هوش مصنوعی در مالی و بانکی: موتور تحول در ۲۰۲۶

مسئلهٔ بیشتر واحدهای پایش تراکنش، کمبود هشدار نیست؛ فراوانی هشدارهای بی‌ربط است. قاعده‌های ثابت — سقف مبلغ، ساعت غیرمعمول، مقصد ناآشنا — هر روز فهرستی بلندتر از توان بررسی کارشناس تولید می‌کنند، و الگوی تازهٔ کلاهبرداری دقیقاً از میان همین شلوغی عبور می‌کند.

تفاوت یک مدل یادگیری ماشین با قاعدهٔ ثابت، در مرجع سنجش است. قاعده هر تراکنش را با آستانه‌ای از پیش تعیین‌شده می‌سنجد؛ مدل آن را با رفتار معمول همان مشتری مقایسه می‌کند. برداشتی که روی یک حساب کاملاً عادی است، روی حساب دیگر انحرافی آشکار به شمار می‌رود. همین جابه‌جایی مرجع، هم شمار هشدارهای کاذب را پایین می‌آورد و هم موارد واقعی را زودتر بالا می‌آورد.

سه کاربردی که زودتر از بقیه به نتیجه می‌رسند

• کشف تقلب آنی: سنجش هر تراکنش در برابر الگوی رفتاری همان مشتری، پیش از آنکه انتقال قطعی شود.
• امتیازدهی اعتباری: افزودن سابقهٔ تراکنش و رفتار بازپرداخت به معیارهای سنتی، به‌ویژه برای متقاضیانی که پروندهٔ اعتباری رسمی ندارند.
• پاسخ‌گویی خودکار: برداشتن پرسش‌های پرتکرار — مانده، وضعیت اقساط، مدارک افتتاح حساب — از دوش مرکز تماس تا نیروی انسانی به موارد پیچیده برسد.

چرا سرعت تصمیم به یک مسئلهٔ مالی تبدیل شده است

با فراگیر شدن پرداخت آنی، فاصلهٔ میان انجام تراکنش و برگشت‌ناپذیر شدن وجه به چند ثانیه رسیده است. سامانه‌ای که فهرست موارد مشکوک را صبح روز بعد تحویل می‌دهد، گزارش تولید می‌کند نه پیشگیری. در اعتبارسنجی هم همین منطق برقرار است: پرونده‌ای که دو هفته در صف بررسی می‌ماند، معمولاً پیش از تصمیم شما به رقیب رسیده است. ارزش اصلی این‌جا اتوماسیون نیست؛ کوتاه شدن فاصلهٔ میان رخداد و تصمیم است.

مرز باریک میان هشدار درست و مزاحمت مشتری

هر سامانهٔ کشف تقلب دو نوع خطا دارد و هزینهٔ هر دو واقعی است: تراکنش متقلبانه‌ای که از فیلتر عبور می‌کند، و کارت مشتری خوبی که بی‌دلیل مسدود می‌شود. تنظیم آستانه یعنی انتخاب آگاهانه میان این دو، نه رساندن یکی به صفر. مسیر عملی، پاسخ پلکانی است: مورد کم‌ریسک با یک تأیید دومرحله‌ای عبور کند، مورد پرریسک به کارشناس برود و مسدودسازی کامل تنها برای بالاترین سطح بماند. دو شاخص را کنار هم بسنجید — نسبت موارد واقعیِ کشف‌شده و نسبت مشتریان بی‌گناهی که درگیر شده‌اند — چون بهبود یکی به بهای دیگری، بهبود نیست.

چرا برای کسب‌وکارهای کوچک و متوسط ایران مهم است

بازار پرداخت ایران بر حجم بالای تراکنش‌های خرد استوار است و همین حجم است که بازبینی دستی را عملاً ناممکن می‌کند؛ اما همان حجم، دادهٔ لازم برای آموزش مدل را نیز فراهم کرده است. نکتهٔ مهم برای یک مؤسسهٔ کوچک این است که این داده جای دیگری نیست: در سامانهٔ اصلی خودتان ثبت شده و تنها به مرتب‌سازی نیاز دارد. شروع به بودجهٔ کلان احتیاج ندارد؛ به یک فرآیند مشخص، دادهٔ تمیز و مدیری که اختیار تصمیم داشته باشد نیاز دارد.

نقشهٔ ۹۰ روزهٔ شروع

• روز ۱ تا ۳۰: یک کانال را انتخاب کنید و پرونده‌های تقلب تأییدشدهٔ سال گذشته را کنار تراکنش‌های سالم بگذارید؛ بدون این نمونه‌های برچسب‌خورده هیچ مدلی مرجعی برای یادگیری ندارد. هم‌زمان عدد پایه را ثبت کنید: زیان فعلی و شمار هشدارهای روزانه.
• روز ۳۱ تا ۶۰: مدل را در حالت سایه اجرا کنید؛ یعنی موازی با سامانهٔ فعلی امتیاز بدهد اما هیچ تراکنشی را متوقف نکند. خروجی دو سامانه را هفتگی مقایسه کنید.
• روز ۶۱ تا ۹۰: اگر مدل در حالت سایه بهتر عمل کرد، آن را برای بخش کوچکی از ترافیک فعال کنید و اختیار تصمیم نهایی را نزد کارشناس نگه دارید. اگر بهتر نبود، به‌جای بزرگ‌تر کردن مدل، کیفیت داده و تعریف مسئله را بازبینی کنید.

خطاهای پرتکرار

• راه‌اندازی مستقیم در حالت عملیاتی بدون دورهٔ سایه؛ نخستین خطای پرسروصدا، اعتماد سازمان را برای ماه‌ها از میان می‌برد.
• سنجش مدل تنها با دقت کلی؛ در داده‌ای که اکثر قریب‌به‌اتفاق تراکنش‌ها سالم‌اند، مدلی که همه‌چیز را سالم اعلام کند نیز دقت بالایی نشان می‌دهد.
• واگذاری تصمیم رد اعتبار به مدل، بدون آنکه بتوان دلیل رد را برای متقاضی توضیح داد.
• آموزش مدل روی دادهٔ قدیمی و رها کردن آن؛ الگوی تقلب تغییر می‌کند و مدل بدون بازآموزی فرسوده می‌شود.

سه اقدام برای همین فصل

• پرهزینه‌ترین نوع تقلب سال گذشته را مشخص کنید و کار را از همان یک نوع آغاز کنید.
• پرونده‌های تأییدشدهٔ تقلب را در یک جدول واحد مرتب کنید؛ این دارایی ارزشمندتر از هر ابزاری است که بخرید.
• دو عدد را پیش از شروع ثبت کنید: زیان ماهانه و شمار هشدارهایی که بررسی‌نشده باقی می‌مانند.

پرسش‌های پرتکرار

• اگر پروندهٔ تقلب ثبت‌شدهٔ کافی نداشته باشیم چه کنیم؟
  می‌توان از روش‌های تشخیص ناهنجاری آغاز کرد که به‌جای نمونهٔ برچسب‌خورده، انحراف از رفتار معمول را می‌سنجند؛ اما از همان روز نخست ثبت نتیجهٔ بررسی کارشناسان را آغاز کنید، چون همان‌ها دادهٔ آموزشی سال بعد هستند.
• آیا مدل باید بتواند تصمیمش را توضیح دهد؟
  در اعتبارسنجی بله، و این یک الزام حرفه‌ای است نه ترجیح فنی؛ رد درخواست باید دلیل قابل بیان داشته باشد. در کشف تقلب، توضیح‌پذیری برای بازبینی کارشناس لازم است اما سخت‌گیری کمتری می‌طلبد.
• آیا داده باید از سامانهٔ اصلی خارج شود؟
  لازم نیست. آموزش و اجرای مدل روی زیرساخت داخلی شدنی است و برای دادهٔ مالی مشتریان، معمولاً همین گزینه انتخاب درست است.

جمع‌بندی

در مالی و بانکی، هوش مصنوعی مسئلهٔ تازه‌ای حل نمی‌کند؛ همان مسئله‌های همیشگی — زیان تقلب، ریسک نکول، صف پاسخ‌گویی — را در مقیاسی حل می‌کند که بررسی دستی از عهدهٔ آن برنمی‌آید. نهادهایی که زودتر نتیجه گرفتند، بیشترین هزینه را نکردند؛ یک فرآیند مشخص را انتخاب کردند، عدد پایه‌اش را ثبت کردند و اختیار تصمیم نهایی را نزد انسان نگه داشتند.

واژه‌نامه

• هشدار کاذب: تراکنش سالمی که سامانه آن را مشکوک اعلام می‌کند؛ هزینه‌اش وقت کارشناس و نارضایتی مشتری است.
• تشخیص ناهنجاری: روشی که به‌جای شناختن الگوی تقلب، انحراف از رفتار معمول را علامت می‌زند.
• حالت سایه: اجرای موازی مدل تازه در کنار سامانهٔ فعلی، بدون آنکه بر تصمیم واقعی اثر بگذارد.
• امتیاز اعتباری: عددی که احتمال بازپرداخت به‌موقع یک متقاضی را برآورد می‌کند.
• نکول: ناتوانی وام‌گیرنده در ایفای تعهد بازپرداخت.
• عدد پایه: اندازهٔ ثبت‌شدهٔ یک شاخص پیش از تغییر، تا بتوان بهبود را سنجید.