کاربرد هوش مصنوعی در اعتبارسنجی

مقدمه

در دنیای امروز، هوش مصنوعی با سرعت بسیاری در حال رشد و توسعه بوده و کمک بسیار زیادی به افراد در حوزه‌های تجاری و اقتصادی می‌کند. هوش مصنوعی اصطلاحی چترمانند است که با بکارگیری انواع مختلفی از ماشین‌ها و الگوریتم‌ها در راستای شبیه‌سازی عملکرد انسان‌ها فعالیت می‌کند. با استفاده از هوش مصنوعی، به دلیل سرعت بسیار بالای پردازش داده‌های سیستم‌های رایانه‌ای، تصمیمات بسیار سریع‌تر گرفته می‌شود.

براساس گزارش شرکت بین‌المللی داده، شرکت‌های مالی تا پایان سال 2020، در حدود 11 میلیون دلار برای کار با هوش مصنوعی، یادگیری ماشین و یادگیری عمیق سرمایه‌گذاری خواهند کرد. چنین شرکت‌هایی (نهادها و موسسات مالی) با استفاده از متدهای مبتنی بر هوش مصنوعی در امور خود از جمله اعتبارسنجی، قادر خواهند بود تا بازدهی خوبی از سرمایه‌گذاری خود به دست بیاورند. استفاده از هوش مصنوعی می‌تواند در زمانی کمتر از یک دهه، تولید ناخالص داخلی بخش مالی را به اندازه 10 درصد افزایش دهد.

از مزایای اصلی استفاده از هوش مصنوعی در صنعت مالی می‌توان به اتوماتیک کردن فرآیندهای روتین، افزایش سرعت ارائه خدمات، کاهش هزینه‌ها، افزایش دقت در پردازش مقدار زیادی از داده‌ها و بهبود کیفیت سیستم پشتیبانی مشتری، اشاره نمود.

هوش مصنوعی پیش‌بینی کننده

هوش مصنوعی دارای فناوری‌های تحلیلی پیشرفته با پتانسیل بسیار زیاد است که قدرت پیش‌بینی‌کنندگی منحصربفردی را به آن می‌بخشد. هوش مصنوعی پیش‌بینی‌کننده در زمینه اجرای قانون، جرایم را پیش‌بینی می‌کند؛ در زمینه اعطای وام، زمان بازپرداخت وام‌ها و نرخ نکول مشتریان را پیش‌بینی می‌کند؛ کارفرمایان می‌توانند پیش‌بینی کنند آیا افراد جویای کار، ریسک غیبت یا عدم مسئولیت‌پذیری ایجاد می‌کنند یا خیر و بیمه‌گرها هم می‌توانند ریسک‌های مربوط به متقاضیان بیمه را پیش‌بینی کنند.  

به عنوان مثال، در بخش خصوصی، تعداد رو به افزایشی از سازمان‌ها، با بهره‌گیری از هوش مصنوعی اطلاعات متقاضیان کار از جمله انتخاب کلمات، حالات چهره در طول مصاحبه و مطالبی که در شبکه‌های اجتماعی ارسال می‌کنند را تجزیه و تحلیل می‌کنند تا پیش‌بینی کنند آیا این متقاضی صلاحیت کار در این سازمان را دارد یا خیر و آیا با استخدام این فرد، سازمان متحمل ریسک شهرت می‌شود یا خیر.

در مثالی دیگر، صادرکنندگان کارت‌ها یا پردازش‌کنندگان پرداخت‌ها همچون PayPal، با استفاده از فناوری هوش مصنوعی، تراکنش‌های یک فرد را با رفتارهای پیشین کاربر مقایسه می‌کنند و همچنین می‌توانند با استفاده از هوش مصنوعی مجموعه‌ای از رفتارهایی که امکان وقوع کلاه‌برداری را نشان می‌دهند، ایجاد کنند.

اعتبارسنجی با استفاده از هوش مصنوعی

در زمینه اعتبارسنجی، بانک‌ها دارای باارزش‌ترین اطلاعات و داده‌ها یعنی بازپرداخت‌ها هستند. سوابق بازپرداخت‌ها در درک پویایی بازار بسیار ارزشمند است و بانک‌ها تنها موسساتی هستند که داده‌های ریز بازپرداخت‌ها را نگهداری می‌کنند. بانک‌ها باید داده‌های ناشناس در مورد بازپرداخت‌ها را با شرکت‌های هوش مصنوعی و فین‌تک‌ها به اشتراک بگذارند تا بتوانند مدل‌های موثرتری بسازند. امروزه از تکنولوژی مالی (فین‌تک) که یکی از مهم‌ترین ابزارهای تصمیم‌گیری برای اعطای وام در موسسات مالی و اعتباری است، استفاده می‌شود و صاحبان امتیاز فین‌تک‌ها نیز سود بسیار زیادی از این طریق به دست می‌آورند.

اعتبارسنجی مبتنی بر هوش مصنوعی در دنیای امروز شاید فاکتوری امیدوارکننده باشد. به طور خلاصه، اعتبارسنجی متدی برای ارزیابی میزان توانایی و تمایل مشتریان به بازپرداخت به موقع بدهی‌ها و نیز پیش‌بینی نرخ نکول مشتریان است. اما در دنیایی که بیش از دو و نیم میلیون نفر به بانک دسترسی ندارند و فاقد حساب بانکی می‌باشند و از میان سایرین نیز تنها عده کمی وجود دارند که واجد شرایط دریافت انواع وام و کارت اعتباری می‌باشند، آیا باز هم می‌توان از روش اعتبارسنجی مرسوم و رایج استفاده نمود؟ از این رو و با وجود چنین شرایط و محدودیت‌هایی، نیاز به راه‌حل‌های هوشمندتر برای اعتبارسنجی خودنمایی کرده و مشهود می‌شود.

اعتبارسنجی مبتنی بر هوش مصنوعی براساس بسیاری از داده‌ها از جمله درآمد کل، بررسی رفتار مشتریان براساس داده‌های تاریخی، سابقه اعتباری، تحلیل معاملات، تجربیات کاری و حتی تحلیل جستجوهای گوگل انجام می‌شود. در واقع اعتبارسنجی، مدل‌سازی را براساس متدهای آماری و حسابداری برای مقدار زیادی داده نمایش می‌دهد.

هوش مصنوعی چگونه می‌تواند ارزیابی‌های ریسک اعتباری را ارتقا دهد؟

در بیشتر موسسات مالی، هم‌اکنون نیز از مدل‌های اعتبارسنجی براساس رویکرد کارت امتیازی استفاده می‌شود. یک قرض‌گیرنده زمانی می‌تواند مورد ارزیابی قرار بگیرد که اطلاعات تاریخی کافی از رفتار اعتباری وی وجود داشته باشد در غیر این صورت امکان اعتبارسنجی به صورت نظام‌مند و مفید وجود نخواهد داشت. همچنین در صورت عدم وجود اطلاعات کافی، امکان اعتبارسنجی برای افراد دارای اعتبار نیز وجود نخواهد داشت.

مدل‌های جدید اعتبارسنجی که توسط وام‌دهندگان مبتنی بر فین‌تک استفاده می‌شود، در دو راه کلیدی با اعتبارسنجی متداول تفاوت دارند. تفاوت اول در استفاده از پلتفرم‌های اعتباری است؛ پلتفرم‌های اعتباری فین‌تک ممکن است از منابع داده‌ای دیگری، به عنوان مثال داده‌های بدست آمده از شبکه‌های اجتماعی، استفاده نمایند. برخلاف روش‌های سنتی اعتبارسنجی که بر روی عملکرد وام‌گیرنده در زمان گذشته تمرکز دارند، مدل‌های اعتبارسنجی مبتنی بر هوش مصنوعی بر پارامترهای مربوط به وام‌گیرنده در زمان واقعی تمرکز دارند. پارامترهایی همچون سطح فعلی درآمد، فرصت‌های شغلی، توانایی بالقوه افراد برای کسب درآمد و …. در مدل‌های اعتبارسنجی مبتنی بر هوش مصنوعی از اهمیت ویژه‌ای برخوردار هستند.

تفاوت دوم، اتخاذ و تطابق تکنیک‌های یادگیری ماشین است. تکنینک‌های یادگیری ماشین می‌تواند روابط غیرخطی بین متغیرها را استخراج نماید؛ در صورتی که تکنیک‌های متداول اعتبارسنجی همانند مدل‌های لوجیت، خطی بوده و فقط قادر به استخراج روابط خطی هستند.

از این رو می‌توان گفت روش‌ها و مدل‌سازی اعتبارسنجی مبتنی بر هوش مصنوعی نسبت به مدل‌های رایج دارای برتری هستند. زیرا به واسطه همین مدل‌های غیرخطی است که تکنیک‌های یادگیری ماشین و اطلاعات گسترده، توانایی بهتری در پیش‌بینی ضرر و زیان و هرگونه رفتار و یا انواع شوک‌های منفی دارند. از سوی دیگر، استفاده از داده‌های غیرسنتی همچون داده‌های استخراج شده از شبکه‌های اجتماعی، تلفن همراه و یا حتی جستجوهای گوگل، دلیل دیگری مبنی بر برتری تکنیک‌های یادگیری ماشین در مقایسه با روش‌های سنتی است زیرا قدرت پیش‌بینی را بالا برده، مدل‌های اعتبارسنجی را بهینه‌سازی کرده و ضریب خطر را به حداقل کاهش می‌دهند. همچنین دیگر مزیت مدل‌سازی اعتبارسنجی با استفاده از تکنیک یادگیری ماشین در مقایسه با سایر روش‌های اعتبارسنجی، این است که حتی افرادی که سابقه اعتباری طولانی ندارند نیز می‌توانند در زمره قرض‌گیرندگان باشند.

در نتیجه می‌توان گفت، اعتبارسنجی با استفاده از هوش مصنوعی ارزیابی‌های بهینه‌تر، حساس‌تر و منحصربفردی را براساس مجموعه گسترده‌ای از اطلاعات در زمان واقعی ارائه می‌دهد.

پیشرفت هوش مصنوعی در اعتبارسنجی

اعطای وام همواره با خطراتی از جمله عدم بازپرداخت توسط وام‌گیرنده و افزایش نکول همراه است. از این رو، هدف از اعتبارسنجی، به حداقل رساندن ریسک عدم بازپرداخت است که باعث ایجاد مشکل در دسترسی کم به منابع مالی اعتباری می‌شود. راه‌حل‌های بکار برده شده در هوش مصنوعی از بسیاری جهات اعتبارسنجی را دچار تحول می‌کند. در ادامه به بیان چند اثر مثبت در نتیجه استفاده از هوش مصنوعی در اعتبارسنجی پرداخته می‌شود:

* تمرکز بیشتر بر مشتری

روش‌های سنتی اعتبارسنجی به دلیل استاندارد بودن و عدم حساسیت نسبت به اختلافات و تفاوت‌های ظریف فردی، بارها و بارها مورد انتقاد قرار گرفته‌اند و در سراشیبی منسوخ شدن قرار دارند. با معرفی هوش مصنوعی در سیستم اعتبارسنجی، بانک‌ها نه تنها براساس داده‌های تاریخی بلکه براساس پیش‌بینی درآمد بالقوه، بینش منحصربفردی در مورد رفتار مالی مشتریان خود خواهند داشت. چنین تحلیل‌هایی از داده‌های کلان مشتری، تقسیم‌بندی و رتبه‌بندی بهتر و بیشتر مشتریان را از نظر بررسی ریسک اعتباری امکان‌پذیر می‌کند. اعتبارسنجی با استفاده از هوش مصنوعی به موسسات مالی اجازه می‌دهد تا مشتریان را براساس توانایی‌های بالقوه‌شان طبقه‌بندی نمایند و محصولات و خدمات خود را با دقت بالا قیمت‌گذاری نموده و آنها را به درستی در اختیار طبقه و گروه مناسبی از مشتریان قرار دهند.

* سرعت بیشتر

به طور خاص در اعتبارسنجی، برنامه‌های مورد استفاده در هوش مصنوعی به دلیل سرعت بالایی که در روند تصمیم‌گیری درخصوص اعطای وام و یا رد درخواست وام دارند و نهایت دقت و کیفیتی که در نتایج قابل مشاهده است، محبوبیت خاصی پیدا خواهند کرد. به طور سنتی و رایج، بانک‌ها برای انجام اعتباسنجی از درخت تصمیم‌گیری، رگرسیون و تجزیه و تحلیل پیچیده حساب‌ها استفاده می‌کنند. امروزه از انبوهی از داده‌های غیرضروری و غیرساختاری برای دستیابی به نتیجه اعتبارسنجی استفاده می‌شود (همچون داده‌های فعالیت تلفن همراه و …)، در صورتی که با استفاده از هوش مصنوعی در اعتبارسنجی، سرعت انجام فرآیندها بسیار بالاتر از حد تصور است.

* دسترسی بیشتر و بهتر به اعتبار

با استفاده از دانش داده و هوش مصنوعی، امروزه اعتبارسنجی روند آینده‌نگرانه‌تری را در پیش گرفته است و وام‌گیرندگان بیشتر و بهتر به اعتبار دسترسی داردند در حالی که در گذشته چنین نبوده است. به عنوان مثال دانشجویان، بنیان‌گذاران مشاغل آینده‌دار و حتی شهروندان خارجی، با استفاده اعتبارسنجی مبتنی بر هوش مصنوعی بهتر می‌توانند تجارت و ایده‌های خود را شروع کنند و گرفتن اولین اعتبار نیز برای آنان آسانتر بوده و بوروکراسی کمتری دارد.

* دارای مزایا برای تمام سهامداران

استفاده از ابزارهای هوش برای اعتبارسنجی و تصمیم‌گیری درخصوص اعطای وام، تنها موجب افزایش تعداد مشتریان بانکی نمی‌شود بلکه برای بانک‌ها، موسسات اعتباری و حتی کسب و کارهایی که خدمات اعتباری ارائه می‌دهند نیز مزایایی به همراه دارد که مهمترین این مزایا کاهش ریسک نکول است. زیرا بانک‌ها و سایر موسسات مالی و اعتباری می‌توانند تصمیم‌گیری‌های خود را براساس حجم بسیار عظیمی از داده‌ها بهینه‌سازی کرده و از این طریق حتی سود نیز به دست آورند. این رویکردی است که پیش از اجرای گسترده تکنیک‌های هوش مصنوعی و جمع‌آوری داده‌ها تقریباً غیرممکن بوده است. هم بانک‌ها و هم مشتریان می‌توانند از طریق پذیرش هوش مصنوعی در اعتبارسنجی به خوبی سود و منفعت کسب نمایند: برای بانک‌ها و موسسات اعتباری تعداد مشتریان افزایش پیدا می‌کند و  از طریق اعطای اعتبار و یا انواع خدمات اعتباری به آنها سود کسب خواهند کرد و در مقابل مشتریان نیز می‌توانند در زمان کمتری به اعتبار دسترسی پیدا کرده و از محصولات بانک‌ها و موسسات مالی و اعتباری بهره‌مند گردند.