در میزگرد آنلاین با حضور اساتید و متخصصان هوش مصنوعی عنوان شد: راه‌اندازی فرایند هوش مصنوعی در نظام بانکی، «همتی» ویژه می‌طلبد
طبق تحقیقات دیلویت، ۷۶ درصد از مدیران ارشد تجربۀ مشتری که در صنعت مالی فعال هستند، معتقدند هوش مصنوعی، ابزار متمایزسازی بانک است در برابر رقبای خود. به نظر آن‌ها، هوش مصنوعی به بانک اجازه می‌دهد تا ضمن شخصی‌سازی سفر مشتری، شخصی‌سازی اصطکاک‌های موجود در این مسیر را تا حد امکان کاهش دهند. شخصی‌سازی و افزایش بهره‌وری از طریق اتوماسیون با فناوری‌های هوشمند قابلِ‌دستیابی است و نتیجۀ آن، آزادسازی زمان بیشتر برای تعاملات مستقیم و انسانی بانکداران با مشتریان خواهد بود.
هوش مصنوعی علاوه بر توانایی درزمینۀ پردازش سریع و دقیق داده‌ها و یافتن حقایق پنهان در آن‌ها، به شخصی‌سازی توصیه‌ها بر اساس شرایط خاص مشتری نیز کمک می‌کند. قبل از هوش مصنوعی، بانک پس از تحلیل دستیِ مبتنی بر نیروی انسانی، تمامی اطلاعات موجود مشتری را بررسی می‌کرد تا درک کاملی نسبت به ماهیت درخواست وی پیدا کند و سپس آن را ارزیابی می‌کرد و این کار، زمان زیادی را هدر می‌داد. هوش مصنوعی می‌تواند حجم عظیمی از داده‌ها را در زمان بسیار کمی پردازش کند و یافته‌های خود را به بانکداران ارائه دهد. بانکداران می‌توانند از نتایج تحلیلی به‌دست‌آمده در به‌کارگیری الگوریتم‌ها برای تحلیل داده‌ها در گفتگوهای خود با مشتریان بهره‌برداری کنند.
تجربۀ لذت‌بخش مشتری که توسط اتوماسیون مبتنی بر هوش مصنوعی ایجاد شده، به میزان قابل‌توجهی نرخ جذب و نگهداشت مشتری را بهبود می‌بخشد. علاوه بر آن، اتوماسیون می‌تواند برای صنعت بانکی، صرفه‌جویی بالغ‌بر ۴۰۰ میلیارد یورو را به ارمغان آورد. پس چرا صنعت بانکی این فناوری را به‌صورت گسترده به کار نگرفته است؟
تحقیقات گارتنر نشان می‌دهد مهم‌ترین دلیل این امر، عدم آشنایی تصمیم گیران ارشد بانک‌ها با قابلیت‌های هوش مصنوعی و میزان تطبیق آن با قوانین و مقررات در حوزۀ حریم خصوصی است. این تردیدها، تصمیم‌گیری را در مورد چگونگی و نقطۀ شروع به‌کارگیری هوش مصنوعی دشوار می‌کند. تلاش برای به‌کارگیری هوش مصنوعی، روندی است که به‌صورت مداوم با تحولات اقتصادی، اجتماعی و سیاسی، تقویت یا تضعیف می‌شود. دیلویت بر اساس نتایج پژوهش‌های خود، پیشنهاد داده برای غلبه بر چالش‌های اجرای هوش مصنوعی باید این مسیر را به مسیری مشترک میان بازیگران مختلف بازار بانکی تبدیل کرد. این رویکرد، مورد تأیید تعداد دیگری از صاحب‌نظران بانکی مانند کریس اسکینر – نویسندۀ کتاب انسان دیجیتال و مدافع جنبش بانکداری آزاد – نیز هست که پیشنهاد می‌کند برای موفقیت درزمینۀ به‌کارگیری هوش مصنوعی، لازم است فین‌تک‌ها و بانک‌های سنتی با یکدیگر همکاری و مشارکت داشته باشند.
همچنین طبیعی است در اقتصادی که ناشی از میلیاردها ارتباط آنلاین بین افراد، کسب‌وکارها، دستگاه‌ها، داده‌ها و فرآیندها خواهد بود، بهره بردن از هوش مصنوعی در بانکداری نوین، قطعاً می‌تواند به‌عنوان ستون فقرات در اقتصاد هوشمند نقش ویژه‌ای ایفا کند و عدم توجه به این موضوع می‌تواند منجر به‌کندی حرکت به سمت دیجیتالی شدن اقتصاد و عقب‌ماندگی اقتصادی شود.
ازاین‌رو، در این میزگرد آنلاین از سلسله نشست‌های تخصصی بانکداری و اقتصاد دیجیتال با عنوان «بررسی هوش مصنوعی در بانکداری نوین» که با حضور محمد احمدی آذر، کارشناس ارشد هوش مصنوعی در حوزۀ بانکداری، محمدعلی اخایی، عضو هیئت‌علمی گروه هوش ماشین و رباتیک دانشگاه تهران، و علی مهدویان، متخصص علم داده و هوش مصنوعی، برگزار شد. ظرفیت هوش مصنوعی و نقش آن در آیندۀ صنعت بانکی، پارادایم‌های جدید مدیریت با ظهور ابزارهای هوش مصنوعی و مرور تجربیات جهانی موردبحث و تبادل‌نظر قرار گرفت. ماحصل این گفت‌وگو، پیش روی شماست.
حامی این میزگرد، شرکت توسن تکنو
آقای دکتر اخایی! با توجه به مطالعات و دانش جنابعالی در حوزۀ هوش مصنوعی، در ابتدای میزگرد بفرمایید در دهه‌های اخیر، ترندهای اصلی کاربرد هوش مصنوعی در سیستم‌ها و خصوصاً اقتصاد چه بوده است؟ همچنین دربارۀ تفاوت سیستم هوشمند با سایر سیستم‌ها توضیح مختصری ارائه نمایید.
اخایی: هوش مصنوعی تقریباً از سال ۱۹۵۶ متولد شد؛ اما چون نمی‌توانست بسیاری از مسائل را حل کند، چندان مورداستفاده نبود بااین‌حال، آنچه باعث شد هوش مصنوعی در هشت سال گذشته، موردتوجه قرار گیرد، ترند روز شود و آینده را تحت تأثیر قرار دهد، ایجاد پردازشگرهای گرافیکی بود که وقتی حجم داده‌ها افزایش یافت، به کمک این پردازشگرهای قدرتمند و داده‌های زیاد، توانستیم چیزهایی را مدل کنیم که قبلاً مغز انسان فقط می‌توانست بخشی از این‌ها را مدل کند. درزمینۀ تحلیل داده که به حوزۀ بانکداری و اقتصاد مربوط می‌شود، قطعاً از گذشته محاسبات آماری، تحلیل داده، تجمیع داده و اینکه از داده به اطلاعات و دانش برسیم، وجود داشته است؛ اما الآن به کمک هوش مصنوعی، کارهایی را می‌توانیم انجام دهیم که انسان نمی‌تواند به خاطر زمان و سابقۀ طولانی موجود دربارۀ هر شخص و… آن‌ها را انجام دهد. همان‌طور که در مقدمۀ میزگرد، به‌درستی و خلاصه گفته شد، سیستم‌هایی که هوشمند نامیده می‌شوند، شخصی‌سازی‌شده و حساب تمام مشتریان، به ازای تمام داده‌ها و به ازای نگاه‌های متفاوت مشتریان است تا بتوانیم داده‌ها را در زمان‌های کوتاه با عمق‌های متفاوت به صورت‌های غیرخطی تحلیل کنیم. از این تحلیل داده، اطلاعات و دانشی به دست می‌آید که به ما کمک می‌کند و مهم‌ترین کلیدواژۀ آن، شخصی‌سازی است که به ازای هر مشتری، می‌توانیم واکنش و داشبوردی مناسب داشته باشیم و به ازای عملکرد سیستم مثلاً اقتصاد یا بانکداری، بینشی کسب کنیم که در گذشته به آن، هوش تجاری می‌گفتند و بیشتر، نمودارهایی بود که برای مدیر تهیه می‌شد. اکنون این دانش می‌تواند عمیق‌تر و متنوع‌تر باشد. وقتی از هوشمند بودن سیستم صحبت می‌شود، منظور ما تجمیع داده، نمودار فراوانی، میانگین، واریانس و موارد آماری نظیر آن نیست، بلکه مقصود این است که ما بتوانیم روابط بین داده‌ها، نفرات، اجزا، سیستم‌ها و زیرسیستم‌ها را احصا کنیم و به‌صورت متنوع و مناسب در اختیار بهره‌بردار مانند کارمند بانکی قرار دهیم که اسناد خاص یک مشتری را برای اعطای وام تحلیل می‌کند یا مدیری که می‌خواهد بداند در شعبه بانک چه اتفاقاتی می‌افتد یا رئیس بالادستی که می‌خواهد بداند درمجموع سیستم بانکداری چه اتفاقاتی رخ می‌دهد. همۀ این‌ها می‌توانند سطحی از هوشمندی را از کوچک تا عالی داشته باشند. سطح عالی یعنی اینکه ما بینش زیادی دربارۀ اتفاقاتی که در حال رخ دادن است، داریم؛ ولو اینکه آن اتفاقات، ریز باشند یا چندان مهم به نظر نرسند، اما وقتی روی داده‌های انبوه، تجمیع می‌شود معانی خاصی پیدا می‌کند که دادۀ آن، بسیار معتبر و مهم است.
آقای مهندس مهدویان! نقش هوش مصنوعی در درآمدزایی یا کاهش هزینۀ عملیاتی بانک‌ها چیست؟ و آیا صنعت بانکداری می‌تواند محیط مستعدی برای استفاده از سیستم‌های هوش مصنوعی باشد؟
مهدویان: استفاده از هوش مصنوعی، یک مبادله یا بده بستان بین هزینه و کاهش هزینه‌هاست بنابراین پاسخ پرسش شما، قطعاً مثبت است و هوش مصنوعی، کاهش هزینه را به همراه دارد. محیط بانکی نیز محیط مستعدی برای استفاده از هوش مصنوعی است و همان‌گونه که در دنیا این ترند وجود دارد، در ایران هم علی‌رغم تمام مشکلات و چالش‌های موجود، کمابیش شرکت‌هایی تلاش می‌کنند که از هوش مصنوعی استفاده کنند. ذکر یک مثال دربارۀ اینکه هوش مصنوعی، چطور می‌تواند هزینه‌ها را کاهش دهد و نتایج مثبتی را در پی داشته باشد این است که: یکی از اولین نتایج، کشف تقلب‌ها و تخلفات است. البته وارد جزییات پیاده‌سازی و چالش‌های آن نمی‌شوم؛ اما نتیجه‌اش این است که هوش مصنوعی می‌تواند مانع از دست رفتن منابع بانک شود و حتی از طریق فروختن این سرویس که یک سرویس امنیتی است و می‌تواند افزایش شهرت بانک را در پی داشته باشد، درآمدزایی کند. نتیجۀ دیگر، پیشنهادهای شخصی‌سازی برای هرکدام از مشتریان است که می‌تواند منجر به افزایش رضایت مشتریان و بالطبع افزایش سود بانک شود. مورد دیگر، جذب مشتری بیشتر است. سرمایه‌گذاری بانک بر روی مشتریان در حوزۀ مارکتینگ و… می‌تواند به‌صورت بهینه انجام شود و باعث نگهداشت مشتری شده و جلوی ریزش مشتری را بگیرد. ما به‌وسیلۀ هوش مصنوعی و تحلیل داده، می‌توانیم رفتارهای مشتریان و الگوهای رفتاری آن‌ها را شناسایی کنیم و زودتر از زمانی که مشتری به نارضایتی برسد و سطح استفاده را از سیستم‌های بانک کاهش دهد، از آن جلوگیری نماییم. هوش مصنوعی حتی در حوزۀ سخت‌افزاری نیز می‌تواند کمک کند؛ خصوصاً در حال حاضر که با کلان داده‌ها مواجه هستیم. هوش مصنوعی در بهینه‌سازی ذخیره‌سازی داده‌ها نیز مهم است و بازهم منجر به کاهش هزینه‌های بانک می‌شود. مورد دیگر، مدیریت ریسک است. هوش مصنوعی از طریق اعتبارسنجی، کاهش ریسک را به همراه دارد. هدف غایی بسیاری از مدیران بانکی در دنیا و ایران این است که تمام فرایندهای بانکی را اتوماتیک انجام دهیم و نیاز به حضور کاربر در شعبه نداشته باشیم. در ایران هم برخی بانک‌ها، در حال پیشروی به این سمت هستند و کمابیش موفق هم بوده‌اند. برای تحقق این امر، باید اعمال انسانی را اتوماتیک انجام دهیم و این موضوع، دقیقاً همان تعریف هوش مصنوعی است که آقای دکتر اخایی هم اشاره کردند. هوش مصنوعی، فرایندهایی را که درون ذهن، سیستم عصبی و هوش انسان اتفاق می‌افتد، مدل‌سازی می‌کند. پس می‌توانیم با کمک هوش مصنوعی این اتوماسیون را انجام دهیم. مزیت هوش مصنوعی این است که دیگر محدودیت‌های زمانی و پردازشی را نداریم. ماشین با توان بالایی می‌تواند پردازش انجام دهد و یا خروجی‌هایی را که مدنظر ماست، داشته باشد. این‌ها مواردی است که هوش مصنوعی می‌تواند منجر به کاهش هزینه‌ها در بانک‌ها شود.
جناب دکتر احمدی آذر! ازآنجاکه جنابعالی در شبکۀ بانکی فعالیت می‌کنید، با دقت بیشتری می‌توانید به این سؤال، پاسخ دهید. در اظهارات آقای اخایی و مهدویان نیز به شخصی‌سازی خدمات در هوش مصنوعی اشاره شد. در دنیا نیز ترند، «بانکداری شناختی» است و همه به این سمت می‌روند و بدون هوش مصنوعی، این نوع بانکداری اتفاق نمی‌افتد. لطفاً به‌صورت عملیاتی اشاره بفرمایید برای استفاده از هوش مصنوعی در صنعت بانکی ازجمله شعب، ریسک و اعتبارات و… چگونه باید عمل کنیم؟
احمدی آذر: اجازه می‌خواهم قبل از اشاره به این موضوع، به مطلبی اشاره کنم. ژاپن در صنعت کشاورزی، سیستمی را بر مبنای هوش مصنوعی پیاده و مزرعه‌ای را راه‌اندازی کرده که خروجی آن در هر هکتار، ۴۰۰ برابر یک مزرعۀ عادی است با ۹۵ درصد آب کمتر و ۹۹ درصد فضای کمتر! وقتی دربارۀ هوش مصنوعی صحبت می‌کنیم، یکی از موضوعات این است که آیا آن صنعت یا تکنولوژی، قابلیت پیاده‌سازی هوش مصنوعی را دارد یا خیر؟ وقتی در صنعت کشاورزی که چندان با آمار و ارقام و داده سروکار نداریم، اما می‌توانیم چنین خروجی‌ای را از این صنعت بگیریم، واقعاً حیف است که در صنعت بانکداری نتوانسته‌ایم آن‌گونه که بایدوشاید، روی آن کار کنیم. هوش مصنوعی به‌شدت نیازمند داده است و اگر دادۀ مناسب در اختیار نداشته باشیم، هوش مصنوعی نمی‌تواند توانمندسازی و مدل‌سازی‌اش را افزایش دهد. هرچند در سال‌های اخیر، الگوریتم‌های خوبی برای خروج داده‌های بایاس از سیستم، پیاده‌سازی شده تا مدل‌ها دقیق‌تر شود، اما در سال ۲۰۰۲، کل اطلاعات دیتایی که در جهان تولیدشده، پنج ترابایت بوده است؛ درحالی‌که در سال ۲۰۲۰ این میزان داده، در دو روز تولید می‌شود! همچنین ۹۰ درصد کل دیتایی که در جهان تولید شده در دو سال گذشته، تولید شده است؛ یعنی چیزی حدود ۴۴ تریلیون گیگابایت. یکی از موارد شاخص همۀ بانک‌ها این است که همۀ دیتاها را به حالت well form ذخیره می‌کنند و این داده‌ها، قابلیت استفادۀ مجدد در شرایط و فضاهای مختلف را دارند؛ اما اینکه بانک‌های ما چقدر از این داده‌ها استفاده می‌کنند، سؤالی است که باید دربارۀ آن صحبت کنیم. این در حالی است که ترندهای جهانی به‌شدت به دنبال استفاده از این داده‌ها هستند و موضوع شخصی‌سازی با یک الگوریتم و روند ایجاد نمی‌شود؛ بلکه رفتارهای مشتری یا مشتریان با مشتریان دیگر باید در قالب طبقه‌بندی و… لینک شود و این اطلاعات، تبدیل به دانش‌هایی گردد که برای مشتری، محیط دلخواهش را ایجاد کند. تجربیات مشترک دنیا مانند شرکت‌های مکنزی، دیلویت و… به خط مقدم ارتباط با مشتری معطوف می‌شود. در این زمینه اینکه چگونه مشتری را احراز هویت کنیم، چگونه از مشتری، دید ۳۶۰ به دست آوریم، چگونه تحلیل رفتار مشتری را انجام دهیم و مواردی از این قبیل، حائز اهمیت است. البته بهتر است به عقب برگردیم. ما مواردی را در ستاد و واحدهای پشتیبان داریم که نیازمند دقت بیشتری است تا از هوش مصنوعی استفاده کنیم؛ چون این موارد، در حال حاضر به شیوۀ سنتی حل می‌شود، ضرورت آن چندان احساس نشده است. یکی از مواردی که مدیران ما باید بیشتر به آن توجه کنند، این است که ما به‌واسطۀ هوش مصنوعی می‌توانیم ابزار پیش‌بینی به دست آوریم. این پیش‌بینی، کمک زیادی به ما می‌کند. ما باید از تصمیم‌گیری بر مبنای ایونت به تصمیم‌گیری بر مبنای پیش‌بینی حرکت کنیم. اینکه چرا تاکنون این کار انجام نمی‌شده، بدین علت بوده است که سیستم‌های قدرتمندی برای پیش‌بینی نداشته‌ایم؛ اما اکنون می‌توان گفت این سیستم‌ها در حال شکل‌گیری است و بسیاری از بانک‌های دنیا از آن استفاده می‌کنند. مثلاً اگر تحلیل هزینه – فایده انجام می‌دهیم تا جلوی ریسک‌مان را بگیریم، تلاش می‌کنیم با درصد بالاتری تخمین بزنیم تا پوشش ریسک انجام دهیم و بعد نتیجه می‌گیریم موفق بوده‌ایم؛ درحالی‌که تا حدی فرصت را از دست می‌دهیم. ابزار هوش مصنوعی در روندها و ترندها به ما کمک می‌کند. یکی از مباحث مطرح در هوش مصنوعی، سری‌های زمانی است و خوشبختانه داده‌های بانکی ازجمله داده‌های سری زمانی هستند که تاکنون با ابزارهای اقتصادسنجی صرف نمی‌توانستیم آن‌ها را مدل‌سازی کنیم؛ اما اکنون می‌توانیم با یک‌سری ابزارها آن را مدل‌سازی کنیم. در خصوص شعبه، ابزارهای هوش مصنوعی را به‌مثابۀ یک دیاگ می‌بینم. می‌توان بر روی عملکرد روزانۀ یک شعبه، میزان تراکنش‌ها، میزان مراجعات و داده‌هایی که در طول یک روز تولید می‌شود، بر روی یک سیستم هوش مصنوعی پیاده کرد و این سیستم، کاملاً مشخص می‌کند که در کدام شعب و در کدام نقطۀ کشور، نیاز به تغییرات و بهبود عملکرد وجود دارد. در این شرایط، هم فعالیت همکاران در فرایندهای کاری تسهیل می‌شود و هم مدیران می‌توانند برنامه‌ریزی‌ای دقیق‌تر داشته باشند. هوش مصنوعی در قسمت‌های مختلف بانکداری اعم از حقوقی، منابع انسانی، اعتبارات، ریسک، پول‌شویی و… می‌تواند کمک کند؛ اما نیاز است مدیریت ارشد آن را بپذیرد. از طریق برنامه‌ریزی و سرمایه‌گذاری در حوزۀ هوش مصنوعی می‌توان به بهره‌وری بهتر در صنعت بانکی پرداخت که خروجی آن موجب کاهش هزینه، افزایش بهره‌وری و درنتیجه رضایت مشتری خواهد شد. این امر، در آیندۀ نه‌چندان دور به‌عنوان وجه شاخص و تمایز بانک‌ها با یکدیگر خواهد بود.
فناوری‌های هوش مصنوعی چقدر بومی و چقدر وارداتی است؟
اخایی: با مثالی دربارۀ اینکه گفته می‌شود هوش مصنوعی، وارداتی است، مسئله را روشن می‌کنیم: فرض کنید آچار ساخت آلمان داشته باشیم و بعد بگوییم صنعت، کارخانه یا خودرویی که از آن استفاده می‌کند، بومی است یا خیر؟! هوش مصنوعی، یک سری الگوریتم‌هایی دارد که بسیاری از کدهای آن به‌صورت اپن سورس در اینترنت قابل‌دسترسی است؛ چون نقش ابزار را دارد. بیشتر الگوریتم‌های اساسی که در حوزۀ هوش مصنوعی توسعه پیدا کرده است، توسط دانشگاه‌های برجستۀ دنیا یا شرکت‌های تحقیقاتی خاص ایجاد شده است که دانشگاه‌های ما هم در این زمینه فعالیت‌هایی داشته‌اند؛ اما اقدامات اساسی در خارج از ایران بوده است. به‌هرحال، این یک الگوریتم است که می‌توان آن را در حوزۀ تصویر به کار برد که همان احراز هویت (KYC) است یا در حوزۀ دادۀ بانکی که بر اساس آن می‌توان فراد یا تقلب را تشخیص داد یا اینکه مشخص کرد فلان ریسک برای مشتری بالاست. بنابراین، داده‌ها هستند که به این ابزار، هویت می‌بخشند. شاید این نگرانی وجود داشته باشد که هوش مصنوعی، وارداتی است و البته برخی فکر می‌کنند هوش مصنوعی، لاکچری و فانتزی است؛ درحالی‌که اصلاً این‌طور نیست. پنج شش سال است که هوش مصنوعی در دنیا، در حال فعالیت است و نمایشی هم نیست. نکتۀ دیگر اینکه دادۀ ما تعیین می‌کند آن الگوریتم‌ها به چه سمت و سویی برود. البته مسیر رفت و برگشتی است؛ یعنی یک الگوریتم بر روی داده زده می‌شود و سپس پاسخ آن دیده‌شده و دوباره اصلاح می‌شود و بعد از چند بار رفت‌وبرگشت، به پیش‌بینی می‌رسد. اینکه بگوییم هوش مصنوعی، وارداتی است، حرف اشتباهی است؛ هوش مصنوعی یک علم و فناوری است که ازنظر الگوریتمی و اطلاعاتی در دسترس همه است. علت اینکه عرض کردم وجه اصلی این موضوع، داده و سخت‌افزار است، این است که هوش مصنوعی از ۱۹۵۶ تا ۲۰۱۲ که نقطه عطف آن محسوب می‌شود، تبدیل به یک پارادایم شده است؛ زیرا سخت‌افزارها توانسته‌اند پردازش موازی سنگین انجام دهند و داده‌ها نیز بیشتر شده است. این امر موجب شده که اقدامات مدل‌سازی جدید و دقیقی انجام شود که در همۀ حوزه‌ها کاربرد دارد. انگ‌هایی که ممکن است به هوش مصنوعی در صنعت بانکداری، سلامت و… زده شود، یکی طرح آن به‌عنوان یک موضوع لاکچری و لوکس است و دوم اینکه اصلاً نمی‌توان هوش مصنوعی را وارداتی دانست. هوش مصنوعی، یک علم است که ما باید آن را در داده‌های خودمان به کار ببریم و حتی ممکن است بانک با بانک، متفاوت باشد. البته الگوریتم آن، چندان تفاوت نمی‌کند؛ اما مثلاً ممکن است ترند یک بانک به سمت دیگری است که داده‌ها به آن سمت، دانشی را به آن بانک می‌دهد و همان را اگر در بانک دیگری بزنیم، فرق کند. مثلاً بانکی که در حوزۀ B2B فعالیت می‌کند یا بانکی دیگر که درزمینۀ مشتری اقداماتی انجام می‌دهد. بنابراین، حتی یک الگوریتم، یکجا، یک‌جور کار نمی‌کند و حتی امروز با فردایش متفاوت است. مثلاً اگر توییت و یک‌سری رفتارهای مشتری تغییر کند یا اقتصاد تکان بخورد، سیستم هوشمندی که بر مبنای داده کار می‌کند، اعم از دادۀ بانکی یا اخبار، شایعات، متون و… ازجمله در بورس، ممکن است در لحظه دانش، تولید کرده و یک‌سری مشخصه‌هایی را ارائه کند که کارآمد باشد. امیدوارم نگاه لاکچری و خارجی بودن به هوش مصنوعی در هیچ‌کدام از صنایع ما وجود نداشته باشد.
ما در حوزۀ فراد دیتکشن، ضعف جدی‌ای داریم. در شرکت شاپرک، قبلاً سرویس وارداتی را آوردند که دچار مسئله شد و استفاده نشد. سپس فراخوان دادند، اما کسی سیستمی ارائه نداد. درنهایت RFP دادند که یک نفر آن را تولید کند. نظر شما چیست؟
اخایی: واقعیت این است که شما از کسی که هیچ‌گاه کنارش استخر و دریا نبوده، توقع دارید که به شنا کردن آشنایی داشته باشد؟! داده‌های این موضوع، چه زمانی در اختیار دانشگاه‌ها، مراکز پژوهشی و شرکت‌های دانش‌بنیان قرار گرفته است؟ بسیاری از اقدامات دانشگاهی ما، روی داده‌های خارجی است. خارجی‌ها هم می‌دانند اگر در ایران بر مبنای آن دانشی تولید شود، به‌عنوان مقاله و… می‌توانند آن کد را پیاده‌سازی کنند و از آن بهره‌مند شوند. بنابراین، داده‌ها را در حوزۀ بانکی، سلامت و… در اختیار می‌گذارند. یادم نمی‌آید که به ما داده‌ای داده باشند. این داده‌ها را یا خودمان به‌زحمت تولید کرده‌ایم و یا داده‌های خارجی است. اینکه گفتید شرکت داخلی در حوزۀ فراد ورود کند، وقتی داده‌ای وجود نداشته باشد، روی چه چیزی باید الگوریتم بدهد؟ حتماً باید یک‌سری داده‌های محدودی در اختیار مراکز بگذارند تا شرکت‌ها از آن استفاده کنند و بعداً در یک بخش خاص به‌صورت پایلوت اجرا شود و سپس به‌صورت سراسری مورداستفاده قرار گیرد. من هم موافقم نباید چنین موضوع مهمی صرفاً با یک سامانۀ تماماً خارجی استفاده شود؛ حتی آن‌هم باید بومی‌سازی شود. داده‌ای که جای دیگری تولیدشده، نمی‌تواند برای ما هم کار کند؛ چون رفتارها از کشوری به کشور دیگر و از مکانی به مکان دیگر، متفاوت است.
دربارۀ ارتباط صنعت با دانشگاه، بسیار گفته‌شده و البته این حرف هم کلیشه‌ای شده است که دانشگاه، سرش در کتاب و صنعت، سرش در کسب‌وکار خودش است؛ اما به‌هرحال این دو در کنار یکدیگر نیستند. هرچند در سال‌های اخیر اقداماتی انجام‌شده، اما خروجی جدی نداشته است. بنده تجربۀ خودم را به‌عنوان یک صاحب رسانه عرض می‌کنم. هر جا اطلاعات معمولی نیاز داشتیم، گفتند امنیتی و محرمانه است! فکر می‌کنم یکی از معضلات اصلی این است که بانک‌ها در ارائۀ داده، مباحث را امنیتی می‌کنند و یکی از سنگ‌های مسیرهای هوش مصنوعی نیز همین است.
مهدویان: ابتدا دربارۀ صحبت‌های آقای دکتر اخایی و اینکه بخواهیم از سامانۀ بومی استفاده کنیم، نکته‌ای عرض کنم. اگر همان شرکت شاپرک را که شما هم اشاره کردید در ذهن داشته باشیم، ما تقریباً از اپلیکیشن‌های غیربومی نمی‌توانیم استفاده کنیم. اگر الگوریتمی تحت اپلیکیشنی ایجاد می‌شود، ما باید بر اساس رفتارهایی که مشتریان ما دارند، آن را آنالیز کنیم؛ یعنی باید آن اپلیکیشن، ایرانیزه شود. این ترند ایجادشده و تقریباً مدیران بانکی ما به این نتیجه رسیده‌اند که اگر مشکلات محرمانگی و امنیتی را کنار بگذاریم، خریداری اپلیکیشن از بیرون، اصلاً برای ما کارآیی نخواهد داشت. چون الگوی رفتاری مشتریان ما با مشتریان بیرون، متفاوت است. قوانین حاکم بر سیستم مالی و بانکی ما با سیستم‌های دیگر فرق می‌کند. اکثر تحقیقاتی که در دانشگاه‌ها درزمینۀ کشف تقلب انجام می‌شود، بر روی داده‌های مالی حاصل از کارت‌های اعتباری است؛ درحالی‌که ما در ایران، کارت اعتباری نداریم و بیشتر از کارت بانکی استفاده می‌کنیم. بنده در یک بازۀ زمانی، به‌صورت موازی، هم در دانشگاه و هم در صنعت، در حوزۀ کشف تقلب فعالیت می‌کردم و شکاف عدم اعتماد صنعت به دانشگاه و عدم تمایل دانشگاه به سمت پژوهش را ملاحظه کردم. این مرز در چند سال اخیر کمتر شده است، اما هنوز هم جای کار دارد. هم‌افزایی کار در صنعت با کمک تولید علم در دانشگاه، بسیار به ما کمک می‌کند. یکی از چالش‌های بزرگ در حوزۀ کشف تقلب در صنعت که با آن مواجه بودم این بود که تمام مقالات به حوزۀ کارت‌های اعتباری، ویژگی‌هایی که استخراج می‌شد و شبکه‌هایی که استفاده می‌شد، اختصاص داشت؛ اما در ایران، الگوی رفتاری، ساختار و اعتباری که در این سیستم‌های اعتباری وجود دارد، کاملاً متفاوت است و ما در سمت خودمان نداریم. علاوه بر این، ما دیتاسِت مرجع هم نداریم و متأسفانه حتی سازمان‌هایی که خودشان دیتاسِت را دارند و می‌توانند از داده‌ها، دانش استخراج کنند، همت لازم را در این عرصه ندارند. اگر خود سازمان، دادۀ مربوط به خودش را تحلیل کند، چالش محرمانگی ندارد، اما متأسفانه حتی درون سازمان‌هایی که داده‌های غنی از مشتریان دارند و از جنبه‌های مختلف می‌توانند مشتری را موردبررسی قرار دهند، انجام نمی‌دهند، یک دلیلش به خاطر ارتباط کم با دانشگاه است. در آن مقطع زمانی که دانشگاه بودم، تمایل داشتم روی دادۀ صنعتی کار کنم. در صنعت هم نواقصی وجود دارد که از طریق علم، حل شده است و فقط باید ایرانیزه شود تا بتوانیم از آن استفاده کنیم؛ هرچند ارتباط دانشگاه و صنعت بیشتر شده، اما برای پیشرفت، باید این ارتباط بیشتر شود.
آقای مجتبی مظفری فرد از همکاران شرکت شاپرک که شنوندۀ میزگرد هستند، اشاره کردند شاپرک درحال‌توسعه و بهره‌برداری از زیرساخت‌های کشف تقلب، مبتنی بر هوش مصنوعی است که امیدواریم این اتفاق سریع‌تر رخ دهد. جناب آقای احمدی آذر! اگر نکته‌ای در این زمینه مدنظر دارید، بفرمایید.
احمدی آذر: یکی از دغدغه‌های بنده، استفاده بیشتر از بازیگران فین‌تک در حوزه‌های صنعت بانکداری است. اگر به یک فین‌تک بگویید برای صنعت شیرآلات، یک خدمت ویژه و خاص، برای حوزۀ بانکی آن‌ها تهیه کند، دیتای آن را باید از کجا بیاورد؟ اگر فین‌تک بخواهد در این حوزه فعال باشد، باید اطلاعات داشته باشد. در حال حاضر، دیتابیسی را از کشوری دانلود کردم که مربوط به خریدوفروش‌های real state از سال ۱۹۹۰ تاکنون است؛ اما در ایران به کدام دیتابیس دسترسی داریم؟ البته یکی از بهترین دیتابیس‌ها در کشور، بورس است و اگر مقالات دانشجویان کارشناسی ارشد و دکترا را در حوزۀ هوش مصنوعی ملاحظه کنید، بالغ‌بر ۶۰ تا ۷۰ درصد این مقالات در حوزۀ بورس است؛ چون در این حوزه دیتا داریم. بااین‌حال، در سایر موارد، هیچ‌گونه تولید علم انجام نمی‌شود؛ زیرا این دیتاها در اختیار قسمت‌های بیرونی گذاشته نمی‌شود. این امر مربوط به یک یا دو بانک نیست و نیازمند این است که این ضرورت در لایۀ بالاتر ایجاد شود و با ابزارهای گمنام‌سازی و… روی پلتفرم بانکداری باز، داده هم داشته باشیم. مطمئن باشید این خروجی داده، به نفع هیچ شرکت خاصی نیست و به اقتصاد کلان کشور برمی‌گردد.
البته بانک‌هایی را هم داریم که دادۀ خوبی از مشتریانشان دارند؛ اما خود آن بانک، زحمت این کار را به خود نداده تا حتی اعتبارسنجی ساده‌ای که می‌توانست با همان داده‌ها از رفتار مشتریانش داشته است، انجام دهد. همین امر باعث شده، خدمات حتی در حوزۀ وام‌های خرد دچار مسئله شوند، جناب مهدویان! لطفاً تجربیات بانک‌های مطرح دنیا را درزمینۀ هوش مصنوعی بفرمایید.
مهدویان: اگر بازهم از سیستم کشف تقلب استفاده کنم، باید گفت تقلب و تخلف می‌تواند در سطوح مختلف شکل بگیرد؛ به همین دلیل یکی از پیچیدگی‌های سامانه‌های کشف تقلب این است که باید در سطوح مختلف، انواع تقلب را شناسایی کنند. مشکل دیگر این است کسانی که تقلب را انجام می‌دهند، بسیار زودتر از کسانی که می‌خواهند آن‌ها را کشف کنند، رفتارهای جدید تولید می‌کنند. بر همین اساس، نمونه‌های خارج از کشور، شرکت‌های پی‌پل (PayPal) و ویزا کارت هستند. این شرکت‌ها در حوزۀ کشف تقلب بسیار قوی عمل می‌کنند. اگر در عرصۀ آکادمیک هم نگاه کنیم، معمولاً ترند مقاله‌های کشف تقلب در حوزۀ مالی، مربوط به کارت‌های اعتباری است که ویزا کارت و پی پل از آن استفاده می‌کنند. مورد کاربری آن به این صورت است که اگر سیستم کشف تقلب پی پل، با درجه اطمینانی احساس کند کارت اعتباری مورد سوءاستفاده قرارگرفته است، بسته به آن میزان ریسکی که سیستم شناسایی می‌کند، اقدامات و عکس‌العمل‌های متفاوتی انجام می‌دهد. اگر شما در یک منطقۀ جغرافیایی از کارتتان استفاده می‌کنید و منطقۀ جغرافیایی شما تغییر کند و به کشور دیگری سفر کنید، پتانسیل خیلی بالایی دارد؛ برای اینکه نشان دهد روی کارت شما، فراد صورت گرفته و این سیستم‌ها از طریق سیستمی اطلاع می‌دهند که آیا واقعاً دوست دارید تراکنش صورت گیرد یا خیر؟ این امر می‌تواند امنیت استفادۀ شما از این سیستم را ارتقا دهد. اگر سطح ریسک بالا شناسایی شود، حساب شما درجا مسدود می‌شود. اقدام بعدی این است که با تأیید شما، کارت جدید با شمارۀ جدید به آدرس پستی ارسال می‌شود تا بعد از مسدود شدن حساب، دست شما بسته بماند. مثال دیگر شرکت (BInk of America) است که به میزان زیادی از هوش مصنوعی استفاده می‌کند و سامانۀ توسعه داده که دستیار مالی و یک چت‌بات قوی است که سرعت پردازشی بالایی دارد و از الگوریتم‌های به‌روز و یادگیری عمیق استفاده می‌کند. چه در حوزۀ شناسایی صوت و بالعکس آن یعنی تبدیل صوت به متن و اینکه تشخیص دهد کاربر چه منظوری دارد، این الگوریتم بسیار قوی است و می‌تواند ارائۀ سرویس و پشتیبانی ۲۴*۷ داشته باشد. بنک آو آمریکا در حوزه‌های دیگر اعم از ستادی و مشتری خرد، سامانه‌های دیگری دارد که از هوش مصنوعی استفاده می‌کند. سامانه‌های دیگری در حوزۀ بانکی که از هوش مصنوعی استفاده می‌کنند و بانک‌های داخلی نیز طبق تجربیات گذشته از آن استفاده می‌کنند یا درحال‌توسعه هستند، سیستم‌های دسته‌بندی مشتریان است که بر اساس آن، می‌توان پیشنهادهای شخصی‌سازی‌شده برای مشتری ارائه کرد. هر مشتری، ویژگی‌های رفتاری خاص خودش را دارد که اگر بخواهیم بر اساس آن ویژگی‌ها عمل کنیم، قطعاً رضایت مشتری را نیز به همراه خواهد داشت. با توجه به اقداماتی که در سیستم‌های اعتباری انجام می‌شود، بر اساس الگوی رفتاری یک کاربر، شاید سیستم تشخیص دهد این کاربر مثلاً دهم هرماه حقوقش را دریافت می‌کند و پنجم هرماه، خرید مشخصی انجام می‌دهد. اگر سیستم مشاهده کند سوم و چهار ماه است و مشتری، اعتباری که می‌خواهد از آن خرج کند تا خریدش را بر اساس رفتار گذشته‌اش انجام دهد، ندارد، سیستم می‌تواند یک آفر به مشتری پیشنهاد کند تا اعتباری متناسب به وی اختصاص داده شود و بازپرداختش را بعد از دهم ماه داشته باشد؛ یعنی شش روز، اعتبار به فرد اختصاص داده شود. این امر می‌تواند برای کاربر تجربۀ لذت‌بخشی باشد. مورد دیگر که خیلی ترند شده و با گسترش شبکه‌های یادگیری عمیق تحقیقات زیادی بر روی آن در سطح دانشگاه انجام می‌شود، Social Robot ها هستند که چت‌بات هم می‌تواند زیرمجموعۀ آن قرار گیرد. Social Robot ها، ربات‌هایی هستند که حتی با توانایی بالاتر می‌توانند دقیقاً جایگزین انسان شوند. این ربات‌ها می‌توانند در شعب، کار تشخیص چهره و تشخیص حالت چهره را انجام دهند. اینکه فرد عصبانی است یا ناراحت، مضطرب است یا خوشحال و نظایر آن. این امر، می‌تواند هم در نحوۀ برخورد و تعامل با آن مشتری تأثیرگذار باشد و هم برای امنیت بیشتر از سرقت جلوگیری کند. معمولاً افراد متخلف در یک شعبه، حالت مضطرب و نگرانی دارند که الآن سیستم‌های ما به‌خوبی می‌توانند احساسات چهره را شناسایی کنند یا از روی الگوی راه رفتن مشتری، وی را شناسایی نمایند. اینکه مشتری با فشار دادن کدام قسمت پا، به زمین فشار می‌آورد یا نظایر آن، و نیز با سابقۀ داده‌ای که از مشتری داریم، می‌توانیم رفتار مشکوک وی را شناسایی کنیم. در این رابطه یکی از اپلیکیشن‌ها BI است. BI ها، سامانه‌هایی هستند که داده‌های گذشته را شناسایی می‌کنند و بر اساس آن‌ها روندی را به ما نشان می‌دهند. ابزارهای BI، از گذشته شناسایی شده‌اند و مدیران بانکی ما نیز اکثراً با آن آشنا هستند و از آن سود می‌برند؛ اما چیزی که می‌تواند به ما اضافه کند، مفهومی به نام AI in BI است که در اپلیکیشن‌های مختلف با تعابیر دیگری مانند Insight از آن یاد می‌شود. در این زمینه، مدیر برای تصمیم‌گیری و تصمیم‌سازی از داشبورد استفاده می‌کند، ترندها را می‌بیند و با توجه به دانش قبلی که از بیزینس خودش دارد، تصمیماتی را اخذ می‌کند. AI in BI آنومالی‌هایی که در داشبورد نهفته است یا آنومالی‌هایی که با یک نگاه نمی‌توان از داشبورد فهمید، شناسایی کرده و به‌صورت پیشنهاد و زنگ خطر آن‌ها را اعلام می‌کند. شاید به‌وسیلۀ داشبورد نتوان جریان نقدینگی را در ۳۰ استان کشور بررسی کرد یا در پنج روز آینده، اتفاقی را که در فلان استان خواهد افتاد، شناسایی کرد؛ اما AI با توانایی پردازشی بالا و الگوریتم‌های توسعه داده شده، این کار را برای ما امکان‌پذیر کرده است. این‌ها نمونه‌هایی است که در بانک‌های مختلف دنیا اتفاق افتاده است. تجربیاتی در داخل کشور هم داشته‌ایم که نسبتاً خوب بوده، اما به ثمر نشستن آن‌ها همکاری مدیران را می‌طلبد. اینکه اگر مدیران می‌خواهند از سیستمی، اثربخشی بالایی دریافت کنند، باید به همان نسبت انعطاف در به اشتراک‌گذاری داده‌ها و اعتماد به این سیستم‌ها داشته باشند. مشکل دیگر ما این است که شاید کمتر می‌توانیم در حوزۀ هوش مصنوعی، ارزشی که این مفهوم ایجاد می‌کند، به زبان کسب‌وکار برای مدیر تصمیم‌گیر ارائه دهیم. اگر هوش مصنوعی و کسب‌وکار را به هم نزدیک کنیم، اتفاقات خوبی رخ خواهد داد.
پیاده‌سازی هر فناوری و ابزار جدید در بانک‌ها، مسلماً با چالش‌هایی مواجه خواهد بود و هوش مصنوعی نیز از این قاعده، مستثنی نیست. به نظر شما، مهم‌ترین چالش‌هایی که برای پیاده‌سازی هوش مصنوعی با آن مواجه هستیم، کدام موارد است: رگولاتوری، فرهنگ مشتری، فناوری، نیروهای انسانی یا…؟
احمدی آذر: بله درست می‌فرمایید. پیاده‌سازی هر سیستم جدید در فضای اقتصادی با یک‌سری چالش‌هایی همراه است. در حوزۀ هوش مصنوعی، یکی از مواردی که برای استفاده و عام شدن آن ضروری است، فرهنگ‌سازی می‌باشد. در جامعه، اینکه یک شخص به ما توصیه کند یا یک سیستم، کدام‌یک را بیشتر می‌پذیریم؟ باید فرهنگ‌سازی عمومی، روی پذیرش سیستم‌های خبره بیشتر شود. اگر سیستمی را پیاده‌سازی کنیم و نتوانیم کارفرما را راضی نماییم که این سیستم می‌تواند برایش مفید باشد، مطمئناً قابل‌استفاده نیست. سیستم هوش مصنوعی، پیش‌بین است و یکی از کاربردهایش این است که می‌تواند پیش‌بینی‌ها و تخمین‌های مناسبی ارائه کند. اگر نتوانیم به حرف‌های آن اعتماد کنیم و آن را با سایر سیستم‌ها مقایسه کنیم، قابل‌استفاده نخواهد بود. موضوع بعدی این است که چقدر در محاکم و نهادهای نظارتی، بحث هوش مصنوعی و سیستم‌های خبره، پذیرش دارند. بنده در ارگان دیگری تجربه‌ای داشتم. درزمینۀ فعالیت‌های اعتباری (credit)، اقداماتی انجام داده بودیم؛ اما مشکل اصلی این بود که خروجی سیستم قابل‌قبول نبود و هرچقدر تلاش می‌کردیم نشان دهیم سیستمی است که کاملاً برمبنای عدالت، بررسی انجام می‌دهد و خروجی می‌گیرد، از طرف آن نهادهای نظارتی متولی امر، قابل‌پذیرش نبود و اینکه حتی به دلیل اینکه دیتاها، دینامیک بودند نه استاتیک، تغییر داده‌ها نیز قابل‌پذیرش نبود. می‌گفتند اگر قرار است یک سیستم خروجی بدهد، باید در تمامی موارد یک خروجی یکسان بدهد! درحالی‌که وقتی خروجی می‌دهد، سیستم با استفاده از داده‌هایی که از طریق دیتا می‌گیرد، بر مبنای دینامیک، هرلحظه خودش را کاملاً به‌روز می‌کند؛ اما به‌هرحال این فعالیت برای آن نهاد، قابل‌پذیرش نبود. ما باید بدانیم با ورود هوش مصنوعی، یک‌سری ترندها در همۀ حوزه‌ها تغییر می‌کند و مدیران، تصمیم‌گیرندگان و برنامه‌ریزان باید در حوزه‌های مختلفی که با آن چالش دارند، دیدگاه‌های خود را اصلاح کنند. اگر هوش مصنوعی، درست و دقیق پیاده‌سازی شود، حتی می‌تواند یک ابزار تصمیم‌گیری خوب برای مدیران ایجاد کند. البته انتظاری نداریم که مدیر یک مجموعه، الآن نیازی به استفاده از هوش مصنوعی نبیند، چون تصمیم‌گیری‌ها بر اساس مدل‌های مرسوم انجام می‌شود؛ اما اگر این حس ایجاد شود که تصمیم‌گیری به‌صورت خطی و رویدادمحور نباشد و حدی و آستانه‌ای باشد، به‌طور مثال برای هر واحد تصمیم‌گیری مشخص انجام دهیم، می‌توان از هوش مصنوعی استفاده کرد. ازآنجاکه در حال حاضر این مورد در نظام بانکی ما پیاده‌سازی نشده و البته بسیاری شرکت‌ها در این زمینه کار می‌کنند، معتقدم در مقایسه با اقداماتی که چین و هند انجام می‌دهند و به‌شدت در حوزۀ هوش مصنوعی، خصوصاً در بانک‌ها کار می‌کنند، ما هنوز کار خاصی انجام ندادیم. ما در حال از دست دادن فرصت‌ها هستیم. در اینجا دیگر بحث داده های‌تک، صنعت های‌تک، زیرساخت خاص و مواد اولیه خاص نیست. هم زیرساخت و هم سخت‌افزارهای فعلی ما پاسخگوی موضوع هستند و فقط باید همت از سمت نهادهای حکومتی ــ حاکمیتی وجود داشته باشد که کمک کنند این مسیر و فرایند در نظام بانکی و سپس سایر حوزه‌ها راه‌اندازی شود.
البته فکر می‌کنم ما از این مسیرهای جامانده در نظام بانکی، زیاد داریم و این بخش هم مشخصاً بر عهدۀ رگولاتور بانکی است. بسیاری از این مشکلات در حوزۀ صنعت و دانشگاه با یک سندباکس ساده، قابل‌حل است؛ اما علی‌رغم قولی که آقای محرمیان، ابتدای سال درخصوص سندباکس بانک مرکزی دادند، اکنون به انتهای سال و پایان دولت نیز نزدیک می‌شویم و خبری از آن نیست و معلوم نیست چه زمانی درست شود. در ارتباط با مباحث میزگرد، جناب منصوری مدل‌سازی‌ای از تجربۀ احتمالی مشتری از به‌کارگیری هوش مصنوعی ارائه داده‌اند که بد نیست به آن نگاهی بیندازیم. به گفتۀ ایشان محتوای پیامک دریافتی مبتنی بر سیستم هوش مصنوعی، احتمالاً چنین چیزی خواهد بود:
«آقای عبدالحمید منصوری! به درگاه شبکۀ گیتی خوش آمدید! بیمۀ خودروی سمند شما تمدید شد و هزینۀ آن از حساب پس‌انداز کو ت شما به شمارۀ ۱۲ بانک الف پرداخت شد. در ضمن شهریۀ دانشگاه فرنام پسرتان از حساب‌جاری شما در بانک ج پرداخت شد و همچنین ۱۰۰۰ سهم شرکت دال را برای‌تان خریدیم. مبلغ ۱۲ میلیون تومان توسط آقای بهزاد، باجناق شما، به حساب‌جاری ۱۴ در بانک میم واریز شده است. تا ۱۵ دقیقه دیگر، تاکسی سمند، به شمارۀ ۷۸۸۹۹ درِ منزل آمده تا شما را به فرودگاه ببرد. شما با پرواز ۱۴۵ هما، ساعت ۸، عازم مشهد خواهید بود و در فرودگاه مشهد، تاکسی سمند به شمارۀ ۷۸۷۹۸ آماده خواهد بود تا شما را به دانشگاه مشهد، جهت شرکت در سمینار امنیت برسد. ساعت ۶ بعدازظهر، تاکسی پژو به شمارۀ ۶۷۶۷۶ با رانندگی آقای بابایی، شما را به فرودگاه جهت برگشت به تهران با شماره پرواز ۱۴۶ ماهان، ساعت ۹ می‌رساند. در ضمن شما در راه فرودگاه می‌توانید از فروشگاه خراسان، برای همسرتان و دخترتان زعفران بخرید. فروشگاه غنچه‌ها در فرودگاه مشهد، ماشین کنترلی قرمز صحرانوردی آورده است و نوۀ شما علاقه زیادی به آن دارد. بستۀ ارسالی پسرخالۀ شما توسط پیک موتوری به نام علی آقا، از شرکت تیپاکس، تحت پوشش نخستین کاربر پست خصوصی، با موتورسیکلت کویر زردرنگ به شمارۀ ۱۲۳ در میدان حافظ تحویل شما خواهد شد. با پوزش از اینکه در این سفر نمی‌توانید به زیارت بروید، شاد، پیروز و تندرست باشید؛ شبکۀ گیتی. در صورت تغییر می‌توانید کلمه تغییر را بیان کنید.» سپاس از آقای منصوری. به نظرم مدل‌سازی جذابی بود. آقای مجید کیوان را روی خط داریم. ایشان مشاور حوزۀ مدیریت داده هستند و گویا درخصوص موضوعاتی که در میزگرد مطرح شد، نظراتی دارند. بفرمایید.
کیوان: بنده چند تجربه را با برخی از بانک‌ها دربارۀ هوش مصنوعی به‌عنوان یک ابزار در قالب مشاور مدیریت عرض می‌کنم؛ البته مشاور مدیریت که بر اساس داده در سطوح مختلف مدیریتی ایجاد می‌شود. یکی از چالش‌های اساسی این است که وقتی به سمت بانک می‌رویم، مشابه تمام تکنولوژی‌هایی که در صنعت بانکی مطرح می‌شود، اختلاف‌نظر وجود دارد که آیا این موضوع باید از سوی بخشی از بانک که در لایۀ کسب‌وکار و استراتژی در حال فعالیت است، هدایت شود یا اینکه باید از طریق معاونت‌های فناوری و هلدینگ‌هایی که زیرمجموعۀ حوزۀ فناوری کار می‌کنند، پیش برود؟ بانک به‌عنوان یک نهاد اقتصادی به دنبال کسب سود و نگهداشت مشتریان است. در این مسیر، دپارتمان‌هایی که در حوزۀ کسب‌وکار و در لایۀ استراتژی کار می‌کنند، درخصوص بررسی افزایش سود یا کاهش هزینه یا افزایش تجربۀ کاربری مقدم‌تر هستند. طبق تجربۀ ما، بخشی از BI وجود داشته است. دوستان هم به‌درستی اشاره کردند که این امر، یک سرویس لاکچری نیست. دربارۀ نئوبانک، استفاده از AI دیگر اختیاری نیست، بلکه یک الزام است. دربارۀ مباحث حاکمیتی هم باید عرض کنم در بازه‌ای، روی موضوع رگ‌تک در لایۀ حاکمیتی فعالیت و جلساتی را با بانک‌های مختلف در لایۀ معاونان فناوری اطلاعات و اعضای هیئت‌مدیره برگزار می‌کردیم. یک نکته که دربارۀ رگ‌تک و تطابق به‌عنوان زیرشاخۀ آن مطرح می‌شود این است که تطابق، موجب می‌شود خسارات و جریمه‌هایی که قرار است به رگولاتور داده شود، کاهش پیدا کند. در اینجا، AI خیلی مؤثر و کمک‌کننده است، اما وقتی با دوستان صحبت می‌کردیم، می‌گفتند هر وقت تطابق با رگولاتور اتفاق نمی‌افتد، این امر بعضاً به‌صورت گفتگو و کدخدامنشی بین بانک و نهاد رگولاتور برطرف می‌شود و اینکه رگ‌تک با کمک AI ورود کند، کاهش پیدا می‌کند؛ اما الآن در صنعت، مشاوره مدیریت در سطح جهانی، شرکت‌هایی مانند مکنزی، بخشی به نام تحلیل مکنزی دارند یا شرکت BCG، بخشی به نام گاما دارد و رویکردشان این است که اگر به مدیریت کلان شرکت، مشاوره می‌دهیم، مبتنی بر داده است و آن مدیر بر اساس دادۀ واقعی و ترندهایی که رخ می‌دهد، و کشف در BI و پیش‌بینی در AI می‌تواند تصمیم‌گیری کند و به مدیریت کمک نماید.
البته آقای منصوری نیز به‌درستی در گروه اشاره‌کرده‌اند که یکی از چالش‌های اساسی هوش مصنوعی، «ژن آمرانه» کارشناسان و مدیریت ارشد یا میانی در بانک‌هاست. آقای مهدویان هم در این زمینه، نکته‌ای دارند.
مهدویان: ما هم دقیقاً با این مشکل مواجه شده بودیم. یکی از مشکلاتی که برای پیاده‌سازی سامانه‌هایی که از هوش مصنوعی استفاده می‌کنند و بیرون از سازمان، خدمات ارائه می‌دهند، دسترسی به داده‌هاست. همچنین پیاده‌سازی آن سامانه‌ها و معاونت‌های مختلف، چالش بزرگی برای ماست. در این زمینه، قوانین و استانداردهایی وجود دارد که این تعامل خصوصاً در حوزۀ بانکی که محرمانگی داده‌ها زیاد است، صورت گیرد. اگر تصمیم‌گیری در سطح بالایی صورت گیرد و آن ژن آمرانه بر اساس هوش مصنوعی باشد، راه‌حل‌هایی برای تعامل و به‌منظور اینکه دیتا از سازمان خارج نشود، وجود دارد. این امر به هنر کسانی بازمی‌گردد که سامانه‌های هوش مصنوعی را توسعه می‌دهند تا اطمینان سازمان‌ها را ازاین‌جهت که محرمانگی داده‌های آن‌ها زیر سؤال نمی‌رود، جلب کنند.
آیندۀ بانک‌های ایران را در دوره‌های کوتاه‌مدت و میان‌مدت در به‌کارگیری سیستم‌هایی که بر پایۀ هوش مصنوعی هستند، چگونه ترسیم می‌کنید؟
اخایی: در کوتاه‌مدت باید فضای آگاهی و اعتمادسازی صورت گیرد. هوش مصنوعی در قالب کاربردی و جدی از ۲۰۱۵ و ۲۰۱۶ در جهان آغاز شد، اما اتفاق مهم در سال ۲۰۱۲ رخ داد. پنج شرکت استارتاپ که در ۲۰۱۶ شروع به کار کردند و ۲۰۱۸ یونیکورن یا تک‌شاخ شدند، بیش از یک میلیارد دلار جذب بودجه کردند. این اقدام در حوزۀ مدیریت ریسک، تشخیص اینکه مشتری چقدر می‌تواند وام بگیرد و… نشان می‌دهد چقدر این موضوع، مهم است. متأسفانه همیشه در تمام حوزه‌ها از مترو گرفته تا سایر موارد، چند سالی عقب‌تر از غرب هستیم. مثلاً اتفاقی که در حوزۀ هوش مصنوعی در دنیا رخ داده، در ایران، احتمالاً ۲۰۲۱ یا ۲۰۲۲ می‌افتد. یک‌سری از مباحثی که مطرح شد، مانند تشخیص در حوزۀ راه رفتن، حالت چهره و… موارد حل‌شدۀ هوش مصنوعی است. دو سال پیش سرویس‌هایی که از طریق یکی از شرکت‌هایی که به بانک، خدمات آی.تی می‌داد، ارائه کردیم. در عابر بانک‌ها دوربین و کامپیوتری وجود دارد که محاسبات را انجام می‌دهد. به‌طور مثال درخواست داشتند اگر چهرۀ فردی مشخص نبود، مثلاً کلاهش را روی صورت انداخته، چادرش را روی صورتش گرفته یا نیم‌رخ ایستاده و سرقت انجام دهد، اجازۀ پرداخت یا جابه‌جایی پول به وی داده نشود. گفتم هفته آینده سرویس را راه‌اندازی می‌کنم و یا درخصوص مراکزی که به‌صورت اتاقک با چند دستگاه خودپرداز است، مانیتورینگ دارند. بنده عرض کردم خفت‌گیری را با هوش مصنوعی می‌توان فهمید! اگر امکانات بدهید، می‌توانیم آن را راه‌اندازی کنیم. درنهایت اعلام کردند ما در کربنکینگمان مشکل داریم، حالا شما دسر هفت لایه آورده‌اید! معمولاً دیدگاه موجود این است که این‌ها لاکچری یا نشدنی است یا…
البته فکر می‌کنم در اینجا چون این کار برای بانک، درآمدی ندارد و ریسک هم سمت مشتری است، بانک معتقد است مشتری می‌توانست کارت بانکی‌اش را ندهد تا دزدی نشود. چون این موضوع، در حوزه مسئولیت اجتماعی قرار می‌گیرد، به دید هزینه به آن نگاه می‌شود نه سرمایه‌گذاری.
اخایی: به‌هرحال برندینگ است.
بله. ولی مدیریت بانک آن را به دید هزینه می‌بیند نه برندینگ. این دودوتاچهارتا کردن در لایه کارشناسان شبکه بانکی، کار را سخت می‌کند.
اخایی: شاید! البته من از این زاویه نگاه نکردم و بیشتر احساس کردم حرف‌های ما را باور نکردند. بنده به دوستان عرض کردم یک شعبه برای معلولان باشد که فرد مثلاً با بینی‌اش بتواند ماوس را بر روی ATM تکان دهد و یا با پلک چپ و راست، کلیک چپ و راست کند. این امر در حوزه تبلیغات و مانور دادن روی این موضوع که این بانک، توجه ویژه به معلولان در سیستم بانکداری دارد، ارزشمند است اما این بانک‌ها همه‌چیز را به‌عنوان یک سیستم لاکچری نگاه کردند. البته الآن درزمینۀ شناسایی چهره، هم بانک‌ها، استفاده از سامانه را مدنظر دارند و هم در قالب سجام و… یک‌سری سرویس‌ها ایجاد شد. با این اقدام، باور بانک‌ها مقداری تغییر کرد و یخ موضوع شکست و احراز چهره از طریق انگشت هم اضافه شد. این‌ها دوره بلوغ است اما باید دوره کوتاه‌مدت بگذرد. ما قطعاً به سمت AI خواهیم رفت و ناگزیر از آن هستیم. اینکه پنج سال یا هفت سال و مانند آن رخ دهد، به این برمی‌گردد که به قول دوستان چقدر ژن آمرانه داشته باشیم! و چقدر مدیران ما به‌روز و ریسک‌پذیر هستند. البته هر سیستمی هنگام راه‌اندازی ممکن است یک خطا و ۹ منفعت داشته باشد. در محیطی که به ازای یک خطا، منافع لحاظ نشود و آسیب زیادی وارد کند، این ریسک اتفاق نمی‌افتد. این تجربیات یعنی اینکه هنوز اعتماد لازم وجود ندارد. البته الآن کمی بهتر شده و مدیریت‌ها به این سمت می‌روند که اگر اتفاقی هم بیفتد، منفعت آن بیشتر از خطاها و زیان‌هاست. موضوع رگولیشن هم وجود دارد که دربارۀ آن صحبت شد. به‌هرحال چهرۀ مشتریان، داده‌های آن‌ها و نظایر آن، حریم خصوصی است. مدیران ما هم باید از این تصور که عده‌ای دارند فانتزی‌ها و آرزوهای خود را بیان می‌کنند، بیرون بیایند. الآن سامانۀ تحلیل متون شبکه‌های اجتماعی در کشور موجود است و تحلیل چهره هم که اجرایی شد. حتی آدم‌ها را می‌توان با نحوۀ تایپ کردن، تا حدی احراز کرد. فکر می‌کنم در کوتاه‌مدت همچنان فاز رفت‌وبرگشت را خواهیم داشت اما در میان‌مدت یخ آن خواهد شکست و بانک‌ها به این سمت‌وسو خواهند رفت.
آیا این موضوعات را نمی‌توانید قبل از اینکه عملیاتی شود، در حوزۀ سند باکس به‌صورت آزمایشگاهی جلو ببرید؛ حتی برای بانک‌هایی که تمایل دارند در این مسیر، پیشروی کنند؟
اخایی: قطعاً امکان‌پذیر است! در مواردی که به بانک‌ها پیشنهاد دادیم، گفتیم سیستم‌ها در یکی دو ATM پیاده‌سازی شود. قطعاً هر اقدام جدید، آن‌هم در حوزۀ بانکداری که با پول مردم سروکار دارد، بسیار مهم و حیاتی است و شوخی‌بردار نیست و حتماً در قالب سند باکس آزموده می‌شود، بعد در چند محله، دستگاه خودپرداز و مدیریت‌های مختلف بررسی می‌شود و به‌تدریج گسترش می‌یابد تا تمام آن حوزه را پوشش دهد. ما انتظار نداریم بانک در یک مرحله، کل سیستم را به سمت هوش مصنوعی ببرد.
این سند باکس‌ها را می‌توانیم به‌عنوان یکی از وظایف حوزۀ حاکمیت و رگولاتوری، سریع‌تر در حوزه‌های مختلف راه‌اندازی کنیم. این مسئله هم به نفع شبکه بانکی و هم به سود اقتصاد کشور است. جناب مهدویان! ما دربارۀ حاکمیت داده در برنامه‌های قبلی، با حضور آقای ناظمی و باقری اصل صحبت کردیم. آن داده‌ای که در اختیار بانک‌ها و شرکت‌هاست، قابلیت استفاده دارد؟ آیا جزء حریم خصوصی است یا خیر؟ ما می‌خواهیم از این داده در حوزه هوش مصنوعی در بانک‌ها استفاده کنیم. اصولاً چه حرکت‌هایی در این زمینه انجام‌شده است؟ آیا نقش رگولاتور، بانک‌ها و بخش خصوصی در اینجا دیده شده است؟ آیا چارچوب‌های آن برای شما مشخص است که حاکمیت داده با کیست؟ و اگر قرار است در اختیار دیگری، قرار گیرد با چه چارچوبی باید آن را انجام دهد و ریسک‌های آن چیست؟
مهدویان: متأسفانه خیر! یعنی بنده تا الآن چنین چیزی را ندیدم. هرچند کارگروه‌هایی در سطح بانک مرکزی در حال اجراست که چنین قوانینی را وضع و استانداردهایی را تعریف کنند اما در حال حاضر، آنچه دقیقاً در این نشست، درباره آن صحبت شد، حاکمیت داده‌هاست. برای خلق ارزش از طریق هوش مصنوعی، هرچه میزان داده برای تحلیل بیشتر باشد، قدرت AI بیشتر می‌شود تا از درون این داده‌ها، دانش و بینش استخراج کند. اگر فقط متمرکز به سیستم بانکی نگاه کنیم، از دیتای تراکنش‌ها می‌توانیم یک‌سری دانش استخراج کنیم. اگر داده‌های تراکنشی در کنار داده‌های گردشگری، تحصیلی، اقتصادی و… قرار گیرد و زیرساخت لازم ایجاد و از جنبه‌های مختلف به آن توجه شود، قطعاً هوش مصنوعی می‌تواند از داده‌های مشتری، ارزش بیشتری خلق کند. اینکه رگولاتوری، با توجه به استانداردهای موجود، قوانینی را وضع کند که زنجیره ارزشی یا زنجیره داده‌ای را ایجاد کند، مهم است. ما استانداردهایی داریم که بر اساس آن، می‌توانیم روی داده‌های همدیگر کار کنیم و از منابع داده‌ای هم استفاده نماییم، بدون آنکه محرمانگی آن زیر سؤال برود. البته اتفاقاتی رخ داده که دید منفی ایجاد کرده است. مثلاً در دنیا، شرکت‌های نتفلکیس و آمازون به خاطر اینکه داده‌ها در اختیار دیگران قرار داده شده بود، خرابی‌هایی به بار آورد باوجوداینکه بی‌نام‌سازی انجام شده بود، اما نشت‌های اطلاعاتی صورت گرفت که باعث ورشکست شدن بسیاری از شرکت‌ها شد و در ذهن ما، برجسته است. بااین‌حال، هرچه به سمت جلوتر می‌رویم، روش‌ها و استانداردهای بیشتری ایجاد می‌شود که آنچه مدنظر است از داده‌ها استخراج کنیم به صورتی که محرمانگی داده‌ها هم لحاظ شود.
البته نشت اطلاعات در کشور ما تبدیل به خاطره شده و آن‌قدر نشت اطلاعات داشتیم که از برجسته بودن گذشته است! طی دو سه سال اخیر، چهار پنج بار اطلاعات بانکی، ثبت‌احوال و فضاهای دیگر، نشت پیدا کرد. موضوع مهم، زنجیره داده است. بانک، اطلاعات خام که در اختیار دارد، به‌تنهایی نمی‌تواند برای آن ایجاد ارزش کند، چه با هوش مصنوعی چه بدون آن. تکلیف این زنجیره چیست؟ وظیفه حاکمیت چیست؟ اینکه کل داده کشور، یکجا تجمیع شود و بعد هرکس به‌تناسب کاری که انجام می‌دهد، از آن استفاده کند؟ هرچند گویا قرار است سازمان فناوری اطلاعات این کار را انجام دهد. لطفاً بیشتر در این زمینه توضیح دهید که در دنیا چه اقداماتی انجام شده و چرا ما کاری انجام نمی‌دهیم؟
مهدویان: درست می‌فرمایید. یک نگرانی دیگر، تجمیع داده‌ها در یکجا برای استفاده دیگران است. هرچقدر داده‌ها را بی‌نام کنیم، شاید الگوهایی از این داده‌ها استخراج کنیم که بتوانیم آن را با داده دیگر، تطبیق داده و از آن، به‌گونه‌ای برگشت عملیات بی‌نام‌سازی را انجام دهیم و به اطلاعاتی دست پیدا کنیم. اینکه ما بخواهیم زیرساختی زیر نظر یک سازمان یا ارگان خاص فراهم کنیم که همه به آن دسترسی داشته باشند، باید زودتر اتفاق بیفتد. ما ازنظر تکنولوژی و فنی، تقریباً هیچ محدودیتی نداریم. این امر، همت سطح حاکمیت و مدیریت در رده‌های بالا را نیاز دارد تا به آن دست پیدا کنیم.
جناب احمدی آذر! از دیدگاه شما نقش بانکداری نوین و هوش مصنوعی در تحقق اقتصاد هوشمند به چه شکل خواهد بود؟
احمدی آذر: ما معتقدیم اگر صنعت بانکداری، قابلیت این موضوع را پیدا کند که به سیستم‌های هوش مصنوعی مجهز شود، این امر در تمامی وجوه اقتصاد جامعه تأثیرگذار است. اگر شما هر فعالیتی را در حوزۀ اقتصاد در نظر بگیرید، مانند فعالیت‌های خرد تا کسب‌وکار متوسط و بزرگ، تأثیراتی در نهادهای مالی کشور دارد؛ یعنی نمی‌توان معامله‌ای را در نظر گرفت که تعامل مالی در آن صورت نگیرد بنابراین تمام این اطلاعات به نحوی در حوزه بانکداری وجود دارد. مثلاً اگر قرار باشد گمرک را هوشمند کنیم، یک پای قضیه به فرایند گمرکی برمی‌گردد و طرف دیگر به مباحث مالی. اگر بیمه را هوشمند کنیم، بسیار تأثیرگذار است چون هوش مصنوعی در حوزه بیمه نیز طی سال‌های اخیر رشد کرده است اما بازهم یک قسمت آن به مباحث مالی برمی‌گردد. بنابراین اگر بخواهیم به سمت هوشمندی اقتصاد حرکت کنیم، بانک‌های ما باید مجهز به سیستم‌های هوشمند باشند تا بتوانند به ما در هر زمینه دیگری که می‌خواهیم حرکت کنیم، کمک کنند. بنابراین اگر این زیرساخت آماده نشود، ما عملاً یکی از توانمند سازهای هوشمند سازی را از دست می‌دهیم. البته ممکن است کارها انجام شود اما با سختی و لختی زیاد همراه است و شاید به نتیجه منجر نشود و پروژه‌های هوشمند سازی سایر بخش‌ها نیز با موفقیت همراه نباشد زیرا داده‌های بانک، متمرکز است و هر حوزه‌ای می‌تواند هم‌پوشانی با داده‌ها و فعالیت خودش را از بانک درخواست کند و این اطلاعات به‌صورت سرویس در اختیار آن‌ها قرار دهد. بنابراین اگر حاکمیت و دولت به دنبال هوشمند سازی در کل اقتصاد مشتریان و جامعه و نیز در فضای دولت هستند، پیشنهاد بنده این است که باید از بانک‌ها شروع شود. دیتای سمت بانک‌ها باید اصلاح و موارد مربوط به حاکمیت داده، به‌درستی در بانک‌ها اجرا شود، داده‌های مناسبی در حوزه بانکی تجمیع شده که باید ساخته‌وپرداخته شود و در وهله اول خود بانک از آن استفاده کند و در وهله دوم به‌عنوان وب‌سرویس بتواند در اختیار سایر حوزه‌های نظام اقتصادی کشور قرار دهد.
جناب اخایی! همه این صحبت‌ها انجام شد تا به نتایج شاخص‌هایی برسیم که هوش مصنوعی می‌تواند به کمک شبکۀ بانکی و اقتصاد کشور بیاید. از دیدگاه حضرت‌عالی، شاخص‌های کلیدی که می‌تواند این اتفاق را به‌درستی در مسیر خودش قرار دهد، چیست و عملاً چه مسیری را باید دنبال کنیم؟
اخایی: از آقای تبریزی که به کل قضیه به‌طور جامع اشاره کردند، متشکرم. ما در سه ضلع اصلی باید به جلو حرکت کنیم. اول بحث فرهنگی است که باید این دانش در مدیران شعب، مدیران بانک و بانک مرکزی به بالا ایجاد شود که ما از هوش مصنوعی چه می‌خواهیم، چه چیزهایی شدنی است و به کدام سمت باید برویم. دوم بحث زیرساخت است که شامل نحوه برچسب زدن و گمنام سازی می‌شود و اینکه بخواهیم آن را در اختیار بگذاریم یا فضاهایی ایجاد کنیم، چه درون بانکی و چه در نهاد مشخصی مانند سازمان فناوری اطلاعات یا جای دیگر. سوم بحث رگولیشن است و اینکه چقدر آیین‌نامه دربارۀ این موارد داریم. ما تقریباً در هر سه زمینه، ضعف داریم. واقعاً نمی‌دانم سیستم‌های گمنام سازی داریم یا خیر، از دیتایی که در بانک‌ها وجود دارد، خبر ندارم؛ هرچند تلاش‌هایی انجام شده تا بگوییم شدنی است. در حوزۀ فرهنگی و دانش، اجرای هوش مصنوعی، بیشتر برای نمایش است تا استفادۀ واقعی. این موضوع، باید به یک باور تبدیل شود. در بحث آیین‌نامه‌ای هم مشکل داریم. چند مدل داریم که بگوید فلان سازمان دیتا را در اختیار قرار دهد؟ آیا در این استانداردها و شاخص کلیدی عملکردی وجود دارد که بتوان داده را در اختیار دیگری قرار داد؟ هر وقت در این سه ضلع توانستیم به بلوغ برسیم، به سمت تحقق اهداف حرکت می‌کنیم. البته شاید مباحث فرهنگی را نتوان متر و سنجش کرد. این مباحث، درونی است و نمی‌توان گفت چقدر باور قلبی شخص است؛ اما در حوزه‌های زیرساخت و رگولاریزیشن در قالب آیین‌نامه، ممیزی و… شاخص کلیدی عملکرد می‌تواند وجود داشته باشد. مثلاً می‌توانیم بگوییم چند آیین‌نامه دربارۀ انواع داده‌ها داریم یا ازنظر زیرساختی، چقدر فضا در اختیار می‌گذاریم یا چقدر API هایی می‌تواند به دیتا در قالب مشخص، دسترسی داشته باشد یا اینکه با فلان سخت‌افزارها در یک محیط مشخص، چه اقداماتی انجام شود که داده از جای آن تکان نخورد! این‌ها همگی قابل سنجش و اندازه‌گیری است و تعداد پروژه‌هایی که انجام می‌شود، نتیجۀ این سه ضلع خواهد بود. اگر این سه ضلع، به‌درستی انجام شود و نظم پیدا کند، پروژه‌های زیادی اجرا خواهد شد و شرکت‌های فین تک، بانک‌ها و دانشگاه‌ها روی این‌ها کار می‌کنند. در این زمینه، ضرب‌المثلی وجود دارد که می‌گوید: «فیل را چطور می‌خورید؟ لقمه‌لقمه!». بنده در سطح فعلی که باور قلبی به هوش مصنوعی وجود ندارد و بسیاری فکر می‌کنند فانتزی است، اصلاً خوش‌بین نیستم سازمانی ایجاد شود که دیتای همۀ بانک‌ها و بیمه‌ها را تجمیع و گمنام سازی کند و در اختیار قرار دهد و یا اینکه تا دو سه سال دیگر اتفاق بیفتد. همچنین تغییراتی که در دولت، بانک مرکزی و… اتفاق می‌افتد، ممکن است همۀ این موارد را دچار تغییرات جدی کند؛ اما لااقل می‌توانیم آن را در سیستم‌های داخلی بانک و بخش‌های کوچک ترمیم کنیم و اگر تجربۀ چند مدیر، موفق باشد، سایر مدیران به آن‌ها اقتدا می‌کنند و چنانچه از مجموعه‌های کوچک به بزرگ برسد، ناگزیریم برای آن قانون‌گذاری کنیم. الآن حاکمیت و بانک مرکزی مشکلات زیادی دارند و نان مردم، مهم‌تر از تمام مباحثی است که ما درزمینۀ هوش مصنوعی در بانکداری مطرح می‌کنیم. این موضوع باید یک مقدار از زیر بجوشد و سپس قانون‌گذار رگوله کند؛ نه اینکه بی‌گدار به آب بزنیم. اگر در بخش‌های کوچک همین سه ضلع فرهنگ، زیرساخت و قانون‌گذاری محلی به‌خوبی اجرا شود و سپس آن را بزرگ‌تر کنیم، احتمال اتفاق افتادن آن بیشتر است تا اینکه به‌طور ناگهانی از بالا اتفاق بیفتد.
البته اگر اجازه بدهید با نظرتان در بخش حاکمیتی موافق نباشم. هرچند بانک مرکزی الان درگیر تحریم، معضلات نظام بانکی، قیمت دلار و… است، اما معاونت فناوری‌های نوین داریم که مشخصاً دغدغه‌اش در حوزۀ فناوری است. اینکه تحریم هستیم و قیمت دلار بالاست، از وظایف این معاونت نیست. شاید مدیران ارشد دولتی ما درک درستی از هوش مصنوعی ندارند که آن را لاکچری می‌دانند.
اخایی: حرف شما درست است که این موضوع، اولویت اول است؛ اما سؤال این است که اگر بخواهیم تغییراتی ایجاد کنیم، هزینۀ این تغییر را در همۀ حوزه‌ها، اعم از مردم، حاکمیت، مدیریت و… همه باید بدهند. ببینید ژاپن که در حالت پایدار قرار دارد، در کشاورزی‌اش تحول ایجاد می‌کند، اما اگر ما بخواهیم این تغییر را ایجاد کنیم یا بانک مرکزی به‌عنوان رگولاتور بانکی، شاید هم خودش زیر سؤال برود و هم اینکه مردم آن را برنمی‌تابند، چون سیستم، حالت پایدار ندارد. این هزینه را باید کسی بپذیرد، شاید حاکمیت بزرگ‌تر به خاطر ریسک‌های آن، کمتر این موضوع را بپذیرد؛ اما اگر در مباحث کوچک‌تر مطرح شود تا حاکمیت، نشانه‌های آن را ببیند و بعد به سمت آن تصمیم حرکت کند، بهتر است. آنچه عرض کردم ازنظر اجرایی است؛ وگرنه بنده هم کاملاً موافقم مجموعۀ بالادستی، قوانینی را وضع و روی آن پافشاری کند، اما فکر می‌کنم در شرایط کنونی سخت باشد.
تا آنجایی که بنده از هوش مصنوعی درک کردم، مستقیماً روی نان شب مردم تأثیر ندارد. قیمت بنزین نیست که بگوییم مردم آن را می‌پذیرند یا خیر و ریسک مدیریتی برای ما دارد. این موضوع، زیرساختی است و تا زمانی که اتفاقات ملموسی رخ ندهد، مردم نمی‌توانند متوجه شوند پشت این قضیه چیست. مثال بزنم. کاش ما در این حوزه تحریم نبودیم. الان فیس‌بوک که در دنیا بر اساس داده، تجارت می‌کند، درآمدش از داده‌ای است که مردم دارند خود اظهاری می‌کنند و به کسب‌وکارها می‌فروشد. من هنوز نشنیده‌ام در آنجا کسی بگوید بر اساس جمع‌آوری اطلاعات و دیتاماینینگی که از کسب‌وکارهای مختلف به‌واسطه پشت پرده فیس بوک انجام می‌شود و آفرهایی به مصرف‌کننده در موقع مشخص ارائه می‌کند، مشکلی وجود داشته باشد. اگر بخواهیم به مثالی که آقای منصوری در قالب پیامک اشاره کردند برسیم، راه دوری نداریم؛ البته اگر عقلانیت و تدبیر در کشور آن را به‌عنوان اولویت بپذیرد. متصل کردن این وصله‌پینه‌ها و دیتاهای جزیره‌ای و چهل‌تکه در کشور، کار سختی نیست، مشروط بر اینکه خواسته و اراده‌ای برای شعار «ما می‌توانیم» داشته باشیم. بگذریم… جناب مهدویان! نقش فین تک‌ها در صنعت بانکی را نمی‌توان نادیده گرفت؛ چون فعالیت‌های ارزشمندی را دوشادوش بانک‌ها در صنعت بانکی انجام می‌دهند. شما نقش فین تک‌ها را در توسعۀ ابزارها، کانال‌ها، محصولات و خدمات هوشمند بانکی، چطور ارزیابی می‌کنید؟
مهدویان: ابتدا باید از آقای ترک‌تبریزی تشکر کنم که صحبت‌های امیدوارکنندۀ ایشان، ناشی از نگاه درستشان به AI و درک صحیح آن است. اگر ما اولویت AI را دقیقاً بشناسیم و این امر در سطح مدیران ما فرهنگ‌سازی شود، نهادینه کردن آن در سه ردۀ حاکمیتی و رسیدن به آرمان‌شهر، دور از دسترس نیست؛ اما تحقق آن در اوضاع فعلی، شاید زمان‌بر باشد. کاری که می‌توانیم بکنیم این است که از پیروزی‌های سریع و مختصر (quick wins) شروع کنیم و از پایین به بالا، با استفاده از دیتاهای لوکال، یک‌سری پروژه‌هایی که از هوش مصنوعی استفاده می‌کنند، افتتاح کرده و خروجی‌های آن را ببینیم. این خروجی‌ها می‌تواند مدیران را قانع کند که هوش مصنوعی، فراتر از سیستم‌های کلاسیک به سازمان کمک می‌کند. بانک‌ها به دلیل مشغله‌ها و توسعۀ سیستم‌های کلاسیک، کمتر وارد هوش مصنوعی شدند. حتی هوش مصنوعی در همان سیستم‌های کلاسیک کربنکینگ، سوئیچ و CMS، می‌تواند کمک کند و اثربخشی را ارتقا دهد؛ اما این کار روی دوش یک‌سری شرکت‌های زیرمجموعه که در حوزۀ فین تک فعالیت می‌کنند، قرار می‌گیرد. البته مشکلات زیادی در این حوزه وجود دارد که اگر حل شود، نقش اساسی که فین تک می‌تواند در این سیستم بازی کند، پررنگ‌تر می‌شود و جایگاه اصلی خود را پیدا می‌کند. یکی از بزرگ‌ترین مشکلات، عدم دسترسی به داده است. برای توسعه یک سیستم هوش مصنوعی، نیاز به پردازش بر روی داده‌ها داریم که این داده‌ها بر اساس محرمانگی و… چندان در دسترس فین‌تک‌ها نیستند. یکی از مشکلات دیگر، این است که مدیران اعتماد زیادی به استفاده از هوش مصنوعی ندارند و این امر، ناشی از عدم اطلاع مدیران از توانمندی‌هایی است که هوش مصنوعی می‌تواند ایجاد کند. اگر بتوانیم درزمینۀ پتانسیل‌هایی که هوش مصنوعی در حوزۀ بانکی ایجاد می‌کند، بستر لازم را فراهم و دسترسی به داده‌ها را برای فین تک‌ها، تأمین یا راحت‌تر کنیم، آن‌ها هم می‌توانند نقش اصلی خود را در این حوزه ایفا کنند.
جناب احمدی آذر! شما در چندلایه در بانک‌ها درگیر و با مدیران ارشد هم در ارتباط هستید. مشخصاً تجربه خودتان را در این زمینه که اگر بخواهیم هوش مصنوعی را در بانک‌ها پیاده‌سازی کنیم، از کجا باید شروع کنیم، بفرمایید. زمانی صحبت این بود که تلفن همراه در کشور، کالای لوکس است و مدیران ارشد نظام، مدیران لایۀ میانی و حتی مردم به‌عنوان مصرف‌کننده، همین موضوع را مطرح می‌کردند؛ اما الآن بدون موبایل، حتی نمی‌توان زندگی کرد. این دیدگاه را با چه ترفندی در کشور باید جلو ببریم؟ زمانی با آقای غرضی که ورود موبایل به کشور در زمان ایشان صورت گرفت، صحبت می‌کردیم. ایشان می‌گفت نهادهای امنیتی معتقد بودند شدنی نیست. اگر یک بی‌سیم دست ملت بدهیم، هزار اتفاق می‌افتد! آقای غرضی گفت برای حل این موضوع، چند مدیر ارشد از مجلس، نهادهای امنیتی و… را با هزینۀ وزارت ارتباطات به خارج کشور بردیم. آنجا دیدند مردم، تلفنی به شکل بی‌سیم در دست دارند و راه می‌روند و حرف می‌زنند! به گفتۀ آقای غرضی، در سال‌های ۱۳۷۰ و ۱۳۷۱ به این شکل توانستیم مدیران را متقاعد کنیم که این فناوری برای کشور، می‌تواند مزیت داشته باشد. البته در وضعیت موجود نمی‌توانیم این کار را انجام دهیم؛ ضمن اینکه دانش مدیران هم نسبت به آن دوره، افزایش پیدا کرده است. راهکار چیست؟
احمدی آذر: این موضوع، دو سه گره به هم تنیده است. اولین موضوع این است که می‌خواهیم آگاهی ایجاد کنیم؛ اما چون حاکمیت داده نداشتیم، داده‌های ما مناسب نیست. ما وقتی دربارۀ شبکه بانکی صحبت می‌کنیم، داده‌ها باید مبنای سری زمانی داشته باشند اما وقتی مدل دیتابیس ما طوری است که داده‌های روی‌هم اُوررایت می‌شود، بدین معناست که ما سری زمانی نداریم. بنابراین نمی‌توانیم تحلیل گذشته را انجام دهیم و بر مبنای آن، مدل‌سازی و پیاده‌سازی کنیم و پیش‌بین آینده را رقم بزنیم. پیشنهاد من ماهیت وجود حاکمیت داده در سطح خود بانک‌ها و پیگیری این موضوع است. وقتی داده‌ها را well form کردیم و آن را به پایه‌ای برای تصمیم‌گیری رساندیم، در مرحلۀ بعد بر اساس شاخص‌های کلیدی عملکرد (KPI) مالی، وجود شخصیت هوش مصنوعی را در بانک اثبات کنیم. پیش‌بینی آن‌هم ساده است. می‌توانیم بر مبنای مدل‌های بک‌تست پیش برویم. در این حالت، یک مدل را پیاده‌سازی می‌کنند و در داده‌های قدیمی به ما روشنگری می‌دهند که اگر در آن زمان از این مدل استفاده می‌کردید، می‌توانستید عملکرد و رفتار بهینه‌تری داشته باشید. اگر بتوانیم این کار را انجام دهیم، مطمئناً در هر بانکی این آمادگی وجود دارد که از این زیرساخت استفاده شود؛ زیرا سخت‌افزار آن، کاملاً در حال حاضر موجود است و نرم‌افزار خیلی خاصی نیاز ندارد. باید سخت‌افزار بر روی سیستم ایجاد شود و مدل‌های هوش مصنوعی را بر مبنای داده‌ها و مسائلی که هر بانکی به هر نحوی دارد، پیاده‌سازی و اجرا کند. درمجموع، در مرحلۀ اول، حاکمیت داده‌ها باید هرچه سریع‌تر در هرکدام از نهادها، پیاده‌سازی شود. در مرحلۀ دوم، با استفاده از دسترسی‌هایی که داده می‌شود، یک بک‌تست بر اساس داده‌های قبلی داشته باشیم و خروجی‌هایی که این بک‌تست‌ها می‌تواند به‌صورت فاکتورهای مالی در اختیار بانک‌ها بگذارد تا تصمیم‌گیری کنند و اینکه این بهینه‌سازی چقدر قادر است برای آن‌ها آورده مالی داشته باشد.
آقای اخایی و آقای مهدویان! شما هر دو در لایه‌های اجرایی هوش مصنوعی در حوزه‌های مختلف حضور دارید. آقای اخایی گفتند همین الآن سیستم داریم و می‌توانیم در قالب ATM قرار دهیم؛ درصورتی‌که بر اساس هوش تصویر، استرس وجود داشته باشد یا چهرۀ فرد با دارندۀ کارت مطابقت نداشته باشد، اجازۀ انتقال وجه به مشتریان داده نمی‌شود. نکته‌ای که بر اساس تجربۀ یکی از دوستان وجود دارد، این است که ایشان در یک ماه اخیر، موبایلش را در بانک تغییر داده تا از رمز پویا استفاده کند، آن بانک هنوز قادر نیست یک شماره موبایل را در سیستم خودش ثبت کند و تغییر دهد و هفت هشت روز طول کشیده است! وقتی زیرساخت فنی یک بانک آن‌قدر ضعیف است که این امکان برایش وجود ندارد، آیا می‌توانیم از سرویس آماده شما استفاده و آن را به سیستم‌های موجود متصل کنیم و از آن خروجی بگیریم یا آن‌هم دغدغۀ جداگانه‌ای است؟
اخایی: دربارۀ زیرسیستم‌های داخلی سیستم بانکداری تسلط ندارم، اما دربارۀ قابلیتی که عرض کردم، فقط کافی است یک سرور مرکزی وجود داشته باشد که همۀ بانک‌ها قطعاً دارند. این امر، به‌صورت انجین که گفتم منظورم این بود، چهره فقط واضح نیست و حتی نمی‌خواهد بگوید کیست. چون دوربین ضبط می‌کند، فرد ممکن است چهره‌اش را بپوشاند یا نیم‌رخ بایستد…
در مجموع اگر یک بانک در الزامات اولیۀ آی.تی به‌درستی فعالیت نکرده باشد، هوش مصنوعی برای آن بانک بسیار سطح بالاست و نیاز نیست آن را انجام دهد. شاید اگر همان نیاز مشتری درخصوص شماره موبایل را برطرف کند، بهتر باشد. بااین‌حال، سرویس‌های هوش مصنوعی، نشدنی، سخت یا حتی با هزینه‌های میلیاردی نیست و در حد یک کامپیوتر و GPU است که با دلار فعلی، با توجه به جنس GPU، ۴۵ میلیون تومان است. بنابراین، وقتی حوزۀ آی.تی در صنعت بانکداری ما خیلی توسعه پیدا نکرده باشد، ممکن است پیرو آن، فین تک‌ها نیز قادر به ارائۀ سرویس‌های متنوع نباشند؛ چون هر دو باید به‌موازات همدیگر و در تعامل باهم پیش بروند. فضاهایی که آی.تی‌محور است، هوش مصنوعی یک‌لایه بالاتر است و باید زیرساخت‌های آی.تی ایجاد شود تا سرویس ویژه ارائه کند.
مهدویان: در یک‌سری سامانه‌هایی که از هوش مصنوعی استفاده می‌کنند، زیرساخت مهم است. مثلاً اگر یک بانک سیستم real time فراددیتکشن داشته باشد، باید سوئیچ‌های آن بانک به‌صورت real time به تراکنش پاسخ دهند. استفاده از هوش مصنوعی در این سطح، به زیرساخت و تکنولوژی آن بانک بستگی دارد. در این موارد، نظر شما دربارۀ لزوم فراهم بودن زیرساخت‌ها مهم است. بااین‌حال، در مواردی که عرض کردم از quick wins می‌توانیم شروع کنیم، ما مدل‌سازی‌مان را بر اساس دیتای آفلاینی که داریم، انجام می‌دهیم و استقرار این مدل در دیتاهای خود آن بانک، چندان نیاز به تکنولوژی خاصی ندارد و شدنی است . مثلاً اگر می‌خواهیم از زیرسیستم تشخیص امضا استفاده کنیم، سامانه‌مان را توسعه می‌دهیم و کاملاً مدل‌سازی‌ها انجام می‌شود تا انحراف دو امضا را از همدیگر بر اساس الگوریتم‌های مختلف، شناسایی کند و اینکه این سامانه به‌صورت عملیاتی در بانک اجرا شود، فقط اتصال به دیتابیس تصاویر اسکن‌شده چک آن سازمان را نیاز دارد. باوجوداینکه ما پنج شش سال درزمینۀ هوش مصنوعی عقب هستیم، می‌توانیم بیشتر سامانه‌های هوش مصنوعی‌مان را در اکثر بانک‌ها عملیاتی کنیم.
اگر برای جمع‌بندی مباحث، نکته پایانی مدنظر دارید، بفرمایید.
اخایی: امیدوارم این گفت‌وگو توسط عصر پرداخت، موجب شود هوش مصنوعی در کشور ما خصوصاً در صنعت بانکی، جدی‌تر و محکم‌تر به جلو قدم بردارد.
مهدویان: امیدوارم با این گفت‌وگو، بتوانیم اثر مثبتی بر روی مدیران داشته باشیم و این موضوع را جا بیندازیم که هوش مصنوعی می‌تواند به‌عنوان یک ابزار بسیار مهم، تصمیم‌سازی کند و به پیشبرد اهداف در سطوح مختلف کمک نماید.
ان‌شاءالله بتوانیم روزی در کشور، هوش مصنوعی داشته باشیم و به‌واسطۀ آن به اقتصاد هوشمند که این روزها این واژه را زیاد می‌شنویم، کمک کنیم. بدون استفاده از این فناوری‌ها راه به جایی نخواهیم برد. امیدوارم مدیران در حوزۀ تصمیمات اساسی‌شان به اولویت‌هایی که می‌تواند به این مسیر کمک کند، توجه ویژه‌ای
داشته باشند.
ارسال یک نظر