آموزش و راهنما

هوش مصنوعی در بانکداری چیست؟ کاربردها، مزایا و آینده بانکداری هوشمند

هوش مصنوعی در بانکداری برای تشخیص تقلب، اعتبارسنجی، مبارزه با پول‌شویی، پردازش اسناد، چت‌بات بانکی و مدیریت ریسک استفاده می‌شود. در این راهنما با مهم‌ترین کاربردها، مزایا، چالش‌ها و معماری پیاده‌سازی هوش مصنوعی در بانک‌ها و فین‌تک‌ها آشنا می‌شوید.

هوش مصنوعی در بانکداری به استفاده از مدل‌های یادگیری ماشین، پردازش زبان، بینایی ماشین و تحلیل داده برای بهبود خدمات بانکی، تشخیص تقلب، اعتبارسنجی، مدیریت ریسک و خودکارسازی فرایندها گفته می‌شود.

بانک‌ها و شرکت‌های فین‌تک روزانه با حجم زیادی از تراکنش‌ها، اسناد، پیام‌های مشتریان و داده‌های مالی روبه‌رو هستند. بررسی دستی تمام این اطلاعات دشوار، پرهزینه و زمان‌بر است. هوش مصنوعی می‌تواند الگوهای غیرعادی را شناسایی کند، اسناد را پردازش کند، درخواست مشتری را به واحد مناسب بفرستد و اطلاعات موردنیاز کارشناسان را سریع‌تر آماده کند.

بااین‌حال، استفاده از هوش مصنوعی در بانک‌ها فقط یک پروژه نرم‌افزاری نیست. تصمیم‌های بانکی ممکن است بر دارایی، اعتبار و دسترسی افراد به خدمات مالی اثر بگذارند. به همین دلیل، کیفیت داده، امنیت، توضیح‌پذیری، کنترل انسانی و انطباق با مقررات اهمیت زیادی دارند.

در این مقاله بررسی می‌کنیم:

هوش مصنوعی در بانکداری چیست؟
چه تفاوتی با اتوماسیون بانکی دارد؟
مهم‌ترین کاربردهای هوش مصنوعی در بانک‌ها کدام‌اند؟
هوش مصنوعی چگونه تقلب بانکی را تشخیص می‌دهد؟
اعتبارسنجی هوشمند چگونه انجام می‌شود؟
بانک‌ها چگونه از هوش مصنوعی مولد استفاده می‌کنند؟
مهم‌ترین مزایا و خطرات بانکداری هوشمند چیست؟
چگونه یک سرویس هوش مصنوعی بانکی با API بسازیم؟

هوش مصنوعی در بانکداری چیست؟

هوش مصنوعی بانکی مجموعه‌ای از فناوری‌هاست که داده‌های مالی و عملیاتی را تحلیل می‌کند و برای پیش‌بینی، طبقه‌بندی، شناسایی ناهنجاری یا تولید محتوا به کار می‌رود.

برای مثال، یک سامانه بانکی می‌تواند رفتار معمول یک حساب را بشناسد و تراکنشی را که از نظر مبلغ، زمان، مکان یا الگوی استفاده غیرعادی است برای بررسی بیشتر علامت‌گذاری کند.

مدل دیگری ممکن است متن درخواست مشتری را بخواند و تشخیص دهد که پیام درباره کارت بانکی، وام، انتقال وجه، اعتراض به تراکنش یا گزارش تقلب است.

هوش مصنوعی در بانکداری ممکن است در بخش‌های زیر استفاده شود:

بانکداری خرد
بانکداری شرکتی
پرداخت
تسهیلات و اعتبار
مدیریت ریسک
مبارزه با پول‌شویی
پشتیبانی مشتریان
پردازش اسناد
عملیات داخلی
وصول مطالبات
تحلیل بازار
امنیت و مقابله با تقلب
توسعه نرم‌افزارهای بانکی

تفاوت هوش مصنوعی با اتوماسیون بانکی

هر فرایند خودکاری هوش مصنوعی محسوب نمی‌شود.

در اتوماسیون سنتی، نرم‌افزار از قوانین ثابت پیروی می‌کند. برای مثال:

اگر مبلغ تراکنش از حد مشخص بیشتر بود، آن را برای بررسی ارسال کن.

در یک سامانه مبتنی بر یادگیری ماشین، مدل می‌تواند مجموعه بزرگ‌تری از ویژگی‌ها را هم‌زمان تحلیل کند:

مبلغ + ساعت تراکنش + دستگاه + موقعیت + سابقه مشتری
+ الگوی خرید + تعداد تلاش‌ها + رفتار حساب مقصد

فناوری	روش کار	نمونه بانکی
اتوماسیون مبتنی بر قانون	اجرای شرط‌های از پیش نوشته‌شده	مسدودکردن تلاش‌های ورود متعدد
یادگیری ماشین	یادگیری الگو از داده تاریخی	تشخیص تراکنش مشکوک
پردازش زبان طبیعی	تحلیل متن و گفتار	دسته‌بندی درخواست مشتری
بینایی ماشین	تحلیل تصویر و سند	استخراج اطلاعات از مدارک
هوش مصنوعی مولد	تولید یا بازنویسی محتوا	آماده‌کردن پیش‌نویس پاسخ
مدل پیش‌بینی	تخمین نتیجه آینده	پیش‌بینی احتمال نکول

در معماری مناسب، قوانین قطعی بانکی همچنان در نرم‌افزار اجرا می‌شوند و مدل هوش مصنوعی نقش تحلیل، اولویت‌بندی یا پیشنهاد را بر عهده دارد.

وضعیت استفاده از هوش مصنوعی در خدمات مالی

استفاده از هوش مصنوعی در مؤسسات مالی از مرحله آزمایش محدود عبور کرده است. در پیمایش سال ۲۰۲۴ بانک انگلستان و نهاد راهبری مالی بریتانیا، ۷۵ درصد شرکت‌های پاسخ‌دهنده اعلام کردند که از هوش مصنوعی استفاده می‌کنند؛ هرچند میزان استفاده، بلوغ و نوع کاربرد میان مؤسسات متفاوت بود. گزارش بانک انگلستان درباره هوش مصنوعی در خدمات مالی

کمیته بازل نیز در گزارش دیجیتالی‌شدن امور مالی، فناوری‌هایی مانند هوش مصنوعی، یادگیری ماشین و API را در زنجیره ارزش بانکی بررسی کرده و بر مدیریت ریسک، نظارت و هماهنگی میان بانک‌ها و نهادهای ناظر تأکید کرده است. گزارش کمیته بازل درباره دیجیتالی‌شدن امور مالی

کاربردهای هوش مصنوعی در بانکداری

۱. تشخیص تقلب بانکی

تشخیص تقلب یکی از مهم‌ترین کاربردهای هوش مصنوعی در بانک‌ها و شرکت‌های پرداخت است.

سامانه‌های سنتی معمولاً تراکنش را با چند قانون ثابت بررسی می‌کنند. هوش مصنوعی می‌تواند تعداد بیشتری از عوامل را تحلیل و رفتار فعلی را با الگوی قبلی مقایسه کند.

ویژگی‌های قابل بررسی عبارت‌اند از:

مبلغ تراکنش
ساعت و روز انجام تراکنش
موقعیت تقریبی
نوع دستگاه
آدرس شبکه
حساب یا پذیرنده مقصد
تعداد تراکنش‌های اخیر
تغییر ناگهانی رفتار
تلاش‌های ناموفق
فاصله میان تراکنش‌ها
ارتباط حساب‌ها با یکدیگر
سابقه اعتراض یا بازگشت وجه

خروجی مدل می‌تواند یک امتیاز ریسک باشد. برای مثال، عددی میان صفر تا یک نشان دهد که تراکنش تا چه اندازه نیازمند بررسی بیشتر است.

مدل نباید به‌تنهایی و بدون قواعد کنترلی، همه تراکنش‌های دارای امتیاز بالا را مسدود کند. خطای مثبت می‌تواند تراکنش قانونی مشتری را متوقف کند و تجربه نامطلوبی ایجاد کند.

۲. شناسایی تراکنش‌های غیرعادی

هر تراکنش غیرعادی الزاماً تقلب نیست. مشتری ممکن است به سفر رفته باشد، خرید بزرگی انجام دهد یا الگوی مصرف او تغییر کرده باشد.

سامانه تشخیص ناهنجاری می‌تواند رفتارهایی را که با الگوی معمول حساب تفاوت دارند مشخص کند:

افزایش ناگهانی مبلغ
انتقال‌های متوالی
فعالیت در ساعت غیرمعمول
ورود از دستگاه جدید
جابه‌جایی سریع پول میان چند حساب
تغییر غیرمنتظره مقصد پرداخت
افزایش تعداد تراکنش‌های ناموفق

این هشدارها می‌توانند به موتور قواعد یا تیم بررسی انسانی ارسال شوند.

۳. مبارزه با پول‌شویی

بررسی تراکنش‌های مشکوک و ارتباط میان حساب‌ها به تحلیل حجم زیادی از داده نیاز دارد.

هوش مصنوعی می‌تواند در بخش‌های زیر به تیم تطبیق کمک کند:

اولویت‌بندی هشدارها
تحلیل ارتباط میان حساب‌ها
یافتن الگوهای تکرارشونده
استخراج اطلاعات از پرونده‌ها
خلاصه‌سازی سابقه تراکنش
دسته‌بندی موارد نیازمند بررسی
شناسایی تغییر رفتار مشتری
آماده‌کردن پیش‌نویس گزارش داخلی

مدل هوش مصنوعی نباید جایگزین الزامات قانونی، موتور قواعد و بررسی کارشناس تطبیق شود. وظیفه آن کاهش حجم بررسی و برجسته‌کردن اطلاعات مرتبط است.

۴. احراز هویت و شناخت مشتری

فرایند شناخت مشتری شامل دریافت، بررسی و تطبیق اطلاعات هویتی است.

هوش مصنوعی و بینایی ماشین می‌توانند برای موارد زیر استفاده شوند:

تشخیص نوع مدرک
استخراج نام و شماره‌های هویتی
بررسی کیفیت تصویر
مقایسه چهره
تشخیص نشانه‌های دست‌کاری
تطبیق اطلاعات میان فرم و مدرک
دسته‌بندی پرونده ناقص
استخراج اطلاعات اشخاص حقوقی

نتیجه مدل باید با منابع معتبر و قواعد رسمی تطبیق داده شود. تشخیص تصویری یک مدرک به‌تنهایی اثبات‌کننده اصالت یا هویت فرد نیست.

۵. اعتبارسنجی هوشمند

مدل‌های اعتبارسنجی برای تخمین احتمال بازپرداخت یا نکول استفاده می‌شوند.

داده‌های قابل بررسی ممکن است شامل موارد زیر باشند:

سابقه بازپرداخت
میزان و نوع بدهی
درآمد تأییدشده
نسبت تعهدات به درآمد
سوابق تسهیلات
رفتار حساب
نوع و مدت فعالیت اقتصادی
اطلاعات ضمانت
سابقه درخواست‌های قبلی

استفاده از داده بیشتر همیشه به معنای اعتبارسنجی بهتر نیست. داده باید مرتبط، قانونی، قابل‌اعتماد و قابل توضیح باشد.

در تصمیم‌های اعتباری مهم باید امکان بررسی انسانی، اعتراض مشتری و توضیح عوامل اصلی تصمیم وجود داشته باشد. مدل نباید بر اساس متغیرهایی که به شکل مستقیم یا غیرمستقیم موجب تبعیض می‌شوند، دسترسی افراد را محدود کند.

۶. پیش‌بینی احتمال نکول

مدل‌های پیش‌بینی می‌توانند حساب‌ها یا تسهیلاتی را که احتمال تأخیر در بازپرداخت آن‌ها بیشتر است شناسایی کنند.

این پیش‌بینی می‌تواند برای اقدامات کم‌ریسک مانند موارد زیر استفاده شود:

ارسال یادآوری
پیشنهاد ارتباط با مشتری
اولویت‌بندی پرونده‌ها
بررسی مجدد اطلاعات
ارائه گزینه‌های مجاز بازپرداخت
تحلیل وضعیت سبد اعتباری

امتیاز مدل یک احتمال است، نه پیش‌بینی قطعی رفتار فرد. تغییر وضعیت اقتصادی یا مالی مشتری می‌تواند نتیجه را تغییر دهد.

۷. چت‌بات بانکی و دستیار هوشمند مشتری

چت‌بات بانکی می‌تواند به پرسش‌های پرتکرار پاسخ دهد و درخواست را به بخش مناسب هدایت کند.

کاربردهای مناسب عبارت‌اند از:

توضیح روش استفاده از خدمات
راهنمایی درباره مراحل ثبت درخواست
اعلام مدارک موردنیاز
پاسخ به پرسش‌های عمومی
دسته‌بندی مشکل
پیگیری وضعیت درخواست از سامانه
ثبت شکایت
ارجاع موارد فوری
آماده‌کردن پیش‌نویس پاسخ کارشناس

چت‌بات نباید اطلاعات حساب را فقط بر اساس ادعای کاربر نمایش دهد. عملیات حساس باید پس از احراز هویت و از طریق سرویس‌های قطعی بانکی انجام شود.

برای مثال، مدل می‌تواند منظور کاربر را تشخیص دهد، اما موجودی حساب باید از سامانه بانکی دریافت شود؛ نه اینکه مدل آن را حدس بزند یا از متن قبلی استخراج کند.

۸. دستیار هوشمند کارکنان بانک

بانک‌ها می‌توانند یک دستیار داخلی بسازند که فقط در منابع تأییدشده جست‌وجو کند.

این دستیار می‌تواند به سؤالات کارکنان درباره موارد زیر پاسخ دهد:

رویه‌های داخلی
دستورالعمل‌های خدمات
شرایط محصولات
فرایند رسیدگی به شکایت
راهنمای سامانه‌ها
سطوح ارجاع
فرم‌ها و مدارک لازم
تغییرات بخشنامه‌ها

معماری RAG برای چنین کاربردی مناسب است. در این روش، بخش‌های مرتبط از اسناد معتبر بازیابی و همراه پرسش برای مدل ارسال می‌شوند. پاسخ نیز باید با ارجاع به منبع نمایش داده شود.

۹. پردازش هوشمند اسناد بانکی

بانک‌ها با انواع فرم، قرارداد، صورت مالی، درخواست و مدرک روبه‌رو هستند.

پردازش هوشمند اسناد می‌تواند این مراحل را ترکیب کند:

تشخیص نوع سند
استخراج متن
شناسایی فیلدها
اعتبارسنجی قالب
تطبیق میان اسناد
علامت‌گذاری مغایرت
ارسال پرونده به گردش کار مناسب

اسناد قابل پردازش ممکن است شامل موارد زیر باشند:

فرم درخواست تسهیلات
صورت‌حساب
قرارداد
مدارک شرکتی
فاکتور
چک
فرم احراز هویت
صورت‌های مالی
مکاتبات مشتری
پرونده شکایت

برای آشنایی بیشتر، مقاله پردازش هوشمند اسناد با هوش مصنوعی را مطالعه کنید.

۱۰. تحلیل صورت‌های مالی

مدل‌های تحلیلی و زبانی می‌توانند اطلاعات صورت‌های مالی را استخراج، مقایسه و خلاصه کنند.

کاربردهای مناسب عبارت‌اند از:

استخراج اقلام اصلی
مقایسه دوره‌های مالی
شناسایی مغایرت
محاسبه نسبت‌ها
خلاصه‌سازی یادداشت‌ها
آماده‌کردن پرسش برای تحلیلگر
یافتن بخش‌های نیازمند بررسی
مقایسه با قالب مورد انتظار

خروجی مدل نباید جایگزین حسابرسی، تحلیل اعتباری یا بررسی اصل اسناد شود. محاسبات باید در کد قطعی انجام شوند و مدل برای توضیح یا دسته‌بندی نتیجه استفاده شود.

۱۱. شخصی‌سازی خدمات بانکی

هوش مصنوعی می‌تواند بر اساس رفتار و نیاز مشتری، خدمت مرتبط‌تری پیشنهاد دهد.

نمونه‌ها عبارت‌اند از:

پیشنهاد محتوای آموزشی
یادآوری سررسید
پیشنهاد کانال مناسب خدمت
اولویت‌بندی پیام‌ها
توضیح محصول متناسب با نیاز
تنظیم ترتیب گزینه‌ها در اپلیکیشن
تشخیص مرحله احتمالی سفر مشتری

پیشنهاد محصول باید شفاف، منصفانه و متناسب با شرایط واقعی مشتری باشد. مدل نباید با استفاده از الگوهای مبهم، محصول نامناسب یا پرریسک را به فرد پیشنهاد کند.

۱۲. تحلیل احساسات و بازخورد مشتریان

بانک می‌تواند پیام‌ها، نظرسنجی‌ها و مکالمات پشتیبانی را تحلیل کند و موضوعات پرتکرار را پیدا کند:

مشکل اپلیکیشن
اختلال انتقال وجه
تأخیر در بررسی درخواست
نارضایتی از شعبه
ابهام درباره کارمزد
مسدودی کارت
مشکل احراز هویت
کیفیت پاسخ‌گویی

تحلیل احساسات فارسی باید روی داده واقعی آزمایش شود. کنایه، لحن محاوره‌ای و ترکیب فارسی و انگلیسی ممکن است موجب خطا شوند.

۱۳. مرکز تماس هوشمند

مدل‌های گفتاری و زبانی می‌توانند در مرکز تماس بانکی برای موارد زیر استفاده شوند:

تبدیل گفتار به متن
تشخیص موضوع تماس
خلاصه‌سازی مکالمه
تکمیل خودکار گزارش
پیشنهاد پاسخ به اپراتور
یافتن دستورالعمل مرتبط
تشخیص موارد نیازمند ارجاع
کنترل کیفیت نمونه‌ای از تماس‌ها

برای جزئیات بیشتر می‌توانید مقاله هوش مصنوعی در مراکز تماس را بخوانید.

۱۴. مدیریت شکایت و درخواست مشتری

هوش مصنوعی می‌تواند متن درخواست را تحلیل و فیلدهای موردنیاز را استخراج کند:

نوع درخواست
محصول مرتبط
درجه فوریت
شماره مرجع
تاریخ رویداد
کانال ثبت
خلاصه مشکل
واحد مسئول
اطلاعات ناقص

تصمیم درباره تأیید شکایت، بازگشت وجه یا ایجاد تعهد مالی باید توسط سامانه‌های قطعی و کارشناسان مجاز انجام شود.

۱۵. پیش‌بینی نقدینگی و تقاضا

مدل‌های پیش‌بینی می‌توانند داده‌های تاریخی و عملیاتی را برای برنامه‌ریزی بررسی کنند:

نیاز احتمالی نقدینگی شعب
حجم تراکنش
تعداد تماس‌ها
تقاضای تسهیلات
بار سامانه
مراجعه به شعب
استفاده از کانال‌های دیجیتال

پیش‌بینی باید به‌صورت بازه و همراه با عوامل عدم‌قطعیت نمایش داده شود. رویدادهای اقتصادی و مقرراتی ممکن است الگوهای گذشته را تغییر دهند.

۱۶. هوش مصنوعی در وصول مطالبات

سامانه می‌تواند پرونده‌ها را اولویت‌بندی و بهترین کانال ارتباطی مجاز را پیشنهاد کند.

کاربردهای کم‌ریسک‌تر عبارت‌اند از:

خلاصه‌سازی سابقه پرونده
تشخیص اطلاعات ناقص
یادآوری سررسید
دسته‌بندی پاسخ مشتری
پیشنهاد زمان پیگیری
آماده‌کردن متن ارتباطی محترمانه
ثبت نتیجه تماس

مدل نباید برای ایجاد فشار نامتناسب، تبعیض یا تصمیم خودکار درباره اقدامات حقوقی استفاده شود.

۱۷. کشف خطاهای عملیاتی

بعضی زیان‌ها ناشی از تقلب نیستند و به خطای فرایند، ثبت ناقص یا ناسازگاری میان سامانه‌ها مربوط می‌شوند.

هوش مصنوعی می‌تواند به شناسایی موارد زیر کمک کند:

رکوردهای تکراری
مغایرت میان سامانه‌ها
فیلدهای ناقص
تراکنش ثبت‌نشده
تغییر غیرعادی در حجم عملیات
خطاهای پرتکرار
تأخیر در یک مرحله
پرونده‌های متوقف‌شده

۱۸. کمک به توسعه نرم‌افزار بانکی

تیم‌های فنی می‌توانند از مدل‌های هوش مصنوعی برای موارد زیر کمک بگیرند:

تولید تست
توضیح کد قدیمی
مستندسازی API
تحلیل لاگ
بازبینی کد
تبدیل ساختار داده
تولید داده آزمایشی غیرواقعی
خلاصه‌سازی خطاها

کد تولیدشده باید بازبینی، آزمایش و از نظر امنیتی ارزیابی شود. هیچ کلید، اطلاعات مشتری یا داده عملیاتی نباید بدون مجوز وارد ابزار عمومی شود.

هوش مصنوعی مولد در بانکداری

هوش مصنوعی مولد می‌تواند متن، خلاصه، کد و پاسخ پیشنهادی تولید کند. این توانایی با مدل‌های پیش‌بینی سنتی تفاوت دارد.

کاربردهای مناسب‌تر هوش مصنوعی مولد در بانک عبارت‌اند از:

خلاصه‌سازی پرونده
پیش‌نویس پاسخ
جست‌وجو در دستورالعمل‌ها
استخراج اطلاعات از متن
تبدیل متن طولانی به داده ساختاریافته
تولید گزارش داخلی
ساده‌سازی توضیح محصول
دستیار کارکنان
مستندسازی نرم‌افزار
تحلیل بازخورد مشتریان

در مقابل، سپردن مستقیم این تصمیم‌ها به یک مدل زبانی عمومی پرریسک است:

تأیید یا رد تسهیلات
مسدودکردن حساب
تعیین قطعی تقلب
تغییر موجودی
انتقال وجه
تعیین نرخ یا کارمزد
تصمیم حقوقی
ارائه توصیه سرمایه‌گذاری شخصی

در این موارد، مدل فقط می‌تواند اطلاعات را آماده یا موارد نیازمند بررسی را مشخص کند.

مزایای هوش مصنوعی در بانکداری

افزایش سرعت پردازش

اسناد، پیام‌ها و تراکنش‌های زیادی را می‌توان در مدت کوتاه‌تری بررسی و اولویت‌بندی کرد.

کاهش کارهای تکراری

استخراج اطلاعات، خلاصه‌سازی، دسته‌بندی و آماده‌کردن گزارش اولیه قابل خودکارسازی هستند.

تشخیص بهتر الگوهای پیچیده

مدل می‌تواند ارتباط میان تعداد زیادی متغیر را بررسی کند؛ کاری که با چند قانون ثابت دشوار است.

پاسخ‌گویی سریع‌تر به مشتریان

درخواست‌های عمومی می‌توانند بدون انتظار طولانی پاسخ اولیه دریافت کنند یا سریع‌تر به واحد مسئول برسند.

بهبود مدیریت ریسک

سامانه می‌تواند تغییر رفتار یا الگوی غیرعادی را زودتر شناسایی کند.

افزایش مقیاس‌پذیری

بانک یا فین‌تک می‌تواند حجم بیشتری از درخواست‌ها را بدون افزایش متناسب نیروی انسانی پردازش کند.

تحلیل بهتر داده‌های غیرساختاریافته

بخش مهمی از اطلاعات بانکی در متن، تماس، PDF و مکاتبه قرار دارد. مدل‌های زبانی می‌توانند این داده‌ها را به اطلاعات ساختاریافته تبدیل کنند.

خطرات و چالش‌های هوش مصنوعی در بانک‌ها

خطای مدل

مدل ممکن است تراکنش قانونی را مشکوک یا درخواست واقعی را کم‌اهمیت تشخیص دهد.

سوگیری در اعتبارسنجی

اگر داده تاریخی منعکس‌کننده تبعیض یا عدم توازن باشد، مدل ممکن است همان الگو را تکرار کند.

نبود توضیح کافی

در تصمیم‌های اثرگذار، اعلام یک امتیاز بدون توضیح عوامل اصلی کافی نیست.

وابستگی به ارائه‌دهنده

استفاده گسترده مؤسسات مالی از تعداد محدودی ارائه‌دهنده مدل یا زیرساخت می‌تواند وابستگی عملیاتی ایجاد کند.

هیئت ثبات مالی، وابستگی به طرف‌های ثالث، همبستگی رفتاری، خطرات سایبری و ضعف حکمرانی مدل را از آسیب‌پذیری‌های مرتبط با گسترش هوش مصنوعی در امور مالی معرفی کرده است. گزارش FSB درباره پیامدهای هوش مصنوعی برای ثبات مالی

تغییر رفتار داده‌ها

رفتار مشتری، شرایط اقتصادی و روش‌های تقلب تغییر می‌کنند. مدلی که قبلاً دقیق بوده ممکن است به‌تدریج کیفیت خود را از دست بدهد.

تولید اطلاعات ساختگی

مدل زبانی ممکن است بخشنامه، ماده قانونی، عدد یا فرایند غیرواقعی تولید کند. پاسخ‌های بانکی باید به منابع تأییدشده متصل باشند.

حملات به مدل

ورودی مخرب می‌تواند مدل را به افشای اطلاعات، نادیده‌گرفتن دستور یا تولید خروجی نامناسب ترغیب کند.

مسئولیت تصمیم

باید مشخص باشد مالک هر مدل چه واحدی است، چه کسی خروجی را تأیید می‌کند و در صورت خطا چه فرایندی اجرا می‌شود.

معماری مناسب هوش مصنوعی در بانکداری

در یک معماری بانکی، مدل نباید مستقیماً به هسته بانکی یا عملیات مالی دسترسی نامحدود داشته باشد.

مسیر پیشنهادی:

کاربر یا کارمند درخواست را ثبت می‌کند.
سامانه هویت و سطح دسترسی را بررسی می‌کند.
داده‌های غیرضروری حذف یا پوشانده می‌شوند.
قوانین قطعی بانکی اجرا می‌شوند.
فقط اطلاعات لازم برای مدل ارسال می‌شوند.
مدل خروجی ساختاریافته تولید می‌کند.
خروجی از نظر قالب و قواعد مجاز بررسی می‌شود.
در صورت نیاز، کارشناس نتیجه را تأیید می‌کند.
عملیات مالی توسط سرویس قطعی انجام می‌شود.
درخواست، پاسخ و اقدام نهایی ثبت می‌شوند.

اصل مهم این است:

مدل می‌تواند پیشنهاد دهد؛ سامانه بانکی باید کنترل کند.

کنترل‌های ضروری

محدودکردن دسترسی

هر ابزار فقط باید به داده و عملیاتی دسترسی داشته باشد که برای همان وظیفه ضروری است.

جداسازی محیط‌ها

داده و ابزار محیط توسعه، آزمایش و عملیاتی باید از یکدیگر جدا باشند.

خروجی ساختاریافته

برای اتصال مدل به گردش کار، خروجی باید به قالبی مانند JSON محدود شود.

اعتبارسنجی سمت سرور

حتی اگر مدل خروجی درست تولید کند، مقادیر مجاز باید در سرور بررسی شوند.

ثبت نسخه مدل و پرامپت

برای بررسی خطا باید مشخص باشد هر پاسخ با کدام مدل، نسخه دستور و منبع تولید شده است.

امکان توقف و بازگشت

اگر کیفیت مدل افت کرد، سامانه باید بتواند آن را غیرفعال یا به مدل قبلی بازگردد.

نظارت انسانی

تصمیم‌های مالی، اعتباری و حقوقی نیازمند سطح مناسبی از بازبینی انسانی هستند.

چارچوب مدیریت ریسک هوش مصنوعی NIST نیز فعالیت‌ها را در چهار حوزه حکمرانی، شناسایی، اندازه‌گیری و مدیریت ریسک سازمان‌دهی می‌کند. چارچوب مدیریت ریسک هوش مصنوعی NIST

چگونه پروژه هوش مصنوعی بانکی را شروع کنیم؟

مرحله اول: انتخاب کاربرد کم‌ریسک

کاربردهایی مانند خلاصه‌سازی اسناد داخلی، دسته‌بندی درخواست‌ها یا جست‌وجو در دستورالعمل‌ها برای شروع مناسب‌ترند.

مرحله دوم: تعیین مالک فرایند

واحد کسب‌وکار، ریسک، فناوری و تطبیق باید مسئولیت‌های مشخصی داشته باشند.

مرحله سوم: آماده‌کردن مجموعه ارزیابی

نمونه‌های واقعی و ناشناس‌شده جمع‌آوری کنید:

درخواست‌های ساده
موارد مبهم
پیام‌های فوری
متن دارای غلط املایی
متن محاوره‌ای
ورودی ناقص
تلاش برای دورزدن دستور
مواردی که باید به انسان ارجاع شوند

مرحله چهارم: تعریف معیار موفقیت

برای مثال:

دقت دسته‌بندی
Recall موارد تقلب
نرخ هشدار اشتباه
زمان پاسخ
هزینه هر درخواست
میزان نیاز به اصلاح
درصد ارجاع صحیح
رضایت کارشناس

مرحله پنجم: مقایسه مدل‌ها

مدل‌ها را با ورودی یکسان و معیار ثابت مقایسه کنید. انتخاب مدل فقط بر اساس اندازه یا شهرت آن کافی نیست.

مرحله ششم: اجرای آزمایشی

سامانه را ابتدا در حالت پیشنهاددهنده و برای گروه محدودی از کاربران اجرا کنید.

مرحله هفتم: پایش مداوم

کیفیت، هزینه، خطا، زمان پاسخ و تغییر رفتار مدل باید پس از انتشار نیز بررسی شوند.

نمونه دسته‌بندی درخواست بانکی با API درواره

در این مثال، یک پیام پس از حذف اطلاعات حساس، دسته‌بندی می‌شود. مدل اجازه انجام عملیات بانکی ندارد و فقط مسیر رسیدگی را پیشنهاد می‌دهد.

ابتدا کتابخانه‌ها را نصب کنید:

pip install openai pydantic

متغیرهای محیطی:

export DARVAREH_API_KEY="YOUR_API_KEY"
export DARVAREH_MODEL="YOUR_MODEL_ID"

کد پایتون:

import os
import re
from typing import Literal

from openai import OpenAI
from pydantic import BaseModel, ValidationError


client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
)

MODEL_ID = os.environ["DARVAREH_MODEL"]


class BankingRequest(BaseModel):
    category: Literal[
        "card",
        "transfer",
        "loan",
        "account",
        "authentication",
        "suspected_fraud",
        "complaint",
        "general",
    ]
    urgency: Literal["normal", "high", "critical"]
    summary: str
    missing_information: list[str]
    route_to: Literal[
        "customer_support",
        "card_operations",
        "payments",
        "credit",
        "identity_review",
        "fraud_review",
        "complaints",
    ]
    suggested_reply: str
    requires_human_review: bool


def redact_sensitive_data(text: str) -> str:
    text = re.sub(
        r"\b\d{16}\b",
        "[CARD_NUMBER_REDACTED]",
        text,
    )
    text = re.sub(
        r"\b\d{10}\b",
        "[IDENTIFIER_REDACTED]",
        text,
    )
    text = re.sub(
        r"\b09\d{9}\b",
        "[PHONE_REDACTED]",
        text,
    )
    return text


def classify_banking_request(message: str) -> BankingRequest:
    safe_message = redact_sensitive_data(message)

    prompt = f"""
پیام بانکی زیر را فقط برای مسیریابی پشتیبانی تحلیل کن.

قواعد:
- هیچ عملیات بانکی انجام نده.
- موجودی، وضعیت تراکنش یا هویت کاربر را حدس نزن.
- اگر کاربر از تراکنش ناشناس، برداشت غیرمجاز یا افشای
  اطلاعات کارت خبر می‌دهد، category را suspected_fraud قرار بده.
- برای موارد مشکوک به تقلب، urgency باید critical و
  route_to باید fraud_review باشد.
- پاسخ پیشنهادی نباید تأیید کند که تقلب قطعاً رخ داده است.
- از کاربر رمز، رمز یک‌بارمصرف، CVV2 یا شماره کامل کارت نخواه.
- خروجی فقط JSON معتبر باشد.

ساختار خروجی:
{{
  "category": "card | transfer | loan | account |
    authentication | suspected_fraud | complaint | general",
  "urgency": "normal | high | critical",
  "summary": "خلاصه کوتاه",
  "missing_information": ["اطلاعات غیرحساس موردنیاز"],
  "route_to": "customer_support | card_operations | payments |
    credit | identity_review | fraud_review | complaints",
  "suggested_reply": "پیش‌نویس پاسخ فارسی",
  "requires_human_review": true
}}

پیام:
{safe_message}
"""

    response = client.chat.completions.create(
        model=MODEL_ID,
        temperature=0.1,
        messages=[
            {
                "role": "system",
                "content": (
                    "شما دستیار مسیریابی درخواست‌های بانکی هستید. "
                    "فقط JSON معتبر تولید می‌کنید و اختیار انجام "
                    "هیچ عملیات مالی ندارید."
                ),
            },
            {
                "role": "user",
                "content": prompt,
            },
        ],
    )

    content = response.choices[0].message.content

    if not content:
        raise ValueError("پاسخی از مدل دریافت نشد.")

    try:
        result = BankingRequest.model_validate_json(content)
    except ValidationError as error:
        raise ValueError(
            f"ساختار پاسخ مدل معتبر نیست: {error}"
        ) from error

    if result.category == "suspected_fraud":
        result.urgency = "critical"
        result.route_to = "fraud_review"
        result.requires_human_review = True

    return result


request = classify_banking_request(
    "از حساب من یک خرید اینترنتی ثبت شده که آن را انجام نداده‌ام."
)

print(request.model_dump_json(indent=2))

در این نمونه، قاعده مربوط به گزارش تقلب پس از پاسخ مدل نیز در کد کنترل می‌شود. در نسخه واقعی باید اعتبارسنجی‌ها، سیاست نگهداری داده، احراز هویت، ثبت رویداد و مسیر جایگزین نیز اضافه شوند.

درواره امکان دسترسی به مدل‌های مختلف را با یک API سازگار با OpenAI فراهم می‌کند. شناسه مدل را می‌توان از طریق تنظیمات تغییر داد و چند مدل را از نظر کیفیت فارسی، سرعت و هزینه مقایسه کرد.

برای شروع به مستندات API درواره مراجعه کنید.

معیارهای انتخاب مدل برای بانک و فین‌تک

معیار	پرسش ارزیابی
کیفیت فارسی	آیا متن رسمی و محاوره‌ای فارسی را درست درک می‌کند؟
دقت طبقه‌بندی	چند درخواست به مسیر صحیح هدایت می‌شوند؟
ثبات خروجی	آیا برای ورودی مشابه پاسخ سازگار می‌دهد؟
خروجی ساختاریافته	آیا JSON معتبر تولید می‌کند؟
زمان پاسخ	آیا برای کاربرد تعاملی مناسب است؟
هزینه	هزینه هر درخواست و هر قابلیت چقدر است؟
پنجره متن	آیا اسناد موردنیاز را پوشش می‌دهد؟
قابلیت ابزار	آیا می‌تواند به توابع محدود و کنترل‌شده متصل شود؟
امکان استقرار	شرایط زیرساخت با سیاست سازمان هماهنگ است؟
تغییر مدل	آیا مهاجرت بدون بازنویسی کامل امکان‌پذیر است؟

ارزیابی مدل هوش مصنوعی بانکی

مدل باید قبل و بعد از انتشار ارزیابی شود.

معیارهای تشخیص تقلب

Recall تراکنش‌های متقلبانه
Precision هشدارها
نرخ هشدار اشتباه
زیان جلوگیری‌شده
زمان تشخیص
عملکرد روی الگوهای جدید

معیارهای اعتبارسنجی

دقت پیش‌بینی نکول
نرخ خطا در گروه‌های مختلف
ثبات مدل
امکان توضیح تصمیم
نرخ اعتراض موفق
تغییر کیفیت در طول زمان

معیارهای چت‌بات بانکی

نرخ پاسخ صحیح
نرخ ارجاع درست
درصد پاسخ‌های بدون منبع
رضایت مشتری
زمان حل درخواست
تعداد عملیات غیرمجاز پیشنهادی
کیفیت پاسخ به ورودی مخرب

معیارهای پردازش اسناد

دقت استخراج هر فیلد
درصد اسناد نیازمند بررسی
نرخ تشخیص سند نامعتبر
زمان پردازش
عملکرد روی تصاویر کم‌کیفیت
نرخ مغایرت کشف‌شده

برای طراحی مجموعه آزمون می‌توانید مقاله ارزیابی مدل‌های هوش مصنوعی را مطالعه کنید.

چند پرامپت کاربردی برای خدمات بانکی

خلاصه‌سازی شکایت

متن شکایت زیر را بدون تغییر معنا خلاصه کن.

خروجی شامل این بخش‌ها باشد:
- موضوع اصلی
- محصول یا خدمت مرتبط
- تاریخ‌ها و شماره‌های مرجع موجود
- درخواست مشتری
- اطلاعات ناقص
- واحد پیشنهادی برای بررسی

هیچ ادعای مشتری را تأییدشده در نظر نگیر.
هیچ تصمیم مالی یا حقوقی صادر نکن.

شکایت:
[متن شکایت]

استخراج اطلاعات از درخواست تسهیلات

متن درخواست را به JSON تبدیل کن.

فیلدها:
- نوع متقاضی
- نوع تسهیلات درخواستی
- مبلغ ذکرشده
- هدف درخواست
- مدارک اشاره‌شده
- مدارک نامشخص
- پرسش‌های تکمیلی

اطلاعاتی را که در متن وجود ندارند حدس نزن.
برای مقدار ناموجود null قرار بده.

متن:
[متن درخواست]

پاسخ بر اساس دستورالعمل داخلی

فقط بر اساس بخش‌های ارائه‌شده از دستورالعمل پاسخ بده.

قواعد:
- اگر پاسخ در منبع وجود ندارد، بنویس «اطلاعات کافی در منابع موجود نیست».
- شماره و عنوان منبع را ذکر کن.
- هیچ شرایط، کارمزد یا مهلتی را حدس نزن.
- پاسخ حداکثر ۱۵۰ کلمه باشد.

پرسش:
[پرسش کارمند]

منابع:
[متن دستورالعمل‌ها]

اشتباهات رایج بانک‌ها در استفاده از هوش مصنوعی

شروع با کاربرد پرریسک

تصمیم اعتباری یا مسدودی حساب گزینه مناسبی برای اولین پروژه نیست. بهتر است از تحلیل و پشتیبانی داخلی شروع شود.

قراردادن قوانین اصلی در پرامپت

قواعد قطعی مانند سقف عملیات، سطح دسترسی و مسیر تأیید باید در کد و سامانه بانکی اجرا شوند.

اتصال مستقیم مدل به هسته بانکی

مدل باید پشت یک لایه کنترل‌شده قرار گیرد و فقط ابزارهای محدود و مجاز را فراخوانی کند.

ارزیابی فقط با میانگین دقت

ممکن است دقت کلی بالا باشد اما مدل بیشتر موارد مهم تقلب را از دست بدهد. معیار باید متناسب با ریسک کاربرد انتخاب شود.

ارسال تمام اطلاعات پرونده

فقط داده ضروری باید برای همان درخواست انتخاب شود. ارسال تاریخچه کامل معمولاً لازم نیست.

نداشتن مسیر انسانی

کاربر و کارمند باید بتوانند درخواست بررسی انسانی یا اعتراض ثبت کنند.

استفاده از یک مدل برای همه وظایف

مدل مناسب طبقه‌بندی پیام ممکن است برای تحلیل سند یا استدلال پیچیده مناسب نباشد.

نداشتن مسیر جایگزین

قطع سرویس مدل نباید عملیات اصلی بانک را متوقف کند. فرایند دستی یا سامانه جایگزین باید تعریف شود.

اعتماد به منبع ساختگی

هر ارجاع تولیدشده توسط مدل باید با منبع واقعی تطبیق داده شود.

آینده هوش مصنوعی در بانکداری

دستیار شخصی بانکی

دستیارهای آینده می‌توانند مخارج را دسته‌بندی کنند، سررسیدها را یادآوری کنند و اطلاعات مالی را به زبان ساده توضیح دهند. هر اقدام واقعی همچنان به تأیید کاربر نیاز خواهد داشت.

بانکداری مکالمه‌ای

کاربر می‌تواند به‌جای جست‌وجو در منوهای متعدد، درخواست خود را با متن یا صدا بیان کند. مدل منظور او را به عملیات مجاز سامانه تبدیل می‌کند.

عامل‌های هوشمند محدود

عامل هوشمند ممکن است چند مرحله مانند دریافت اطلاعات، بررسی کامل‌بودن فرم و ثبت درخواست را انجام دهد؛ اما دسترسی آن باید محدود، قابل ثبت و قابل توقف باشد.

تشخیص تقلب لحظه‌ای‌تر

ترکیب تحلیل تراکنش، دستگاه، رفتار و ارتباط میان حساب‌ها می‌تواند بررسی خطر را سریع‌تر کند.

مدل‌های کوچک و تخصصی

برای برخی وظایف بانکی، مدل کوچک‌تر و تخصصی ممکن است از نظر هزینه، سرعت و کنترل مناسب‌تر از مدل عمومی بزرگ باشد.

استفاده گسترده‌تر از داده ساختاریافته و غیرساختاریافته

مدل‌ها می‌توانند اطلاعات موجود در جدول، متن، تصویر سند و مکالمه را در یک گردش کار ترکیب کنند.

نظارت مستمر بر مدل

ارزیابی مدل از فعالیتی پیش از انتشار به یک فرایند دائمی تبدیل خواهد شد. تغییر داده، هزینه، خطا و رفتار مدل به‌صورت مداوم پایش می‌شوند.

پرسش‌های متداول

هوش مصنوعی در بانکداری چیست؟

هوش مصنوعی در بانکداری به استفاده از مدل‌های یادگیری ماشین، پردازش زبان و تحلیل داده برای تشخیص تقلب، اعتبارسنجی، پردازش اسناد، پشتیبانی مشتری و مدیریت ریسک گفته می‌شود.

مهم‌ترین کاربرد هوش مصنوعی در بانک‌ها چیست؟

تشخیص تقلب، مبارزه با پول‌شویی، اعتبارسنجی، چت‌بات بانکی، پردازش اسناد، تحلیل شکایت و پیش‌بینی ریسک از مهم‌ترین کاربردها هستند.

هوش مصنوعی چگونه تقلب بانکی را تشخیص می‌دهد؟

مدل رفتار فعلی تراکنش را با الگوی معمول حساب و نمونه‌های قبلی مقایسه می‌کند و برای موارد غیرعادی امتیاز ریسک می‌سازد.

اعتبارسنجی هوشمند چیست؟

اعتبارسنجی هوشمند از داده‌های مالی و سابقه بازپرداخت برای تخمین احتمال ایفای تعهد استفاده می‌کند. تصمیم نهایی باید با قواعد رسمی و کنترل انسانی همراه باشد.

آیا چت‌بات بانکی می‌تواند عملیات مالی انجام دهد؟

مدل زبانی نباید مستقیماً عملیات مالی انجام دهد. پس از احراز هویت و تأیید کاربر، عملیات باید از طریق سرویس‌های قطعی و کنترل‌شده بانکی انجام شود.

آیا هوش مصنوعی جایگزین کارمند بانک می‌شود؟

هوش مصنوعی بخشی از کارهای تکراری را خودکار می‌کند، اما بررسی موارد پیچیده، تصمیم‌گیری، ارتباط انسانی و مسئولیت نهایی همچنان به کارکنان نیاز دارد.

خطر اصلی هوش مصنوعی در بانکداری چیست؟

خطای مدل، سوگیری، نبود توضیح، اطلاعات ساختگی، وابستگی به تأمین‌کننده و اتصال ناامن به سامانه‌های مالی از خطرات اصلی هستند.

بانک‌ها چگونه باید استفاده از هوش مصنوعی را شروع کنند؟

بهتر است با یک کاربرد کم‌ریسک و قابل‌اندازه‌گیری مانند دسته‌بندی درخواست یا جست‌وجو در اسناد داخلی شروع کنند و پس از ارزیابی، دامنه استفاده را توسعه دهند.

آیا می‌توان با API درواره ابزار بانکی ساخت؟

بله. می‌توان قابلیت‌هایی مانند خلاصه‌سازی پرونده، دسته‌بندی درخواست، استخراج اطلاعات و دستیار داخلی را با API سازگار با OpenAI درواره پیاده‌سازی کرد. کنترل‌های سازمانی باید در سمت سرور باقی بمانند.

جمع‌بندی

هوش مصنوعی در بانکداری می‌تواند حجم زیادی از تراکنش، سند و درخواست مشتری را تحلیل کند و به بانک‌ها و فین‌تک‌ها برای ارائه خدمات سریع‌تر و مدیریت بهتر ریسک کمک کند.

کاربردهای اصلی آن عبارت‌اند از:

تشخیص تقلب بانکی
شناسایی تراکنش غیرعادی
مبارزه با پول‌شویی
اعتبارسنجی هوشمند
پردازش اسناد
چت‌بات بانکی
دستیار کارکنان
تحلیل شکایت مشتریان
پیش‌بینی نقدینگی
مدیریت ریسک اعتباری
خودکارسازی مرکز تماس
تحلیل عملیات داخلی

برای استفاده موفق از هوش مصنوعی در بانک:

با یک کاربرد محدود و کم‌ریسک شروع کنید.
قواعد بانکی را در کد و سامانه اصلی نگه دارید.
خروجی مدل را ساختاریافته و اعتبارسنجی کنید.
تصمیم‌های مهم را به مدل واگذار نکنید.
عملکرد مدل را روی داده واقعی فارسی بسنجید.
امکان بررسی انسانی و اعتراض را حفظ کنید.
وابستگی به مدل و ارائه‌دهنده را مدیریت کنید.
کیفیت، هزینه و خطا را به‌صورت مداوم پایش کنید.

اگر بانک، فین‌تک یا شرکت نرم‌افزاری شما قصد دارد قابلیت‌هایی مانند دستیار داخلی، پردازش هوشمند اسناد، تحلیل درخواست یا چت‌بات فارسی ایجاد کند، می‌توانید از مستندات API درواره شروع کنید.

درواره به‌عنوان زیرساخت استفاده از هوش مصنوعی در ایران، دسترسی یکپارچه به مدل‌های مختلف را با API سازگار با OpenAI فراهم می‌کند و امکان مقایسه مدل‌ها از نظر کیفیت، سرعت و هزینه را به تیم‌های فنی می‌دهد.

مقالات مرتبط

منابع

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، مستندات رسمی سرویس‌ها و صفحه سلب مسئولیت را مطالعه کنید.