به گزارش خبرنگار ایبنا، گرفتن وام در شبکه بانکی معمولاً با سابقه تسهیلات، چکهای برگشتی، ضامن و وثیقه گره خورده است؛ اما حالا هوش مصنوعی میتواند با بررسی رفتار مالی و دادههای بیشتر، تصویر دقیقتری از اعتبار هر مشتری به بانک بدهد؛ تغییری که میتواند شرایط دریافت تسهیلات را برای افراد متفاوت کند و حتی از وابستگی به ضامن و وثیقه در برخی تسهیلات بکاهد.
در این میان، استفاده از دادههایی مانند نحوه پرداخت قبوض، نظم بازپرداخت اقساط و سایر رفتارهای مالی میتواند اعتبارسنجی را از یک ارزیابی محدود به سابقه وام، به شناخت جامعتری از وضعیت مالی مشتری تبدیل کند؛ البته به شرط آنکه استفاده از این اطلاعات با رعایت حریم خصوصی و در چارچوب حکمرانی مناسب داده انجام شود.
علی پیکانی، کارشناس بانکداری دیجیتال و فعال حوزه بانکی و پرداخت در گفتوگو با خبرنگار ایبنا به تشریح چگونگی ورود هوش مصنوعی به فرآیند اعتبارسنجی، چالشهای دادهای و زیرساختی آن پرداخته است.
پیکانی در ابتدا درباره اینکه آیا هوش مصنوعی میتواند مدل سنتی اعتبارسنجی و اعطای تسهیلات در ایران را تغییر دهد، گفت: هوش مصنوعی قطعاً میتواند این تحول را ایجاد کند، اما صرفاً اضافه کردن AI به فرآیندهای فعلی اعتبارسنجی به معنای تغییر مدل سنتی نیست.
به گفته این کارشناس، اعتبارسنجی آینده نباید صرفاً بر پایه هوش مصنوعی شکل بگیرد، بلکه باید ترکیبی از رویکرد دادهمحور (Data-driven) و مشتریمحور (Customer-centric) باشد. در این مدل، فناوری باید به بانک کمک کند شناخت دقیقتر و کاملتری از مشتری به دست آورد، نه اینکه صرفاً اطلاعات افراد را وارد یک الگوریتم کند و در نهایت یک عدد یا رتبه به آنها اختصاص دهد.
او افزود: نباید فقط آدمها را در یک الگوریتم قرار دهیم و بگوییم چه امتیازی دارند؛ هوش مصنوعی میتواند با تحلیل حجم بیشتری از اطلاعات، شناخت دقیقتری از رفتار مالی مشتری ایجاد کند و در نتیجه تصمیمگیری در فرآیند اعطای تسهیلات را هوشمندتر کند.
این کارشناس بانکداری دیجیتال در ادامه به نقش دادههای رفتاری در اعتبارسنجی اشاره کرد و گفت: ممکن است دو نفر دقیقاً به یک میزان تسهیلات دریافت کنند، اما رفتار مالی یکسانی نداشته باشند؛ یکی اقساط خود را منظم و حتی زودتر پرداخت کند و دیگری در پرداختهای خود تأخیر داشته باشد. در اینجا هوش مصنوعی میتواند الگوهایی از این رفتارها را شناسایی کند؛ از جمله نحوه بازپرداخت، نظم پرداخت، زمان پرداخت اقساط و سابقه بازپرداخت مشتری.
به گفته او، در اعتبارسنجی فعلی نیز اطلاعاتی مانند سابقه بازپرداخت تسهیلات، چکهای برگشتی، نوع حسابهای بانکی و سابقه دریافت و بازپرداخت وام مورد توجه قرار میگیرد، اما میتوان با استفاده از دادههای جایگزین، تصویر کاملتری از وضعیت مالی مشتری به دست آورد.
این فعال حوزه فینتک با اشاره به نمونههایی مانند رفتار پرداخت قبوض، جرائم رانندگی و برخی اطلاعات عمومی مرتبط با وضعیت فرد، تأکید کرد: استفاده از چنین دادههایی باید در چارچوب قانونی و با رعایت حریم خصوصی انجام شود. هدف نباید این باشد که بانک از تمام جزئیات زندگی مالی مشتری مطلع شود، بلکه باید مشخص باشد کدام داده برای ارزیابی اعتبار مورد نیاز است و این داده صرفاً برای همان هدف مورد استفاده قرار میگیرد.
وی در پاسخ به این پرسش که آیا اعتبارسنجی هوشمند میتواند وابستگی نظام بانکی به ضامن و وثیقه را کاهش دهد، گفت: این موضوع بهویژه در حوزه تسهیلات خرد میتواند یکی از نتایج مهم توسعه اعتبارسنجی هوشمند باشد. هرچه بانک شناخت دقیقتری از رفتار و وضعیت مالی مشتری داشته باشد، ارزیابی ریسک نیز دقیقتر خواهد شد و در نتیجه میتوان به جای تعیین یکسان شرایط برای همه مشتریان، میزان نیاز به ضامن یا وثیقه را متناسب با شرایط هر فرد تعیین کرد.
وی افزود: در چنین مدلی، ممکن است دو مشتری برای دریافت یک مبلغ مشخص تسهیلات، الزامهای یکسانی نداشته باشند؛ زیرا ریسک اعتباری آنها بر اساس رفتار مالیشان متفاوت است. این شخصیسازی علاوه بر کاهش ریسک بانک، میتواند تجربه مشتری را نیز بهبود دهد؛ چراکه مشتری احساس میکند شرایط اعتباری او متناسب با وضعیت واقعیاش ارزیابی شده است.
این کارشناس درباره چالش ارزیابی افرادی که سابقه اعتباری رسمی در شبکه بانکی ندارند(مانند جوانان یا تازه فارغالتحصیلان)، توضیح داد: افرادی که سابقه دریافت وام ندارند، بهصورت پیشفرض رتبه اعتباری پایینی (مانند C) دریافت میکنند. استفاده از وامهای خرد یا میکرولون (Micro-loan) که در برخی پلتفرمها ارائه میشود، گام نخستی برای شکلگیری سابقه اعتباری این افراد است.
وی خاطرنشان کرد: هوش مصنوعی میتواند با بررسی سایر مؤلفههای زیستی و رفتاری مانند وضعیت تأهل، سطح و رشته تحصیلی، دانشگاه محل تحصیل، وضعیت نظام وظیفه یا داشتن گواهینامه، امکان اعتباردهی عادلانه به افراد فاقد سابقه بانکی را فراهم کند.
پیکانی در بخش دیگری از این گفتوگو درباره احتمال خطا یا تبعیض الگوریتمی در اعتبارسنجی مبتنی بر هوش مصنوعی گفت: صرف استفاده از AI به این معنا نیست که تصمیم نهایی الزاماً عادلانه و بدون خطا خواهد بود؛ اگر دادههای ورودی ناقص، نادرست یا نامناسب باشند، الگوریتم نیز میتواند به نتیجه اشتباه برسد؛ بنابراین در مرحله نخست، بهتر است هوش مصنوعی در نقش سیستم پشتیبان تصمیم یا تصمیمیار (DSS) مورد استفاده قرار گیرد و تصمیم نهایی همچنان تحت نظارت انسانی باشد.
به گفته او، با افزایش شفافیت مدلها، بهبود کیفیت دادهها و شکلگیری سازوکارهای نظارتی، میتوان به تدریج مسئولیت بیشتری را به سیستمهای هوشمند واگذار کرد و در صورت اعتراض مشتری به نتیجه اعتبارسنجی باید درخواست او بررسی شود؛ چنین بازخوردهایی میتواند به اصلاح و بهبود تدریجی مدلهای اعتبارسنجی نیز کمک کند.
پیکانی در پاسخ به این پرسش که مهمترین مانع توسعه اعتباردهی مبتنی بر هوش مصنوعی در ایران چیست، گفت: ما اتفاقاً مشکل کمبود فناوری در حوزه هوش مصنوعی نداریم؛ مانع اصلی در نظام اعتباردهی ایران، حکمرانی داده است؛ شرکتهای مختلف در کشور در حال استفاده از هوش مصنوعی در حوزههای گوناگون هستند و مسئله اصلی، دسترسی ساختاریافته به دادههای مورد نیاز است.
او افزود: بخش قابل توجهی از دادههای ارزشمند در کشور وجود دارد، اما این دادهها در بخشها و سامانههای مختلف پراکندهاند و به شکل یکپارچه در اختیار نظام اعتباردهی قرار نمیگیرند. اطلاعات مربوط به پرداخت قبوض، جرائم، رفتارهای مالی و سایر دادههای قابل استفاده، در صورت تجمیع و استفاده صحیح، میتوانند شناخت دقیقتری از رفتار مشتری ایجاد کنند.
پیکانی در پایان تأکید کرد: ایجاد زیرساختهای دادهمحور میتواند بیش از توسعه ابزارهای هوش مصنوعی، به تحول نظام اعتباردهی کشور کمک کند؛ نظام اعتباردهی ایران طی سالهای اخیر پیشرفتهایی داشته، اما تکمیل این مسیر نیازمند حرکت به سمت حکمرانی داده و استفاده هدفمندتر از اطلاعات موجود است؛ مسیری که میتواند در نهایت اعتبارسنجی را از یک فرآیند مبتنی بر چند شاخص محدود به ارزیابی جامعتر و شخصیسازیشده رفتار مالی مشتری تبدیل کند.
