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.
هوش مصنوعی در صنعت بانکداری و خدمات مالی؛ از تحلیل داده تا کشف تقلب و بهینه‌سازی تجربه مشتری
پنل کاربرد هوش مصنوعی در صنعت بانکداری و خدمات مالی در دانشگاه شریف برگزار شد
نخستین نمایشگاه و رویداد Iran AI 2025 در روزهای ۲۸ و ۲۹ مردادماه در سالن جابر ابن حیان دانشگاه صنعتی شریف برگزار شد،پنل «کاربرد هوش مصنوعی در صنعت بانکداری و خدمات مالی» با حضور مدیران و کارشناسان برجسته این حوزه برگزار شد. در این پنل، جابر علوی، مدیر حکمرانی داده و مبارزه با پولشویی شرکت تجارت الکترونیک پارسیان، وحید خدابخشی، مدیر ریسک و امنیت شاپرک، علی رضائیان، مدیر واحد بانکداری گروه فناوری اطلاعات و ارتباطات مُهیمن و فردین صبوری، مدیر تیم تحلیل داده و هوش مصنوعی شرکت داتا تجارت، تجارب عملی و راهکارهای نوین خود در استفاده از هوش مصنوعی برای بهبود فرایندهای بانکداری، کشف تقلب، بهینه‌سازی خدمات و تحلیل داده‌ها را به اشتراک گذاشتند.
حکمرانی داده و کشف تقلب با هوش مصنوعی
جابر علوی، مدیر حکمرانی داده و مبارزه با پولشویی تجارت الکترونیک پارسیان (تاپ)، در ابتدای پنل تأکید کرد: «در شرکت تجارت الکترونیک پارسیان، رویکرد ما در حوزه حکمرانی داده و مبارزه با پولشویی کار روی Big data و هوش مصنوعی بنا شده است.»
او افزود: «تمام خدماتی که در واحدهای مختلف شرکت تجارت الکترونیک پارسیان ارائه می‌کنیم عمدتاً بر مبنای هوش مصنوعی و پردازش و تحلیل داده‌ها برای ایجاد راهکارهای نوآورانه است.»
علوی توضیح داد: «یکی از پروژه‌های کلیدی ما، پروژه‌ی کشف تقلب است که نزدیک به یک سال روی آن فعالیت می‌کنیم. در این پروژه، مجموعه‌ای از قواعد مبتنی بر قانون (Rule-based) و الگوریتم‌های یادگیری ماشین پیاده‌سازی شده و در نهایت، بخشی از موارد با بهره‌گیری از روش‌های یادگیری عمیق (Deep Learning) مبتنی بر گراف شناسایی می‌شوند تا بتوانیم موارد تقلبی را شناسایی کنیم. این سیستم قادر است هم تقلب‌های جدید را کشف کند و هم الگوهای تقلب گذشته را شناسایی و بررسی کند.»
هوشمندسازی و تحلیل داده در بانکداری
علی رضائیان، مدیر واحد بانکداری گروه فناوری اطلاعات و ارتباطات مهیمن اعلام کرد: «در مجموعه مهیمن ما در حال توسعه راهکارهای نرم‌افزاری برای سازمان‌های مختلف هستیم؛ از جمله بانک‌ها، شرکت‌های پرداخت، حوزه مخابرات و سایر صنایع.»
او افزود: «یکی از محورهای اصلی فعالیت ما، کشف تقلب و بازرسی هوشمند است. در این حوزه‌ها، به‌طور جدی از الگوریتم‌های آماری و روش‌های مبتنی بر هوش مصنوعی بهره می‌بریم.»
رضائیان همچنین اشاره کرد: «علاوه بر این، ما روی موضوعات گسترده‌تری همچون توسعه چت‌بات‌های هوشمند کار می‌کنیم؛ چت‌بات‌هایی که می‌توانند در حوزه‌های مختلف به سازمان‌ها کمک کنند. بخشی از این تلاش‌ها به ارائه راهکارهای ویژه برای مشتریان خاص و بهره‌گیری از فناوری‌های نوین، به‌ویژه هوش مصنوعی، اختصاص دارد.»
تحلیل داده و راهکارهای هوشمند
فردین صبوری، مدیر تیم تحلیل داده و هوش مصنوعی داتا، رسالت اصلی این مجموعه را ارائه راهکارهایی برای حل مشکلات و بهینه‌سازی فرایندها با رویکرد تحلیل داده، ماشین لرنینگ و هوش مصنوعی (AI) عنوان کرد.
او افزود: «بخشی از فعالیت‌های ما به‌طور ویژه به سیستم‌های بانکی اختصاص دارد که در آن برای مشتریان، خدمات خاص و متناسب ارائه می‌شود؛ مانند موضوعات مرتبط با طبقه‌بندی مشتریان و اعتبارسنجی‌های مختلف.»
صبوری توضیح داد: «اولین حوزه‌ای که ما وارد آن شدیم، توسعه بازاریابی هوشمند و تعریف محصولات به‌صورت هوشمند بود. در کنار آن، فعالیت‌هایی هم در زمینه توسعه محصولاتی داشتیم که مستقیماً درگیر داده و تراکنش خود بانک نیستند؛ مثل:
- ارزیابی و کنترل کیفیت مراکز تماس،
- هوشمندسازی مراکزتماس،
- و توسعه چت‌بات‌های تخصصی برای مشتریان و کارکنان شعب.»
از داده‌های پراکنده تا شناسایی تقلب سریع و دقیق
جابر علوی با اشاره به چالش‌های کسب‌وکارهای سنتی در شناسایی تقلب گفت: «سرعت عمل، دقت و اعتماد از مهم‌ترین مسائل این حوزه هستند. او افزود، برای ارتقای این شاخص‌ها، داده‌هایی که در بخش‌های مختلف جمع‌آوری می‌شوند باید در یک Data Lakehouse مرکزی یکپارچه شده و پس از انجام مراحل آماده‌سازی شامل پاک‌سازی و پردازش اولیه، در اختیار مدل‌های هوش مصنوعی قرار گیرند تا سرعت و دقت سیستم افزایش یابد.»
علوی همچنین به اهمیت شناسایی تقلب به‌صورت Real-time اشاره کرد و توضیح داد: «بسیاری از سامانه‌های موجود به‌صورت Batch عمل می‌کنند و برای دستیابی به نتایج اولیه، ممکن است چند روز انتظار لازم باشد. او تأکید کرد که بهره‌گیری از مدل‌ها و الگوریتم‌هایی که قابلیت اجرا به صورت لحظه‌ای را داشته باشند، کلید حل این مشکل است.
او گفت: «در تجارت الکترونیک پارسیان زیرساختی بر پایه شبکه‌های عصبی گرافی (Graph Neural Networks – GNN) طراحی و پیاده‌سازی شده است که امکان پردازش و شناسایی تقلب را به‌صورت لحظه‌ای فراهم می‌کند و تحول چشمگیری در کارایی سیستم ایجاد کرده است. در نهایت، برای اعتمادسازی در این سامانه‌ها، میزان صحت شناسایی (Accuracy) به‌طور مستمر اندازه‌گیری و بهبود داده می‌شود. »
علوی افزود: «ما در حال حاضر توانسته‌ایم سطح دقت بالای ۷۰ درصد را محقق کنیم؛ به این معنا که خروجی مدل‌ها قابل اتکا و نتایج شناسایی معتبر و دقیق هستند.»
حرکت از بانکداری سنتی به هوشمند
وحید خدابخشی، مدیر ریسک و امنیت شاپرک، با تأکید بر اهمیت دیتا سنتریک بودن سیستم‌ها در حوزه بانک و پرداخت، اعلام کرد که این شرکت پروژه‌های موفقی در زمینه امنیت و مقابله با فیشینگ اجرا کرده است. به گفته وی، طی دو سال اخیر، ۷۰ درصد از فیشینگ‌های کشور که ۹۹ درصد آن‌ها می‌توانستند منجر به پرداخت شوند، مسدود شده‌اند. یکی از عوامل موفقیت این پروژه، آمادگی قبلی تیم شاپرک برای مواجهه با چالش‌ها بوده است.
خدابخشی افزود: «شاپرک با حجم بسیار بالایی از داده‌ها روبه‌رو است؛ روزانه حدود ۱۰۰ میلیون تراکنش و نزدیک به ۴ ترابایت داده امنیتی وارد سیستم می‌شود. به همین دلیل، شاپرک ذاتاً یک سازمان دیتا سنتریک است.»
او هدف استفاده از هوش مصنوعی را اتوماسیون فرایندها، افزایش صحت و دقت تحلیل‌ها و ارائه خدمات ۲۴ ساعته و ۷ روز هفته به کاربران عنوان کرد.
مدیر ریسک و امنیت شاپرک توضیح داد: «در حال حاضر ما در فضای سنتی و مرسوم بانکداری فعالیت می‌کنیم و داده‌های زیادی داریم که بخش بزرگی از آن‌ها تجمیع شده‌اند. هدف این است که پل بزنیم از فضای سنتی و صرفاً دیتامحور به فضای هوشمند مبتنی بر AI. یک چالش مهم، گپ بین فضای سنتی بانکداری و حوزه مدرن است؛ در مدل سنتی دیدگاه این است که داده‌ها را جمع کنیم و به کسی ندهیم، اما در مدل مدرن با استفاده از APIها و چارچوب‌های جدید می‌توان بدون نقض حریم خصوصی از داده‌ها استفاده کرد. ما همچنان می‌خواهیم داده‌ها را نگه داریم، اما نمی‌خواهیم آن‌ها را بدون کنترل به کسی بدهیم. برای اینکه داده‌ها به هوش مصنوعی وصل شوند، باید مسیر مشخصی طی شود؛ ابتدا باید داده‌ها تحت حکمرانی داده (Data Governance) مدیریت شوند تا بدانیم چه کاری انجام می‌دهند و چگونه جمع‌آوری می‌شوند، سپس داده‌ها پاک‌سازی شوند تا کیفیت لازم را داشته باشند و در نهایت اصالت و امنیت آن‌ها حفظ شود تا قابل اعتماد باشند.»
اهمیت داده و پیچیدگی هوش مصنوعی در بانکداری
علی رضائیان، مدیر واحد بانکداری گروه فناوری اطلاعات و ارتباطات مهیمن، مسئله داده را پیش‌نیاز اصلی بحث هوش مصنوعی دانست و توضیح داد که با توجه به بانکداری نوین و بانکداری الکترونیک، به مرور داده‌های بیشتری از مشتریان جمع‌آوری می‌شود.
او افزود: «اپلیکیشن‌ها و سامانه‌های مختلف کمک می‌کنند تا پروفایلینگ بیشتری از مشتری در دسترس باشد و این موضوع به مرور باعث افزایش دقت عملیات می‌شود.»
رضائیان همچنین تأکید کرد که استفاده از هوش مصنوعی در مدل‌ها و سامانه‌ها انجام می‌شود، اما بسیاری تصور می‌کنند که وقتی کار اتوماتیک شد، همه چیز به‌راحتی و سریع انجام می‌شود؛ در حالی که کشف تخلف و تقلب نیازمند سازوکار داخلی سازمان‌هاست تا بتوانند فرآیندها را به مرور اصلاح و بهینه کنند. او خاطرنشان کرد که گاهی نگاه‌ها به این موضوع ساده‌سازی شده و پیچیدگی واقعی آن کمتر دیده می‌شود، در حالی که برای حل درست مسئله، لازم است صورت مسئله به‌درستی دیده و تحلیل شود.
مدیر واحد بانکداری مهیمن در پایان اشاره کرد که اگر داده‌های موجود بتوانند در کنار داده‌های دیگر، مانند داده‌های حوزه مخابرات، قرار گیرند، این موضوع می‌تواند کمک بزرگی باشد تا در مواقع حساس، احتمال تشخیص اشتباه کاهش یافته و تصمیمات بهینه‌تر اتخاذ شود.
چالش‌های تجمیع داده، امنیت و کاربرد چت‌بات‌ها
فردین صبوری، مدیر تیم تحلیل داده و هوش مصنوعی داتا، درباره چالش‌های تجمیع داده و امنیت آن گفت که این دو حوزه گاهی در تضاد با هم هستند؛ هرچند گاهی ناگریز به تجمیع داده‌ها هستیم، اما باید امنیت، حاکمیت و حفظ حریم خصوصی مشتریان را رعایت کنیم.
او تأکید کرد: «در اکوسیستم بانکی امکان استفاده از سرویس‌های خارجی محدود است، چرا که هیچ بانکی ریسک مخدوش شدن اعتبار خود را به خاطر استفاده از چت‌بات‌ها نمی‌پذیرد. با این حال، چت‌بات‌ها می‌توانند در هر کسب‌وکاری که مشتری‌محور است، بسیار مفید باشند؛ آن‌ها می‌توانند پاسخ‌های یکسان ارائه دهند و سردرگمی مشتریان را کاهش دهند. در فرایندهای بانکی سنتی که به بازدیدهای حضوری و داده‌های دیداری متکی هستند، تأخیر و دخالت نیروی انسانی زیاد است و زمان زیادی سپری می‌شود، اما با استفاده از ایجنت‌ها و مدل‌های هوش مصنوعی می‌توان این فرآیندها را بهینه و سریع‌تر کرد، به‌ویژه در پروسه‌هایی مانند دریافت تسهیلات بانکی که در حالت سنتی بسیار زمان‌بر است.»
اخلاق در هوش مصنوعی و مدیریت داده‌های مشتری
جابر علوی، درباره اهمیت اخلاق در استفاده از سیستم‌های توصیه‌گر (Recommendation Systems) و سیستم‌های پیش‌بینی ریزش مشتری (Churn Prediction Systems) گفت که این سامانه‌ها با رصد رفتار مشتریان و تحلیل داده‌ها، بر اساس الگوهای رفتاری پیشنهاداتی ارائه می‌دهند.
به گفته او، چنین فرایندی نیازمند جمع‌آوری، ذخیره‌سازی و پردازش داده‌های متنوع است که در نهایت منجر به ساخت یک پروفایل کامل از مشتری می‌شود.
جابر علوی در این زمینه توضیح داد که ذخیره و پردازش این داده‌ها باید تحت نظارت، کنترل و چارچوب‌های قانونی مشخص صورت گیرد. به گفته او، در حال حاضر هر سازمان یا نهادی می‌تواند داده‌های مشتریان را جمع‌آوری و ذخیره کند، اما ضروری است که واحدها و سازمان‌های مختلف در این زمینه همکاری و هم‌افزایی داشته باشند تا داده‌ها به‌صورت یکپارچه مورد استفاده قرار گیرند.
او تأکید کرد که در کشور ما هنوز نظام‌ها و الزامات قانونی مشخص برای کنترل داده‌ها وجود ندارد، در حالی‌که این امر یک ضرورت است. حتی فرآیند کسب رضایت و اطلاع‌رسانی به مشتری درباره استفاده از داده‌های او به‌صورت دقیق انجام نمی‌شود.
علوی افزود: «در حال حاضر اپلیکیشن‌ها امکان ارائه اطلاعات کلی درباره حریم خصوصی دارند، اما قوانین موجود بسیار عمومی و طولانی هستند. این قوانین باید به شکل کاربردی‌تر دسته‌بندی و تدوین شوند تا هم سازمان‌ها و هم مشتریان از شفافیت و امنیت بیشتری برخوردار شوند.»
