یادگیری ماشین، خیلی قبل‌تر از پیدایش نرم افزارهای بانکداری تلفن همراه، ربات‌های گفت‌وگوی تخصصی و یا موتورهای جستجو، دارای نقش موثری در مباحث مالی بوده است. با توجه به حجم بالا، سوابق دقیق تاریخی و ذات کمیت محور دنیای مالی، شرکتهای محدودی با هوش مصنوعی وفق پیدا کرده‌اند. بیش از هر زمان دیگر، کاربرد یادگیری ماشین در بانکداری توسعه پیدا کرده‌است و این روندی است که با دسترسی بیشتر قدرت محاسبه و همچنین ابزارهای یادگیری ماشین (مانند TensorFlow گوگل) تداوم خواهد یافت. امروزه، یادگیری ماشین، نقش مهمی در بسیاری از مراحل اکوسیستم مالی از تصویب وام‌ها و نمره‌ی اعتبارات گرفته تا مدیریت دارایی‌ها و ارزیابی خطرات، ایفا کرده‌است. با این حال، تعداد کمی از متخصصان با کاربردهای گسترده‌ی یادگیری ماشینی در حوزه‌ی مالی آشنا هستند.
کاربرد یادگیری ماشین در بانکداری و بیمه
در ادامه، نمونه‌هایی از کاربرد یادگیری ماشین در بانکداری و بیمه را مشاهده می‌کنید. در نظر داشته باشید که برخی از این برنامه‌ها از چندین روش هوش مصنوعی استفاده می‌کنند نه صرفا یادگیری ماشین.
کاربرد یادگیری ماشین در بانکداری و مباحث مالی | مدیریت دیده‌بان (پرتفو)
اصطلاح مشاور رباتی (robo-advisor)، پنج سال پیش، اساسا به گوش نمی‌خورد؛ اما، اکنون در چشم انداز مالی شایع است. این اصطلاح گمراه کننده است و اصلا ربات ها را دربر نمی گیرد! در عوض، مشاوران رباتی (شرکت هایی مانند Betterment، Wealthfront و دیگران)، الگوریتم هایی هستند که برای مرتب کردن یک دیده‌بان مالی برای اهداف و ریسک کاربر استفاده می شود.
کاربران اهداف خود (به عنوان مثال، بازنشسته شدن در ۶۵ سالگی با ۲۵۰۰۰۰ دلار در پس انداز)، سن، درآمد و دارایی های فعلی مالی را وارد می‌کنند، سپس مشاور «تخصیص دهنده» سرمایه‌گذاری‌ها را با توجه به طبقه‌بندی‌های دارایی‌ها و ابزارهای مالی، گسترش می دهند تا به اهداف کاربر برسند. سپس سیستم با تغییرات در اهداف کاربر و همچنین تغییرات در شرایط فعلی بازار خود را تنظیم می‌کند تا همیشه به بهترین گزینه متناسب با اهداف اصلی کاربر برسد. مشاوران رباتی، کشش قابل توجهی از هزاران مشتری خود، که برای احساس راحتی در سرمایه گذاری به مشاوران انسانی بی نیاز شده اند، دریافت کرده‌اند و خوشبختانه این ربات‌ها توانایی اعتبارسنجی هزینه‌های پرداخت‌شده به مشاوران انسانی را ندارند!
کاربرد یادگیری ماشین در بانکداری و مباحث مالی | معاملات الگوریتمی
با ریشه‌هایی که به سال ۱۹۷۰ برمی‌گردند، معاملات الگوریتمی (دقیق‌تر به نام سیستم های معاملاتی خودکار) شامل استفاده از سیستم‌های پیچیده هوش مصنوعی برای تصمیم‌گیری‌های بسیار سریع تجاری است.
سیستم های الگوریتمی اغلب هزاران یا میلیون ها معاملات را در یک روز انجام می دهند؛ از این رو تجارت با فرکانس بالا (HFT)، به عنوان زیرمجموعه‌ای از تجارت الگوریتمی در نظر گرفته می شود. اکثر صندوق های تأمین مالی و موسسات مالی رویکردهای هوش مصنوعی خود را برای معامله افشا نمی کنند (بدون دلایل موجه)، اما اعتقاد بر این است که یادگیری ماشین و یادگیری عمیق در حال ایفای نقش مهم افزاینده ای در تنظیم تصمیمات معاملاتی درلحظه می‌باشند. البته در نهایت برخی محدودیت هایی نیز در استفاده انحصاری از یادگیری ماشین در سهام معاملاتی، ارزها (ForEx) و کالاها ذکر شده است.
کاربرد یادگیری ماشین در بانکداری | تشخیص کلاهبرداری
با ترکیبی از قدرت محاسبات قابل دسترس بیشتر، پرکاربردترشدن اینترنت و افزایش ذخیره‌سازی آنلاین داده های ارزشمند شرکت‌ها، شما یک طوفان خطرناک برای خطر امنیتی دارید. در حالی که سیستم های تشخیص کلاهبرداری مالی قبلا به شدت به مجموعه‌ای از قوانین پیچیده و قوی بستگی داشت، شناسایی کلاهبرداری جدید فراتر از دنبال کردن لیست عوامل خطر است بلکه به طور فعال نسبت به تهدیدات امنیتی بالقوه (یا واقعی) تنظیم می‌شود.
این جایگاه یادگیری ماشین در امور مالی برای جلوگیری از کلاهبرداری است؛ اما اصول مشابه برای سایر مشکلات امنیتی داده نیز صادق است. با استفاده از یادگیری ماشین، سیستم ها می‌توانند فعالیت‌ها یا رفتارهای منحصربه‌فرد ناهنجاری ها را شناسایی کنند و آنها را برای تیم های امنیتی مشخص کنند. چالش برای این سیستم‌ها این است که از نتایج اشتباه جلوگیری کنند. موقعیت‌هایی که در آن خطراتی مشخص می‌شوند که در وهله اول خطر به شمار نمی‌رفتند. در مصاحبه با شش تن از مدیران کلاهبرداری و امنیت هوش مصنوعی، همه آنها معتقدند با توجه به تعداد قابل توجهی از شیوه‌هایی که امنیت را می توان نقض کرد، سیستم های یادگیری واقعا در پنج تا ده سال آینده ضروری هستند.
کاربرد یادگیری ماشین در بیمه
بیمه‌گذاری می‌تواند به عنوان یک وظیفه‌ی عالی برای یادگیری ماشین در امور مالی توصیف شود و در واقع نگرانی زیادی در صنعت به وجود آمده مبتنی بر جایگزین شدن ماشین‌ها با موقعیت‌های وسیع تضمین بیمه‌گذاری که امروزه فعالیت می‌کنند. الگوریتم‌های یادگیری ماشین را به ویژه در شرکتهای بزرگ (بانک‌های بزرگ و شرکتهای بیمه‌ای) می‌توان در میلیون‌ها نمونه از داده‌های مصرف‌کننده‌ها (سن، شغل، وضعیت تاهل) و نتایج بیمه‌ای یا وام‌های مالی، مانند این‌که آیا شخصی وام‌های خود را به موقع پرداخت می‌کنند، به کار برد.
موارد زیر می‌توانند با الگوریتم‌ها ارزیابی شوند و به طور مداوم برای شناسایی روندهایی که ممکن است بر روی وام و تأمین آن در آینده تأثیر بگذارند، مورد بررسی قرار گیرند (آیا جوانان زیادی در یک وضعیت خاص دچار تصادفات وسیله نقلیه می شوند؟ آیا در ۱۵ سال گذشته نرخ کوتاهی و قصور در یک جامعه آماری انسانی افزایشی بوده است؟) این نتایج کارآمدی قابل توجهی را برای شرکت‌ها به ارمغان می آورد. اما در حال حاضر ابتدائا برای شرکتهای بزرگ صاحب منابع جهت استخدام دانشمندان داده و استفاده از حجم گسترده داده‌های گذشته و حال، برای اعمال الگوریتم های آنها، این سیستم عملیاتی شده است.
موارد کاربرد یادگیری ماشین در بانکداری و بیمه
کاربردهای زیر مواردی هستند که امیدوارکننده می‌دانیم. امروزه بعضی از آنها کاربردهای نسبتاً فعال دارند (هرچند که به اندازه ی موارد فوق الذکر پر کاربرد نیستند) و برخی به تازگی متولد شده‌اند.
خدمات مشتری
ربات‌های گفت‌وگو و رابط‌های مکالمه، جزو حوزه‌های در حال پیشرفت پر شتاب برای سرمایه‌گذاری پرجسارت و خدمات بودجه‌ی مشتریان هستند. (توافق اجرایی هوش مصنوعی در سال ۲۰۱۶ این خدمات را به عنوان مستعدترین کاربرد مشتری‌محور هوش مصنوعی رتبه‌بندی کرده‌است.) شرکت‌هایی مانند Kasisto در حال ساخت ربات‌های مکالمه‌گر ویژه مالی هستند تا به مشتریان کمک کنند از طریق چت سوالاتی بپرسند مانند “ماه گذشته در بقالی ها چقدر خرج کردم؟” و “۶۰ روز پیش مانده حساب پس‌انداز شخصی من چقدر بود؟”
این دستیارها باید با موتورهای قوی پردازش زبان طبیعی و همچنین با قابلیت برهم‌کنش‌های گسترش‌یافته انحصاری مالی میان مشتریان ساخته شوند. بانک‌ها و موسسات مالی که امکان چنین درخواست و تعامل سریع را فراهم می کنند، ممکن است مشتریانی را از بانک‌های بزرگ که نیاز به ورود مردم به یک درگاه سنتی بانکی آنلاین و اقدام انفرادی برای امور بانکی دارند، جذب کنند.
این نوع تجربه چت (همچنین در مکالمه صوتی)، امروزه در بانکداری یا امور مالی عادی نیست؛ اما، ممکن است در پنج سال آینده گزینه‌ای مناسب برای میلیون‌ها نفر باشد. این برنامه فراتر از یادگیری ماشین در امور مالی است و به احتمال زیاد خود را به عنوان ربات‌های تخصصی مکالمه در زمینه‌ها و صنایع مختلف نشان می‌دهد.
امنیت
نام کاربری، گذرواژه‌ها و سوالات امنیتی ممکن است دیگر در پنج سال آینده، یک معیار امنیت کاربر نباشند. امنیت کاربران در بانکداری و امور مالی بازی بسیار پرمخاطره‌ای است (احتمالاً انتشار اطلاعات حساب بانکی خود به گروه کوچکی از غریبه‌ها بیشتر از لورفتن حساب فیسبوک شما در سطح جهان با نسبت زیادی برایتان خطرناک‌تر است). علاوه بر برنامه‌های تشخیص ناهنجاری مانند برنامه‌هایی که در حال حاضر در کلاهبرداری توسعه یافته و مورد استفاده قرار می گیرند، اقدامات امنیتی آینده ممکن است نیاز به تشخیص چهره، تشخیص صدا یا سایر داده های بیومتریک داشته باشد.
رفتار شناسی | تجزیه و تحلیل اخبار
شرکتهای کوچک سرمایه‌گذاری خیلی چراغ‌خاموش عمل می‌کنند و ما می‌توانیم انتظار داشته باشیم که در مورد رفتارشناسی تحلیل احساسات چیز زیادی نشنویم. با این حال، فرض بر این است که بسیاری از برنامه‌های آینده یادگیری ماشینی در درک رسانه‌های اجتماعی، روند اخبار و سایر منابع داده خواهد بود، نه فقط قیمت سهام و معاملات.
بورس اوراق بهادار در پاسخ به عوامل بی‌شماری مربوط به روان‌شناسی انسان‌ها حرکت می‌کند که هیچ ارتباطی با تابلوخوانی نمادهای بورسی ندارد و امید است که یادگیری ماشین بتواند با کشف روندهای جدید و گرفتن سیگنال‌ها، “درک رفتارشناسی ” فعالیت‌های مالی را تکثیر و تقویت کند. بسیاری معتقدند که یادگیری ماشین در آینده‌ی مالی فراتر از سهام و کالا و تابلوخوانی‌های رایج خواهد بود.
فروش | توصیه محصولات مالی
امروزه، برنامه‌های فروش خودکار محصولات مالی وجود دارد که برخی از آنها ممکن است شامل سیستم‌های دیگر مبتنی بر الگوریتم (غیر از یادگیری ماشین) باشند. یک مشاور رباتی ممکن است تغییرات نمونه‌کارها را پیشنهاد کند و سایت‌های توصیه‌نامه بیمه زیادی وجود دارند که ممکن است از مقداری هوش مصنوعی برای پیشنهاد یک برنامه خاص بیمه اتومبیل یا خانه استفاده کنند. در آینده، برنامه‌ها و دستیاران شخصی ممکن است هدف‌مندتر و قابل اعتماد تر از مشاوران حضوری تلقی شوند.
درست همان‌طور که آمازون و نتفلیکس می‌توانند کتاب‌ها و فیلم‌ها را بهتر از هر “متخصص انسانی” توصیه کنند، گفت‌وگوهای مداوم با دستیاران شخصی مالی ممکن است همین کار را برای محصولات مالی انجام دهد، همان‌طور که می‌بینیم در صنعت بیمه به تازگی اتفاق می‌افتد.
شرکت های یادگیری ماشین در بانکداری
در آخر توجه شما را به شرکتهای فعال در این حوزه جلب می کنیم.
مدیریت نمونه کارها: Betterment, Schwab Intelligent Portfolios
تجارت الگوریتمی: Renaissance Technologies, Walnut Algorithms
تشخیص کلاهبرداری: Kount, APEX Analytics
تضمین وام / بیمه: Compare.com
خدمات مشتری: Kasisto
احساسات / تحلیل خبرها: Hearsay Social
منبع: EMERJ
