استفاده از هوش مصنوعی در بانکداری ایران دیگر کاملاً به پروژههای آزمایشی محدود نیست. تحلیل رفتار مشتری، مدیریت ریسک و احراز هویت از حوزههایی هستند که نمونههایی از کاربرد عملیاتی این فناوری در آنها دیده میشود؛ اما رامبد حیدریان، عضو هیئتمدیره فنآوا کارت، معتقد است صنعت بانکی هنوز در میانه مسیر گذار از آزمایش به استفاده واقعی قرار دارد.
حیدریان در گفتوگو با رضا قربانی، بنیانگذار راه پرداخت، میگوید بلوغ هوش مصنوعی زمانی اتفاق میافتد که این فناوری وارد لایههای عملیاتی و زیرساختی بانک شود و بتواند بر تجربه روزمره مشتری اثر بگذارد. ارائه پیشنهادهای متناسب با رفتار مالی مشتری یکی از نمونههای چنین کاربردی است.
بااینحال، مانع اصلی فقط دسترسی به فناوری یا حتی داده نیست. از نگاه حیدریان، فرایندهای داخلی بازطراحینشده، تصمیمگیریهای طولانی و بروکراسی اداری، مهمترین موانع عملیاتیشدن هوش مصنوعی در بانکها هستند.
اگر فرایندی پیچیده، جزیرهای و ناکارآمد باشد، اضافهکردن یک مدل هوش مصنوعی لزوماً مسئله آن را حل نمیکند. ممکن است فناوری زمان و هزینه اجرای فرایند را کاهش دهد، اما نتیجه همچنان بر پایه همان منطق اشتباه قبلی تولید خواهد شد.
این مسئله مرز میان «خودکارسازی» و «تحول» را روشن میکند. اجرای سریعتر یک فرایند قدیمی الزاماً به معنای هوشمندشدن بانک نیست. تحول زمانی رخ میدهد که بانک ابتدا ضرورت، مراحل و مسئولیتهای فرایند را بازنگری کند و سپس هوش مصنوعی را در ساختار جدید به کار بگیرد.
حیدریان معتقد است بانکها نباید کار خود را با پروژههایی بزرگ و مبهم تحت عنوان تحول دیجیتال یا تحول هوش مصنوعی آغاز کنند. نقطه شروع مناسب، انتخاب چند مسئله کوچک، واقعی و قابلاندازهگیری است.
کشف تقلب، احراز هویت و کاهش هزینه عملیات، نمونههایی از این مسائلاند. در چنین پروژههایی میتوان مسئله را بهروشنی تعریف کرد، هزینه اجرای فعلی را سنجید و اثر راهکار هوش مصنوعی را با شاخصهای مشخص اندازه گرفت.
این رویکرد دو مزیت دارد. نخست اینکه بازگشت سرمایه پروژه برای مدیران و سرمایهگذاران قابل مشاهده میشود. دوم اینکه بانک بهتدریج فرایندها، دادهها و زیرساخت خود را برای استفاده گستردهتر از هوش مصنوعی آماده میکند.
حیدریان ساختار فعلی بانکهای ایران را کاملاً آماده استفاده از هوش مصنوعی نمیداند. یکی از دلایل این ارزیابی، پراکندگی اطلاعات مشتریان در سامانههای مختلف است.
بانکها حجم بزرگی از دادههای مالی و رفتاری در اختیار دارند، اما حجم داده بهتنهایی مزیت ایجاد نمیکند. اگر دادهها در چند سامانه جداگانه قرار داشته باشند و امکان اتصال و تفسیر مشترک آنها فراهم نباشد، مدل هوش مصنوعی نیز به تصویر کاملی از مشتری دسترسی نخواهد داشت.
مشخصنبودن مالک داده، مسئله دیگری است. بانک باید بداند مسئول کیفیت، دسترسی، بهروزرسانی و استفاده از هر مجموعه داده چه واحدی است. بدون چنین مسئولیتی، اصلاح خطاها و اعتماد به خروجی مدل دشوار خواهد بود.
حاکمیت داده نیز فقط به تعیین مالک محدود نمیشود. استانداردهای کیفیت، سطح دسترسی، محرمانگی، امنیت، ثبت تغییرات و نحوه استفاده از اطلاعات مشتری باید پیش از توسعه گسترده مدلهای هوش مصنوعی مشخص شوند.
تجربه احراز هویت نشان داده است که خودکارسازی کامل بدون داده و فرایند مناسب میتواند دوباره به مداخله انسانی منتهی شود. اگر ساختار داده یا طراحی فرایند اشکال داشته باشد، بانک ناچار خواهد شد انسان را برای اصلاح یا تأیید خروجی به چرخه بازگرداند.
حضور انسان در چرخه تصمیمگیری ذاتاً نشانه شکست هوش مصنوعی نیست؛ اما اگر این مداخله برای جبران نقص داده و فرایند انجام شود، هدف اصلی خودکارسازی محقق نشده است.
این گفتوگو نشان میدهد مسئله اصلی صنعت بانکی، خرید مدل یا راهاندازی یک پروژه نمایشی هوش مصنوعی نیست. بانک باید پیش از آن، فرایندهای خود را بازطراحی کند، دادههای پراکنده را سامان دهد و مالکیت و حاکمیت اطلاعات را مشخص کند.
هوش مصنوعی میتواند سرعت، دقت و بهرهوری بانک را افزایش دهد؛ اما فقط زمانی که بر یک ساختار درست قرار گیرد. در غیر این صورت، این فناوری به موتور سریعتری برای همان بانکداری ناکارآمد قبلی تبدیل خواهد شد.
