوش مصنوعی از یک منظر می‌توان به هرم داده اشاره کرد که بر اساس آن، بعد از داده (Data) به اطلاعات (Information)، دانش (Knowledge) و خرد (wisdom) می‌رسیم. در این بین هوش تجاری به ما کمک می‌کند که داده را به سطح اطلاعات یا دانش برسانیم. ابزارهای هوش تجاری با سازمان‌دهی داده‌ها و مرتب‌سازی آنها، داده‌ها را به سطح اطلاعات یا دانش می‌رسانند و با ایجاد گزارشهای توصیفی، Data Visualization را انجام می‌دهند.
او در ادامه صحبت‌هایش با بیان اینکه کاری که هوش مصنوعی انجام می‌دهد، ما را به خرد می‌رساند و به مرحله اکشن نزدیک‌تر می‌کند، توضیح داد: «زمانی که از سطوح مختلف تحلیل‌های هوش مصنوعی استفاده می‌کنیم، می‌توان گفت که در کنار شهود از چیزی به نام هوش مصنوعی نیز کمک گرفتیم تا اقدامات خود را با درصد اطمینان بالاتری به نتیجه برسانیم.»
برای مثال سامانه کشف تقلب برخط که از هوش مصنوعی قدرت گرفته است، به‌طور فعال باید از انجام تراکنش مشکوک به تقلب جلوگیری کند، پس در این سامانه، اکشنی انجام می‌شود که به عدم انجام تراکنش منجر خواهد شد.
برای بیان تفاوت‌های هوش تجاری و هوش مصنوعی از منظر دیگر، او به قدرت این دو در ایجاد انواع تحلیل‌ها می‌پردازد.
به گفته او، انواع اصلی تحلیل‌ها به دسته‌های زیر تقسیم می‌شوند:
- توصیفی (Descriptive)؛
- تشخیصی (Diagnostic)؛
- پیش‌بینی‌کننده (Predictive)؛
- تجویزی (Prescriptive)؛
- شناختی (Cognitive).
اما خروجی‌های هوش تجاری یا Business Intelligence اغلب در سطح تحلیل‌های توصیفی است که می‌توان با استفاده از آن داده‌ها، گذشته را تحلیل کرد. با این حال اگر بخواهیم پا را فراتر از سطح اول این تحلیل‌ها بگذاریم، باید از هوش مصنوعی استفاده کنیم تا بتوانیم از جوانب مختلفی یک مسئله را واکاوی کنیم.
در آینده نزدیک استفاده از هوش مصنوعی به یک الزام تبدیل خواهد شد
مهدویان معتقد است سرعتی که هوش مصنوعی در پیش دارد، فراتر از صنعت کشور است و در آینده نزدیک استفاده از هوش مصنوعی به یک الزام تبدیل خواهد شد. بر اساس تجربه‌های انقلاب‌های صنعتی گذشته، اگر سازمانی در 20 سال پیش از سیستم‌های حسابداری یا اینترنت استفاده نمی‌کرد، محکوم به شکست بود و با انقلاب صنعتی چهارم و پدیده‌‌های نوظهوری که در حال وقوع است، استفاده از هوش مصنوعی و ابزارهای مانند آن به یک الزام تبدیل خواهد شد.
تصور موجود از هوش مصنوعی، ابزار لاکچری است
او با اشاره به بخش‌های بالقوه‌ای که صنعت پرداخت در این زمینه می‌تواند از آنها استفاده کند، افزود: «با توجه به الزامات و گزارش‌هایی که در این زمینه تولید می‌شود، ابزارهای هوش تجاری و انباره داده یا Data Warehouse با رشد همراه بودند. اما با این وجود استفاده از هوش مصنوعی به‌دلیل اینکه به‌عنوان یک ابزار لاکچری و فانتزی به آن نگاه می‌شود، هنوز به‌صورت کامل و عملیاتی مورد توجه قرار نگرفته است. این در حالی است که کشور از پتانسیل داده‌ای مناسبی در این زمینه برخوردار است.»
داده چیست؟
مهدویان با اشاره به اینکه برای شناخت بیشتر داده می‌توان گفت هر آنچه را که بتوان ذخیره کرد، داده به‌شمار می‌آید، بیان کرد: «داده‌ها دارای انواع متنی، عددی، تصویری، به‌صورت فیلم و داده‌های ساختاریافته و غیرساختاریافته هستند که در حال حاضر زیرساخت‌هایی برای ذخیره و پردازش انواع آنها وجود دارد. در مرحله اول باید سعی کنیم داده‌ها را حذف نکنیم تا بتوان در مرحله بعدی از آنها به‌عنوان خلق ارزش استفاده کرد.»
داده‌محوری و کاربرد آن
او همچنین درباره اینکه اغلب تصمیمات افراد ناشی از شهود و برگرفته از تجارب گذشته است و داده‌محوری شیوه جایگزین این اتفاق نخواهد بود، گفت: «از تحلیل داده می‌توان در جهت آشکار شدن زوایایی که به‌دلیل برخی محدودیت‌ها وجود دارد، استفاده کرد تا بتوان تصمیمات مبتنی بر داده گرفت که دقت این تصمیم‌گیری‌ها نیز بیشتر خواهد بود.»
مهدویان در بخش دیگری از این رویداد، درباره اینکه هوش تجاری به گذشته می‌نگرد و به‌نوعی آفلاین به‌شمار می‌آید و هوش مصنوعی نیز ابزاری جهت پیش‌بینی وقایع آینده است، توضیح داد: «اغلب ابزارهای هوش تجاری که در حال حاضر مورد استفاده قرار می‌گیرند، به‌صورت آفلاین مشغول کار هستند و با تأخیر 24ساعته گزارشهای خود را به‌روزرسانی می‌کنند، ولی با توجه به تکنولوژی‌های امروز، می‌توان همین گزارش‌گیری را در لحظه انجام داد و به تحلیل استریم داده‌ها رسید.»
تجربه‌های موفق هوش مصنوعی در کشور
در ادامه مهدویان به نمونه تجربیات خود و پروژه‌های موفق مبتنی بر تحلیل داده و هوش مصنوعی که پیاده‌سازی شده‌اند یا در حال توسعه هستند، اشاره کرد. از نمونه پروژه‌های زیرساختی هوش مصنوعی به پیاده‌سازی زیرساخت MLOps اشاره کرد که می‌تواند هوش مصنوعی را به‌صورت سرویس یا Artificial Intelligence As a Service)) AIaaS ارائه دهد و فرایند توسعه و آموزش پروژه‌های مبتنی بر هوش مصنوعی را هماهنگ کند. از دیگر پروژه‌ها ایجاد پروفایل مشتری است که به شناخت همه‌جانبه از مشتری منجر می‌شود. پروفایل مشتری شامل انواع تحلیل‌های دسته‌بندی و خوشه‌بندی مشتریان، شناسایی ارزش طول عمر مشتری، تشخیص و پیش‌بینی ریزش مشتری، پیش‌بینی خرید بعدی مشتری و موارد دیگر می‌شود. پروژه موفق دیگر رتبه‌بندی اعتباری مشتریان بر اساس نحوه بازپرداخت تسهیلات آنهاست که به اختصاص اعتبار به هر مشتری، تصمیم برای اعطا یا عدم اعطای تسهیلات و تعیین میزان وثیقه مورد نیاز منجر خواهد شد. تشخیص اصناف در مشتریان پی‌اس‌پی‌ها بر اساس رفتار آنها از دیگر پروژه‌هاست. پیش‌بینی نقدینگی مورد نیاز شعب، پیش‌بینی میزان سپرده در هر شعبه، پیش‌بینی بار روی سوییچ‌ها و غیره هم از جمله تحلیل‌های پیش‌بینی‌کننده هستند.
تحلیل‌گرافی و کشف ارتباط بین موجودیت‌های مختلف از جمله تحلیل‌هایی است که در گزارشهای ذی‌نفع واحد بسیار پرکاربرد است. سیستم‌های احراز هویت و تشخیص چهره با کمک روش‌های پردازش تصویر و روش‌های یادگیری عمیق، دقت بسیار بالا و مقاومت خوبی نسبت به خطا پیدا کرده‌اند. چت‌بات‌ها نیز با استفاده از روش‌های مبتنی بر هوش مصنوعی و پردازش زبان طبیعی، ارتباطی شخصی‌سازی‌شده با مشتریان برقرار می‌کنند.
چالش‌ها و فرصت‌های استفاده از هوش مصنوعی در صنعت پرداخت کشور
او در ادامه افزود: «بزرگ‌ترین چالش در صنعت پرداخت قوانین مربوط به حاکمیت، مالکیت و محرمانگی داده‌هاست که باید قوانین و مقررات آیین‌نامه‌ای در سطوح مختلف قوه‌ها، وزارتخانه‌ها و بانک مرکزی و شاپرک وضع شوند تا بتوان از پتانسیل تحلیل داده‌های متنوع بهره‌مند شد. چالش دیگر عدم اجرای درست فرایند تحلیل داده و استفاده از هوش مصنوعی در بعضی موارد است که به عدم رضایت برخی مدیران و سلب اعتماد آنها به هوش مصنوعی منجر شده است. بزرگ‌ترین فرصت هم وجود داده‌های انبوه ارزشمندی است که می‌توان از آنها ارزش‌افزوده بالایی خلق کرد. فرصت دیگر پتانسیل بالای نیروی انسانی متخصص در کلاس جهانی در حوزه تحلیل داده و هوش مصنوعی است که متأسفانه نرخ بالای مهاجرت متخصصان باعث کاهش این پتانسیل شده است.»
