هوش مصنوعی و آینده بانکداری

صفحه 1:


صفحه 2:
2 مقدمه صنعت بانکداری همیشه یکی از َو بتكا وفناورى بوده است. از سیستم‌های جک الکترونیکی تا پانکدری اینترنتی و الیکیشن‌های موبايلى. تحول دیجیتال با هدف َََِ توعت,,دفت و تجربه مشتری پیش رفته است. اکنون فناوری هوش مصنوعی (1) وارد مرحله‌ای شده که می‌تواند بانکداری را نه فقط یر دهد بلكه آن :زا بازتعريف كنف هوش مصنوعى به بانكها اين امكان را مىدهد كه: * بهتر ريسك را مديريت كنند * خدماتی شخصی‌تر و سریع‌تر ارائه دهند * تقلب را در لحظه شناسایی کنند * تصمیم‌گیری‌های مالی را بهینه کنند اما اين تحول سؤالهاى مهمى هم ايجاد مىكند: * آيا هوش مصنوعى شغلهاى بانكى را تهديد مىكند؟ * آيا دادهدهاى مشتريان در امنيت هستند؟ * آينده بانكدارى جيست؟ در این کتاب. به پاسخ همه اینها می‌پردازيم. 

صفحه 3:
: فصل او 3 هوس مصنوعى جيست و جرا براى بانكدارى اهميت حياتى دارد؟ 

صفحه 4:
۱-۱: تعریف هوش مصنوعی - از مفهوم تا واقعیت هوش ‎Artificial Intelligence) ega0‏ شاخه‌ای از علوم کامپیوتر است که هدف آن رح های هوشمندانه مشابه انسان از خود نشان دهند؛ رفتارهایی مانند وهای استا: که بترانند یادگیری. استدلال: حل مسئله. درک زبان و تصمیم گیری. در گذشته. سیستم‌های نرمافزاری بر پایه قوائین ثابت (5(/506۳05 8۷۵16-82560) عمل می‌کردند. برای منال» اگر جرآمدآمشتری کمتر از عدد مشخصی بوده درخواست وام رد می‌شد. اما چنین سیستمی انعافپذیر یود و نمی‌توانست الگوهای پیچیده را در نظر بكيرد. رطرف کرد. اکنون سیستم‌ها می‌تونند از دده‌های گذشته بيموزن. و هوش مصنوعی این محدودیت را بدون تعریف صریح تمام قوانین» نصمیم گیری کنند. در صنعت بانکداری که روزانه میلیون‌ها تراکنش انجام می‌شود. چ زیرا تصمیمگیری دیگر تنها بر اساس چند شاخص ساده نیست. بلکه بر يايه تحليل جندين هزار متغير قابلیتی» انقلابی محسوب می‌شود. یه‌صورت هم‌زمان انجام می‌شود. 

صفحه 5:
-) اوت هوش مصنوعی. یادگیری ماشین و یادگیری عمیق برای درک بهتر کاربردهای هوش مصنوعی در بانکداری, بايد سه مفهوم كليدى را تفكيك كنيم: ۱ هوش مصنوعی (۵) مفهوم کلی سیستم‌های هوشمند. ۲ یادگیری ماشین (۱62۳0108 0026106) زیرمجموع‌ای از که به سیستم‌ها امکان یادگیری از دادهها را می‌دهد ۳۰ یادگیری عمیق (۱6۵۳0:08 0660) زیرمجموعه‌ای از یادگیری ماشین که از شبکه‌های عصبی چندلایهاستفاده می‌کند. در پانکداری: * _یادگیری ماشین برای اعتبارسنجی مشتریان استفاده می‌شود * .یادگیری عمیق برای تشخیص تقلب پیچیده کاربرد دارد. * پردازش زبان طبیعی برای تحلیل مکالمات ای ی از «عوش مصتوعى در باتكداري» صحبت مىكنيي در واقع مسموعفاي از اين قتاورى ها ‎lore‏ به کار می‌رود. 

صفحه 6:
۳-۱:انواع هوش مصنوعی هوش مصنوعى از نظر سطح توانايى به سه دسته تقسيم مىشود: ‎٠.1‏ هوش مصنوعى محدود (الاله) رايجترين نوع هوش مصنوعى امروزى. ‎Spgs‏ بالكل ‏. هوش مصنوعى عمومى (861) ‏توانايى انجام هر كارى كه انسان مىتواند انجام دهد. ‏هنوز در مرحله تحقیق است. ‏۳ هوش مصنوعی فراتر (۵5) ‏فراتر از تونایی‌های شناختی انسان. ‏بیشتر مفهومی و نظری است. ‏بانکداری امروز عمدتاً از |#۱۷استفاده می‌کند؛ سیستم‌هایی که برای هدف مشخصی آموزش دیده‌انده ‎rattle‏ ‏* تشخیص رفتار غیرعادی در تراکنش‌ها ‏*_ پیش‌بینی احتمال نکول وام 

صفحه 7:
۴-۱: چرا بانکداری به هوش مصنوعی نیاز $9519 بانک‌ها با چهار چالش اساسی مواجه هستند: ۱. حجم عظیم داده‌ها ۲ ریسک اعتباری ۳ _تقلب مالی ۴ _رقابت فین‌تک‌ها هوش مصنوعی به هر چهار چالش پاسخ می‌دهد: * تحلیل میلیون‌ها رکورد تراکنش در چند ثانیه ۰ پیش‌بینی دقیق احتمال بازپرداخت وام ۰ کشف تقلب در لحظه ۰ ارائه خدمات شخصی‌سازی‌شده مشابه شرکت‌های فناوری بدون ۸۵1 بانک‌ها نمی‌توانند با سرعت تحولات دیجیتال همگام شوند. 

صفحه 8:
۵-۱: داده: سوخت موتور هوش مصنوعی كوش مسنوعى ‎a‏ بانک‌ها یکی از غنی‌ترین منابع داده را در اختیار دارند: * تاریخچه تراکنش‌ها ۰ اطلاعات حساب * سوابق اعتباری * رفتار خرید مشتریان ۰ تعاملات مرکز تماس این داده‌ها اگر به‌درستی تحلیل شوند. می‌توانند: ‎W‏ الگوهای مصرف را آشکار کنند. ریسک را کاهش دهند محصولات جدید طراحی کنند اما چالش اصلی, مدیریت و پاکسازی داده‌هاست. کیفیت پایین داده. منجر به تصمیم‌گیری اشتباه می‌شود. 

صفحه 9:
۶-۱: تصمیم گیری مبتنی بر داده در مقابل تضتمیم‌گیری نننتی در مدل سنتی بانکداری؛ تصمیممگیری اغلب: * مبتنی بر تجربه مدیران ۰ بر اساس قوانین ثابت ۰ کند و بوروکراتیک اما در مدل مبتنی بر هوش مصنوعى ۰ :تصمیمات داده‌محور هستند * الگوریتم‌ها به‌طور مداوم به‌روزرسانی می‌شوند * سیستم‌ها خود را بهبود می‌دهند sles يك سيستم اعتبارسنجى مبتنى بر اللممىتواند از رفتار يرداخت قبض مشترى. نوع خريدها. الكوى كردش حساب و حتى نوسانات درآمدى او براى ارزيابى اعتبار استفاده كند. 

صفحه 10:
۷-۱: مزایای کلیدی هوش مصنوعی برای بانک‌ها ‎.١‏ کاهش هزینه عملیاتی اتوماسيون فر آيندها. نياز به نیروی انسانی تکراری را کاهش می‌دهد. ۲ افزایش دقت الگوریتم‌ها خطای انسانی ندارند (در صورت داده صحیح) ۳. خدمات ۲۴ ساعته a. 2a et ۴ مد .بت ربسک پیشرفته پیش‌بینی نکول وام يا دقت بالا ۵. شخصی‌سازی خدمات پیشنهاد کارت اعتباری یا وام متناسب با رفتار مشتری. 

صفحه 11:
۸-۱: محدودیت‌ها و سوءبرداشت‌ها با وجود مزایه هوش مصنوعی معجزه نیست. ‎KX‏ اگر داده‌ها سوگیری داشته باشند. الگوریتم هم سوگیر خواهد بود. ‏مدل‌های پیچیده ممکن است شفافیت کمی داشته باشند 80:0 81261). ‏6 پیاده‌سازی #۸1هزینه‌بر و زمان‌بر است. ‏همچنین برخی تصور می‌کنند #جایگزین کامل کارکنان بانک خواهد شد. در ‎sally‏ ا"ابیشتر نقش ‏تقویتکننده تصمیم گیری انسانی را دارد نه حذف کامل آن. 

صفحه 12:
جمع‌بندی فصل اول در اين فصل آموختیم که: * هوش مصنوعی مجموعه‌ای از فناوری‌های یادگیرنده است. * بانکداری یکی از مناسب‌ترین صنایع برای بهره‌گیری از االاست. * داده‌ها دارایی اصلی بانک‌ها در عصر جدید هستند. تصمیم گیری داده‌محور آینده صنعت مالی را شکل می‌دهد. * چالش‌های اخلاقی و فنی باید هم‌زمان مدیریت شوند. در فصل بعد. به بررشی تحول دیجیتال بانکداری و مسیر ورود هوش مصنوعی به این صنعت خواهیم ۱ پرداخت. 

صفحه 13:
فصل دوم: تحول دیجیتال در بانکداری و مسیر ورود هوش مصنوعی 

صفحه 14:
۲ بانکداری سنتی؛ نقطه آغاز تحول بانکداری مدرن ريشه در قرن‌های گذشته دارده اما ساختار عملیاتی آن تا دهه‌های اخیر عمدناً سنتی بود. فرآیندها دستی, کاغذی و مبتنی بر حضور فیزیکی مشتری در شعبه انجام می‌شد. ویژگی‌های بانکداری سنتی عبارت بودند از * تمرکز بر شعب فیزیکی ۰ بوروکراسی بالا * پردازش دستی اطلاعات * زمان طولانی ارائه خدمات * اتکای زیاد به نیروی انسانی در چنین ساختاری, تصمیم‌گیری‌ها عمدتً بر اساس تجربه مدیران و تحلیل‌های محدود انجام می‌شد. حجم داده‌ها کم یود و ایزارهای تحلیلی پیچیده‌ای وجود نداشت. اما با گسترش فناوری اطلاعات. بانکداری وارد مرحله‌ای جدید شد؛ مرحله‌ای که آن را «تحول دیجیتال» می‌نامیم. 

صفحه 15:
۲-۲: ظهور بانکداری الکترونیک در دمه 1۹۹۰ با گسترش اینترنت. بانک‌ها به سمت ارائه خدمات آنلاین حرکت کردند. این تحَولَ* نخستین گام جدی در دیجیتالی شدن بانکداری بود. تحولات مهم این دوره: * راهاندازى اينت * معرفى خودپردازها (۸780) در مقياس كسترده * كسترش كارتهاى اعتبارى و دبيت * سیستم‌های انتقال وجه الکترونیکی این مرحله. بانکداری را از یک مدل کاملاً حضوری به مدلی نیمه‌دیجیتال تبدیل کرد. اما هنوز هوشمندی نت‌بانک واقعی در سیستم‌ها وجود نداشت؛ سیستم‌ها صرفاً دیجیتا بودند. نه هوشمند. 

صفحه 16:
۳-۲ نقلاب موبایل و تغییر رفتار مشتریان با ظهور تفن‌های هوشمتد. بدويزه يس از معرفى آيفون در سال ۲۰-۷ بانکداری وارد مرح «موبايل محور» شد. امشتريان ديكر انتظار دا * انتقال وجه فورى انجام شود * مانده حساب در لحظه نمايش داده شود a ۰ درخواست وام آنلاین ثبت شود * خدمات بدون مراجعه حضوری ارائه گردد بانکداری موبایلی رقابت را شدیدتر کرد. اکنون بانک‌ها نه‌تنها با یکدیگره بلکه با شرکت‌های فناوری مالی (فین‌تک) رقابت می‌کردند. در این مرحله حجم داده‌های رفتاری مشتریان به‌شدت افزایش یافت. همین افزایش دادهء زمینه ورود هوش مصنوعی را فراهم کرد. 

صفحه 17:
۴-۲ نقش فین‌تک‌ها در تسریع تحول شرکت‌های فین‌تک با مدل‌های چابک و فناوری‌محور وارد بزار شدند. آن‌ها از ابتدا دیجیتال ‎Bay‏ تحلیل دادهها رای اراکه خدمات شخصی‌سازی‌شده استفاده می‌کردند. تمونه‌هایی از خدمات فین‌تک‌ها: *_پرداخت‌های دیجیتال سریع + وام‌دهی آنلاین مبتنی بر الگوریتم * مدیریت سرمایه‌گذاری هوشمند * کیف پول‌های دیجیتال بلنگ‌های ی برای رقابت با این بازیگران ديت مجبور شدند. به سمت استفاده از هوش موش و تحلیل پیشرفته داده حرکت کنند. 

صفحه 18:
۵-۲: داده‌های عظیم؛ زمینه‌ساز ورود ۸1 تحول دیجیتال باعث تولید حجم عظیمی از داده‌ها شد: ۰ داده‌های تراکنش داده‌های مکانی داده‌های رفتاری در اپلیکیشن‌ها تعاملات مرکز تماس ۰_داده‌های شبکه‌های اجتماعی تم مایت قاذز به تحلیل این حجم از داده نبودند. باراین پتواندد: ۰ الگوها را کشف کنند *_رفتار آینده مشتری را پیش‌بینی کنند * ریسک را برآورد کنند اینجابود که یادگیری ماشین و الگوریتم‌های هوش مصنوعی وارد میدان شدند 

صفحه 19:
۶-۲: ورود رسمی هوش مصنوعی به بانکداری از اوایل دهه ۰۲۰۱۰ بانک‌های بزرگ جهان سرمایه‌گذاری گسترده‌ای روی هوش مصنوعی ‎BSS GET‏ کاربردهای اولیه شامل: * کشف تقلب در تراکنش‌های کارت اعتباری * امتیازدهی اعتباری پیشرفته ۰ تحلیل احساسات مشتریان + چت‌بات‌های پشتیبانی در اين مرحله بانک‌ها دریافتند که #فقط یک ابزار فناوری نیست. بلکه یک مزیت رقابتی استراتژیک 

صفحه 20:
۷-۲: تحول از دیجیتال به هوشمند نی ‎CS on‏ مهو سورد در ديجيتال شدن يعنى. * تبديل فرآيندهاى كاغذى به نرمافزار ۰ ارائه خدمات آنلاین fas toa Ll *_ پیش‌بینی نیاز مشتری قبل از درخواست * پیشنهاد محصول متناسب با رفتار شناسایی تقلب قبل از وقوع خسارت * تصمیم‌گیری خودکار و بهینه در اين مرحله؛ بانك از یک نهاد واکنشی به یک سازمان پیش‌بین تبدیل می‌شود 

صفحه 21:
۲-: چالش‌های مسیر تحول دیجیتال Sere ‏ور‎ Ie .) 1 vr ۴ مقاومت فرهنگی در سازمان‌ها کمبود نیروی متخصص داده هزینه بالای زیرساخت .. نگرانی‌های امنیتی و حریم خصوصی ۵ الزامات نظارتى و قانونى بانک‌هایی که تَوانستَند اين موانع را مديريت كنند. امروز در خط مقدم بانكدارى هوشمند قرار دارند. 

صفحه 22:
جمع‌بندی فصل دوم در این فصل بررسی کردیم: * بانکداری سنتی چگونه به بانکداری دیجیتال تبدیل شد. * انقلاب موبایل چگونه رفتار مشتریان را تغییر داد. * فین‌تک‌ها چگونه بانک‌ها را به نوآوری وادار کردند ۰ داده‌های عظیم چگونه زمینه‌ساز ورود هوش مصنوعی شدند. * تفاوت میان دیجیتال بودن و هوشمند بودن چیست. در فصل بعد هضور عميقتر وارد مبحث یادگیری ماشین و مدل‌های پیش‌بینی در بانکدازی خواهیم شد و ‎EEL‏ الگوریتمهای مورد استفاده در اعتبارسنجی و مدیریت ريسك را بررسى مىكنيم. 

صفحه 23:
فصل سوم: یادگیری ماشین و مدل‌های پیش‌بینی در بانکداری 

صفحه 24:
1-۳ یادگیری ماشین؛ قلب تپنده بانکداری قوشمند یادگیری ماشین ‎(Machine Learning)‏ یکی از مهم‌ترین زیرشاخه‌های هوش مصنوعی است که به سیستم‌هاامکان می‌دهد بدون برنمهنویسی صریح. از ادها الگوباموزند و تصمیم گیری كنند. در بانكدارى. يادكيرى ماشتينَ ستون اصلی بسیاری از سیستم‌های هوشمند است از عتبارسنجی مشتریان كرفته نا كشف.تقلب و ييتربيتى رفتار سرماي هكثاران. تفاوت اصلى يادكيرى ماشين با سيستمهاى سنتى اين است كه در مدلهاى سنتى. قوانين توسط انسان تعریف می‌شوند؟ اما در ‎MIL‏ الگوریتم با تحلیل داده‌های تاریخی, خود قوانین را استخراج می‌کند. برای منال: به‌جای تعریف این فانون که «اگر درآمد کمتر از لباشد. وام رد شود». مدل یادگیری ماشین با بررسی هزاران برونده وام؛ الكوهاى بيجيدهترى را کشف می‌کند که ممکن است شامل ترکیبی از درآمد. رفتر پرداخت الگوی مصرف و حتی زمان درخواست وام باشد. 

صفحه 25:
۲-۳ انواع بادگیزی ماشین در بانکداری سه نوع اصلى بادگیری ماشین در تانکدار ی اتعتفاده می‌شود: ۱ یادگیری نظارت‌شده ‎(Supervised Learning)‏ درا روش داده‌ها دارای برچ 33۳3 مثال: پرونده‌هایی که مشخص است «وام بازپرداخت شده» یا «نکول شده». الكوريتم ياد مى' بر اساس ویژگی‌های مشتری, احتمال نکول را پیش‌بینی کند. کاربردها: ۰ اعتبارسنجی + پیش‌بینی رسک *_ طبقه‌بندی تراکنش‌های مشکوک ۲ یادگیری بدون نظارت ‎(Unsupervised Learning)‏ 5 يم بايد الكوها را خود کشف کند. Sig WIT ‏اب روش دادمها بجني‎ Las pS ۰ خوشه‌بندی مشتریان ۰ کشف رفتارهای غیرعادی ۰ تقسیم‌بندی بازار (Reinforcement Learning) xsi 55st. مدل از طریق آزمون و خط ید می‌گیرد و بر اساس پاداش يا جریمه بهینه می‌شود کاربردها: ۰ سازی سبد سرمایه‌گذاری * قیمت‌گذاری بويا * _بهینه‌سازی پیشنهاد محصولات بانکی 

صفحه 26:
(Credit Scoring 1۷00615( ‏مدل‌های اعتبارسنجی‎ :۳-۳ یکی از حیانیترین کاربردهای یادگیری ماشین در بانکداری اعتبا سجن نتوین است. ‎ees‏ ار سس ی ‎Lal‏ امروزه مدل‌های پیچیده‌تری استفاده می‌شوند. ‎ ‎ ‏* درخت تصمیم ‏۰ جنگل تصادفی (۴0۲۵50 8۵0۵0۳0) ‏* گرادیان بوستینگ 0068005 ‏شبکه‌های عصبی ‏این مدل‌ها م‌توانند صدها متفیر را همزمان تحلیل کنند: ۰ درآمد ‏+ سابقه بازپرداخت گردش حساب تعداد تراکنش‌ها ‏۶ رفتار پرداخت قبوض ‏يك امتياز اعتبارى دقيقتر و كاهش نرخ نکول. 

صفحه 27:
۴-۳: کشف تقلب با یادگیری ماشین تقلب مالی یکی از بزرگ‌ترین تهدیدهای صنعت بانکداری است. سیستم‌های سنتی مبتنی بر قوانین تا قادر به شناسایی تقلب‌های پیچیده نیستند. مدل‌های یادگیری ماشین می‌تواند: * رفتار عادى مشترى را ياد بكيرند * انحراف از الكو را در لحظه تشخيص دهند ۶ ريسع تركش راامتيازدهى كنند مثال: اكر مشترى هميشه در تهران خريد انجام داده و ناكهان تراكنشى از كشور ديكر ثبت شود. سيستم بهسرعت هشدار مىدهد. مدل‌های مورد استفاده: * شبکه‌های عصبی عمیق * الگوریتم‌های تشخیص ناهنجاری + مدل‌های مبتنی بر گراف برای کشف شبکه‌های تقلب 

صفحه 28:
eee ‏تيشبينى‎ 281 بانكدارى مدرن ديكر فقط واكنشى نيست؛ بلکه پیش‌بین است. مدلهاى يادكيرى ماشين مىتوانند بيشبينى كنند: * جه زمانى مشترى احتمالاً وام مى خواهد * چه کسانی قصد بستن حساب دارند * _کدام مشتریان به کارت اعتباری جدید علاقه دارند این تحلیل‌ها به بانک‌ها کمک می‌کند: نرخ حفظ مشتری را افزایش دهند بازاریابی هدفمند انجام دهند. در آمد را بهینه کنند 

صفحه 29:
۶-۳: مدل‌های مدیریت ریسک ریسک در بانکداری ابعاد مختلفی دارد: * ریسک اعتباری * ریسک بازار * ریسک نقدینگی * ریسک عملیاتی یادگیری ماشین با تخليل داددهاى تاريخى و شرايط بازار مىتواند: * احتمال نکول گسترده را پیش‌بینی کند + تأثیر نوسانات اقتصادی را مدل‌سازی کند * سناریوهای بحرانی را شبیه‌سازی کند در بحران‌های مالی. چنین مدل‌هایی نقش حیاتی در کاهش خسارات دارند. 

صفحه 30:
۷-۳: چالش‌های فنی مدل‌های یادگیری مین با وجود مزایء پیاده‌سازی 1۷/1در بانکداری با چالش‌هایی همراه است: ۰ کیفیت داده پایین * عدم توازن داده‌ها (مثلاً تعداد کم نمونه‌های تقلب) (Overfitting) ‏بیش‌برازش‎ ۰ * بيجيدكى مدالهاى عميق * نياز به تفسیرپذیری ‎(Explainability)‏ ‎wins cdg Wail wl lS‏ جرا يك وام رد شده است. بنابراين مدلهاى كاملا #جَعبَه سیاه» هميشه قابل قبول نيستند. به همين ذليل خوزداى به نام هوش مصنوعى قابل توضيح» (الى ©01ا13103م:6) اهميت زيادى پیدا کرده 

صفحه 31:
۸-۳: آینده مدل‌های پیش‌بینی در بانکداری روندهای آینده شامل: ۰ استفاده از مدل‌های ترکیبی (۱/0۵615 0۷5۲10 *_بهره‌گیری از داده‌های جایگزین (0۵12 ۵/۵6۲0۵۷6) (Real-Time Analytics) .claliod (djl * + ترکیب الاب بلاک‌چین * مدل‌های خودیادگیر و تطبیقی ار أينده ‎clap aos‏ بانکی نه‌تتها رفتار مشتری را پیش‌بینی می‌کنند بلکه پیشنهادات مالی شخصی‌سازی‌شده را در همان لحظه ‎ail‏ خواهند داد 

صفحه 32:
جمع‌بندی فصل سوم در این فصل بررسی کردیم: یادگیری ماشین چگونه هسته هوش مصنوعی بانکی را تشکیل می‌دهد. انواع الگوریتم‌های مورد استفاده در بانکداری چیست. مدل‌های اعتبارسنجی و کشف تقلب چگونه کار می‌کنند. پیش‌بینی رفتار مشتری چگونه مزیت رقابتی ایجاد می‌کند. چالش‌های فنی و نیاز به تفسیرپذیری چیست. در فصل بعدهبه رس ریات‌های گفتگوهپردازش زبان طبیعی و تحول تجربه مشتری در بانکذاری هوشمند خواهیم پرداخت. 

صفحه 33:
فصل جهارم: ربات‌های گفتکو پردازش زبان طبیعی 9 تحول تحر به مشتری در بانکداری 

صفحه 34:
۳ تجربه مشتری؛ میدان رقابت جدید بانک‌ها در گذشته. مزیت رقابتی بانک‌ها در تعداد شعب. سرمایه و گستره خدمات خلاصه می‌شد. اماً در عصر دیجیتال, «تجربه مشتری» به مهم‌ترین عامل تمایز تیدیل شده است. مشتریان امروزانتظار دارند: ۰ پاسخ فوری دریافت کنند ۰ خدمات ۲۴ ساعته در دسترس باشد * فرآیندها ساده و بدون پیچیدگی باشد * تعاملات شخصی‌سازی‌شده تجربه کنند در چنین محیطی. ربات‌های گفتگو (010380085) و فناوری‌های پردازش زبان طبیعی (۱1۳) نقش کلیدی بيدا كرددائد. اين فناوری‌ها بانک را از یک سازمان کند و بوروکراتیک به یک نهاد پاسخ‌گوی سریع و هوشمند تبدیل می‌کنند. 

صفحه 35:
۲-۴ ربات گفتگو چیست و چگونه کار هی کند؟ اربات كفتكو نرمافزارى است که می‌توند با انسان ب‌صورتشتنی اس تقامل,کند,این ,سیستمها بر پیه ترکیبی از فناوری‌های زیر عمل می‌کنند: * پردازش زبان طبیعی ‎(NLP)‏ * یادگیری ماشین (Intent Recognition) c.5 Jules * (Dialogue Management) ‏مدیریت مکالمه‎ * فرآیند عملکرد یک چتبات بانکی: ۱. دریافت پیام مشتر ۲ تحلیل زبان و ‎aa‏ نیت ۳._دسترسی به پایگاه داده بانکی ۴ تولید پاسخ مناسب ۵ _یادگیری از تعامل برای بهبود آینده به عنوان مثال, اگر مشتری بنویسد:«مانده حسابم چقدره؟»سیستم باید نیت کاربر را تشخیص دهد. هویت او را احراز کند و پاسخ دقیق ارانه دهد. 

صفحه 36:
۳-۴: پردازش زبان طبیعی (0!1۳) در بانکداری انرس زبان ‎Meet. Lb‏ هو ۱ ند به اش هاآمکان درک و ۳۳۲۳۳۳۳ می‌دهد. در بانكدارى. 8ل اكاربردهاى متعددى دارد: * تحليل مكالمات مركز تماس * بررسى شكايات مشتريان (Sentiment Analysis) Sloluo! Juli * * خلاصه‌سازی گزارش‌های مالی * استخراج اطلاعات از قراردادها به کمک ‎NLP‏ بانک‌ها می‌توانند هزاران مکالمه را تحلیل کنند و مشکلات رایج مشتریان را شناسایی نمایند. ‎sly‏ مثال: ۱ ‎ ‏اگر الگوریتم متوجه شود بیشترین نارضایتی مربوط به تأخیر در انتقال وجه است. بانک می‌تواند فرآیند را ‏بهبود دهد. 

صفحه 37:
۴-۴: چت‌بات‌ها در خدمات روزمره بانکی آمروزه چت‌بات‌های بانکی قادرند بسیاری از خدمات متداول را انجام دهند: * ارائه مانده حساب * مسدود کردن کارت * راهنمایی افتتاح حساب ۰ پاسخ به پرسش‌های متداول * بيكيرى وضعيت وام مزایای کلیدی: کاهش هزینه مرکز تماس افزایش سرعت پاسخ‌گویی ‎A‏ دسترسی ۲۴ ساعته کاهش خطای انسانی در بسيارى از بانكهاى بيشرو: بيش از ۵۰ تعاملاتاولیه مشتریان توسط ریت‌ها مدیریت می‌شود. 

صفحه 38:
۵-۴: دستیارهای صوتی و بانکداری مکالمه‌محور تحول بعدی, بانکداری مبتنی بر صدا است. مشتریان می‌توانند از طریق دستیارهای ‎BUSES Gye‏ جر )رع بط > اقيض برق رو ابرداخت كن # * «آخرين تراكنشهام رو بكو.» * «سقف كارت اعتبارى من جقدره؟» این نوع تعامل» بانکداری را طبیعی‌تر و انسانی‌تر می‌کند. بانکداری مکالمه‌محور (830108 |600۷6۲5۵63002) آینده‌ای را ترسیم می‌کند که در آن تعامل با بانک شبیه صحبت با یک مشاور شخصی است. 

صفحه 39:
۶-۴: شخصی‌سازی تجربه مشتری ‎ALL‏ ‏های هوشمند فقط پاسخ‌گو نیستند؛ بلکه پيشنهاددهنده نیز هستند. 2 با تحلیل رفتار مث ۰ پیشنهاد افزایش سقف کارت بدهد * وام متناسب معرفی کند بری» سیستم مب تواندا ۰ _ سرمایه‌گذاری مناسب پیشنهاد دهد هشدار مديريت مالى ارسال کند مثال: اگر مشتری بهطور منظم مانده حساء دهد.این سطح از شخصی‌سازی, تجربداى قرائر از بانكدارى سنتى ايجاد م ىكند. يايين دارد. سيستم مىتواند بيشنهاد برنامه مديريت هزينه ارائه 

صفحه 40:
۷-۴: چالش‌های پیاده‌سازی ربات‌های بانکی با وجود مزایاء اجرای چت‌بات‌ها چالش‌هایی دارد: *_ درک اشتباه زبان طبیعی * _پیچیدگی لهجه‌ها و اصطلاحات محلی ۰ نگرانی‌های امنیتی ۰ مقاومت برخی مشتریان نسبت به تعامل با ماشین * نیاز به بکپارچه‌سازی با سیستم‌های قدیمی بانک علاوه بر این؛ در نات حساس مالی» اشتباه در پاسخ می‌تواند پیامدهای جدی داشته باشب ينايراين طراحی آزمایش و نظارت مداوم بر عملکردرباتها ضروری است. 

صفحه 41:
۸-۴: آینده تجربه مشتری در بانکداری هوشمند در آینده نزدیک. انتظار می‌رود: * چت‌بات‌ها از مدل‌های زبانی پیشرفته‌تر استفاده کنند © مکالمات کاملاً طبیعی و بدون محدودیت انجام شود ۶ تحلیل احساسات در لحظه انجام گیرد * بانک به‌صورت پیش‌دستانه با مشتری ارتباط برقرار کند بانکداری از «واکنش به درخواست» به «پیش‌بینی نیاز» حرکت خواهد کرد. تجربه مشتری در بانکناری آینده احتمالاً شامل: ۰ مشاور مالی هوشمند شخصی ۰ هشدارهای مالی پیشگیرانه ۰ پیشنهادهای سرمایه‌گذاری خودکار © مدیریت یکپارچه دارایی‌ها خواهد بود. 

صفحه 42:
جمع‌بندی فصل چهارم در این فصل بررسی کردیم: در قصل بعد وارد تجربه مشتری چگونه به مهم‌ترین مزیت رقابتی بانک‌ها تبدیل شده است. ربات‌های گفتگو چگونه کار می‌کنند. پردازش زبان طبیعی چه کاربردهایی در بانکداری دارد. بانکداری مکالمه‌محور چگونه شکل می‌گیرد. چالش‌های فنی و امنیتی این تحول چیست. یکی از حیانی‌ترین حوزه‌های بانکداری هوشمند می‌شویم:کشف تقلب. امنیت سایبری و الگوریتم‌های پیشرفته مقابله با جرایم مالی. 

صفحه 43:
کشف تقلب امنیت سایبری و الکوریتم‌های هوشمند مقابله با جرایم مالی 

صفحه 44:
۱-۵ تقلب مالی؛ تهدیدی دائمی برای بانکا صلفت بانکناری همواره هدق اصلی مجرمان مالی بوده است. با دیجیتالی تن خلمات بانکی ۱212۳957۳ نیز پیچیده‌تر و سریع‌تر شده است. امروزه حملات سایبری. فیشینگ, سرفت هویت. پول‌شویی و تقلب کارت‌های اعتباری در مقیاسی جهانی انجام می‌شوند ویژگی‌های نقلب مدرن: * سرعت بالا ۰ استفاده از فناوری‌های پیشرفته * فعالیت در شبکه‌های سازمان‌یافته * بهره‌گیری از ضعف‌های رفتاری کاربران در چنین شرایطی, روش‌های سنتی مبتنی بر قوائین ثابت دیگر پاسخگو نیستند. بئک‌ها نیازمند سیستم‌های هوشمند و تطبیقی هستند که بتوانند در لحظه تهدید را شناسایی کنند. 

صفحه 45:
۲-۵: چرا روش‌های سنتی ناکار آمد شدند؟ در گذشته. سیستم‌های کشف تقلب بر بايه مجموعداى از قوانين از بيش تعريفشده عمل ‎SPSS‏ ‏مثال: * اكر مبلغ تراكنش بيش از حد مشخصی باشد <- هشدار ۶ اگر تراکنش خارج از کشور انجام شود «- بررسی اما این روش‌ها دو مشکل اساسی داشتند: (False Positive) Yb oli! ‏نرخ هشدار‎ ١ ۲ _ناتوانی در شناسایی الگوهای پیچیده و جدید همان ‎Galilee me‏ را شتلسایی کرده و رفتار خود را تطبیق می‌دادند. بنابراین سیستم بای تانای یادگیری مداوم داشته باشد؛ جایی که هوش مصنوعی وارد می‌شود 

صفحه 46:
۳-۵: نقش یادگیری ماشین در کشف تقلت. مدل‌های یادگیری ماشین می‌توانند رفتار عادی هر مترَع وید بل وموگونهانجراف,را تشخیص مراحل كلى عملكرد: ۱ جمع‌آوری داده‌های تراکنش (Feature Engineering) a. $}5 clin! ۲ ۳ آموزش مدل بر اساس داده‌های تاربخی ۴ امتیازدهی ریسک به هر تراکنش ۵. تصمیم‌گیری آنی اين مدلها مىتوانند هزاران ويذكى را هم‌زمان تحلیل کنند؛ از مبلغ تراکنش گرفته تا زمان انجام آن» مکان جفرافیایی. نوع دستگاه و لگوی رفتاری کاربر 

صفحه 47:
(Real-Time Analytics) 33,254 Jules :¥-0 در کشف تقلب. زمان حیاتی است. اگر تشخیص با تأخیر انجام شود خسارت مالی رخ داده است. سیستم‌های مدرن کشف تقلب باید: * در کمتر از چند میلی‌ثانیه تصمیم بگیرند *_بتوانند میلیون‌ها تراکنش را هم‌زمان پردازش کنند *_ ریسک را به‌صورت لحظه‌ای محاسبه کنند ‎eee eee ١‏ بردازش داده و معمارىهاى مقياس يذير أسبكه ‎ ‏آمروزه بسیاری از می‌کنند تا تحلیل بلادرنگ ممکن شود. ‏انک‌ها از معماری‌های مبتنی بر پردازش جریان داده ‎coli! (Stream Processing)‏ 

صفحه 48:
۵-۵: مدل‌های مبتنی بر گراف برای کشف شبکه‌های تقلب تقلب هميشه توسط یک قرد انجام نمی‌شود. بسیاری از جرایم مالی در قالب ‎Sy IO lak‏ می‌دهند. مدل‌های گرافی می‌تواند: * ارتباط بین حساب‌ها را تحلیل کنند * تراکنش‌های مشکوک زن * شبکه‌های پول‌شویی را شناسایی کنند ه‌ای را کشف کنند در این مدل‌ها: * هر حساب یک «گره» است * هر تراکنش یک «یال» است تحلیل ساختار شبکه می‌تواند الگوهای غیرعادی را آشکار کند که در تحلیل‌های خطی قایل مشاهده 

صفحه 49:
۶-۵: هوش مصنوعی در امنیت سایبری بانک‌ها امنیت بانکی تنها محدود به تراکنش‌ها نیست. تهدیدهای سایبری شامل: ۰ حملات بدافزاری ۰ نفوذ یه سرورها * حملات باج‌افزاری ۰_حملات مهندسی اجتماعی هوش مصنوعی در امنیت سایبری می‌تواند: * رفتار کاربران سیستم را پایش کند * ورودهای مشکوک را شناسایی کند ۰ الگوهای حمله را پیش‌بینی کند * به‌صورت خودکار واکنش نشان دهد سیستم‌های تشخیص نفوذ (105) میتنی بر یادگیری ماشین قادرند الگوهای جدید حمله را بدون نیاز به تعریف قبلی کشف کنند. 

صفحه 50:
۷-۵ چالش‌های اخلاقی و عملیاتی کشف تقلب مبتنی بر ابا چالش‌هایی همراه است: ۱. سوگیری داده‌ها ۲ تفسیرپذیری پایین برخی مدل‌ها ۳._تعادل بین امنیت و تجربه مشتری ۴ حفظ حریم خصوصی أكر نبيستم بيش از حد حساس باشدء مشتريان بىكناه دجار مشكل مىشوند. اكر بيش از حد آسان كير باشد. نقلبافزایش مىيابد.يافتن اين تعادل يكى از دشوارترين وظايف مديران ريسك است. 

صفحه 51:
۸-۵: آینده امنیت هوشمند در بانکداری روندهای آینده در حوزه امتیت بانکی شامل: © استفاده از بیومتریک هوشمند (تشخیص چهره و صدا) * ترکیب ابا بلاک‌چین برای افزایش شفافیت (Behavioral Biometrics) 438 pis ‏تحليل رفتارى‎ * * سیستم‌های خودآموز و تطبیقی در آینده: سیستم‌های امتیتی نهتنهاتقلب را کشف می‌کنند. بلکه قبل از وقوع آن هشدار خواهند داد آمنیت از یک واکنش به یک پیش‌بینی تبدیل خواهد شد. 

صفحه 52:
جمع‌بندی فصل پنجم foes چرا کشف تقلب برای بانک‌ها حیاتی است. مدل‌های یادگیری ماشین چگونه تقلب را شناسایی می‌کنند. تحلیل بلادرنگ چه اهمیتی دارد. مدل‌های گراف چگونه شبکه‌های جرایم مالی را کشف می‌کنند. چالش‌های اخلاقی و عملیاتی در امنیت هوشمند چیست. در فصل بعده به بررسی شخصی‌سازی خدمات بانکی؛ تحلیل داده‌های عظیم و ‎AB‏ هوش مصنوعی در ريابى مالى خواهیم پرداخت. 

صفحه 53:
فصل ششم: تحليل دادههاى عظيم و بانكدارى هوشمند 

صفحه 54:
۱-۶ داده‌های عظیم؛ دارایی استراتژیک بانک‌ها در عصر دیجیتال. داده‌ها به ارزشمندترین دارایی سازمان‌ها تبدیل شده‌اند. باک‌ها به دلیل مایت شالت ‎eee‏ بت از غنی‌تزیس ستابح نلده را در اعتار دارند. هر تراكنش: هر ورود به ابليكيشر ‎١‏ یه ریبادت یک داد آررشمند تولید می‌کند. ‏» هر تماس با مرکز ‎ ‎ ‏این داده‌ها شامل: ‏۰_داده‌های تراکنشی داده‌های رفتاری ‏۶ داده‌های جمعیت‌شناختی ‏داده‌های مکانی ۰ داده‌های تعاملات دیجیتال تحلیل این حجم عظیم داده بدون ابزارهای هوشمند تقریبً غیرممکن است. به همین دلیل. ترکیب 8 ‏22و هوش مصنوعی به یکی از سنون‌های اصلی بانکناری مدرن تبدیل شده است. 

صفحه 55:
۲-۶: 0۵1۵ واتاچیست و چه تفاوتی با داده‌های سنتی ذازد؟ داده‌های عظیم با سه ویژگی اصلی شناخته می‌شوند: ۱. حجم (۷۵/۵۳۱6) - میلیون‌ها تا میلیاردها رکورد ‎Velocity) ce pw ۲‏ - تولید و پردازش در زمان واقعی ‏۳ _تنوع (0/3۲164۷ - داده‌های ساخت‌یافته و غیرساخت‌یافته ‏در بانکداری سنتی. داده‌ها محدود و ساخت‌یافته بودند. اما امروزه بانک‌ها با داده‌های متنی» صوتی. تصویری و رفتاری مواجه هستند. ‏برای مدیریت اين ذاددهاء بانک‌ها از فناوری‌هایی مانند: ‏+ پایگاه‌های داده توزیع‌شده ‏۰ پردازش موازی ‏* زیرساخت‌های ایری ‏* معماری‌های داده‌محور ‏استفاده می‌کنند. 

صفحه 56:
۳-۶: از داده خام تا بینش تجاری داده خام به‌تنهایی ارزشی ندارد. ارزش زمانی ایجاد می‌شود که داده به بینش (05/8116ا) تبدیل شود. قرآیند تبدیل داده به ارزش: ۱. جمع‌آوری داده ۲ _پاکسازی و استاندارد‌سازی ۳ استخراج ویژگی‌ها ‎F‏ تحلیل با الگوریتم‌های یادگیری ماشین ‏۵. تولید تصمیم یا پيشنهاد ‏با تحلیل الگوی خرید مشتری بانک می‌تواند پیش‌بینی کند که او در آينده نزدیک به وام مسکن نیز ‏خواهد داشت و پیشنهاد شخصی‌سازی‌شده ارائه دهد. 

صفحه 57:
۴-۶: شخصی‌سازی خدمات بانکی شخصی‌سازی ‎(Personalization)‏ یکی از مهم‌ترین مزایای تحلیل داده‌های عظیم است. داري منت خدمات بكسانى به شم مشتربان ارائه مىداذ. اما بانكدارى هوشمند مىتواند. * بيشنهاد وام متناسب با سطح درآمد * ارائه كارت اعتبارى مناسب با الكوى مصرف + بيشنهاد سرمايهكذارى بر اساس سطح ريسك يذيرى * ارسال هشدارهاى مالى شخصى این سطح از شخصی‌سازی باعث افزایش رضایت مشتری و رشد درآمد بانک می‌شود. 

صفحه 58:
۵-۶: تحلیل پیش‌بینانه در بازاريابى بانكى ای سس يه مى توانئد: * مشتريان مستعد دريافت وام را شناسايى كنند * احتمال باسخ به يك بن اد را پیش‌بینی کنند ۰ نرخ تبدیل کمپین‌ها را افزایش دهند * هزینه بازاریابی را کاهش دهند مدل‌های پیش‌بیتی آمی‌توانند تعیین کنند که کدام مشتری احتمال بیشتری برای خرید یک محصول مالی ارت این آمر باعث می‌شود پیشنهادها هدفمند و هوشمند باشند. 

صفحه 59:
۶-۶: تحلیل رفتار مشتری ‎(Customer Analytics)‏ تحلیل رفتار مشتری شامل بررسی الکوهای زیر است: * دفعات ورود به اپلیکیشن ‎gles *‏ انجام تراکنش‌ها ‏* نوع خدمات مورد استفاده ‏۰_واکنش به پیشنهادهای قبلی ‏با تحليل اين داددهاء يانك مى تواند: ‎A‏ مشتریان در معرض خروج (61۷۲۳) را شناسایی کند. خدمات را بهینه‌سازی کند ‏تجربه کاربری را بهبود دهد ‏برای مثال: ‏اگر مشتری به‌طور ناگهانی فعالیت خود را کاهش دهد. سیستم می‌تواند هشدار دهد و پیشنهاد ویژه‌ای برای ‏حفظ او ارائه شود. 

صفحه 60:
۷-۶: چالش‌های مدیریت داده‌های عظیم با وجود مزایء تحلیل داده‌های عظیم با چالش‌هایی همراه است: ۱. امنیت و حریم خصوصی ۲ کیفیت پایین داده‌ها ۳ پیچیدگی زیرساخت ۴ _هزینه بالای ذخیره‌سازی و پردازش ۵. الزامات قانونی و نظارتی پانک‌ها باید بین اننتفاده حداکثری از داده و حفظ اعتماد مشتری تعادل برقرار کنند. هرگونه سوءاستفاد داده می‌تواند به آسیب جدی برند منجر شود. 

صفحه 61:
۸-۶: آینده شخصی‌سازی در بانکداری در آیتده. بانکداری به سمت «فوق شخصی‌سازی» (۲۱۷۵6۲-۳6۲5۵0۵]120110۳) حرکت خواهد کرد. ویژگی‌های احتمالی آینده: * مشاور مالی هوشمند اختصاصی برای هر مشتری * تحلیل لحظه‌ای رفتار و ارائه پیشنهاد در همان زمان * یکبارچگی کامل داده‌های مالی فرد * مدیریت خودکار سبد دارایی پانک آینده؛ نتتها یک نهاد مالی. بلکه یک دستیار مالی هوشمند خواهد بود که به مشتری در تصمیمگیری‌های اقتصادی کمک می‌کند. 

صفحه 62:
جمع‌بندی فصل ششم در این فصل بررسی کردیم: داده‌های عظیم چگونه به دارایی استراتژیک بانک‌ها تبدیل شده‌اند. فرآیند تبدیل داده به بینش تجاری چیست. شخصی‌سازی خدمات چگونه مزیت رقابتی ایجاد می‌کند. تحلیل رفتار مشتری چه نقشی در حفظ مشتری دارد. چالش‌های فنی و اخلاقی مدیریت داده چیست. در فصل بعده هرن هوش مصنوعی در مدیریت سرمیهگذاری, معاملات الگوریتمی و تصمیمگیری مالی پیشرفته خواهیم پرداخت. 

صفحه 63:
فصل هفتم: هوس مصنوعی در مد بر یت سرمایه گذاری و تصمیم گیری مالی پیشر فته 

صفحه 64:
۱-۷: تحول مدیریت سرمایه‌گذاری در عصر هوش مصنوعى مدیریت سرمایهکذاری یکی از پیچیده‌ترین و حساس‌ترین حوزه‌های صنعت مالی است. تصمیمگیری ذر ی حوزه نیازمند تحلیل هم‌زمان متفیرهای متعدد از جمله نرخ بهره. تورم. نوسانات بازار. رفتار سرمايهكذاران و رویدادهای سیاسی و اقتصادی است. در گذشته. این تصمیم‌ها عمدتاًتوسط تحلیل‌گران انسانی و بر پایه مدل‌های آماری کلاسیک گرفته می‌شد. اما امروزه هوش مصنوعی با توان پردازش حجم عظیمی از دادهها و کشف الکوهای پنهان, نقش پررنگی در این جوزه افا می‌کند. بانک‌ها و موسساتمالی از الهيراى: > (يستربينى رونه بازار * امتايريت يرتفوق * بهينهسازى تخصيص دارايى * مديريت ريسك سرمايهكذارى استفاده مىكتئد. 

صفحه 65:
‎sis, Ia pales NO acetate ees. Ls alle (‏ اما مدل‌های هوش مصنوعی می‌توانند روابط غیرخطی و پیچیده را شناسایی کنند. ‎ ‏مدل‌های مورد استفاده: ‏+ شبکه‌های عصبی بازگشتی ‎(RNN)‏ ‏* مدل‌های ۲00کابرای داده‌های سری زمانی ‏* الگوریتم‌های گرادیان بوستینگ ‏*_مدل‌های ترکیبی آماری و یادگیری ماشین ‏اگرچه هیچ مدلی نمی‌تواندبازار را با قطعیت پیش‌بینی کند: اما اامی‌تواند اختمال سناریوهای مختلف را مخاسه کرده و تصمیمگیری را بهنه‌تر کند 

صفحه 66:
انا مدبريت برتفوى ميتي زر هوض سوبي ايكى از مهمترين وظايف بانكها و شركتهاى سرمايهكذارى. تخصيص بهينه دارايىهاست. هدف مدیریت پرتفوی: ۰ حداکترسازی بازده * حداقل‌سازی ریسک * ایجاد تعادل میان دارایی‌ها مدل‌های اثلمی‌توانند: * همبستگی میان دارایی‌ها را تحلیل کنند * سناریوهای اقتصادی مختلف را شبیه‌سازی کنند ۰ تخصیص دارایی را به‌صورت پویا تنظیم کنند در اين مدلهاء تصمیم‌گیری دیگر سالیانه یا ماهانه نیست؛ بلکه می‌تواند به‌صورت لحظه‌ای و تطبیقی انجام شود. 

صفحه 67:
۴-۷: معاملات الگوریتمی ‎(Algorithmic Trading)‏ معاملات الگوریتمی به استفاده از برنامه‌های کامپیوتری برای اجرای خودکار معاملات اشاره دار ویژگی‌های این سیستم‌ها: * سرعت بسيار بالا * اجراى معاملات در ميلى ثانيه + تحليل همزمان هزاران متغير + حذف خطای انسانی هوش مصنوعی در این حوزه می‌تواند: * سیگنال‌های خرید و فروش تولید کند ۰ الگوهای قیمتی پیچیده را تشخیص دهد * از داده‌های خبری و احساسات بازار استفاده کند اين نوع معاملات بدويزه در یازارهای با نقدشوندگی بالا کاربرد گسترده‌ای دارد. 

صفحه 68:
۵-۷: ربات‌های مشاور سرمایه گذاری (8۵00-۵0115075) یکی از کاربردهای توآورانه در بانکداری» ربات‌های مشاور سرمایهگذاری است. أل ها ۶ سطح ریسک‌پذیری مشتری را ارزیابی می‌کنند * اهداف مالی او را تحلیل می‌کنند * سبد سرمایه‌گذاری مناسب پیشنهاد می‌دهند * به‌صورت دوره‌ای آن را با تنظیم می‌کنند Use هزینه کمتر نسبت به مشاور انسانی يه دسترسى براى عموم مشتریان ‎A‏ تصمیم‌گیری مبتنى بر داده ‎ ‏های مشاور سرمایه گذاری باعث دموکراتیک شدن خدمات مالی شده‌اند 

صفحه 69:
۶-۷: مدیریت ریسک سرمایه‌گذاری ‎ALL‏ ریسک بخش جدایی‌ناپذیر سرمایه‌گذاری است. هوش مصنوعی مى تواند: * سناریوهای بحرانی را شبیه‌سازی کند ۰ نوسانات غیرعادی بازار را شناسایی کند * ریسک نقدینگی را پیش‌بینی کند * اثر رویدادهای ژئوپلیتیک را مدل‌سازی کند مدل‌های پیشرفته می‌توانند با استفاده از داده‌های تاریخی و داده‌های بلادرنگ. احتمال وقوع بحران را تخمین بزنند و اقدامات پیشگیرانه پيشنهاد دهند. 

صفحه 70:
۷-۷ تحلیل احساسات بازار (۵۵۱۷515 56018۳860۴) ال ‎pe‏ معت نات دای ی 777۳۳7۳۳ ‎ai eee‏ ‎ce elect! | cela‏ ربان طبیمی می‌توان: ‏۰ اخبار اقتصادی را تحلیل کند ‏۰ احساسات مثبت یا منفی نسبت به یک دارایی را تشخیص دهد ‏* واکنش احتعالی بازار را پیش‌بینی کند ‏این تحلیل‌ها به‌ویژه ذر معاملات کوتاه‌مدت و پرنوسان کاررد دارند. 

صفحه 71:
۸-۷: چالش‌ها و آینده سرمایه گذاری هوشمند با وجود مزایاء استفاده از در سرمایه‌گذاری چالش‌هایی دارد: + نوسانات غیرقابل پیش‌بینی بازار * خطر بیش‌برازش مدل‌ها * وابستگی زیاد به داده‌های تاریخی ۰ مسائل اخلاقی در معاملات خودکار * الزامات نظارتی سخت‌گیرانه ر آینده» انتظار می‌رود: * مدل‌های ترکیبی انسان و ماشین گسترش يابند * نظارت قانونی بر معاملات الگوریتمی افزایش یابد ۰ استفاده از داده‌های غیرسنتی بیشتر شود * تصمیم‌گیری‌ها شفاف‌تر و قابل توضیح‌تر شوند هوش مصنوعی جایگزین کامل تحلیل‌گران انسانی نخواهد شد. اما به ابزاری قدرتمند برای تقویت تصمیمگیری تبدیل خواهد شد. 

صفحه 72:
جمع‌بندی فصل هفتم در این فصل بررسی کردیم: در فصل بعد. به بررسى ملاحظات اخلاقى. حاکمیت داده. سوه هوش مصنوعی چگونه مدیریت سرمایهگذاری را متحول کرده است. معاملات الگوریتمی چه نقشی در بازارهای مالی دار ربات‌های مشاور سرمایه‌گذاری چگونه کار می‌کنند. تحلیل احساسات بازار چه کاربردی دارد. چالش‌های فنی و نظارتی این حوزه چیست. > الكوريتمى و جارج وهلي نظارتى هوش مصنوعى در بانكدارى خواهيم پرداخت. 

صفحه 73:
فصل هشتم: ملاحظات اخلاقى» حاكميت داده و جارجوبهاى نظارتى هوش مصنوعى در بانكدارى 

صفحه 74:
۱-۸ چرا اخلاق در هوش مصنوعی بانکی حیاتی است؟ ‎Sg LSI) ib, ty flair gC BP‏ عب ‎gt‏ ‏تعیین سقف اعتباری يا شناسایی تراکنش مشکوک می‌توانند پیامدهای جدی اقتصادی و اجتماعی داشته ‎asl‏ در چنین شرایطی. پرسش‌های مهمی مطرح می‌شود: * آیا تصمیم الگوریتم عادلانه است؟ ۰ آیا تبعیض پنهان وجود دارد؟ ۰ آیا مشتری می‌تواند دلیل رد شدن درخواست خود را بداند؟ + داده‌های او چگونه استفاده می‌شوند؟ اخلاق در هوش مصنوعى بانكى صرفاً يك موضوع نظری نیست؛ بلکه مسئله‌ای حیاتی برای حفظ اعتماد عمومی و پایداری سیستم مالی است. 

صفحه 75:
۲-۸ سوگیری الگوریتمی (8125 ۵155۲100۳06 یکی از مهم‌ترین چالش‌های اه سوگیری الگوریتمی است. اگر داده‌های تاریخی تب همان تبقیش را بازتولبد می‌کند. Stele * اگر در گذشته به گروه خاصی کمتر وام داده شده باشد. مدل ممکن است همان الگو را ادامه دهد. ۰ اگر داده‌ها نماینده کل جامعه نباشند. ۳ *_داده‌های ناقص یا نامتوازن ابینی‌ها ناعادلانه خواهند بود. * طراحى نادرست مدل ۰ انتخاب ویژگی‌های ناعادلانه ۰ خطای انسانی در برچسب‌گذاری بانک‌ها باید پیش از استقرار مدل. آن را از نظر عدالت و بی‌طرقی بررسی کنند. 

صفحه 76:
۳-۸: هوش مصنوعی قابل توضیح (۵1 8۵016نهام5) یکی از الزامات مهم در بانکداری. قابلیت توضیح تصمیمات است. اگر یک درخواست وام رد شود تلتق حق دارد دلیل آن را ‎whos‏ مدل‌های پیچیده مانند شبکه‌های عصبی عمیق معمولاً «جعبه سیاه» هستند؛ یعنی فرآیند تصمیم‌گیری آن‌ها به‌سادگی قایل تفسیر نیست. راهکارها: * استفاده از مدل‌های ساده‌تر در کاربردهای حساس * _بهره‌گیری از ابزارهای تفسیر مدل * ارائه دلایل قابل فهم برای مشتری تفسیرپذیری نهتنها الزامقانونی در بسیاری کشورهاست. بلکه برای اعتمادسازی نیز ضروری است. 

صفحه 77:
۴-۸: حریم خصوصی و حفاظت از داده‌ها بانک‌ها با حساس‌ترین داده‌های شخصی افراد سروکار دارند: ۰ اطلاعات مالی * سوابق اعتباری * تراکنش‌های روزانه ۰ اطلاعات هویتی استفاده از این داده‌ها برای آموزش مدل‌های اللیاید با رعایت اصول زیر باشد: ‎A‏ حداقل گرایی در جمع آوری داده يه رمزنگاری و امنیت بالا محدودیت دسترسی ‎A‏ شفافیت در نحوه استفاده ‏نقض حریم خصوصی می‌تواند علاوه بر جریمه‌های سنگین, به از دست رفتن اعتماد مشتریان منجر شود. 

صفحه 78:
۵-۸: چارچوب‌های حاکمیت داده (60۷6۲0۵068 012) حاكميت داذه مجموغفاى از سياستهاء استانداردها و فرآیندهایی است که نحوه مدیریت تا ‎a‏ سكن ‏در بانکداری مبتتی بر لا حاکمیت داده شامل: * تعریف مالکیت داده ‏* استاندارد‌سازی کیفیت داده ‏* مستندسازى مدلها ‏* نظارت بر چرخه عمر داده ‏* ثبت و يايش تغييرات مدل ‎ ‏بدون جارجوب حاكميت قوى. بروزههاى اللممكن است با ريسكهاى عملياتى و قانونى مواجه شوند. 

صفحه 79:
۶-۸: الزامات نظارتی و مقررات نهادهای نظارتی مالی نسبت به استفاده از #۱حساس هستند. زیرا تصمیمات الگوریتمی می‌توانند بر ثبات مالی اثربگذارن. مقررات معمولاً بر موارد زیر تأكيد دار * شفافیت در تصمیم‌گیری ۶ قابلیت ممیزی مدل‌ها * مدیریت ریسک الگوریتمی + حفاظت از مصرف‌کننده ۰ جلوگیری از تبعیض بانک‌ها باید بتوانند مدل‌های خود را برای نهادهای نظارتی مستندسازی و توضیح دهند. 

صفحه 80:
۷-۸: مسئولیت پذیری و پاسخگویی یکی از پرسش‌های کلیدی این است: وگو اشتياه کند چه کنی مستول آستا أي يسلوليت به * توسعهدهنده مدل؟ * مدير فناورى اطلاعات؟ * مدیرارشد ریسک؟ * هیئت‌مدیره بانک؟ بانکداری هوشمند. ساختار مسئولیت‌پذیری باید شفاف تعریف شود. تصمیم‌گیری نهایی در بسیاری موارد همچتان باید با نظارت انسانی همراه باشد. مفهوم «انسان در حلقه تصمیمگیری» (۲۱۵۳0۵۳0-10-106-1000) برای کاربردهای حساس بسیار اهمیت دارد. 

صفحه 81:
۸-۸: آینده حکمرانی هوش مصنوعی در بانگداری با گسترش استفاده از اه انتظار می‌رود: *_ استانداردهای جهانی مشترک تدوین شود * ممیزی الگوریتمی اجباری شود * گزارش‌دهی ریسک مدل‌ها الزامی گردد *_ ارزیابی عدالت الگوریتمی به فرآیند رسمی تبدیل شود بانک‌هانی که از ابتنا اصول اخلاقی و حاکمیت داده را جدی بگیرند. در بلندمدت مزیت رقابتی خواهند اعتماد. سرمایه اصلی بانک‌هاست؛ و بدون رعایت اخلاق در هوش مصنوعی این سرمایه به خطر می‌افتد. 

صفحه 82:
جمع‌بندی فصل هشتم در اين فضل بررسى كرديم: جرا اخلاق در هوش مصنوعى بانكى حياتى است. * سوكيرى الكوريتمى جكونه شكل مىكيرد. * اهميت هوش مصنوعى قابل توضيح جيست. * نقش حريم خصوصى و حاكميت داده جيست. * مسئوليتيذيرى در تصميمكيرى الكوريتمى جكونه تعريف مى شود. در فصل بعده هرسي تأثير هوش مصنوعى بر نيروى انسانى بانكهاء تغيير مهارتها و آيتذة مشاغل بانكى خواهيم برداخت. 

صفحه 83:
22 نهم: ثاثير هوس مصنوعى بر نيروى انسانى و آينده 

صفحه 84:
‎:۱-٩‏ تحول نیروی انسانی در بانکداری هوش مصنوعی و اتوماسیون در بانکداری تنها به بهبود فرآیندها محدود تمی‌شوند؛ بلکه به‌طور میم ساختار تیروی انسانی را نیز تفیبر دادن بسیاری از وظایف تکراری و زمان‌بر که در گذشته توسط کارکنان ‏نجام می‌شد. اكنون توسط الكوريتمها و رباتها انجام مىكيرد. ‎ ‏نموندهاى ت * بردازش تراكنشها و يرداختها ‏* بررسى وام و اعتبارسنجى اوليه ‏* پاسخ‌دهی بة پرسش‌های متداول مشتریان * تحلیل گزارش‌ها و داده‌های مالی ‏در نتيجه تمركز نيروى انسانی به سمت وظایف تحلیلی, مدیریتی و استراتؤيك حرکت کرده است. 

صفحه 85:
۲-۹: کاهش و تغییر مشاغل سنتی برخی مشاغل سنتی در بانک‌ها با کاهش مواجه شدهاند: ۱ متصدیان شعبه و پردازشگرهای دستی ۲ تحلیلگران ابتدایی و کارشناسان ورود داده ۳ کارکنان مرکز تماس در وظایف تکراری اين تغيبر به معنای از بین رفتن کامل فرصت‌های شغلی نیست. بلكه نيازمند تغيير مهارتها و توانمندسازى کارکتان است. بانک‌ها باید برای انتقال کارکنان به نقش‌های تحليلى و مشترىمحور برنامهريزى كنند. 

صفحه 86:
۳-۹: مهارت‌های ضروری در بانکداری هوشمند. نیروی انسانی بانک‌ها در عصر هوش مصنوعی نیازمند مهارت‌های جدید است: * تحلیل داده و آمار: توانایی فهم مدل‌های او استخراج بینش * تفکر استراتژیک: تصمیم‌گیری مبتنی بر داده و پیش‌بینی روندها * مدیریت فناوری: آشنایی با زیرساخت‌های او سیستم‌های بانکی دیجیتال * ارتباط با مشتری: ارائه خدمات مشاوره‌ای و شخصی‌سازی شده ۰ اخلاق و حاکمیت داده: رعایت اصول اخلاقی و قانونی در استفاده از له آین مهارت‌ها باعت می‌شوند نیروی انسانی جایگاه خود را در بانکداری مدرن حفظ کند و ارزش افزوده ایجاد نماید. 

صفحه 87:
۴-۹: نقش آموزش و توسعه منابع انسانی بانک‌ها باید برنامه‌های آموزشی مداوم برای کارکنان ایجاد کنند: * کارگه‌های عملی در زمینه هوش مصنوعی و یادگیری ماشین ۰ آموزش تحلیل داده‌های تراکنشی و مالی سایبری و حاکمیت داده دوره‌های ام * _ مهارت‌های مشاوره‌ای و مدیریت تجربه مشتری سرماية كذارى در آموزش, نه تها از مقاومت کارکنان در برابر تفییر میکاهد.بلکه تونیی سازمان را رای بهره‌برداری از اافزایش می‌دهد. 

صفحه 88:
‎:۵-٩‏ همکاری انسان و ماشین تعامل انسان و ماشین است. الگوریتمها و رها وظایف نکراری و ‎PEI‏ ‎ ‏آینده بانکداری میتنی ‏سل م هنت درتحال که آنسان‌ها بر تصمیم گیری‌های پیچیته و استراتزیک تمرکز می‌کنند. ‎ ‏نمونه‌ها ‏* تحلیل‌گر ریسک: الگوریتم‌ها تراکنش‌ها را پردازش می‌کنند. تحلیل‌گر تصمیم نهایی می‌گیرد ‏+ مشاور سرمایه‌گذاری: ربات سبد سرمایه را پیشنهاد می‌دهد. انسان مشاوره شخصی ارائه كمد ‏* مرکز تماس: چت‌بات به پرسش‌های رایج پاسخ می‌دهد. اپراتور انسانی مسائل پیچیده را حل ‏می‌کند. ‎ ‏این همکاری باعت افزایش کارایی. کاهش خطا و بهبود تجربه مشتری می‌شود. 

صفحه 89:
‎:۶-٩‏ فرصت‌های شغلی جدید هوش مصنوعی همچنین فرصت‌های شغلی جدید ایجاد کرده است: ‏مهندس داده و تحلیل‌گر داده بانکی متخصص یادگیری ماشین در بانکداری مشاور دیجیتال و طراحی تجربه مشتری مدیر پروژه‌های فناوری مالی ‏متخصص امنیت سایبری ‎cal‏ معا تتا رت کدی از دانس مالی, فتاوری و تحلیل داده هستند و از جذابیت بالانی|برای.نسل. ‏جدید نیروی کار برخوردارند. 

صفحه 90:
۸ ‏چالش‌های انسانی در پذیرش‎ :۷-٩ با وجود فرصت‌ها. چالش‌هایی نیز وجود دارد: * مقاومت کارکنان در برابر * ترس از جایگزینی توسط ماشین نياز به بازآموزى و آموزش مجدد + حفظ انكيزه و رضايت كاركنان راهكارها. * ایجاد فرهنگ سازمانی مبتنی بر نوآوری * شفاف‌سازی نقش انسان در فرآیندهای جدید ۰ ارائه فرصت‌های رشد و ارتقا تطبیق نیروی انسانی با فناورىء عامل موفقیت یا شکست بانک در استفاده از 1/خواهد بود. 

صفحه 91:
‎:۸-٩‏ آینده مشاغل بانکی در عصر هوش مصنوعی ‏آینده بانکداری مدرن ترکیبی از انسان و هوش مصنوعی خواهد بود: *_نقش‌های تکراری کاهش می‌یابد ‏* مهارت‌های تحلیلی و استراتژیک اهمیت بیشتری پیدا می‌کنند * همکاری انسان و ماشین افزایش می‌یاید ‏* بانكها به سازمان‌های یادگیرنده و داده‌محور تبدیل می‌شوند ‏در نهایت: کسانی که بتونند مهارت‌های دیجیتال, تحلیلی و انسانی را هم‌زمان توسعه دهند. در بنکداری ‎ ‏آینده ارزشمند خواهند ‎oy‏ 

صفحه 92:
جمع‌بندی فصل نهم این فصل بررسی شت؛ تأثير اهبر كاهش و تغيير مشاغل سنتی بانکی مهارت‌های ضروری نیروی انسانی در بانکداری هوشمند. اهمیت آموزش و توسعه منابع انسانی همکاری انسان و ماشین برای افزایش کارایی فرصت‌ها و چالش‌های شغلی در عصر هوش مصنوعی فصل بعده به جَمَعنّی نهایی کتاب و ترسیم چشم‌انداز بانکداری هوشمند در دهه‌های آینده اختصاص خواهد داشت. 

صفحه 93:
فصل ۳ جمع‌بندی و چشم‌انداز آینده بانکداری هوشمند با هوش مصنوعی 

صفحه 94:
۱-۰: نگاه کلی به تحولات بانکداری در اين كتاب. مسیر تحول بانکداری از سنتی تا هوشمند را بررسی کردیم. نکات کلیدی شامل *_بانکداری سنتی با فرآیندهای دستی و حضوری * ورود بانکداری الکترونیک و موبایل ۰ گسترش فین‌تک‌ها و داده‌های عظیم *_نقش هوش مصنوعی در اعتبارسنجی. کشف تقلب و مدیریت ریسک * ربات‌های گفتگو و تجربه مشتری شخصی‌سازی‌شده * كاربرد ادر سرمايهكذارى و معاملات الكوريتمى * اهميت اخلاق. حاكميت داده و جارجوبهاى نظارتى تأثير اهبر نيروى انسانى و مهارتهاى مورد نياز بلكه يك عامل تحول بنيادين ذر بانكدارى است. 

صفحه 95:
۲-۰: هوش مصنوعی؛ از ابزار به مزیت رقابتی بانک‌هایی که هوش مصتوعی را در هسته تصمیم گیری خود قرار داده‌اند. چند مزیت کلیدی ) at vr a ۵ سرعت و دقت بالا: پردازش میلیون‌ها تراکنش در لحظه پیش‌بینی و تصمیم‌گیری هوشمند: کاهش ریسک و افزایش بازده تجربه مشتری شخصی‌سازی‌شده: افزایش رضایت و وفاداری کشف تقلب و امنیت سایبری بهینه: کاهش خسارت‌های مالی مدیریت منابع انسانی موثر: تمرکز بر مهارت‌های استراتژیک و تحلیلی این مرایا نشان می‌دهد بانکداری هوشمند. یک تغییر ساختاری و استراتژیک است. نه فقط ,یک بهبود فتاوری. 

صفحه 96:
Ns چالش‌ها و محدودیت‌ها با وجود مایا استفاده از هوش مصنوعى جالشهايى * سوكيرى و بىعدالتى الكوريتمى * كمبود داده‌های با کیفیت و استاندارد * هزینه و پیچیدگی زیرساخت‌ها *_نگرانی‌های امنیت و حریم خصوصی * نیاز به مهارت‌های تخصصی نیروی انسانی که ‎NUL‏ ها آموزش کارکنان و جارجوب‌های نظارتی؛ این ‎aS‏ هوش مصنوعی به ایزار پایداری تبدیل شود. 

صفحه 97:
بانکداری پیش‌بین و مشتری‌محور یکی از مهم‌ترین ویژگی‌های بانکداری آینده. پیش‌بینی نیاز مشتریان است: *_پیشنهاد محصولات مالی قبل از درخواست مشتری ۰ شناسایی خطرات و فرصت‌ها در لحظه * تحلیل رفتار و احساسات مشتری برای ارائه خدمات بهتر أبن هه ان ۳ هت بإنكها به جلى واكنش به نيازهاء بيش دستانه عمل کنتد و مزیت رقابتی پایدار ایجاد نمایند. 

صفحه 98:
ترکیبی انسان و هوش مصنوعی آینده بانکداری. تلفیقی از توانمندی انسان و قدرت پردازشی #۵خواهد بود: * انسان: تصمیمگیری استراتژیک. مشاوره شخصی, نظارت اخلاقی * هوش مصنوعی: پردازش داده. تحلیل پیچیده. کشف الگوء پیش‌بینی اين همكارى» کازابی و دقت را افزایش می‌دهد و بانک‌ها را قادر می‌سازد به سرعت با تغییرات بازار و نیاز 

صفحه 99:
۶-۰: آینده سرمایه گذاری و معاملات هوشمئد. در حوزه سرمایه‌گذاری و مدیریت پرتفوی: بینی بازار و تحلیل احساسات * معاملات الكوريتمى با سرعت ميلى ثانيهاى * رباتهاى مشاور سرماي هكذارى براى مشتريان خرد و كلان *_ مدیریت ریسک بلادرنگ و تطبیقی + استفاده از مدل‌های پ این روندها یاعث می‌شوند سرمایه‌گذاری هوشمندتره سریع‌تر و کم‌ریسک‌تر انجام شود و دسترسی عمومی به خدمات مالی پیشرفته افزایش يابد. 

صفحه 100:
۰ نکداری دیجیتال و حاکمیت داده بانک‌های آینده باید همزمان با نوآوری. حاکمیت داده و اخلاق ‎AS cule, LAL‏ ۰ شفافیت تصمیمات الگوریتمی * جلوگیری از تبعیض و سوگیری * حفظ حریم خصوصی مشتری + مسئولیت‌پذیری و نظارت انسانی حاکمیت درست داده و ال اعتماد مشتری و اعتبار بانک را تضمین می‌کند. 

صفحه 101:
- چشم‌انداز دهه‌های آینده چشم‌انداز بانکداری هوشمند در آینده نزدیک: ۱. هوش مصنوعی همه‌جانبه: حضور در همه حوزه‌ها از عملیات تا سرمایه‌گذاری ۲ شخصی‌سازی پیشرفته خدمات: ارائه پیشنهادات کاملاً اختصاصی ۳ تحلیل داده لحظه‌ای و بلادرنگ: تصمیم‌گیری سریع و بهینه . ايجاد محيط همکاری انسان و ماشین: افزایش کارایی و کاهش خطا ۵ شفافیت و حاکمیت اخلاقی: اعتماد و پایایی سیستم بانکی بانک‌های موفق. کسانی خواهند بود که نوآوری. اخلاق و هوش مصنوعی را به‌طور همزمان مدیریت کنند. 

صفحه 102:
جمع‌بندی نهایی کتاب این کتاب نشان داد که هوش مصنوعی تحولی بنیادین در صنعت بانکداری ایجاد کرده است: * از پردازش‌های سنتی و دستی تا تصمیم‌گیری هوشمند و پیش‌بین ليهات يجان 27329 ذا تعربه مشترى شخصى سازىشده * ازريسكهاى ناشناخته تا مدیریت هوشمند و بلادرنگ * از نيروى انسانى صرفاً اجرابى تا متخصصان تحليلى و استراتژیک خرن وهی ها لنزار ليست بلكه قلب بانكدارى آينده است و يانكهابى كه يتوائتد آن را با لای حاکمیت داده و مهارت انسانی ترکیب کنند. در مسیر موفقیت پایدار فرار خواهند كرفت. 

📌📌ﻣﻘﺪﻣﻪ ﺻﻨﻌﺖ ﺑﺎﻧﮑﺪاري ﻫﻤﯿﺸﻪ ﯾﮑﯽ از ﺳﺮﯾﻊﺗﺮﯾﻦ ﭘﺬﯾﺮﻧﺪﮔﺎن ﻓﻨﺎوري ﺑﻮده اﺳﺖ .از ﺳﯿﺴﺘﻢﻫﺎي ﭼﮏ اﻟﮑﺘﺮوﻧﯿﮑﯽ ﺗﺎ ﺑﺎﻧﮑﺪاري اﯾﻨﺘﺮﻧﺘﯽ و اﭘﻠﯿﮑﯿﺸﻦﻫﺎي ﻣﻮﺑﺎﯾﻠﯽ ،ﺗﺤﻮل دﯾﺠﯿﺘﺎل ﺑﺎ ﻫﺪف اﻓﺰاﯾﺶ ﺳﺮﻋﺖ ،دﻗﺖ و ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي ﭘﯿﺶ رﻓﺘﻪ اﺳﺖ .اﮐﻨﻮن ﻓﻨﺎوري ﻫﻮش ﻣﺼﻨﻮﻋﯽ ) (AIوارد ﻣﺮﺣﻠﻪاي ﺷﺪه ﮐﻪ ﻣﯽﺗﻮاﻧﺪ ﺑﺎﻧﮑﺪاري را ﻧﻪ ﻓﻘﻂ ﺗﻐﯿﯿﺮ دﻫﺪ ،ﺑﻠﮑﻪ آن را ﺑﺎزﺗﻌﺮﯾﻒ ﮐﻨﺪ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﺑﺎﻧﮏﻫﺎ اﯾﻦ اﻣﮑﺎن را ﻣﯽدﻫﺪ ﮐﻪ: • ﺑﻬﺘﺮ رﯾﺴﮏ را ﻣﺪﯾﺮﯾﺖ ﮐﻨﻨﺪ • ﺧﺪﻣﺎﺗﯽ ﺷﺨﺼﯽﺗﺮ و ﺳﺮﯾﻊﺗﺮ اراﺋﻪ دﻫﻨﺪ • ﺗﻘﻠﺐ را در ﻟﺤﻈﻪ ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ • ﺗﺼﻤﯿﻢﮔﯿﺮيﻫﺎي ﻣﺎﻟﯽ را ﺑﻬﯿﻨﻪ ﮐﻨﻨﺪ اﻣﺎ اﯾﻦ ﺗﺤﻮل ﺳﺆالﻫﺎي ﻣﻬﻤﯽ ﻫﻢ اﯾﺠﺎد ﻣﯽﮐﻨﺪ: • آﯾﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺷﻐﻞﻫﺎي ﺑﺎﻧﮑﯽ را ﺗﻬﺪﯾﺪ ﻣﯽﮐﻨﺪ؟ • آﯾﺎ دادهﻫﺎي ﻣﺸﺘﺮﯾﺎن در اﻣﻨﯿﺖ ﻫﺴﺘﻨﺪ؟ • آﯾﻨﺪه ﺑﺎﻧﮑﺪاري ﭼﯿﺴﺖ؟ در اﯾﻦ ﮐﺘﺎب ،ﺑﻪ ﭘﺎﺳﺦ ﻫﻤﻪ اﯾﻨﻬﺎ ﻣﯽﭘﺮدازﯾﻢ. ﻓﺼﻞ اول: ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭼﯿﺴﺖ و ﭼﺮا ﺑﺮاي ﺑﺎﻧﮑﺪاري اﻫﻤﯿﺖ ﺣﯿﺎﺗﯽ دارد؟  :1-1ﺗﻌﺮﯾﻒ ﻫﻮش ﻣﺼﻨﻮﻋﯽ – از ﻣﻔﻬﻮم ﺗﺎ واﻗﻌﯿﺖ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ) (Artificial Intelligenceﺷﺎﺧﻪاي از ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ اﺳﺖ ﮐﻪ ﻫﺪف آن ﻃﺮاﺣﯽ ﺳﯿﺴﺘﻢﻫﺎﯾﯽ اﺳﺖ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ رﻓﺘﺎرﻫﺎي ﻫﻮﺷﻤﻨﺪاﻧﻪ ﻣﺸﺎﺑﻪ اﻧﺴﺎن از ﺧﻮد ﻧﺸﺎن دﻫﻨﺪ؛ رﻓﺘﺎرﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﯾﺎدﮔﯿﺮي ،اﺳﺘﺪﻻل ،ﺣﻞ ﻣﺴﺌﻠﻪ ،درك زﺑﺎن و ﺗﺼﻤﯿﻢﮔﯿﺮي. در ﮔﺬﺷﺘﻪ ،ﺳﯿﺴﺘﻢﻫﺎي ﻧﺮماﻓﺰاري ﺑﺮ ﭘﺎﯾﻪ ﻗﻮاﻧﯿﻦ ﺛﺎﺑﺖ ) (Rule-Based Systemsﻋﻤﻞ ﻣﯽﮐﺮدﻧﺪ .ﺑﺮاي ﻣﺜﺎل ،اﮔﺮ درآﻣﺪ ﻣﺸﺘﺮي ﮐﻤﺘﺮ از ﻋﺪد ﻣﺸﺨﺼﯽ ﺑﻮد ،درﺧﻮاﺳﺖ وام رد ﻣﯽﺷﺪ .اﻣﺎ ﭼﻨﯿﻦ ﺳﯿﺴﺘﻤﯽ اﻧﻌﻄﺎفﭘﺬﯾﺮ ﻧﺒﻮد و ﻧﻤﯽﺗﻮاﻧﺴﺖ اﻟﮕﻮﻫﺎي ﭘﯿﭽﯿﺪه را در ﻧﻈﺮ ﺑﮕﯿﺮد. ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﯾﻦ ﻣﺤﺪودﯾﺖ را ﺑﺮﻃﺮف ﮐﺮد .اﮐﻨﻮن ﺳﯿﺴﺘﻢﻫﺎ ﻣﯽﺗﻮاﻧﻨﺪ از دادهﻫﺎي ﮔﺬﺷﺘﻪ ﺑﯿﺎﻣﻮزﻧﺪ و ﺑﺪون ﺗﻌﺮﯾﻒ ﺻﺮﯾﺢ ﺗﻤﺎم ﻗﻮاﻧﯿﻦ ،ﺗﺼﻤﯿﻢﮔﯿﺮي ﮐﻨﻨﺪ. در ﺻﻨﻌﺖ ﺑﺎﻧﮑﺪاري ﮐﻪ روزاﻧﻪ ﻣﯿﻠﯿﻮنﻫﺎ ﺗﺮاﮐﻨﺶ اﻧﺠﺎم ﻣﯽﺷﻮد ،ﭼﻨﯿﻦ ﻗﺎﺑﻠﯿﺘﯽ ،اﻧﻘﻼﺑﯽ ﻣﺤﺴﻮب ﻣﯽﺷﻮد. زﯾﺮا ﺗﺼﻤﯿﻢﮔﯿﺮي دﯾﮕﺮ ﺗﻨﻬﺎ ﺑﺮ اﺳﺎس ﭼﻨﺪ ﺷﺎﺧﺺ ﺳﺎده ﻧﯿﺴﺖ ،ﺑﻠﮑﻪ ﺑﺮ ﭘﺎﯾﻪ ﺗﺤﻠﯿﻞ ﭼﻨﺪﯾﻦ ﻫﺰار ﻣﺘﻐﯿﺮ ﺑﻪﺻﻮرت ﻫﻢزﻣﺎن اﻧﺠﺎم ﻣﯽﺷﻮد.  :2-1ﺗﻔﺎوت ﻫﻮش ﻣﺼﻨﻮﻋﯽ ،ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ و ﯾﺎدﮔﯿﺮي ﻋﻤﯿﻖ ﺑﺮاي درك ﺑﻬﺘﺮ ﮐﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺑﺎﻧﮑﺪاري ،ﺑﺎﯾﺪ ﺳﻪ ﻣﻔﻬﻮم ﮐﻠﯿﺪي را ﺗﻔﮑﯿﮏ ﮐﻨﯿﻢ: .۱ﻫﻮش ﻣﺼﻨﻮﻋﯽ )(AI ﻣﻔﻬﻮم ﮐﻠﯽ ﺳﯿﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ. .2ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ )(Machine Learning زﯾﺮﻣﺠﻤﻮﻋﻪاي از AIﮐﻪ ﺑﻪ ﺳﯿﺴﺘﻢﻫﺎ اﻣﮑﺎن ﯾﺎدﮔﯿﺮي از دادهﻫﺎ را ﻣﯽدﻫﺪ .3.ﯾﺎدﮔﯿﺮي ﻋﻤﯿﻖ )(Deep Learning زﯾﺮﻣﺠﻤﻮﻋﻪاي از ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﮐﻪ از ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﭼﻨﺪﻻﯾﻪ اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ. در ﺑﺎﻧﮑﺪاري: • ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﺑﺮاي اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺸﺘﺮﯾﺎن اﺳﺘﻔﺎده ﻣﯽﺷﻮد • .ﯾﺎدﮔﯿﺮي ﻋﻤﯿﻖ ﺑﺮاي ﺗﺸﺨﯿﺺ ﺗﻘﻠﺐ ﭘﯿﭽﯿﺪه ﮐﺎرﺑﺮد دارد. • ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ ﺑﺮاي ﺗﺤﻠﯿﻞ ﻣﮑﺎﻟﻤﺎت ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﮐﺎر ﻣﯽرود. ﺑﻨﺎﺑﺮاﯾﻦ ،وﻗﺘﯽ از »ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺑﺎﻧﮑﺪاري« ﺻﺤﺒﺖ ﻣﯽﮐﻨﯿﻢ ،در واﻗﻊ ﻣﺠﻤﻮﻋﻪاي از اﯾﻦ ﻓﻨﺎوريﻫﺎ ﻣﺪﻧﻈﺮ اﺳﺖ.  :3-1اﻧﻮاع ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ از ﻧﻈﺮ ﺳﻄﺢ ﺗﻮاﻧﺎﯾﯽ ﺑﻪ ﺳﻪ دﺳﺘﻪ ﺗﻘﺴﯿﻢ ﻣﯽﺷﻮد: .۱ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺤﺪود )(ANI راﯾﺞﺗﺮﯾﻦ ﻧﻮع ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﻣﺮوزي. ﻣﺜﺎل :ﺳﯿﺴﺘﻢ ﮐﺸﻒ ﺗﻘﻠﺐ ﺑﺎﻧﮑﯽ. .2ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻋﻤﻮﻣﯽ )(AGI ﺗﻮاﻧﺎﯾﯽ اﻧﺠﺎم ﻫﺮ ﮐﺎري ﮐﻪ اﻧﺴﺎن ﻣﯽﺗﻮاﻧﺪ اﻧﺠﺎم دﻫﺪ. ﻫﻨﻮز در ﻣﺮﺣﻠﻪ ﺗﺤﻘﯿﻖ اﺳﺖ. .3ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻓﺮاﺗﺮ )(ASI ﻓﺮاﺗﺮ از ﺗﻮاﻧﺎﯾﯽﻫﺎي ﺷﻨﺎﺧﺘﯽ اﻧﺴﺎن. ﺑﯿﺸﺘﺮ ﻣﻔﻬﻮﻣﯽ و ﻧﻈﺮي اﺳﺖ. ﺑﺎﻧﮑﺪاري اﻣﺮوز ﻋﻤﺪﺗﺎً از ANIاﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ؛ ﺳﯿﺴﺘﻢﻫﺎﯾﯽ ﮐﻪ ﺑﺮاي ﻫﺪف ﻣﺸﺨﺼﯽ آﻣﻮزش دﯾﺪهاﻧﺪ ،ﻣﺎﻧﻨﺪ: • ﺗﺸﺨﯿﺺ رﻓﺘﺎر ﻏﯿﺮﻋﺎدي در ﺗﺮاﮐﻨﺶﻫﺎ • ﭘﯿﺶﺑﯿﻨﯽ اﺣﺘﻤﺎل ﻧﮑﻮل وام  :4-1ﭼﺮا ﺑﺎﻧﮑﺪاري ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﯿﺎز دارد؟ ﺑﺎﻧﮏﻫﺎ ﺑﺎ ﭼﻬﺎر ﭼﺎﻟﺶ اﺳﺎﺳﯽ ﻣﻮاﺟﻪ ﻫﺴﺘﻨﺪ: .۱ﺣﺠﻢ ﻋﻈﯿﻢ دادهﻫﺎ .۲رﯾﺴﮏ اﻋﺘﺒﺎري .۳ﺗﻘﻠﺐ ﻣﺎﻟﯽ .۴رﻗﺎﺑﺖ ﻓﯿﻦﺗﮏﻫﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻫﺮ ﭼﻬﺎر ﭼﺎﻟﺶ ﭘﺎﺳﺦ ﻣﯽدﻫﺪ: • ﺗﺤﻠﯿﻞ ﻣﯿﻠﯿﻮنﻫﺎ رﮐﻮرد ﺗﺮاﮐﻨﺶ در ﭼﻨﺪ ﺛﺎﻧﯿﻪ • ﭘﯿﺶﺑﯿﻨﯽ دﻗﯿﻖ اﺣﺘﻤﺎل ﺑﺎزﭘﺮداﺧﺖ وام • ﮐﺸﻒ ﺗﻘﻠﺐ در ﻟﺤﻈﻪ • اراﺋﻪ ﺧﺪﻣﺎت ﺷﺨﺼﯽﺳﺎزيﺷﺪه ﻣﺸﺎﺑﻪ ﺷﺮﮐﺖﻫﺎي ﻓﻨﺎوري ﺑﺪون ،AIﺑﺎﻧﮏﻫﺎ ﻧﻤﯽﺗﻮاﻧﻨﺪ ﺑﺎ ﺳﺮﻋﺖِ ﺗﺤﻮﻻت دﯾﺠﯿﺘﺎل ﻫﻤﮕﺎم ﺷﻮﻧﺪ.  :5-1داده؛ ﺳﻮﺧﺖ ﻣﻮﺗﻮر ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺪون داده ﺑﯽﻣﻌﻨﺎﺳﺖ. ﺑﺎﻧﮏﻫﺎ ﯾﮑﯽ از ﻏﻨﯽﺗﺮﯾﻦ ﻣﻨﺎﺑﻊ داده را در اﺧﺘﯿﺎر دارﻧﺪ: • ﺗﺎرﯾﺨﭽﻪ ﺗﺮاﮐﻨﺶﻫﺎ • اﻃﻼﻋﺎت ﺣﺴﺎب • ﺳﻮاﺑﻖ اﻋﺘﺒﺎري • رﻓﺘﺎر ﺧﺮﯾﺪ ﻣﺸﺘﺮﯾﺎن • ﺗﻌﺎﻣﻼت ﻣﺮﮐﺰ ﺗﻤﺎس اﯾﻦ دادهﻫﺎ اﮔﺮ ﺑﻪدرﺳﺘﯽ ﺗﺤﻠﯿﻞ ﺷﻮﻧﺪ ،ﻣﯽﺗﻮاﻧﻨﺪ: ✔ اﻟﮕﻮﻫﺎي ﻣﺼﺮف را آﺷﮑﺎر ﮐﻨﻨﺪ ✔ رﯾﺴﮏ را ﮐﺎﻫﺶ دﻫﻨﺪ ✔ ﻣﺤﺼﻮﻻت ﺟﺪﯾﺪ ﻃﺮاﺣﯽ ﮐﻨﻨﺪ اﻣﺎ ﭼﺎﻟﺶ اﺻﻠﯽ ،ﻣﺪﯾﺮﯾﺖ و ﭘﺎﮐﺴﺎزي دادهﻫﺎﺳﺖ .ﮐﯿﻔﯿﺖ ﭘﺎﯾﯿﻦ داده ،ﻣﻨﺠﺮ ﺑﻪ ﺗﺼﻤﯿﻢﮔﯿﺮي اﺷﺘﺒﺎه ﻣﯽﺷﻮد.  :6-1ﺗﺼﻤﯿﻢﮔﯿﺮي ﻣﺒﺘﻨﯽ ﺑﺮ داده در ﻣﻘﺎﺑﻞ ﺗﺼﻤﯿﻢﮔﯿﺮي ﺳﻨﺘﯽ در ﻣﺪل ﺳﻨﺘﯽ ﺑﺎﻧﮑﺪاري ،ﺗﺼﻤﯿﻢﮔﯿﺮي اﻏﻠﺐ: • ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﺠﺮﺑﻪ ﻣﺪﯾﺮان • ﺑﺮ اﺳﺎس ﻗﻮاﻧﯿﻦ ﺛﺎﺑﺖ • ﮐﻨﺪ و ﺑﻮروﮐﺮاﺗﯿﮏ اﻣﺎ در ﻣﺪل ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ • :ﺗﺼﻤﯿﻤﺎت دادهﻣﺤﻮر ﻫﺴﺘﻨﺪ • اﻟﮕﻮرﯾﺘﻢﻫﺎ ﺑﻪﻃﻮر ﻣﺪاوم ﺑﻪروزرﺳﺎﻧﯽ ﻣﯽﺷﻮﻧﺪ • ﺳﯿﺴﺘﻢﻫﺎ ﺧﻮد را ﺑﻬﺒﻮد ﻣﯽدﻫﻨﺪ ﻣﺜﺎل: ﯾﮏ ﺳﯿﺴﺘﻢ اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺒﺘﻨﯽ ﺑﺮ AIﻣﯽﺗﻮاﻧﺪ از رﻓﺘﺎر ﭘﺮداﺧﺖ ﻗﺒﺾ ﻣﺸﺘﺮي ،ﻧﻮع ﺧﺮﯾﺪﻫﺎ ،اﻟﮕﻮي ﮔﺮدش ﺣﺴﺎب و ﺣﺘﯽ ﻧﻮﺳﺎﻧﺎت درآﻣﺪي او ﺑﺮاي ارزﯾﺎﺑﯽ اﻋﺘﺒﺎر اﺳﺘﻔﺎده ﮐﻨﺪ.  :7-1ﻣﺰاﯾﺎي ﮐﻠﯿﺪي ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮاي ﺑﺎﻧﮏﻫﺎ .۱ﮐﺎﻫﺶ ﻫﺰﯾﻨﻪ ﻋﻤﻠﯿﺎﺗﯽ اﺗﻮﻣﺎﺳﯿﻮن ﻓﺮآﯾﻨﺪﻫﺎ ،ﻧﯿﺎز ﺑﻪ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺗﮑﺮاري را ﮐﺎﻫﺶ ﻣﯽدﻫﺪ. .2اﻓﺰاﯾﺶ دﻗﺖ اﻟﮕﻮرﯾﺘﻢﻫﺎ ﺧﻄﺎي اﻧﺴﺎﻧﯽ ﻧﺪارﻧﺪ )در ﺻﻮرت داده ﺻﺤﯿﺢ(. .3ﺧﺪﻣﺎت 24ﺳﺎﻋﺘﻪ ﭼﺖﺑﺎتﻫﺎ ﻫﻤﯿﺸﻪ در دﺳﺘﺮساﻧﺪ. .4ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ ﭘﯿﺸﺮﻓﺘﻪ ﭘﯿﺶﺑﯿﻨﯽ ﻧﮑﻮل وام ﺑﺎ دﻗﺖ ﺑﺎﻻ. .5ﺷﺨﺼﯽﺳﺎزي ﺧﺪﻣﺎت ﭘﯿﺸﻨﻬﺎد ﮐﺎرت اﻋﺘﺒﺎري ﯾﺎ وام ﻣﺘﻨﺎﺳﺐ ﺑﺎ رﻓﺘﺎر ﻣﺸﺘﺮي.  :8-1ﻣﺤﺪودﯾﺖﻫﺎ و ﺳﻮءﺑﺮداﺷﺖﻫﺎ ﺑﺎ وﺟﻮد ﻣﺰاﯾﺎ ،ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻌﺠﺰه ﻧﯿﺴﺖ. ❌ اﮔﺮ دادهﻫﺎ ﺳﻮﮔﯿﺮي داﺷﺘﻪ ﺑﺎﺷﻨﺪ ،اﻟﮕﻮرﯾﺘﻢ ﻫﻢ ﺳﻮﮔﯿﺮ ﺧﻮاﻫﺪ ﺑﻮد. ❌ ﻣﺪلﻫﺎي ﭘﯿﭽﯿﺪه ﻣﻤﮑﻦ اﺳﺖ ﺷﻔﺎﻓﯿﺖ ﮐﻤﯽ داﺷﺘﻪ ﺑﺎﺷﻨﺪ ).(Black Box ❌ ﭘﯿﺎدهﺳﺎزي AIﻫﺰﯾﻨﻪﺑﺮ و زﻣﺎنﺑﺮ اﺳﺖ. ﻫﻤﭽﻨﯿﻦ ﺑﺮﺧﯽ ﺗﺼﻮر ﻣﯽﮐﻨﻨﺪ AIﺟﺎﯾﮕﺰﯾﻦ ﮐﺎﻣﻞ ﮐﺎرﮐﻨﺎن ﺑﺎﻧﮏ ﺧﻮاﻫﺪ ﺷﺪ .در واﻗﻊAI ،ﺑﯿﺸﺘﺮ ﻧﻘﺶ ﺗﻘﻮﯾﺖﮐﻨﻨﺪه ﺗﺼﻤﯿﻢﮔﯿﺮي اﻧﺴﺎﻧﯽ را دارد ﻧﻪ ﺣﺬف ﮐﺎﻣﻞ آن. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ اول در اﯾﻦ ﻓﺼﻞ آﻣﻮﺧﺘﯿﻢ ﮐﻪ: • ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺠﻤﻮﻋﻪاي از ﻓﻨﺎوريﻫﺎي ﯾﺎدﮔﯿﺮﻧﺪه اﺳﺖ. • ﺑﺎﻧﮑﺪاري ﯾﮑﯽ از ﻣﻨﺎﺳﺐﺗﺮﯾﻦ ﺻﻨﺎﯾﻊ ﺑﺮاي ﺑﻬﺮهﮔﯿﺮي از AIاﺳﺖ. • دادهﻫﺎ داراﯾﯽ اﺻﻠﯽ ﺑﺎﻧﮏﻫﺎ در ﻋﺼﺮ ﺟﺪﯾﺪ ﻫﺴﺘﻨﺪ. • ﺗﺼﻤﯿﻢﮔﯿﺮي دادهﻣﺤﻮر آﯾﻨﺪه ﺻﻨﻌﺖ ﻣﺎﻟﯽ را ﺷﮑﻞ ﻣﯽدﻫﺪ. • ﭼﺎﻟﺶﻫﺎي اﺧﻼﻗﯽ و ﻓﻨﯽ ﺑﺎﯾﺪ ﻫﻢزﻣﺎن ﻣﺪﯾﺮﯾﺖ ﺷﻮﻧﺪ. در ﻓﺼﻞ ﺑﻌﺪ ،ﺑﻪ ﺑﺮرﺳﯽ ﺗﺤﻮل دﯾﺠﯿﺘﺎل ﺑﺎﻧﮑﺪاري و ﻣﺴﯿﺮ ورود ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ اﯾﻦ ﺻﻨﻌﺖ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ. ﻓﺼﻞ دوم: ﺗﺤﻮل دﯾﺠﯿﺘﺎل در ﺑﺎﻧﮑﺪاري و ﻣﺴﯿﺮ ورود ﻫﻮش ﻣﺼﻨﻮﻋﯽ  :1-2ﺑﺎﻧﮑﺪاري ﺳﻨﺘﯽ؛ ﻧﻘﻄﻪ آﻏﺎز ﺗﺤﻮل ﺑﺎﻧﮑﺪاري ﻣﺪرن رﯾﺸﻪ در ﻗﺮنﻫﺎي ﮔﺬﺷﺘﻪ دارد ،اﻣﺎ ﺳﺎﺧﺘﺎر ﻋﻤﻠﯿﺎﺗﯽ آن ﺗﺎ دﻫﻪﻫﺎي اﺧﯿﺮ ﻋﻤﺪﺗﺎً ﺳﻨﺘﯽ ﺑﻮد. ﻓﺮآﯾﻨﺪﻫﺎ دﺳﺘﯽ ،ﮐﺎﻏﺬي و ﻣﺒﺘﻨﯽ ﺑﺮ ﺣﻀﻮر ﻓﯿﺰﯾﮑﯽ ﻣﺸﺘﺮي در ﺷﻌﺒﻪ اﻧﺠﺎم ﻣﯽﺷﺪ. وﯾﮋﮔﯽﻫﺎي ﺑﺎﻧﮑﺪاري ﺳﻨﺘﯽ ﻋﺒﺎرت ﺑﻮدﻧﺪ از: • ﺗﻤﺮﮐﺰ ﺑﺮ ﺷﻌﺐ ﻓﯿﺰﯾﮑﯽ • ﺑﻮروﮐﺮاﺳﯽ ﺑﺎﻻ • ﭘﺮدازش دﺳﺘﯽ اﻃﻼﻋﺎت • زﻣﺎن ﻃﻮﻻﻧﯽ اراﺋﻪ ﺧﺪﻣﺎت • اﺗﮑﺎي زﯾﺎد ﺑﻪ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ در ﭼﻨﯿﻦ ﺳﺎﺧﺘﺎري ،ﺗﺼﻤﯿﻢﮔﯿﺮيﻫﺎ ﻋﻤﺪﺗﺎً ﺑﺮ اﺳﺎس ﺗﺠﺮﺑﻪ ﻣﺪﯾﺮان و ﺗﺤﻠﯿﻞﻫﺎي ﻣﺤﺪود اﻧﺠﺎم ﻣﯽﺷﺪ .ﺣﺠﻢ دادهﻫﺎ ﮐﻢ ﺑﻮد و اﺑﺰارﻫﺎي ﺗﺤﻠﯿﻠﯽ ﭘﯿﭽﯿﺪهاي وﺟﻮد ﻧﺪاﺷﺖ. اﻣﺎ ﺑﺎ ﮔﺴﺘﺮش ﻓﻨﺎوري اﻃﻼﻋﺎت ،ﺑﺎﻧﮑﺪاري وارد ﻣﺮﺣﻠﻪاي ﺟﺪﯾﺪ ﺷﺪ؛ ﻣﺮﺣﻠﻪاي ﮐﻪ آن را »ﺗﺤﻮل دﯾﺠﯿﺘﺎل« ﻣﯽﻧﺎﻣﯿﻢ.  :2-2ﻇﻬﻮر ﺑﺎﻧﮑﺪاري اﻟﮑﺘﺮوﻧﯿﮏ در دﻫﻪ ،1990ﺑﺎ ﮔﺴﺘﺮش اﯾﻨﺘﺮﻧﺖ ،ﺑﺎﻧﮏﻫﺎ ﺑﻪ ﺳﻤﺖ اراﺋﻪ ﺧﺪﻣﺎت آﻧﻼﯾﻦ ﺣﺮﮐﺖ ﮐﺮدﻧﺪ .اﯾﻦ ﺗﺤﻮل، ﻧﺨﺴﺘﯿﻦ ﮔﺎم ﺟﺪي در دﯾﺠﯿﺘﺎﻟﯽ ﺷﺪن ﺑﺎﻧﮑﺪاري ﺑﻮد. ﺗﺤﻮﻻت ﻣﻬﻢ اﯾﻦ دوره: • راهاﻧﺪازي اﯾﻨﺘﺮﻧﺖﺑﺎﻧﮏ • ﻣﻌﺮﻓﯽ ﺧﻮدﭘﺮدازﻫﺎ ) (ATMدر ﻣﻘﯿﺎس ﮔﺴﺘﺮده • ﮔﺴﺘﺮش ﮐﺎرتﻫﺎي اﻋﺘﺒﺎري و دﺑﯿﺖ • ﺳﯿﺴﺘﻢﻫﺎي اﻧﺘﻘﺎل وﺟﻪ اﻟﮑﺘﺮوﻧﯿﮑﯽ اﯾﻦ ﻣﺮﺣﻠﻪ ،ﺑﺎﻧﮑﺪاري را از ﯾﮏ ﻣﺪل ﮐﺎﻣﻼً ﺣﻀﻮري ﺑﻪ ﻣﺪﻟﯽ ﻧﯿﻤﻪدﯾﺠﯿﺘﺎل ﺗﺒﺪﯾﻞ ﮐﺮد .اﻣﺎ ﻫﻨﻮز ﻫﻮﺷﻤﻨﺪي واﻗﻌﯽ در ﺳﯿﺴﺘﻢﻫﺎ وﺟﻮد ﻧﺪاﺷﺖ؛ ﺳﯿﺴﺘﻢﻫﺎ ﺻﺮﻓﺎً دﯾﺠﯿﺘﺎل ﺑﻮدﻧﺪ ،ﻧﻪ ﻫﻮﺷﻤﻨﺪ.  :3-2اﻧﻘﻼب ﻣﻮﺑﺎﯾﻞ و ﺗﻐﯿﯿﺮ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن ﺑﺎ ﻇﻬﻮر ﺗﻠﻔﻦﻫﺎي ﻫﻮﺷﻤﻨﺪ ،ﺑﻪوﯾﮋه ﭘﺲ از ﻣﻌﺮﻓﯽ آﯾﻔﻮن در ﺳﺎل ،2007ﺑﺎﻧﮑﺪاري وارد ﻣﺮﺣﻠﻪ »ﻣﻮﺑﺎﯾﻞﻣﺤﻮر« ﺷﺪ. ﻣﺸﺘﺮﯾﺎن دﯾﮕﺮ اﻧﺘﻈﺎر داﺷﺘﻨﺪ: • اﻧﺘﻘﺎل وﺟﻪ ﻓﻮري اﻧﺠﺎم ﺷﻮد • ﻣﺎﻧﺪه ﺣﺴﺎب در ﻟﺤﻈﻪ ﻧﻤﺎﯾﺶ داده ﺷﻮد • درﺧﻮاﺳﺖ وام آﻧﻼﯾﻦ ﺛﺒﺖ ﺷﻮد • ﺧﺪﻣﺎت ﺑﺪون ﻣﺮاﺟﻌﻪ ﺣﻀﻮري اراﺋﻪ ﮔﺮدد ﺑﺎﻧﮑﺪاري ﻣﻮﺑﺎﯾﻠﯽ رﻗﺎﺑﺖ را ﺷﺪﯾﺪﺗﺮ ﮐﺮد .اﮐﻨﻮن ﺑﺎﻧﮏﻫﺎ ﻧﻪﺗﻨﻬﺎ ﺑﺎ ﯾﮑﺪﯾﮕﺮ ،ﺑﻠﮑﻪ ﺑﺎ ﺷﺮﮐﺖﻫﺎي ﻓﻨﺎوري ﻣﺎﻟﯽ )ﻓﯿﻦﺗﮏ( رﻗﺎﺑﺖ ﻣﯽﮐﺮدﻧﺪ. در اﯾﻦ ﻣﺮﺣﻠﻪ ،ﺣﺠﻢ دادهﻫﺎي رﻓﺘﺎري ﻣﺸﺘﺮﯾﺎن ﺑﻪﺷﺪت اﻓﺰاﯾﺶ ﯾﺎﻓﺖ .ﻫﻤﯿﻦ اﻓﺰاﯾﺶ داده ،زﻣﯿﻨﻪ ورود ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﻓﺮاﻫﻢ ﮐﺮد.  :4-2ﻧﻘﺶ ﻓﯿﻦﺗﮏﻫﺎ در ﺗﺴﺮﯾﻊ ﺗﺤﻮل ﺷﺮﮐﺖﻫﺎي ﻓﯿﻦﺗﮏ ﺑﺎ ﻣﺪلﻫﺎي ﭼﺎﺑﮏ و ﻓﻨﺎوريﻣﺤﻮر وارد ﺑﺎزار ﺷﺪﻧﺪ .آنﻫﺎ از اﺑﺘﺪا دﯾﺠﯿﺘﺎل ﺑﻮدﻧﺪ و از ﺗﺤﻠﯿﻞ دادهﻫﺎ ﺑﺮاي اراﺋﻪ ﺧﺪﻣﺎت ﺷﺨﺼﯽﺳﺎزيﺷﺪه اﺳﺘﻔﺎده ﻣﯽﮐﺮدﻧﺪ. ﻧﻤﻮﻧﻪﻫﺎﯾﯽ از ﺧﺪﻣﺎت ﻓﯿﻦﺗﮏﻫﺎ: • ﭘﺮداﺧﺖﻫﺎي دﯾﺠﯿﺘﺎل ﺳﺮﯾﻊ • وامدﻫﯽ آﻧﻼﯾﻦ ﻣﺒﺘﻨﯽ ﺑﺮ اﻟﮕﻮرﯾﺘﻢ • ﻣﺪﯾﺮﯾﺖ ﺳﺮﻣﺎﯾﻪﮔﺬاري ﻫﻮﺷﻤﻨﺪ • ﮐﯿﻒ ﭘﻮلﻫﺎي دﯾﺠﯿﺘﺎل ﺑﺎﻧﮏﻫﺎي ﺳﻨﺘﯽ ﺑﺮاي رﻗﺎﺑﺖ ﺑﺎ اﯾﻦ ﺑﺎزﯾﮕﺮان ﺟﺪﯾﺪ ،ﻣﺠﺒﻮر ﺷﺪﻧﺪ ﺑﻪ ﺳﻤﺖ اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﺗﺤﻠﯿﻞ ﭘﯿﺸﺮﻓﺘﻪ داده ﺣﺮﮐﺖ ﮐﻨﻨﺪ.  :5-2دادهﻫﺎي ﻋﻈﯿﻢ؛ زﻣﯿﻨﻪﺳﺎز ورود AI ﺗﺤﻮل دﯾﺠﯿﺘﺎل ﺑﺎﻋﺚ ﺗﻮﻟﯿﺪ ﺣﺠﻢ ﻋﻈﯿﻤﯽ از دادهﻫﺎ ﺷﺪ: • دادهﻫﺎي ﺗﺮاﮐﻨﺶ • دادهﻫﺎي ﻣﮑﺎﻧﯽ • دادهﻫﺎي رﻓﺘﺎري در اﭘﻠﯿﮑﯿﺸﻦﻫﺎ • ﺗﻌﺎﻣﻼت ﻣﺮﮐﺰ ﺗﻤﺎس • دادهﻫﺎي ﺷﺒﮑﻪﻫﺎي اﺟﺘﻤﺎﻋﯽ ﺳﯿﺴﺘﻢﻫﺎي ﺳﻨﺘﯽ ﻗﺎدر ﺑﻪ ﺗﺤﻠﯿﻞ اﯾﻦ ﺣﺠﻢ از داده ﻧﺒﻮدﻧﺪ .ﺑﻨﺎﺑﺮاﯾﻦ ﻧﯿﺎز ﺑﻪ ﻓﻨﺎوريﻫﺎﯾﯽ ﺑﻪوﺟﻮد آﻣﺪ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ: • اﻟﮕﻮﻫﺎ را ﮐﺸﻒ ﮐﻨﻨﺪ • رﻓﺘﺎر آﯾﻨﺪه ﻣﺸﺘﺮي را ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﻨﺪ • رﯾﺴﮏ را ﺑﺮآورد ﮐﻨﻨﺪ اﯾﻨﺠﺎ ﺑﻮد ﮐﻪ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ و اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ وارد ﻣﯿﺪان ﺷﺪﻧﺪ.  :6-2ورود رﺳﻤﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﺑﺎﻧﮑﺪاري از اواﯾﻞ دﻫﻪ ،2010ﺑﺎﻧﮏﻫﺎي ﺑﺰرگ ﺟﻬﺎن ﺳﺮﻣﺎﯾﻪﮔﺬاري ﮔﺴﺘﺮدهاي روي ﻫﻮش ﻣﺼﻨﻮﻋﯽ آﻏﺎز ﮐﺮدﻧﺪ. ﮐﺎرﺑﺮدﻫﺎي اوﻟﯿﻪ ﺷﺎﻣﻞ: • ﮐﺸﻒ ﺗﻘﻠﺐ در ﺗﺮاﮐﻨﺶﻫﺎي ﮐﺎرت اﻋﺘﺒﺎري • اﻣﺘﯿﺎزدﻫﯽ اﻋﺘﺒﺎري ﭘﯿﺸﺮﻓﺘﻪ • ﺗﺤﻠﯿﻞ اﺣﺴﺎﺳﺎت ﻣﺸﺘﺮﯾﺎن • ﭼﺖﺑﺎتﻫﺎي ﭘﺸﺘﯿﺒﺎﻧﯽ در اﯾﻦ ﻣﺮﺣﻠﻪ ،ﺑﺎﻧﮏﻫﺎ درﯾﺎﻓﺘﻨﺪ ﮐﻪ AIﻓﻘﻂ ﯾﮏ اﺑﺰار ﻓﻨﺎوري ﻧﯿﺴﺖ ،ﺑﻠﮑﻪ ﯾﮏ ﻣﺰﯾﺖ رﻗﺎﺑﺘﯽ اﺳﺘﺮاﺗﮋﯾﮏ اﺳﺖ.  :7-2ﺗﺤﻮل از دﯾﺠﯿﺘﺎل ﺑﻪ ﻫﻮﺷﻤﻨﺪ ﺗﻔﺎوت ﻣﻬﻤﯽ ﺑﯿﻦ »دﯾﺠﯿﺘﺎل ﺷﺪن« و »ﻫﻮﺷﻤﻨﺪ ﺷﺪن« وﺟﻮد دارد. دﯾﺠﯿﺘﺎل ﺷﺪن ﯾﻌﻨﯽ: • ﺗﺒﺪﯾﻞ ﻓﺮآﯾﻨﺪﻫﺎي ﮐﺎﻏﺬي ﺑﻪ ﻧﺮماﻓﺰار • اراﺋﻪ ﺧﺪﻣﺎت آﻧﻼﯾﻦ اﻣﺎ ﻫﻮﺷﻤﻨﺪ ﺷﺪن ﯾﻌﻨﯽ: • ﭘﯿﺶﺑﯿﻨﯽ ﻧﯿﺎز ﻣﺸﺘﺮي ﻗﺒﻞ از درﺧﻮاﺳﺖ • ﭘﯿﺸﻨﻬﺎد ﻣﺤﺼﻮل ﻣﺘﻨﺎﺳﺐ ﺑﺎ رﻓﺘﺎر • ﺷﻨﺎﺳﺎﯾﯽ ﺗﻘﻠﺐ ﻗﺒﻞ از وﻗﻮع ﺧﺴﺎرت • ﺗﺼﻤﯿﻢﮔﯿﺮي ﺧﻮدﮐﺎر و ﺑﻬﯿﻨﻪ در اﯾﻦ ﻣﺮﺣﻠﻪ ،ﺑﺎﻧﮏ از ﯾﮏ ﻧﻬﺎد واﮐﻨﺸﯽ ﺑﻪ ﯾﮏ ﺳﺎزﻣﺎن ﭘﯿﺶﺑﯿﻦ ﺗﺒﺪﯾﻞ ﻣﯽﺷﻮد.  :8-2ﭼﺎﻟﺶﻫﺎي ﻣﺴﯿﺮ ﺗﺤﻮل دﯾﺠﯿﺘﺎل ﺗﺤﻮل دﯾﺠﯿﺘﺎل و ورود ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺪون ﭼﺎﻟﺶ ﻧﺒﻮد: .۱ﻣﻘﺎوﻣﺖ ﻓﺮﻫﻨﮕﯽ در ﺳﺎزﻣﺎنﻫﺎ .۲ﮐﻤﺒﻮد ﻧﯿﺮوي ﻣﺘﺨﺼﺺ داده .۳ﻫﺰﯾﻨﻪ ﺑﺎﻻي زﯾﺮﺳﺎﺧﺖ .۴ﻧﮕﺮاﻧﯽﻫﺎي اﻣﻨﯿﺘﯽ و ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ .۵اﻟﺰاﻣﺎت ﻧﻈﺎرﺗﯽ و ﻗﺎﻧﻮﻧﯽ ﺑﺎﻧﮏﻫﺎﯾﯽ ﮐﻪ ﺗﻮاﻧﺴﺘﻨﺪ اﯾﻦ ﻣﻮاﻧﻊ را ﻣﺪﯾﺮﯾﺖ ﮐﻨﻨﺪ ،اﻣﺮوز در ﺧﻂ ﻣﻘﺪم ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ﻗﺮار دارﻧﺪ. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ دوم در اﯾﻦ ﻓﺼﻞ ﺑﺮرﺳﯽ ﮐﺮدﯾﻢ: • ﺑﺎﻧﮑﺪاري ﺳﻨﺘﯽ ﭼﮕﻮﻧﻪ ﺑﻪ ﺑﺎﻧﮑﺪاري دﯾﺠﯿﺘﺎل ﺗﺒﺪﯾﻞ ﺷﺪ. • اﻧﻘﻼب ﻣﻮﺑﺎﯾﻞ ﭼﮕﻮﻧﻪ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن را ﺗﻐﯿﯿﺮ داد. • ﻓﯿﻦﺗﮏﻫﺎ ﭼﮕﻮﻧﻪ ﺑﺎﻧﮏﻫﺎ را ﺑﻪ ﻧﻮآوري وادار ﮐﺮدﻧﺪ. • دادهﻫﺎي ﻋﻈﯿﻢ ﭼﮕﻮﻧﻪ زﻣﯿﻨﻪﺳﺎز ورود ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺷﺪﻧﺪ. • ﺗﻔﺎوت ﻣﯿﺎن دﯾﺠﯿﺘﺎل ﺑﻮدن و ﻫﻮﺷﻤﻨﺪ ﺑﻮدن ﭼﯿﺴﺖ. در ﻓﺼﻞ ﺑﻌﺪ ،ﺑﻪﺻﻮرت ﻋﻤﯿﻖﺗﺮ وارد ﻣﺒﺤﺚ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ و ﻣﺪلﻫﺎي ﭘﯿﺶﺑﯿﻨﯽ در ﺑﺎﻧﮑﺪاري ﺧﻮاﻫﯿﻢ ﺷﺪ و ﺳﺎﺧﺘﺎر اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده در اﻋﺘﺒﺎرﺳﻨﺠﯽ و ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ را ﺑﺮرﺳﯽ ﻣﯽﮐﻨﯿﻢ. ﻓﺼﻞ ﺳﻮم: ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ و ﻣﺪلﻫﺎي ﭘﯿﺶﺑﯿﻨﯽ در ﺑﺎﻧﮑﺪاري  :1-3ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ؛ ﻗﻠﺐ ﺗﭙﻨﺪه ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ) (Machine Learningﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ زﯾﺮﺷﺎﺧﻪﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﺳﯿﺴﺘﻢﻫﺎ اﻣﮑﺎن ﻣﯽدﻫﺪ ﺑﺪون ﺑﺮﻧﺎﻣﻪﻧﻮﯾﺴﯽ ﺻﺮﯾﺢ ،از دادهﻫﺎ اﻟﮕﻮ ﺑﯿﺎﻣﻮزﻧﺪ و ﺗﺼﻤﯿﻢﮔﯿﺮي ﮐﻨﻨﺪ. در ﺑﺎﻧﮑﺪاري ،ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﺳﺘﻮن اﺻﻠﯽ ﺑﺴﯿﺎري از ﺳﯿﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ اﺳﺖ؛ از اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺸﺘﺮﯾﺎن ﮔﺮﻓﺘﻪ ﺗﺎ ﮐﺸﻒ ﺗﻘﻠﺐ و ﭘﯿﺶﺑﯿﻨﯽ رﻓﺘﺎر ﺳﺮﻣﺎﯾﻪﮔﺬاران. ﺗﻔﺎوت اﺻﻠﯽ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﺑﺎ ﺳﯿﺴﺘﻢﻫﺎي ﺳﻨﺘﯽ اﯾﻦ اﺳﺖ ﮐﻪ در ﻣﺪلﻫﺎي ﺳﻨﺘﯽ ،ﻗﻮاﻧﯿﻦ ﺗﻮﺳﻂ اﻧﺴﺎن ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮﻧﺪ؛ اﻣﺎ در ،MLاﻟﮕﻮرﯾﺘﻢ ﺑﺎ ﺗﺤﻠﯿﻞ دادهﻫﺎي ﺗﺎرﯾﺨﯽ ،ﺧﻮد ﻗﻮاﻧﯿﻦ را اﺳﺘﺨﺮاج ﻣﯽﮐﻨﺪ. ﺑﺮاي ﻣﺜﺎل: ﺑﻪﺟﺎي ﺗﻌﺮﯾﻒ اﯾﻦ ﻗﺎﻧﻮن ﮐﻪ »اﮔﺮ درآﻣﺪ ﮐﻤﺘﺮ از Xﺑﺎﺷﺪ ،وام رد ﺷﻮد« ،ﻣﺪل ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﺑﺎ ﺑﺮرﺳﯽ ﻫﺰاران ﭘﺮوﻧﺪه وام ،اﻟﮕﻮﻫﺎي ﭘﯿﭽﯿﺪهﺗﺮي را ﮐﺸﻒ ﻣﯽﮐﻨﺪ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﺷﺎﻣﻞ ﺗﺮﮐﯿﺒﯽ از درآﻣﺪ ،رﻓﺘﺎر ﭘﺮداﺧﺖ ،اﻟﮕﻮي ﻣﺼﺮف و ﺣﺘﯽ زﻣﺎن درﺧﻮاﺳﺖ وام ﺑﺎﺷﺪ.  :2-3اﻧﻮاع ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ در ﺑﺎﻧﮑﺪاري ﺳﻪ ﻧﻮع اﺻﻠﯽ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ در ﺑﺎﻧﮑﺪاري اﺳﺘﻔﺎده ﻣﯽﺷﻮد: .۱ﯾﺎدﮔﯿﺮي ﻧﻈﺎرتﺷﺪه )(Supervised Learning در اﯾﻦ روش ،دادهﻫﺎ داراي ﺑﺮﭼﺴﺐ ﻫﺴﺘﻨﺪ. ﻣﺜﺎل: ﭘﺮوﻧﺪهﻫﺎﯾﯽ ﮐﻪ ﻣﺸﺨﺺ اﺳﺖ »وام ﺑﺎزﭘﺮداﺧﺖ ﺷﺪه« ﯾﺎ »ﻧﮑﻮل ﺷﺪه«. اﻟﮕﻮرﯾﺘﻢ ﯾﺎد ﻣﯽﮔﯿﺮد ﭼﮕﻮﻧﻪ ﺑﺮ اﺳﺎس وﯾﮋﮔﯽﻫﺎي ﻣﺸﺘﺮي ،اﺣﺘﻤﺎل ﻧﮑﻮل را ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ. ﮐﺎرﺑﺮدﻫﺎ: • اﻋﺘﺒﺎرﺳﻨﺠﯽ • ﭘﯿﺶﺑﯿﻨﯽ رﯾﺴﮏ • ﻃﺒﻘﻪﺑﻨﺪي ﺗﺮاﮐﻨﺶﻫﺎي ﻣﺸﮑﻮك .2ﯾﺎدﮔﯿﺮي ﺑﺪون ﻧﻈﺎرت )(Unsupervised Learning در اﯾﻦ روش ،دادهﻫﺎ ﺑﺮﭼﺴﺐ ﻧﺪارﻧﺪ و اﻟﮕﻮرﯾﺘﻢ ﺑﺎﯾﺪ اﻟﮕﻮﻫﺎ را ﺧﻮد ﮐﺸﻒ ﮐﻨﺪ. ﮐﺎرﺑﺮدﻫﺎ: • ﺧﻮﺷﻪﺑﻨﺪي ﻣﺸﺘﺮﯾﺎن • ﮐﺸﻒ رﻓﺘﺎرﻫﺎي ﻏﯿﺮﻋﺎدي • ﺗﻘﺴﯿﻢﺑﻨﺪي ﺑﺎزار .3ﯾﺎدﮔﯿﺮي ﺗﻘﻮﯾﺘﯽ )(Reinforcement Learning ﻣﺪل از ﻃﺮﯾﻖ آزﻣﻮن و ﺧﻄﺎ ﯾﺎد ﻣﯽﮔﯿﺮد و ﺑﺮ اﺳﺎس ﭘﺎداش ﯾﺎ ﺟﺮﯾﻤﻪ ﺑﻬﯿﻨﻪ ﻣﯽﺷﻮد. ﮐﺎرﺑﺮدﻫﺎ: • ﺑﻬﯿﻨﻪﺳﺎزي ﺳﺒﺪ ﺳﺮﻣﺎﯾﻪﮔﺬاري • ﻗﯿﻤﺖﮔﺬاري ﭘﻮﯾﺎ • ﺑﻬﯿﻨﻪﺳﺎزي ﭘﯿﺸﻨﻬﺎد ﻣﺤﺼﻮﻻت ﺑﺎﻧﮑﯽ  :3-3ﻣﺪلﻫﺎي اﻋﺘﺒﺎرﺳﻨﺠﯽ )(Credit Scoring Models ﯾﮑﯽ از ﺣﯿﺎﺗﯽﺗﺮﯾﻦ ﮐﺎرﺑﺮدﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ در ﺑﺎﻧﮑﺪاري ،اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺸﺘﺮﯾﺎن اﺳﺖ. در ﮔﺬﺷﺘﻪ ،ﺳﯿﺴﺘﻢﻫﺎي اﻣﺘﯿﺎزدﻫﯽ اﻋﺘﺒﺎري ﺑﺮ ﭘﺎﯾﻪ ﻣﺪلﻫﺎي ﺧﻄﯽ ﺳﺎده ﻣﺎﻧﻨﺪ رﮔﺮﺳﯿﻮن ﻟﺠﺴﺘﯿﮏ ﺑﻮدﻧﺪ. اﻣﺎ اﻣﺮوزه ﻣﺪلﻫﺎي ﭘﯿﭽﯿﺪهﺗﺮي اﺳﺘﻔﺎده ﻣﯽﺷﻮﻧﺪ. اﻟﮕﻮرﯾﺘﻢﻫﺎي راﯾﺞ: • رﮔﺮﺳﯿﻮن ﻟﺠﺴﺘﯿﮏ • درﺧﺖ ﺗﺼﻤﯿﻢ • ﺟﻨﮕﻞ ﺗﺼﺎدﻓﯽ )(Random Forest • ﮔﺮادﯾﺎن ﺑﻮﺳﺘﯿﻨﮓ )(XGBoost • ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ اﯾﻦ ﻣﺪلﻫﺎ ﻣﯽﺗﻮاﻧﻨﺪ ﺻﺪﻫﺎ ﻣﺘﻐﯿﺮ را ﻫﻢزﻣﺎن ﺗﺤﻠﯿﻞ ﮐﻨﻨﺪ: • درآﻣﺪ • ﺳﺎﺑﻘﻪ ﺑﺎزﭘﺮداﺧﺖ • ﮔﺮدش ﺣﺴﺎب • ﺗﻌﺪاد ﺗﺮاﮐﻨﺶﻫﺎ • رﻓﺘﺎر ﭘﺮداﺧﺖ ﻗﺒﻮض ﻧﺘﯿﺠﻪ: ﯾﮏ اﻣﺘﯿﺎز اﻋﺘﺒﺎري دﻗﯿﻖﺗﺮ و ﮐﺎﻫﺶ ﻧﺮخ ﻧﮑﻮل.  :4-3ﮐﺸﻒ ﺗﻘﻠﺐ ﺑﺎ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﺗﻘﻠﺐ ﻣﺎﻟﯽ ﯾﮑﯽ از ﺑﺰرگﺗﺮﯾﻦ ﺗﻬﺪﯾﺪﻫﺎي ﺻﻨﻌﺖ ﺑﺎﻧﮑﺪاري اﺳﺖ .ﺳﯿﺴﺘﻢﻫﺎي ﺳﻨﺘﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻗﻮاﻧﯿﻦ ﺛﺎﺑﺖ، ﻗﺎدر ﺑﻪ ﺷﻨﺎﺳﺎﯾﯽ ﺗﻘﻠﺐﻫﺎي ﭘﯿﭽﯿﺪه ﻧﯿﺴﺘﻨﺪ. ﻣﺪلﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﻣﯽﺗﻮاﻧﻨﺪ: • رﻓﺘﺎر ﻋﺎدي ﻣﺸﺘﺮي را ﯾﺎد ﺑﮕﯿﺮﻧﺪ • اﻧﺤﺮاف از اﻟﮕﻮ را در ﻟﺤﻈﻪ ﺗﺸﺨﯿﺺ دﻫﻨﺪ • رﯾﺴﮏ ﺗﺮاﮐﻨﺶ را اﻣﺘﯿﺎزدﻫﯽ ﮐﻨﻨﺪ ﻣﺜﺎل: اﮔﺮ ﻣﺸﺘﺮي ﻫﻤﯿﺸﻪ در ﺗﻬﺮان ﺧﺮﯾﺪ اﻧﺠﺎم داده و ﻧﺎﮔﻬﺎن ﺗﺮاﮐﻨﺸﯽ از ﮐﺸﻮر دﯾﮕﺮ ﺛﺒﺖ ﺷﻮد ،ﺳﯿﺴﺘﻢ ﺑﻪﺳﺮﻋﺖ ﻫﺸﺪار ﻣﯽدﻫﺪ. ﻣﺪلﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده: • ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﻋﻤﯿﻖ • اﻟﮕﻮرﯾﺘﻢﻫﺎي ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎري • ﻣﺪلﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﮔﺮاف ﺑﺮاي ﮐﺸﻒ ﺷﺒﮑﻪﻫﺎي ﺗﻘﻠﺐ  :5-3ﭘﯿﺶﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮﯾﺎن ﺑﺎﻧﮑﺪاري ﻣﺪرن دﯾﮕﺮ ﻓﻘﻂ واﮐﻨﺸﯽ ﻧﯿﺴﺖ؛ ﺑﻠﮑﻪ ﭘﯿﺶﺑﯿﻦ اﺳﺖ. ﻣﺪلﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﻣﯽﺗﻮاﻧﻨﺪ ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﻨﺪ: • ﭼﻪ زﻣﺎﻧﯽ ﻣﺸﺘﺮي اﺣﺘﻤﺎﻻً وام ﻣﯽﺧﻮاﻫﺪ • ﭼﻪ ﮐﺴﺎﻧﯽ ﻗﺼﺪ ﺑﺴﺘﻦ ﺣﺴﺎب دارﻧﺪ • ﮐﺪام ﻣﺸﺘﺮﯾﺎن ﺑﻪ ﮐﺎرت اﻋﺘﺒﺎري ﺟﺪﯾﺪ ﻋﻼﻗﻪ دارﻧﺪ اﯾﻦ ﺗﺤﻠﯿﻞﻫﺎ ﺑﻪ ﺑﺎﻧﮏﻫﺎ ﮐﻤﮏ ﻣﯽﮐﻨﺪ: ✔ ﻧﺮخ ﺣﻔﻆ ﻣﺸﺘﺮي را اﻓﺰاﯾﺶ دﻫﻨﺪ ✔ ﺑﺎزارﯾﺎﺑﯽ ﻫﺪﻓﻤﻨﺪ اﻧﺠﺎم دﻫﻨﺪ ✔ درآﻣﺪ را ﺑﻬﯿﻨﻪ ﮐﻨﻨﺪ  :6-3ﻣﺪلﻫﺎي ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ رﯾﺴﮏ در ﺑﺎﻧﮑﺪاري اﺑﻌﺎد ﻣﺨﺘﻠﻔﯽ دارد: • رﯾﺴﮏ اﻋﺘﺒﺎري • رﯾﺴﮏ ﺑﺎزار • رﯾﺴﮏ ﻧﻘﺪﯾﻨﮕﯽ • رﯾﺴﮏ ﻋﻤﻠﯿﺎﺗﯽ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﺑﺎ ﺗﺤﻠﯿﻞ دادهﻫﺎي ﺗﺎرﯾﺨﯽ و ﺷﺮاﯾﻂ ﺑﺎزار ﻣﯽﺗﻮاﻧﺪ: • اﺣﺘﻤﺎل ﻧﮑﻮل ﮔﺴﺘﺮده را ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ • ﺗﺄﺛﯿﺮ ﻧﻮﺳﺎﻧﺎت اﻗﺘﺼﺎدي را ﻣﺪلﺳﺎزي ﮐﻨﺪ • ﺳﻨﺎرﯾﻮﻫﺎي ﺑﺤﺮاﻧﯽ را ﺷﺒﯿﻪﺳﺎزي ﮐﻨﺪ در ﺑﺤﺮانﻫﺎي ﻣﺎﻟﯽ ،ﭼﻨﯿﻦ ﻣﺪلﻫﺎﯾﯽ ﻧﻘﺶ ﺣﯿﺎﺗﯽ در ﮐﺎﻫﺶ ﺧﺴﺎرات دارﻧﺪ.  :7-3ﭼﺎﻟﺶﻫﺎي ﻓﻨﯽ ﻣﺪلﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﺑﺎ وﺟﻮد ﻣﺰاﯾﺎ ،ﭘﯿﺎدهﺳﺎزي MLدر ﺑﺎﻧﮑﺪاري ﺑﺎ ﭼﺎﻟﺶﻫﺎﯾﯽ ﻫﻤﺮاه اﺳﺖ: • ﮐﯿﻔﯿﺖ داده ﭘﺎﯾﯿﻦ • ﻋﺪم ﺗﻮازن دادهﻫﺎ )ﻣﺜﻼً ﺗﻌﺪاد ﮐﻢ ﻧﻤﻮﻧﻪﻫﺎي ﺗﻘﻠﺐ( • ﺑﯿﺶﺑﺮازش )(Overfitting • ﭘﯿﭽﯿﺪﮔﯽ ﻣﺪلﻫﺎي ﻋﻤﯿﻖ • ﻧﯿﺎز ﺑﻪ ﺗﻔﺴﯿﺮﭘﺬﯾﺮي )(Explainability ﺑﺎﻧﮏﻫﺎ ﺑﺎﯾﺪ ﺑﺘﻮاﻧﻨﺪ ﺗﻮﺿﯿﺢ دﻫﻨﺪ ﭼﺮا ﯾﮏ وام رد ﺷﺪه اﺳﺖ .ﺑﻨﺎﺑﺮاﯾﻦ ﻣﺪلﻫﺎي ﮐﺎﻣﻼً »ﺟﻌﺒﻪ ﺳﯿﺎه« ﻫﻤﯿﺸﻪ ﻗﺎﺑﻞ ﻗﺒﻮل ﻧﯿﺴﺘﻨﺪ. ﺑﻪ ﻫﻤﯿﻦ دﻟﯿﻞ ﺣﻮزهاي ﺑﻪ ﻧﺎم »ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻗﺎﺑﻞ ﺗﻮﺿﯿﺢ« ) (Explainable AIاﻫﻤﯿﺖ زﯾﺎدي ﭘﯿﺪا ﮐﺮده اﺳﺖ.  :8-3آﯾﻨﺪه ﻣﺪلﻫﺎي ﭘﯿﺶﺑﯿﻨﯽ در ﺑﺎﻧﮑﺪاري روﻧﺪﻫﺎي آﯾﻨﺪه ﺷﺎﻣﻞ: • اﺳﺘﻔﺎده از ﻣﺪلﻫﺎي ﺗﺮﮐﯿﺒﯽ )(Hybrid Models • ﺑﻬﺮهﮔﯿﺮي از دادهﻫﺎي ﺟﺎﯾﮕﺰﯾﻦ )(Alternative Data • ﭘﺮدازش ﻟﺤﻈﻪاي )(Real-Time Analytics • ﺗﺮﮐﯿﺐ MLﺑﺎ ﺑﻼكﭼﯿﻦ • ﻣﺪلﻫﺎي ﺧﻮدﯾﺎدﮔﯿﺮ و ﺗﻄﺒﯿﻘﯽ در آﯾﻨﺪه ﻧﺰدﯾﮏ ،ﺳﯿﺴﺘﻢﻫﺎي ﺑﺎﻧﮑﯽ ﻧﻪﺗﻨﻬﺎ رﻓﺘﺎر ﻣﺸﺘﺮي را ﭘﯿﺶﺑﯿﻨﯽ ﻣﯽﮐﻨﻨﺪ ،ﺑﻠﮑﻪ ﭘﯿﺸﻨﻬﺎدات ﻣﺎﻟﯽ ﺷﺨﺼﯽﺳﺎزيﺷﺪه را در ﻫﻤﺎن ﻟﺤﻈﻪ اراﺋﻪ ﺧﻮاﻫﻨﺪ داد. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ ﺳﻮم در اﯾﻦ ﻓﺼﻞ ﺑﺮرﺳﯽ ﮐﺮدﯾﻢ: • ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﭼﮕﻮﻧﻪ ﻫﺴﺘﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﻧﮑﯽ را ﺗﺸﮑﯿﻞ ﻣﯽدﻫﺪ. • اﻧﻮاع اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده در ﺑﺎﻧﮑﺪاري ﭼﯿﺴﺖ. • ﻣﺪلﻫﺎي اﻋﺘﺒﺎرﺳﻨﺠﯽ و ﮐﺸﻒ ﺗﻘﻠﺐ ﭼﮕﻮﻧﻪ ﮐﺎر ﻣﯽﮐﻨﻨﺪ. • ﭘﯿﺶﺑﯿﻨﯽ رﻓﺘﺎر ﻣﺸﺘﺮي ﭼﮕﻮﻧﻪ ﻣﺰﯾﺖ رﻗﺎﺑﺘﯽ اﯾﺠﺎد ﻣﯽﮐﻨﺪ. • ﭼﺎﻟﺶﻫﺎي ﻓﻨﯽ و ﻧﯿﺎز ﺑﻪ ﺗﻔﺴﯿﺮﭘﺬﯾﺮي ﭼﯿﺴﺖ. در ﻓﺼﻞ ﺑﻌﺪ ،ﺑﻪ ﺑﺮرﺳﯽ رﺑﺎتﻫﺎي ﮔﻔﺘﮕﻮ ،ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ و ﺗﺤﻮل ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي در ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ. ﻓﺼﻞ ﭼﻬﺎرم: رﺑﺎتﻫﺎي ﮔﻔﺘﮕﻮ ،ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ و ﺗﺤﻮل ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي در ﺑﺎﻧﮑﺪاري  :1-4ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي؛ ﻣﯿﺪان رﻗﺎﺑﺖ ﺟﺪﯾﺪ ﺑﺎﻧﮏﻫﺎ در ﮔﺬﺷﺘﻪ ،ﻣﺰﯾﺖ رﻗﺎﺑﺘﯽ ﺑﺎﻧﮏﻫﺎ در ﺗﻌﺪاد ﺷﻌﺐ ،ﺳﺮﻣﺎﯾﻪ و ﮔﺴﺘﺮه ﺧﺪﻣﺎت ﺧﻼﺻﻪ ﻣﯽﺷﺪ .اﻣﺎ در ﻋﺼﺮ دﯾﺠﯿﺘﺎل» ،ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي« ﺑﻪ ﻣﻬﻢﺗﺮﯾﻦ ﻋﺎﻣﻞ ﺗﻤﺎﯾﺰ ﺗﺒﺪﯾﻞ ﺷﺪه اﺳﺖ. ﻣﺸﺘﺮﯾﺎن اﻣﺮوز اﻧﺘﻈﺎر دارﻧﺪ: • ﭘﺎﺳﺦ ﻓﻮري درﯾﺎﻓﺖ ﮐﻨﻨﺪ • ﺧﺪﻣﺎت 24ﺳﺎﻋﺘﻪ در دﺳﺘﺮس ﺑﺎﺷﺪ • ﻓﺮآﯾﻨﺪﻫﺎ ﺳﺎده و ﺑﺪون ﭘﯿﭽﯿﺪﮔﯽ ﺑﺎﺷﺪ • ﺗﻌﺎﻣﻼت ﺷﺨﺼﯽﺳﺎزيﺷﺪه ﺗﺠﺮﺑﻪ ﮐﻨﻨﺪ در ﭼﻨﯿﻦ ﻣﺤﯿﻄﯽ ،رﺑﺎتﻫﺎي ﮔﻔﺘﮕﻮ ) (Chatbotsو ﻓﻨﺎوريﻫﺎي ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ ) (NLPﻧﻘﺶ ﮐﻠﯿﺪي ﭘﯿﺪا ﮐﺮدهاﻧﺪ .اﯾﻦ ﻓﻨﺎوريﻫﺎ ﺑﺎﻧﮏ را از ﯾﮏ ﺳﺎزﻣﺎن ﮐﻨﺪ و ﺑﻮروﮐﺮاﺗﯿﮏ ﺑﻪ ﯾﮏ ﻧﻬﺎد ﭘﺎﺳﺦﮔﻮي ﺳﺮﯾﻊ و ﻫﻮﺷﻤﻨﺪ ﺗﺒﺪﯾﻞ ﻣﯽﮐﻨﻨﺪ.  :2-4رﺑﺎت ﮔﻔﺘﮕﻮ ﭼﯿﺴﺖ و ﭼﮕﻮﻧﻪ ﮐﺎر ﻣﯽﮐﻨﺪ؟ رﺑﺎت ﮔﻔﺘﮕﻮ ﻧﺮماﻓﺰاري اﺳﺖ ﮐﻪ ﻣﯽﺗﻮاﻧﺪ ﺑﺎ اﻧﺴﺎن ﺑﻪﺻﻮرت ﻣﺘﻨﯽ ﯾﺎ ﺻﻮﺗﯽ ﺗﻌﺎﻣﻞ ﮐﻨﺪ .اﯾﻦ ﺳﯿﺴﺘﻢﻫﺎ ﺑﺮ ﭘﺎﯾﻪ ﺗﺮﮐﯿﺒﯽ از ﻓﻨﺎوريﻫﺎي زﯾﺮ ﻋﻤﻞ ﻣﯽﮐﻨﻨﺪ: • ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ )(NLP • ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ • ﺗﺤﻠﯿﻞ ﻧﯿﺖ )(Intent Recognition • ﻣﺪﯾﺮﯾﺖ ﻣﮑﺎﻟﻤﻪ )(Dialogue Management ﻓﺮآﯾﻨﺪ ﻋﻤﻠﮑﺮد ﯾﮏ ﭼﺖﺑﺎت ﺑﺎﻧﮑﯽ: .۱درﯾﺎﻓﺖ ﭘﯿﺎم ﻣﺸﺘﺮي .۲ﺗﺤﻠﯿﻞ زﺑﺎن و اﺳﺘﺨﺮاج ﻧﯿﺖ .۳دﺳﺘﺮﺳﯽ ﺑﻪ ﭘﺎﯾﮕﺎه داده ﺑﺎﻧﮑﯽ .۴ﺗﻮﻟﯿﺪ ﭘﺎﺳﺦ ﻣﻨﺎﺳﺐ .۵ﯾﺎدﮔﯿﺮي از ﺗﻌﺎﻣﻞ ﺑﺮاي ﺑﻬﺒﻮد آﯾﻨﺪه ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ،اﮔﺮ ﻣﺸﺘﺮي ﺑﻨﻮﯾﺴﺪ»:ﻣﺎﻧﺪه ﺣﺴﺎﺑﻢ ﭼﻘﺪره؟«ﺳﯿﺴﺘﻢ ﺑﺎﯾﺪ ﻧﯿﺖ ﮐﺎرﺑﺮ را ﺗﺸﺨﯿﺺ دﻫﺪ ،ﻫﻮﯾﺖ او را اﺣﺮاز ﮐﻨﺪ و ﭘﺎﺳﺦ دﻗﯿﻖ اراﺋﻪ دﻫﺪ.  :3-4ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ ) (NLPدر ﺑﺎﻧﮑﺪاري ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ ﺷﺎﺧﻪاي از ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﻣﺎﺷﯿﻦﻫﺎ اﻣﮑﺎن درك و ﺗﻮﻟﯿﺪ زﺑﺎن اﻧﺴﺎﻧﯽ را ﻣﯽدﻫﺪ. در ﺑﺎﻧﮑﺪاريNLP ،ﮐﺎرﺑﺮدﻫﺎي ﻣﺘﻌﺪدي دارد: • ﺗﺤﻠﯿﻞ ﻣﮑﺎﻟﻤﺎت ﻣﺮﮐﺰ ﺗﻤﺎس • ﺑﺮرﺳﯽ ﺷﮑﺎﯾﺎت ﻣﺸﺘﺮﯾﺎن • ﺗﺤﻠﯿﻞ اﺣﺴﺎﺳﺎت )(Sentiment Analysis • ﺧﻼﺻﻪﺳﺎزي ﮔﺰارشﻫﺎي ﻣﺎﻟﯽ • اﺳﺘﺨﺮاج اﻃﻼﻋﺎت از ﻗﺮاردادﻫﺎ ﺑﻪ ﮐﻤﮏ ،NLPﺑﺎﻧﮏﻫﺎ ﻣﯽﺗﻮاﻧﻨﺪ ﻫﺰاران ﻣﮑﺎﻟﻤﻪ را ﺗﺤﻠﯿﻞ ﮐﻨﻨﺪ و ﻣﺸﮑﻼت راﯾﺞ ﻣﺸﺘﺮﯾﺎن را ﺷﻨﺎﺳﺎﯾﯽ ﻧﻤﺎﯾﻨﺪ. ﺑﺮاي ﻣﺜﺎل: اﮔﺮ اﻟﮕﻮرﯾﺘﻢ ﻣﺘﻮﺟﻪ ﺷﻮد ﺑﯿﺸﺘﺮﯾﻦ ﻧﺎرﺿﺎﯾﺘﯽ ﻣﺮﺑﻮط ﺑﻪ ﺗﺄﺧﯿﺮ در اﻧﺘﻘﺎل وﺟﻪ اﺳﺖ ،ﺑﺎﻧﮏ ﻣﯽﺗﻮاﻧﺪ ﻓﺮآﯾﻨﺪ را ﺑﻬﺒﻮد دﻫﺪ.  :4-4ﭼﺖﺑﺎتﻫﺎ در ﺧﺪﻣﺎت روزﻣﺮه ﺑﺎﻧﮑﯽ اﻣﺮوزه ﭼﺖﺑﺎتﻫﺎي ﺑﺎﻧﮑﯽ ﻗﺎدرﻧﺪ ﺑﺴﯿﺎري از ﺧﺪﻣﺎت ﻣﺘﺪاول را اﻧﺠﺎم دﻫﻨﺪ: • اراﺋﻪ ﻣﺎﻧﺪه ﺣﺴﺎب • ﻣﺴﺪود ﮐﺮدن ﮐﺎرت • راﻫﻨﻤﺎﯾﯽ اﻓﺘﺘﺎح ﺣﺴﺎب • ﭘﺎﺳﺦ ﺑﻪ ﭘﺮﺳﺶﻫﺎي ﻣﺘﺪاول • ﭘﯿﮕﯿﺮي وﺿﻌﯿﺖ وام ﻣﺰاﯾﺎي ﮐﻠﯿﺪي: ✔ ﮐﺎﻫﺶ ﻫﺰﯾﻨﻪ ﻣﺮﮐﺰ ﺗﻤﺎس ✔ اﻓﺰاﯾﺶ ﺳﺮﻋﺖ ﭘﺎﺳﺦﮔﻮﯾﯽ ✔ دﺳﺘﺮﺳﯽ 24ﺳﺎﻋﺘﻪ ✔ ﮐﺎﻫﺶ ﺧﻄﺎي اﻧﺴﺎﻧﯽ در ﺑﺴﯿﺎري از ﺑﺎﻧﮏﻫﺎي ﭘﯿﺸﺮو ،ﺑﯿﺶ از 50٪ﺗﻌﺎﻣﻼت اوﻟﯿﻪ ﻣﺸﺘﺮﯾﺎن ﺗﻮﺳﻂ رﺑﺎتﻫﺎ ﻣﺪﯾﺮﯾﺖ ﻣﯽﺷﻮد.  :5-4دﺳﺘﯿﺎرﻫﺎي ﺻﻮﺗﯽ و ﺑﺎﻧﮑﺪاري ﻣﮑﺎﻟﻤﻪﻣﺤﻮر ﺗﺤﻮل ﺑﻌﺪي ،ﺑﺎﻧﮑﺪاري ﻣﺒﺘﻨﯽ ﺑﺮ ﺻﺪا اﺳﺖ .ﻣﺸﺘﺮﯾﺎن ﻣﯽﺗﻮاﻧﻨﺪ از ﻃﺮﯾﻖ دﺳﺘﯿﺎرﻫﺎي ﺻﻮﺗﯽ درﺧﻮاﺳﺖﻫﺎي ﺧﻮد را ﻣﻄﺮح ﮐﻨﻨﺪ: • »ﻗﺒﺾ ﺑﺮق رو ﭘﺮداﺧﺖ ﮐﻦ«. • »آﺧﺮﯾﻦ ﺗﺮاﮐﻨﺶﻫﺎم رو ﺑﮕﻮ«. • »ﺳﻘﻒ ﮐﺎرت اﻋﺘﺒﺎري ﻣﻦ ﭼﻘﺪره؟« اﯾﻦ ﻧﻮع ﺗﻌﺎﻣﻞ ،ﺑﺎﻧﮑﺪاري را ﻃﺒﯿﻌﯽﺗﺮ و اﻧﺴﺎﻧﯽﺗﺮ ﻣﯽﮐﻨﺪ. ﺑﺎﻧﮑﺪاري ﻣﮑﺎﻟﻤﻪﻣﺤﻮر ) (Conversational Bankingآﯾﻨﺪهاي را ﺗﺮﺳﯿﻢ ﻣﯽﮐﻨﺪ ﮐﻪ در آن ﺗﻌﺎﻣﻞ ﺑﺎ ﺑﺎﻧﮏ ﺷﺒﯿﻪ ﺻﺤﺒﺖ ﺑﺎ ﯾﮏ ﻣﺸﺎور ﺷﺨﺼﯽ اﺳﺖ.  :6-4ﺷﺨﺼﯽﺳﺎزي ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي ﺑﺎ AI رﺑﺎتﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻓﻘﻂ ﭘﺎﺳﺦﮔﻮ ﻧﯿﺴﺘﻨﺪ؛ ﺑﻠﮑﻪ ﭘﯿﺸﻨﻬﺎددﻫﻨﺪه ﻧﯿﺰ ﻫﺴﺘﻨﺪ. ﺑﺎ ﺗﺤﻠﯿﻞ رﻓﺘﺎر ﻣﺸﺘﺮي ،ﺳﯿﺴﺘﻢ ﻣﯽﺗﻮاﻧﺪ: • ﭘﯿﺸﻨﻬﺎد اﻓﺰاﯾﺶ ﺳﻘﻒ ﮐﺎرت ﺑﺪﻫﺪ • وام ﻣﺘﻨﺎﺳﺐ ﻣﻌﺮﻓﯽ ﮐﻨﺪ • ﺳﺮﻣﺎﯾﻪﮔﺬاري ﻣﻨﺎﺳﺐ ﭘﯿﺸﻨﻬﺎد دﻫﺪ • ﻫﺸﺪار ﻣﺪﯾﺮﯾﺖ ﻣﺎﻟﯽ ارﺳﺎل ﮐﻨﺪ ﻣﺜﺎل: اﮔﺮ ﻣﺸﺘﺮي ﺑﻪﻃﻮر ﻣﻨﻈﻢ ﻣﺎﻧﺪه ﺣﺴﺎب ﭘﺎﯾﯿﻦ دارد ،ﺳﯿﺴﺘﻢ ﻣﯽﺗﻮاﻧﺪ ﭘﯿﺸﻨﻬﺎد ﺑﺮﻧﺎﻣﻪ ﻣﺪﯾﺮﯾﺖ ﻫﺰﯾﻨﻪ اراﺋﻪ دﻫﺪ.اﯾﻦ ﺳﻄﺢ از ﺷﺨﺼﯽﺳﺎزي ،ﺗﺠﺮﺑﻪاي ﻓﺮاﺗﺮ از ﺑﺎﻧﮑﺪاري ﺳﻨﺘﯽ اﯾﺠﺎد ﻣﯽﮐﻨﺪ.  :7-4ﭼﺎﻟﺶﻫﺎي ﭘﯿﺎدهﺳﺎزي رﺑﺎتﻫﺎي ﺑﺎﻧﮑﯽ ﺑﺎ وﺟﻮد ﻣﺰاﯾﺎ ،اﺟﺮاي ﭼﺖﺑﺎتﻫﺎ ﭼﺎﻟﺶﻫﺎﯾﯽ دارد: • درك اﺷﺘﺒﺎه زﺑﺎن ﻃﺒﯿﻌﯽ • ﭘﯿﭽﯿﺪﮔﯽ ﻟﻬﺠﻪﻫﺎ و اﺻﻄﻼﺣﺎت ﻣﺤﻠﯽ • ﻧﮕﺮاﻧﯽﻫﺎي اﻣﻨﯿﺘﯽ • ﻣﻘﺎوﻣﺖ ﺑﺮﺧﯽ ﻣﺸﺘﺮﯾﺎن ﻧﺴﺒﺖ ﺑﻪ ﺗﻌﺎﻣﻞ ﺑﺎ ﻣﺎﺷﯿﻦ • ﻧﯿﺎز ﺑﻪ ﯾﮑﭙﺎرﭼﻪﺳﺎزي ﺑﺎ ﺳﯿﺴﺘﻢﻫﺎي ﻗﺪﯾﻤﯽ ﺑﺎﻧﮏ ﻋﻼوه ﺑﺮ اﯾﻦ ،در ﺧﺪﻣﺎت ﺣﺴﺎس ﻣﺎﻟﯽ ،اﺷﺘﺒﺎه در ﭘﺎﺳﺦ ﻣﯽﺗﻮاﻧﺪ ﭘﯿﺎﻣﺪﻫﺎي ﺟﺪي داﺷﺘﻪ ﺑﺎﺷﺪ .ﺑﻨﺎﺑﺮاﯾﻦ ﻃﺮاﺣﯽ ،آزﻣﺎﯾﺶ و ﻧﻈﺎرت ﻣﺪاوم ﺑﺮ ﻋﻤﻠﮑﺮد رﺑﺎتﻫﺎ ﺿﺮوري اﺳﺖ.  :8-4آﯾﻨﺪه ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي در ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ در آﯾﻨﺪه ﻧﺰدﯾﮏ ،اﻧﺘﻈﺎر ﻣﯽرود: • ﭼﺖﺑﺎتﻫﺎ از ﻣﺪلﻫﺎي زﺑﺎﻧﯽ ﭘﯿﺸﺮﻓﺘﻪﺗﺮ اﺳﺘﻔﺎده ﮐﻨﻨﺪ • ﻣﮑﺎﻟﻤﺎت ﮐﺎﻣﻼً ﻃﺒﯿﻌﯽ و ﺑﺪون ﻣﺤﺪودﯾﺖ اﻧﺠﺎم ﺷﻮد • ﺗﺤﻠﯿﻞ اﺣﺴﺎﺳﺎت در ﻟﺤﻈﻪ اﻧﺠﺎم ﮔﯿﺮد • ﺑﺎﻧﮏ ﺑﻪﺻﻮرت ﭘﯿﺶدﺳﺘﺎﻧﻪ ﺑﺎ ﻣﺸﺘﺮي ارﺗﺒﺎط ﺑﺮﻗﺮار ﮐﻨﺪ ﺑﺎﻧﮑﺪاري از »واﮐﻨﺶ ﺑﻪ درﺧﻮاﺳﺖ« ﺑﻪ »ﭘﯿﺶﺑﯿﻨﯽ ﻧﯿﺎز« ﺣﺮﮐﺖ ﺧﻮاﻫﺪ ﮐﺮد. ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي در ﺑﺎﻧﮑﺪاري آﯾﻨﺪه اﺣﺘﻤﺎﻻً ﺷﺎﻣﻞ: • ﻣﺸﺎور ﻣﺎﻟﯽ ﻫﻮﺷﻤﻨﺪ ﺷﺨﺼﯽ • ﻫﺸﺪارﻫﺎي ﻣﺎﻟﯽ ﭘﯿﺸﮕﯿﺮاﻧﻪ • ﭘﯿﺸﻨﻬﺎدﻫﺎي ﺳﺮﻣﺎﯾﻪﮔﺬاري ﺧﻮدﮐﺎر • ﻣﺪﯾﺮﯾﺖ ﯾﮑﭙﺎرﭼﻪ داراﯾﯽﻫﺎ ﺧﻮاﻫﺪ ﺑﻮد. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ ﭼﻬﺎرم در اﯾﻦ ﻓﺼﻞ ﺑﺮرﺳﯽ ﮐﺮدﯾﻢ: • ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي ﭼﮕﻮﻧﻪ ﺑﻪ ﻣﻬﻢﺗﺮﯾﻦ ﻣﺰﯾﺖ رﻗﺎﺑﺘﯽ ﺑﺎﻧﮏﻫﺎ ﺗﺒﺪﯾﻞ ﺷﺪه اﺳﺖ. • رﺑﺎتﻫﺎي ﮔﻔﺘﮕﻮ ﭼﮕﻮﻧﻪ ﮐﺎر ﻣﯽﮐﻨﻨﺪ. • ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ ﭼﻪ ﮐﺎرﺑﺮدﻫﺎﯾﯽ در ﺑﺎﻧﮑﺪاري دارد. • ﺑﺎﻧﮑﺪاري ﻣﮑﺎﻟﻤﻪﻣﺤﻮر ﭼﮕﻮﻧﻪ ﺷﮑﻞ ﻣﯽﮔﯿﺮد. • ﭼﺎﻟﺶﻫﺎي ﻓﻨﯽ و اﻣﻨﯿﺘﯽ اﯾﻦ ﺗﺤﻮل ﭼﯿﺴﺖ. در ﻓﺼﻞ ﺑﻌﺪ ،وارد ﯾﮑﯽ از ﺣﯿﺎﺗﯽﺗﺮﯾﻦ ﺣﻮزهﻫﺎي ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ﻣﯽﺷﻮﯾﻢ:ﮐﺸﻒ ﺗﻘﻠﺐ ،اﻣﻨﯿﺖ ﺳﺎﯾﺒﺮي و اﻟﮕﻮرﯾﺘﻢﻫﺎي ﭘﯿﺸﺮﻓﺘﻪ ﻣﻘﺎﺑﻠﻪ ﺑﺎ ﺟﺮاﯾﻢ ﻣﺎﻟﯽ. ﻓﺼﻞ ﭘﻨﺠﻢ: ﮐﺸﻒ ﺗﻘﻠﺐ ،اﻣﻨﯿﺖ ﺳﺎﯾﺒﺮي و اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻣﻘﺎﺑﻠﻪ ﺑﺎ ﺟﺮاﯾﻢ ﻣﺎﻟﯽ  :1-5ﺗﻘﻠﺐ ﻣﺎﻟﯽ؛ ﺗﻬﺪﯾﺪي داﺋﻤﯽ ﺑﺮاي ﺑﺎﻧﮏﻫﺎ ﺻﻨﻌﺖ ﺑﺎﻧﮑﺪاري ﻫﻤﻮاره ﻫﺪف اﺻﻠﯽ ﻣﺠﺮﻣﺎن ﻣﺎﻟﯽ ﺑﻮده اﺳﺖ .ﺑﺎ دﯾﺠﯿﺘﺎﻟﯽ ﺷﺪن ﺧﺪﻣﺎت ﺑﺎﻧﮑﯽ ،ﺷﮑﻞ ﺗﻘﻠﺐ ﻧﯿﺰ ﭘﯿﭽﯿﺪهﺗﺮ و ﺳﺮﯾﻊﺗﺮ ﺷﺪه اﺳﺖ .اﻣﺮوزه ﺣﻤﻼت ﺳﺎﯾﺒﺮي ،ﻓﯿﺸﯿﻨﮓ ،ﺳﺮﻗﺖ ﻫﻮﯾﺖ ،ﭘﻮلﺷﻮﯾﯽ و ﺗﻘﻠﺐ ﮐﺎرتﻫﺎي اﻋﺘﺒﺎري در ﻣﻘﯿﺎﺳﯽ ﺟﻬﺎﻧﯽ اﻧﺠﺎم ﻣﯽﺷﻮﻧﺪ. وﯾﮋﮔﯽﻫﺎي ﺗﻘﻠﺐ ﻣﺪرن: • ﺳﺮﻋﺖ ﺑﺎﻻ • اﺳﺘﻔﺎده از ﻓﻨﺎوريﻫﺎي ﭘﯿﺸﺮﻓﺘﻪ • ﻓﻌﺎﻟﯿﺖ در ﺷﺒﮑﻪﻫﺎي ﺳﺎزﻣﺎنﯾﺎﻓﺘﻪ • ﺑﻬﺮهﮔﯿﺮي از ﺿﻌﻒﻫﺎي رﻓﺘﺎري ﮐﺎرﺑﺮان در ﭼﻨﯿﻦ ﺷﺮاﯾﻄﯽ ،روشﻫﺎي ﺳﻨﺘﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻗﻮاﻧﯿﻦ ﺛﺎﺑﺖ دﯾﮕﺮ ﭘﺎﺳﺨﮕﻮ ﻧﯿﺴﺘﻨﺪ .ﺑﺎﻧﮏﻫﺎ ﻧﯿﺎزﻣﻨﺪ ﺳﯿﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ و ﺗﻄﺒﯿﻘﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ در ﻟﺤﻈﻪ ﺗﻬﺪﯾﺪ را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ.  :2-5ﭼﺮا روشﻫﺎي ﺳﻨﺘﯽ ﻧﺎﮐﺎرآﻣﺪ ﺷﺪﻧﺪ؟ در ﮔﺬﺷﺘﻪ ،ﺳﯿﺴﺘﻢﻫﺎي ﮐﺸﻒ ﺗﻘﻠﺐ ﺑﺮ ﭘﺎﯾﻪ ﻣﺠﻤﻮﻋﻪاي از ﻗﻮاﻧﯿﻦ از ﭘﯿﺶ ﺗﻌﺮﯾﻒﺷﺪه ﻋﻤﻞ ﻣﯽﮐﺮدﻧﺪ .ﺑﺮاي ﻣﺜﺎل: • اﮔﺮ ﻣﺒﻠﻎ ﺗﺮاﮐﻨﺶ ﺑﯿﺶ از ﺣﺪ ﻣﺸﺨﺼﯽ ﺑﺎﺷﺪ → ﻫﺸﺪار • اﮔﺮ ﺗﺮاﮐﻨﺶ ﺧﺎرج از ﮐﺸﻮر اﻧﺠﺎم ﺷﻮد → ﺑﺮرﺳﯽ اﻣﺎ اﯾﻦ روشﻫﺎ دو ﻣﺸﮑﻞ اﺳﺎﺳﯽ داﺷﺘﻨﺪ: .۱ﻧﺮخ ﻫﺸﺪار اﺷﺘﺒﺎه ﺑﺎﻻ )(False Positive .۲ﻧﺎﺗﻮاﻧﯽ در ﺷﻨﺎﺳﺎﯾﯽ اﻟﮕﻮﻫﺎي ﭘﯿﭽﯿﺪه و ﺟﺪﯾﺪ ﻣﺠﺮﻣﺎن ﺑﻪﺳﺮﻋﺖ ﻗﻮاﻧﯿﻦ را ﺷﻨﺎﺳﺎﯾﯽ ﮐﺮده و رﻓﺘﺎر ﺧﻮد را ﺗﻄﺒﯿﻖ ﻣﯽدادﻧﺪ .ﺑﻨﺎﺑﺮاﯾﻦ ﺳﯿﺴﺘﻢ ﺑﺎﯾﺪ ﺗﻮاﻧﺎﯾﯽ ﯾﺎدﮔﯿﺮي ﻣﺪاوم داﺷﺘﻪ ﺑﺎﺷﺪ؛ ﺟﺎﯾﯽ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ وارد ﻣﯽﺷﻮد.  :3-5ﻧﻘﺶ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ در ﮐﺸﻒ ﺗﻘﻠﺐ ﻣﺪلﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﻣﯽﺗﻮاﻧﻨﺪ رﻓﺘﺎر ﻋﺎدي ﻫﺮ ﻣﺸﺘﺮي را ﯾﺎد ﺑﮕﯿﺮﻧﺪ و ﻫﺮﮔﻮﻧﻪ اﻧﺤﺮاف را ﺗﺸﺨﯿﺺ دﻫﻨﺪ. ﻣﺮاﺣﻞ ﮐﻠﯽ ﻋﻤﻠﮑﺮد: .۱ﺟﻤﻊآوري دادهﻫﺎي ﺗﺮاﮐﻨﺶ .۲اﺳﺘﺨﺮاج وﯾﮋﮔﯽﻫﺎ )(Feature Engineering .۳آﻣﻮزش ﻣﺪل ﺑﺮ اﺳﺎس دادهﻫﺎي ﺗﺎرﯾﺨﯽ .۴اﻣﺘﯿﺎزدﻫﯽ رﯾﺴﮏ ﺑﻪ ﻫﺮ ﺗﺮاﮐﻨﺶ .۵ﺗﺼﻤﯿﻢﮔﯿﺮي آﻧﯽ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﭘﺮﮐﺎرﺑﺮد: • رﮔﺮﺳﯿﻮن ﻟﺠﺴﺘﯿﮏ • ﺟﻨﮕﻞ ﺗﺼﺎدﻓﯽ • ﮔﺮادﯾﺎن ﺑﻮﺳﺘﯿﻨﮓ • ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﻋﻤﯿﻖ • ﻣﺪلﻫﺎي ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎري اﯾﻦ ﻣﺪلﻫﺎ ﻣﯽﺗﻮاﻧﻨﺪ ﻫﺰاران وﯾﮋﮔﯽ را ﻫﻢزﻣﺎن ﺗﺤﻠﯿﻞ ﮐﻨﻨﺪ؛ از ﻣﺒﻠﻎ ﺗﺮاﮐﻨﺶ ﮔﺮﻓﺘﻪ ﺗﺎ زﻣﺎن اﻧﺠﺎم آن ،ﻣﮑﺎن ﺟﻐﺮاﻓﯿﺎﯾﯽ ،ﻧﻮع دﺳﺘﮕﺎه و اﻟﮕﻮي رﻓﺘﺎري ﮐﺎرﺑﺮ.  :4-5ﺗﺤﻠﯿﻞ ﺑﻼدرﻧﮓ )(Real-Time Analytics در ﮐﺸﻒ ﺗﻘﻠﺐ ،زﻣﺎن ﺣﯿﺎﺗﯽ اﺳﺖ .اﮔﺮ ﺗﺸﺨﯿﺺ ﺑﺎ ﺗﺄﺧﯿﺮ اﻧﺠﺎم ﺷﻮد ،ﺧﺴﺎرت ﻣﺎﻟﯽ رخ داده اﺳﺖ. ﺳﯿﺴﺘﻢﻫﺎي ﻣﺪرن ﮐﺸﻒ ﺗﻘﻠﺐ ﺑﺎﯾﺪ: • در ﮐﻤﺘﺮ از ﭼﻨﺪ ﻣﯿﻠﯽﺛﺎﻧﯿﻪ ﺗﺼﻤﯿﻢ ﺑﮕﯿﺮﻧﺪ • ﺑﺘﻮاﻧﻨﺪ ﻣﯿﻠﯿﻮنﻫﺎ ﺗﺮاﮐﻨﺶ را ﻫﻢزﻣﺎن ﭘﺮدازش ﮐﻨﻨﺪ • رﯾﺴﮏ را ﺑﻪﺻﻮرت ﻟﺤﻈﻪاي ﻣﺤﺎﺳﺒﻪ ﮐﻨﻨﺪ اﯾﻦ ﻣﻮﺿﻮع ﻧﯿﺎزﻣﻨﺪ زﯾﺮﺳﺎﺧﺖﻫﺎي ﭘﯿﺸﺮﻓﺘﻪ ﭘﺮدازش داده و ﻣﻌﻤﺎريﻫﺎي ﻣﻘﯿﺎسﭘﺬﯾﺮ اﺳﺖ. اﻣﺮوزه ﺑﺴﯿﺎري از ﺑﺎﻧﮏﻫﺎ از ﻣﻌﻤﺎريﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﭘﺮدازش ﺟﺮﯾﺎن داده ) (Stream Processingاﺳﺘﻔﺎده ﻣﯽﮐﻨﻨﺪ ﺗﺎ ﺗﺤﻠﯿﻞ ﺑﻼدرﻧﮓ ﻣﻤﮑﻦ ﺷﻮد.  :5-5ﻣﺪلﻫﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﮔﺮاف ﺑﺮاي ﮐﺸﻒ ﺷﺒﮑﻪﻫﺎي ﺗﻘﻠﺐ ﺗﻘﻠﺐ ﻫﻤﯿﺸﻪ ﺗﻮﺳﻂ ﯾﮏ ﻓﺮد اﻧﺠﺎم ﻧﻤﯽﺷﻮد .ﺑﺴﯿﺎري از ﺟﺮاﯾﻢ ﻣﺎﻟﯽ در ﻗﺎﻟﺐ ﺷﺒﮑﻪﻫﺎي ﺳﺎزﻣﺎنﯾﺎﻓﺘﻪ رخ ﻣﯽدﻫﻨﺪ. ﻣﺪلﻫﺎي ﮔﺮاﻓﯽ ﻣﯽﺗﻮاﻧﻨﺪ: • ارﺗﺒﺎط ﺑﯿﻦ ﺣﺴﺎبﻫﺎ را ﺗﺤﻠﯿﻞ ﮐﻨﻨﺪ • ﺗﺮاﮐﻨﺶﻫﺎي ﻣﺸﮑﻮك زﻧﺠﯿﺮهاي را ﮐﺸﻒ ﮐﻨﻨﺪ • ﺷﺒﮑﻪﻫﺎي ﭘﻮلﺷﻮﯾﯽ را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ در اﯾﻦ ﻣﺪلﻫﺎ: • ﻫﺮ ﺣﺴﺎب ﯾﮏ »ﮔﺮه« اﺳﺖ • ﻫﺮ ﺗﺮاﮐﻨﺶ ﯾﮏ »ﯾﺎل« اﺳﺖ ﺗﺤﻠﯿﻞ ﺳﺎﺧﺘﺎر ﺷﺒﮑﻪ ﻣﯽﺗﻮاﻧﺪ اﻟﮕﻮﻫﺎي ﻏﯿﺮﻋﺎدي را آﺷﮑﺎر ﮐﻨﺪ ﮐﻪ در ﺗﺤﻠﯿﻞﻫﺎي ﺧﻄﯽ ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه ﻧﯿﺴﺘﻨﺪ.  :6-5ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﻣﻨﯿﺖ ﺳﺎﯾﺒﺮي ﺑﺎﻧﮏﻫﺎ اﻣﻨﯿﺖ ﺑﺎﻧﮑﯽ ﺗﻨﻬﺎ ﻣﺤﺪود ﺑﻪ ﺗﺮاﮐﻨﺶﻫﺎ ﻧﯿﺴﺖ .ﺗﻬﺪﯾﺪﻫﺎي ﺳﺎﯾﺒﺮي ﺷﺎﻣﻞ: • ﺣﻤﻼت ﺑﺪاﻓﺰاري • ﻧﻔﻮذ ﺑﻪ ﺳﺮورﻫﺎ • ﺣﻤﻼت ﺑﺎجاﻓﺰاري • ﺣﻤﻼت ﻣﻬﻨﺪﺳﯽ اﺟﺘﻤﺎﻋﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﻣﻨﯿﺖ ﺳﺎﯾﺒﺮي ﻣﯽﺗﻮاﻧﺪ: • رﻓﺘﺎر ﮐﺎرﺑﺮان ﺳﯿﺴﺘﻢ را ﭘﺎﯾﺶ ﮐﻨﺪ • ورودﻫﺎي ﻣﺸﮑﻮك را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﺪ • اﻟﮕﻮﻫﺎي ﺣﻤﻠﻪ را ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ • ﺑﻪﺻﻮرت ﺧﻮدﮐﺎر واﮐﻨﺶ ﻧﺸﺎن دﻫﺪ ﺳﯿﺴﺘﻢﻫﺎي ﺗﺸﺨﯿﺺ ﻧﻔﻮذ ) (IDSﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﻗﺎدرﻧﺪ اﻟﮕﻮﻫﺎي ﺟﺪﯾﺪ ﺣﻤﻠﻪ را ﺑﺪون ﻧﯿﺎز ﺑﻪ ﺗﻌﺮﯾﻒ ﻗﺒﻠﯽ ﮐﺸﻒ ﮐﻨﻨﺪ.  :7-5ﭼﺎﻟﺶﻫﺎي اﺧﻼﻗﯽ و ﻋﻤﻠﯿﺎﺗﯽ ﮐﺸﻒ ﺗﻘﻠﺐ ﻣﺒﺘﻨﯽ ﺑﺮ AIﺑﺎ ﭼﺎﻟﺶﻫﺎﯾﯽ ﻫﻤﺮاه اﺳﺖ: .۱ﺳﻮﮔﯿﺮي دادهﻫﺎ .۲ﺗﻔﺴﯿﺮﭘﺬﯾﺮي ﭘﺎﯾﯿﻦ ﺑﺮﺧﯽ ﻣﺪلﻫﺎ .۳ﺗﻌﺎدل ﺑﯿﻦ اﻣﻨﯿﺖ و ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي .۴ﺣﻔﻆ ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ اﮔﺮ ﺳﯿﺴﺘﻢ ﺑﯿﺶ از ﺣﺪ ﺣﺴﺎس ﺑﺎﺷﺪ ،ﻣﺸﺘﺮﯾﺎن ﺑﯽﮔﻨﺎه دﭼﺎر ﻣﺸﮑﻞ ﻣﯽﺷﻮﻧﺪ .اﮔﺮ ﺑﯿﺶ از ﺣﺪ آﺳﺎنﮔﯿﺮ ﺑﺎﺷﺪ ،ﺗﻘﻠﺐ اﻓﺰاﯾﺶ ﻣﯽﯾﺎﺑﺪ.ﯾﺎﻓﺘﻦ اﯾﻦ ﺗﻌﺎدل ﯾﮑﯽ از دﺷﻮارﺗﺮﯾﻦ وﻇﺎﯾﻒ ﻣﺪﯾﺮان رﯾﺴﮏ اﺳﺖ.  :8-5آﯾﻨﺪه اﻣﻨﯿﺖ ﻫﻮﺷﻤﻨﺪ در ﺑﺎﻧﮑﺪاري روﻧﺪﻫﺎي آﯾﻨﺪه در ﺣﻮزه اﻣﻨﯿﺖ ﺑﺎﻧﮑﯽ ﺷﺎﻣﻞ: • اﺳﺘﻔﺎده از ﺑﯿﻮﻣﺘﺮﯾﮏ ﻫﻮﺷﻤﻨﺪ )ﺗﺸﺨﯿﺺ ﭼﻬﺮه و ﺻﺪا( • ﺗﺮﮐﯿﺐ AIﺑﺎ ﺑﻼكﭼﯿﻦ ﺑﺮاي اﻓﺰاﯾﺶ ﺷﻔﺎﻓﯿﺖ • ﺗﺤﻠﯿﻞ رﻓﺘﺎري ﭘﯿﺸﺮﻓﺘﻪ )(Behavioral Biometrics • ﺳﯿﺴﺘﻢﻫﺎي ﺧﻮدآﻣﻮز و ﺗﻄﺒﯿﻘﯽ در آﯾﻨﺪه ،ﺳﯿﺴﺘﻢﻫﺎي اﻣﻨﯿﺘﯽ ﻧﻪﺗﻨﻬﺎ ﺗﻘﻠﺐ را ﮐﺸﻒ ﻣﯽﮐﻨﻨﺪ ،ﺑﻠﮑﻪ ﻗﺒﻞ از وﻗﻮع آن ﻫﺸﺪار ﺧﻮاﻫﻨﺪ داد. اﻣﻨﯿﺖ از ﯾﮏ واﮐﻨﺶ ﺑﻪ ﯾﮏ ﭘﯿﺶﺑﯿﻨﯽ ﺗﺒﺪﯾﻞ ﺧﻮاﻫﺪ ﺷﺪ. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ ﭘﻨﺠﻢ در اﯾﻦ ﻓﺼﻞ آﻣﻮﺧﺘﯿﻢ: • ﭼﺮا ﮐﺸﻒ ﺗﻘﻠﺐ ﺑﺮاي ﺑﺎﻧﮏﻫﺎ ﺣﯿﺎﺗﯽ اﺳﺖ. • ﻣﺪلﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ ﭼﮕﻮﻧﻪ ﺗﻘﻠﺐ را ﺷﻨﺎﺳﺎﯾﯽ ﻣﯽﮐﻨﻨﺪ. • ﺗﺤﻠﯿﻞ ﺑﻼدرﻧﮓ ﭼﻪ اﻫﻤﯿﺘﯽ دارد. • ﻣﺪلﻫﺎي ﮔﺮاف ﭼﮕﻮﻧﻪ ﺷﺒﮑﻪﻫﺎي ﺟﺮاﯾﻢ ﻣﺎﻟﯽ را ﮐﺸﻒ ﻣﯽﮐﻨﻨﺪ. • ﭼﺎﻟﺶﻫﺎي اﺧﻼﻗﯽ و ﻋﻤﻠﯿﺎﺗﯽ در اﻣﻨﯿﺖ ﻫﻮﺷﻤﻨﺪ ﭼﯿﺴﺖ. در ﻓﺼﻞ ﺑﻌﺪ ،ﺑﻪ ﺑﺮرﺳﯽ ﺷﺨﺼﯽﺳﺎزي ﺧﺪﻣﺎت ﺑﺎﻧﮑﯽ ،ﺗﺤﻠﯿﻞ دادهﻫﺎي ﻋﻈﯿﻢ و ﻧﻘﺶ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺑﺎزارﯾﺎﺑﯽ ﻣﺎﻟﯽ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ. ﻓﺼﻞ ﺷﺸﻢ: ﺗﺤﻠﯿﻞ دادهﻫﺎي ﻋﻈﯿﻢ و ﺷﺨﺼﯽﺳﺎزي ﺧﺪﻣﺎت در ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ  :1-6دادهﻫﺎي ﻋﻈﯿﻢ؛ داراﯾﯽ اﺳﺘﺮاﺗﮋﯾﮏ ﺑﺎﻧﮏﻫﺎ در ﻋﺼﺮ دﯾﺠﯿﺘﺎل ،دادهﻫﺎ ﺑﻪ ارزﺷﻤﻨﺪﺗﺮﯾﻦ داراﯾﯽ ﺳﺎزﻣﺎنﻫﺎ ﺗﺒﺪﯾﻞ ﺷﺪهاﻧﺪ .ﺑﺎﻧﮏﻫﺎ ﺑﻪ دﻟﯿﻞ ﻣﺎﻫﯿﺖ ﻓﻌﺎﻟﯿﺖ ﺧﻮد ،ﯾﮑﯽ از ﻏﻨﯽﺗﺮﯾﻦ ﻣﻨﺎﺑﻊ داده را در اﺧﺘﯿﺎر دارﻧﺪ .ﻫﺮ ﺗﺮاﮐﻨﺶ ،ﻫﺮ ورود ﺑﻪ اﭘﻠﯿﮑﯿﺸﻦ ،ﻫﺮ ﺗﻤﺎس ﺑﺎ ﻣﺮﮐﺰ ﭘﺸﺘﯿﺒﺎﻧﯽ و ﺣﺘﯽ ﻫﺮ ﮐﻠﯿﮏ در اﯾﻨﺘﺮﻧﺖﺑﺎﻧﮏ ،ﯾﮏ داده ارزﺷﻤﻨﺪ ﺗﻮﻟﯿﺪ ﻣﯽﮐﻨﺪ. اﯾﻦ دادهﻫﺎ ﺷﺎﻣﻞ: • دادهﻫﺎي ﺗﺮاﮐﻨﺸﯽ • دادهﻫﺎي رﻓﺘﺎري • دادهﻫﺎي ﺟﻤﻌﯿﺖﺷﻨﺎﺧﺘﯽ • دادهﻫﺎي ﻣﮑﺎﻧﯽ • دادهﻫﺎي ﺗﻌﺎﻣﻼت دﯾﺠﯿﺘﺎل ﺗﺤﻠﯿﻞ اﯾﻦ ﺣﺠﻢ ﻋﻈﯿﻢ داده ﺑﺪون اﺑﺰارﻫﺎي ﻫﻮﺷﻤﻨﺪ ﺗﻘﺮﯾﺒﺎً ﻏﯿﺮﻣﻤﮑﻦ اﺳﺖ .ﺑﻪ ﻫﻤﯿﻦ دﻟﯿﻞ ،ﺗﺮﮐﯿﺐ Big ‏Dataو ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﯾﮑﯽ از ﺳﺘﻮنﻫﺎي اﺻﻠﯽ ﺑﺎﻧﮑﺪاري ﻣﺪرن ﺗﺒﺪﯾﻞ ﺷﺪه اﺳﺖ. Big Data :2-6ﭼﯿﺴﺖ و ﭼﻪ ﺗﻔﺎوﺗﯽ ﺑﺎ دادهﻫﺎي ﺳﻨﺘﯽ دارد؟ دادهﻫﺎي ﻋﻈﯿﻢ ﺑﺎ ﺳﻪ وﯾﮋﮔﯽ اﺻﻠﯽ ﺷﻨﺎﺧﺘﻪ ﻣﯽﺷﻮﻧﺪ: .۱ﺣﺠﻢ ) – (Volumeﻣﯿﻠﯿﻮنﻫﺎ ﺗﺎ ﻣﯿﻠﯿﺎردﻫﺎ رﮐﻮرد .۲ﺳﺮﻋﺖ ) – (Velocityﺗﻮﻟﯿﺪ و ﭘﺮدازش در زﻣﺎن واﻗﻌﯽ .۳ﺗﻨﻮع ) – (Varietyدادهﻫﺎي ﺳﺎﺧﺖﯾﺎﻓﺘﻪ و ﻏﯿﺮﺳﺎﺧﺖﯾﺎﻓﺘﻪ در ﺑﺎﻧﮑﺪاري ﺳﻨﺘﯽ ،دادهﻫﺎ ﻣﺤﺪود و ﺳﺎﺧﺖﯾﺎﻓﺘﻪ ﺑﻮدﻧﺪ .اﻣﺎ اﻣﺮوزه ﺑﺎﻧﮏﻫﺎ ﺑﺎ دادهﻫﺎي ﻣﺘﻨﯽ ،ﺻﻮﺗﯽ ،ﺗﺼﻮﯾﺮي و رﻓﺘﺎري ﻣﻮاﺟﻪ ﻫﺴﺘﻨﺪ. ﺑﺮاي ﻣﺪﯾﺮﯾﺖ اﯾﻦ دادهﻫﺎ ،ﺑﺎﻧﮏﻫﺎ از ﻓﻨﺎوريﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ: • ﭘﺎﯾﮕﺎهﻫﺎي داده ﺗﻮزﯾﻊﺷﺪه • ﭘﺮدازش ﻣﻮازي • زﯾﺮﺳﺎﺧﺖﻫﺎي اﺑﺮي • ﻣﻌﻤﺎريﻫﺎي دادهﻣﺤﻮر اﺳﺘﻔﺎده ﻣﯽﮐﻨﻨﺪ.  :3-6از داده ﺧﺎم ﺗﺎ ﺑﯿﻨﺶ ﺗﺠﺎري داده ﺧﺎم ﺑﻪﺗﻨﻬﺎﯾﯽ ارزﺷﯽ ﻧﺪارد .ارزش زﻣﺎﻧﯽ اﯾﺠﺎد ﻣﯽﺷﻮد ﮐﻪ داده ﺑﻪ ﺑﯿﻨﺶ ) (Insightﺗﺒﺪﯾﻞ ﺷﻮد. ﻓﺮآﯾﻨﺪ ﺗﺒﺪﯾﻞ داده ﺑﻪ ارزش: .۱ﺟﻤﻊآوري داده .۲ﭘﺎﮐﺴﺎزي و اﺳﺘﺎﻧﺪاردﺳﺎزي .۳اﺳﺘﺨﺮاج وﯾﮋﮔﯽﻫﺎ .۴ﺗﺤﻠﯿﻞ ﺑﺎ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ .۵ﺗﻮﻟﯿﺪ ﺗﺼﻤﯿﻢ ﯾﺎ ﭘﯿﺸﻨﻬﺎد ﺑﺮاي ﻣﺜﺎل: ﺑﺎ ﺗﺤﻠﯿﻞ اﻟﮕﻮي ﺧﺮﯾﺪ ﻣﺸﺘﺮي ،ﺑﺎﻧﮏ ﻣﯽﺗﻮاﻧﺪ ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ ﮐﻪ او در آﯾﻨﺪه ﻧﺰدﯾﮏ ﺑﻪ وام ﻣﺴﮑﻦ ﻧﯿﺎز ﺧﻮاﻫﺪ داﺷﺖ و ﭘﯿﺸﻨﻬﺎد ﺷﺨﺼﯽﺳﺎزيﺷﺪه اراﺋﻪ دﻫﺪ.  :4-6ﺷﺨﺼﯽﺳﺎزي ﺧﺪﻣﺎت ﺑﺎﻧﮑﯽ ﺷﺨﺼﯽﺳﺎزي ) (Personalizationﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ ﻣﺰاﯾﺎي ﺗﺤﻠﯿﻞ دادهﻫﺎي ﻋﻈﯿﻢ اﺳﺖ. ﺑﺎﻧﮑﺪاري ﺳﻨﺘﯽ ﺧﺪﻣﺎت ﯾﮑﺴﺎﻧﯽ ﺑﻪ ﻫﻤﻪ ﻣﺸﺘﺮﯾﺎن اراﺋﻪ ﻣﯽداد .اﻣﺎ ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ﻣﯽﺗﻮاﻧﺪ: • ﭘﯿﺸﻨﻬﺎد وام ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﺳﻄﺢ درآﻣﺪ • اراﺋﻪ ﮐﺎرت اﻋﺘﺒﺎري ﻣﻨﺎﺳﺐ ﺑﺎ اﻟﮕﻮي ﻣﺼﺮف • ﭘﯿﺸﻨﻬﺎد ﺳﺮﻣﺎﯾﻪﮔﺬاري ﺑﺮ اﺳﺎس ﺳﻄﺢ رﯾﺴﮏﭘﺬﯾﺮي • ارﺳﺎل ﻫﺸﺪارﻫﺎي ﻣﺎﻟﯽ ﺷﺨﺼﯽ اراﺋﻪ دﻫﺪ. اﯾﻦ ﺳﻄﺢ از ﺷﺨﺼﯽﺳﺎزي ﺑﺎﻋﺚ اﻓﺰاﯾﺶ رﺿﺎﯾﺖ ﻣﺸﺘﺮي و رﺷﺪ درآﻣﺪ ﺑﺎﻧﮏ ﻣﯽﺷﻮد.  :5-6ﺗﺤﻠﯿﻞ ﭘﯿﺶﺑﯿﻨﺎﻧﻪ در ﺑﺎزارﯾﺎﺑﯽ ﺑﺎﻧﮑﯽ ﺑﺎزارﯾﺎﺑﯽ در ﺑﺎﻧﮑﺪاري ﺳﻨﺘﯽ اﻏﻠﺐ ﻣﺒﺘﻨﯽ ﺑﺮ ﮐﻤﭙﯿﻦﻫﺎي ﻋﻤﻮﻣﯽ ﺑﻮد .اﻣﺎ ﺑﺎ ﺗﺤﻠﯿﻞ ﭘﯿﺶﺑﯿﻨﺎﻧﻪ ،ﺑﺎﻧﮏﻫﺎ ﻣﯽﺗﻮاﻧﻨﺪ: • ﻣﺸﺘﺮﯾﺎن ﻣﺴﺘﻌﺪ درﯾﺎﻓﺖ وام را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ • اﺣﺘﻤﺎل ﭘﺎﺳﺦ ﺑﻪ ﯾﮏ ﭘﯿﺸﻨﻬﺎد را ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﻨﺪ • ﻧﺮخ ﺗﺒﺪﯾﻞ ﮐﻤﭙﯿﻦﻫﺎ را اﻓﺰاﯾﺶ دﻫﻨﺪ • ﻫﺰﯾﻨﻪ ﺑﺎزارﯾﺎﺑﯽ را ﮐﺎﻫﺶ دﻫﻨﺪ ﻣﺪلﻫﺎي ﭘﯿﺶﺑﯿﻨﯽ ﻣﯽﺗﻮاﻧﻨﺪ ﺗﻌﯿﯿﻦ ﮐﻨﻨﺪ ﮐﻪ ﮐﺪام ﻣﺸﺘﺮي اﺣﺘﻤﺎل ﺑﯿﺸﺘﺮي ﺑﺮاي ﺧﺮﯾﺪ ﯾﮏ ﻣﺤﺼﻮل ﻣﺎﻟﯽ دارد .اﯾﻦ اﻣﺮ ﺑﺎﻋﺚ ﻣﯽﺷﻮد ﭘﯿﺸﻨﻬﺎدﻫﺎ ﻫﺪﻓﻤﻨﺪ و ﻫﻮﺷﻤﻨﺪ ﺑﺎﺷﻨﺪ.  :6-6ﺗﺤﻠﯿﻞ رﻓﺘﺎر ﻣﺸﺘﺮي )(Customer Analytics ﺗﺤﻠﯿﻞ رﻓﺘﺎر ﻣﺸﺘﺮي ﺷﺎﻣﻞ ﺑﺮرﺳﯽ اﻟﮕﻮﻫﺎي زﯾﺮ اﺳﺖ: • دﻓﻌﺎت ورود ﺑﻪ اﭘﻠﯿﮑﯿﺸﻦ • زﻣﺎن اﻧﺠﺎم ﺗﺮاﮐﻨﺶﻫﺎ • ﻧﻮع ﺧﺪﻣﺎت ﻣﻮرد اﺳﺘﻔﺎده • واﮐﻨﺶ ﺑﻪ ﭘﯿﺸﻨﻬﺎدﻫﺎي ﻗﺒﻠﯽ ﺑﺎ ﺗﺤﻠﯿﻞ اﯾﻦ دادهﻫﺎ ،ﺑﺎﻧﮏ ﻣﯽﺗﻮاﻧﺪ: ✔ ﻣﺸﺘﺮﯾﺎن در ﻣﻌﺮض ﺧﺮوج ) (Churnرا ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﺪ ✔ ﺧﺪﻣﺎت را ﺑﻬﯿﻨﻪﺳﺎزي ﮐﻨﺪ ✔ ﺗﺠﺮﺑﻪ ﮐﺎرﺑﺮي را ﺑﻬﺒﻮد دﻫﺪ ﺑﺮاي ﻣﺜﺎل: اﮔﺮ ﻣﺸﺘﺮي ﺑﻪﻃﻮر ﻧﺎﮔﻬﺎﻧﯽ ﻓﻌﺎﻟﯿﺖ ﺧﻮد را ﮐﺎﻫﺶ دﻫﺪ ،ﺳﯿﺴﺘﻢ ﻣﯽﺗﻮاﻧﺪ ﻫﺸﺪار دﻫﺪ و ﭘﯿﺸﻨﻬﺎد وﯾﮋهاي ﺑﺮاي ﺣﻔﻆ او اراﺋﻪ ﺷﻮد.  :7-6ﭼﺎﻟﺶﻫﺎي ﻣﺪﯾﺮﯾﺖ دادهﻫﺎي ﻋﻈﯿﻢ ﺑﺎ وﺟﻮد ﻣﺰاﯾﺎ ،ﺗﺤﻠﯿﻞ دادهﻫﺎي ﻋﻈﯿﻢ ﺑﺎ ﭼﺎﻟﺶﻫﺎﯾﯽ ﻫﻤﺮاه اﺳﺖ: .۱اﻣﻨﯿﺖ و ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ .۲ﮐﯿﻔﯿﺖ ﭘﺎﯾﯿﻦ دادهﻫﺎ .۳ﭘﯿﭽﯿﺪﮔﯽ زﯾﺮﺳﺎﺧﺖ .۴ﻫﺰﯾﻨﻪ ﺑﺎﻻي ذﺧﯿﺮهﺳﺎزي و ﭘﺮدازش .۵اﻟﺰاﻣﺎت ﻗﺎﻧﻮﻧﯽ و ﻧﻈﺎرﺗﯽ ﺑﺎﻧﮏﻫﺎ ﺑﺎﯾﺪ ﺑﯿﻦ اﺳﺘﻔﺎده ﺣﺪاﮐﺜﺮي از داده و ﺣﻔﻆ اﻋﺘﻤﺎد ﻣﺸﺘﺮي ﺗﻌﺎدل ﺑﺮﻗﺮار ﮐﻨﻨﺪ .ﻫﺮﮔﻮﻧﻪ ﺳﻮءاﺳﺘﻔﺎده از داده ﻣﯽﺗﻮاﻧﺪ ﺑﻪ آﺳﯿﺐ ﺟﺪي ﺑﺮﻧﺪ ﻣﻨﺠﺮ ﺷﻮد.  :8-6آﯾﻨﺪه ﺷﺨﺼﯽﺳﺎزي در ﺑﺎﻧﮑﺪاري در آﯾﻨﺪه ،ﺑﺎﻧﮑﺪاري ﺑﻪ ﺳﻤﺖ »ﻓﻮق ﺷﺨﺼﯽﺳﺎزي« ) (Hyper-Personalizationﺣﺮﮐﺖ ﺧﻮاﻫﺪ ﮐﺮد. وﯾﮋﮔﯽﻫﺎي اﺣﺘﻤﺎﻟﯽ آﯾﻨﺪه: • ﻣﺸﺎور ﻣﺎﻟﯽ ﻫﻮﺷﻤﻨﺪ اﺧﺘﺼﺎﺻﯽ ﺑﺮاي ﻫﺮ ﻣﺸﺘﺮي • ﺗﺤﻠﯿﻞ ﻟﺤﻈﻪاي رﻓﺘﺎر و اراﺋﻪ ﭘﯿﺸﻨﻬﺎد در ﻫﻤﺎن زﻣﺎن • ﯾﮑﭙﺎرﭼﮕﯽ ﮐﺎﻣﻞ دادهﻫﺎي ﻣﺎﻟﯽ ﻓﺮد • ﻣﺪﯾﺮﯾﺖ ﺧﻮدﮐﺎر ﺳﺒﺪ داراﯾﯽ ﺑﺎﻧﮏ آﯾﻨﺪه ،ﻧﻪﺗﻨﻬﺎ ﯾﮏ ﻧﻬﺎد ﻣﺎﻟﯽ ،ﺑﻠﮑﻪ ﯾﮏ دﺳﺘﯿﺎر ﻣﺎﻟﯽ ﻫﻮﺷﻤﻨﺪ ﺧﻮاﻫﺪ ﺑﻮد ﮐﻪ ﺑﻪ ﻣﺸﺘﺮي در ﺗﺼﻤﯿﻢﮔﯿﺮيﻫﺎي اﻗﺘﺼﺎدي ﮐﻤﮏ ﻣﯽﮐﻨﺪ. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ ﺷﺸﻢ در اﯾﻦ ﻓﺼﻞ ﺑﺮرﺳﯽ ﮐﺮدﯾﻢ: • دادهﻫﺎي ﻋﻈﯿﻢ ﭼﮕﻮﻧﻪ ﺑﻪ داراﯾﯽ اﺳﺘﺮاﺗﮋﯾﮏ ﺑﺎﻧﮏﻫﺎ ﺗﺒﺪﯾﻞ ﺷﺪهاﻧﺪ. • ﻓﺮآﯾﻨﺪ ﺗﺒﺪﯾﻞ داده ﺑﻪ ﺑﯿﻨﺶ ﺗﺠﺎري ﭼﯿﺴﺖ. • ﺷﺨﺼﯽﺳﺎزي ﺧﺪﻣﺎت ﭼﮕﻮﻧﻪ ﻣﺰﯾﺖ رﻗﺎﺑﺘﯽ اﯾﺠﺎد ﻣﯽﮐﻨﺪ. • ﺗﺤﻠﯿﻞ رﻓﺘﺎر ﻣﺸﺘﺮي ﭼﻪ ﻧﻘﺸﯽ در ﺣﻔﻆ ﻣﺸﺘﺮي دارد. • ﭼﺎﻟﺶﻫﺎي ﻓﻨﯽ و اﺧﻼﻗﯽ ﻣﺪﯾﺮﯾﺖ داده ﭼﯿﺴﺖ. در ﻓﺼﻞ ﺑﻌﺪ ،ﺑﻪ ﺑﺮرﺳﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﺪﯾﺮﯾﺖ ﺳﺮﻣﺎﯾﻪﮔﺬاري ،ﻣﻌﺎﻣﻼت اﻟﮕﻮرﯾﺘﻤﯽ و ﺗﺼﻤﯿﻢﮔﯿﺮي ﻣﺎﻟﯽ ﭘﯿﺸﺮﻓﺘﻪ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ. ﻓﺼﻞ ﻫﻔﺘﻢ: ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﺪﯾﺮﯾﺖ ﺳﺮﻣﺎﯾﻪﮔﺬاري و ﺗﺼﻤﯿﻢﮔﯿﺮي ﻣﺎﻟﯽ ﭘﯿﺸﺮﻓﺘﻪ  :1-7ﺗﺤﻮل ﻣﺪﯾﺮﯾﺖ ﺳﺮﻣﺎﯾﻪﮔﺬاري در ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺪﯾﺮﯾﺖ ﺳﺮﻣﺎﯾﻪﮔﺬاري ﯾﮑﯽ از ﭘﯿﭽﯿﺪهﺗﺮﯾﻦ و ﺣﺴﺎسﺗﺮﯾﻦ ﺣﻮزهﻫﺎي ﺻﻨﻌﺖ ﻣﺎﻟﯽ اﺳﺖ .ﺗﺼﻤﯿﻢﮔﯿﺮي در اﯾﻦ ﺣﻮزه ﻧﯿﺎزﻣﻨﺪ ﺗﺤﻠﯿﻞ ﻫﻢزﻣﺎن ﻣﺘﻐﯿﺮﻫﺎي ﻣﺘﻌﺪد از ﺟﻤﻠﻪ ﻧﺮخ ﺑﻬﺮه ،ﺗﻮرم ،ﻧﻮﺳﺎﻧﺎت ﺑﺎزار ،رﻓﺘﺎر ﺳﺮﻣﺎﯾﻪﮔﺬاران و روﯾﺪادﻫﺎي ﺳﯿﺎﺳﯽ و اﻗﺘﺼﺎدي اﺳﺖ. در ﮔﺬﺷﺘﻪ ،اﯾﻦ ﺗﺼﻤﯿﻢﻫﺎ ﻋﻤﺪﺗﺎً ﺗﻮﺳﻂ ﺗﺤﻠﯿﻞﮔﺮان اﻧﺴﺎﻧﯽ و ﺑﺮ ﭘﺎﯾﻪ ﻣﺪلﻫﺎي آﻣﺎري ﮐﻼﺳﯿﮏ ﮔﺮﻓﺘﻪ ﻣﯽﺷﺪ. اﻣﺎ اﻣﺮوزه ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﺗﻮان ﭘﺮدازش ﺣﺠﻢ ﻋﻈﯿﻤﯽ از دادهﻫﺎ و ﮐﺸﻒ اﻟﮕﻮﻫﺎي ﭘﻨﻬﺎن ،ﻧﻘﺶ ﭘﺮرﻧﮕﯽ در اﯾﻦ ﺣﻮزه اﯾﻔﺎ ﻣﯽﮐﻨﺪ. ﺑﺎﻧﮏﻫﺎ و ﻣﺆﺳﺴﺎت ﻣﺎﻟﯽ از AIﺑﺮاي: • ﭘﯿﺶﺑﯿﻨﯽ روﻧﺪ ﺑﺎزار • ﻣﺪﯾﺮﯾﺖ ﭘﺮﺗﻔﻮي • ﺑﻬﯿﻨﻪﺳﺎزي ﺗﺨﺼﯿﺺ داراﯾﯽ • ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ ﺳﺮﻣﺎﯾﻪﮔﺬاري اﺳﺘﻔﺎده ﻣﯽﮐﻨﻨﺪ.  :2-7ﺗﺤﻠﯿﻞ ﭘﯿﺶﺑﯿﻨﺎﻧﻪ ﺑﺎزارﻫﺎي ﻣﺎﻟﯽ ﺑﺎزارﻫﺎي ﻣﺎﻟﯽ ذاﺗﺎً ﭘﺮﻧﻮﺳﺎن و ﻏﯿﺮﻗﻄﻌﯽ ﻫﺴﺘﻨﺪ .ﻣﺪلﻫﺎي ﺳﻨﺘﯽ اﻏﻠﺐ ﺑﺮ ﻓﺮﺿﯿﺎت ﺳﺎده اﺳﺘﻮار ﺑﻮدﻧﺪ ،اﻣﺎ ﻣﺪلﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﻨﺪ رواﺑﻂ ﻏﯿﺮﺧﻄﯽ و ﭘﯿﭽﯿﺪه را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ. ﮐﺎرﺑﺮدﻫﺎي اﺻﻠﯽ: • ﭘﯿﺶﺑﯿﻨﯽ ﻗﯿﻤﺖ ﺳﻬﺎم • ﺗﺤﻠﯿﻞ روﻧﺪ ارز و ﻃﻼ • ﭘﯿﺶﺑﯿﻨﯽ ﻧﺮخ ﺑﻬﺮه • ﺗﺤﻠﯿﻞ ﺷﺎﺧﺺﻫﺎي ﮐﻼن اﻗﺘﺼﺎدي ﻣﺪلﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده: • ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﺑﺎزﮔﺸﺘﯽ )(RNN • ﻣﺪلﻫﺎي LSTMﺑﺮاي دادهﻫﺎي ﺳﺮي زﻣﺎﻧﯽ • اﻟﮕﻮرﯾﺘﻢﻫﺎي ﮔﺮادﯾﺎن ﺑﻮﺳﺘﯿﻨﮓ • ﻣﺪلﻫﺎي ﺗﺮﮐﯿﺒﯽ آﻣﺎري و ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ اﮔﺮﭼﻪ ﻫﯿﭻ ﻣﺪﻟﯽ ﻧﻤﯽﺗﻮاﻧﺪ ﺑﺎزار را ﺑﺎ ﻗﻄﻌﯿﺖ ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ ،اﻣﺎ AIﻣﯽﺗﻮاﻧﺪ اﺣﺘﻤﺎل ﺳﻨﺎرﯾﻮﻫﺎي ﻣﺨﺘﻠﻒ را ﻣﺤﺎﺳﺒﻪ ﮐﺮده و ﺗﺼﻤﯿﻢﮔﯿﺮي را ﺑﻬﯿﻨﻪﺗﺮ ﮐﻨﺪ.  :3-7ﻣﺪﯾﺮﯾﺖ ﭘﺮﺗﻔﻮي ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ وﻇﺎﯾﻒ ﺑﺎﻧﮏﻫﺎ و ﺷﺮﮐﺖﻫﺎي ﺳﺮﻣﺎﯾﻪﮔﺬاري ،ﺗﺨﺼﯿﺺ ﺑﻬﯿﻨﻪ داراﯾﯽﻫﺎﺳﺖ. ﻫﺪف ﻣﺪﯾﺮﯾﺖ ﭘﺮﺗﻔﻮي: • ﺣﺪاﮐﺜﺮﺳﺎزي ﺑﺎزده • ﺣﺪاﻗﻞﺳﺎزي رﯾﺴﮏ • اﯾﺠﺎد ﺗﻌﺎدل ﻣﯿﺎن داراﯾﯽﻫﺎ ﻣﺪلﻫﺎي AIﻣﯽﺗﻮاﻧﻨﺪ: • ﻫﻤﺒﺴﺘﮕﯽ ﻣﯿﺎن داراﯾﯽﻫﺎ را ﺗﺤﻠﯿﻞ ﮐﻨﻨﺪ • ﺳﻨﺎرﯾﻮﻫﺎي اﻗﺘﺼﺎدي ﻣﺨﺘﻠﻒ را ﺷﺒﯿﻪﺳﺎزي ﮐﻨﻨﺪ • ﺗﺨﺼﯿﺺ داراﯾﯽ را ﺑﻪﺻﻮرت ﭘﻮﯾﺎ ﺗﻨﻈﯿﻢ ﮐﻨﻨﺪ در اﯾﻦ ﻣﺪلﻫﺎ ،ﺗﺼﻤﯿﻢﮔﯿﺮي دﯾﮕﺮ ﺳﺎﻟﯿﺎﻧﻪ ﯾﺎ ﻣﺎﻫﺎﻧﻪ ﻧﯿﺴﺖ؛ ﺑﻠﮑﻪ ﻣﯽﺗﻮاﻧﺪ ﺑﻪﺻﻮرت ﻟﺤﻈﻪاي و ﺗﻄﺒﯿﻘﯽ اﻧﺠﺎم ﺷﻮد.  :4-7ﻣﻌﺎﻣﻼت اﻟﮕﻮرﯾﺘﻤﯽ )(Algorithmic Trading ﻣﻌﺎﻣﻼت اﻟﮕﻮرﯾﺘﻤﯽ ﺑﻪ اﺳﺘﻔﺎده از ﺑﺮﻧﺎﻣﻪﻫﺎي ﮐﺎﻣﭙﯿﻮﺗﺮي ﺑﺮاي اﺟﺮاي ﺧﻮدﮐﺎر ﻣﻌﺎﻣﻼت اﺷﺎره دارد. وﯾﮋﮔﯽﻫﺎي اﯾﻦ ﺳﯿﺴﺘﻢﻫﺎ: • ﺳﺮﻋﺖ ﺑﺴﯿﺎر ﺑﺎﻻ • اﺟﺮاي ﻣﻌﺎﻣﻼت در ﻣﯿﻠﯽﺛﺎﻧﯿﻪ • ﺗﺤﻠﯿﻞ ﻫﻢزﻣﺎن ﻫﺰاران ﻣﺘﻐﯿﺮ • ﺣﺬف ﺧﻄﺎي اﻧﺴﺎﻧﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﯾﻦ ﺣﻮزه ﻣﯽﺗﻮاﻧﺪ: • ﺳﯿﮕﻨﺎلﻫﺎي ﺧﺮﯾﺪ و ﻓﺮوش ﺗﻮﻟﯿﺪ ﮐﻨﺪ • اﻟﮕﻮﻫﺎي ﻗﯿﻤﺘﯽ ﭘﯿﭽﯿﺪه را ﺗﺸﺨﯿﺺ دﻫﺪ • از دادهﻫﺎي ﺧﺒﺮي و اﺣﺴﺎﺳﺎت ﺑﺎزار اﺳﺘﻔﺎده ﮐﻨﺪ اﯾﻦ ﻧﻮع ﻣﻌﺎﻣﻼت ﺑﻪوﯾﮋه در ﺑﺎزارﻫﺎي ﺑﺎ ﻧﻘﺪﺷﻮﻧﺪﮔﯽ ﺑﺎﻻ ﮐﺎرﺑﺮد ﮔﺴﺘﺮدهاي دارد.  :5-7رﺑﺎتﻫﺎي ﻣﺸﺎور ﺳﺮﻣﺎﯾﻪﮔﺬاري )(Robo-Advisors ﯾﮑﯽ از ﮐﺎرﺑﺮدﻫﺎي ﻧﻮآوراﻧﻪ AIدر ﺑﺎﻧﮑﺪاري ،رﺑﺎتﻫﺎي ﻣﺸﺎور ﺳﺮﻣﺎﯾﻪﮔﺬاري اﺳﺖ. اﯾﻦ ﺳﯿﺴﺘﻢﻫﺎ: • ﺳﻄﺢ رﯾﺴﮏﭘﺬﯾﺮي ﻣﺸﺘﺮي را ارزﯾﺎﺑﯽ ﻣﯽﮐﻨﻨﺪ • اﻫﺪاف ﻣﺎﻟﯽ او را ﺗﺤﻠﯿﻞ ﻣﯽﮐﻨﻨﺪ • ﺳﺒﺪ ﺳﺮﻣﺎﯾﻪﮔﺬاري ﻣﻨﺎﺳﺐ ﭘﯿﺸﻨﻬﺎد ﻣﯽدﻫﻨﺪ • ﺑﻪﺻﻮرت دورهاي آن را ﺑﺎزﺗﻨﻈﯿﻢ ﻣﯽﮐﻨﻨﺪ ﻣﺰاﯾﺎ: ✔ ﻫﺰﯾﻨﻪ ﮐﻤﺘﺮ ﻧﺴﺒﺖ ﺑﻪ ﻣﺸﺎور اﻧﺴﺎﻧﯽ ✔ دﺳﺘﺮﺳﯽ ﺑﺮاي ﻋﻤﻮم ﻣﺸﺘﺮﯾﺎن ✔ ﺗﺼﻤﯿﻢﮔﯿﺮي ﻣﺒﺘﻨﯽ ﺑﺮ داده رﺑﺎتﻫﺎي ﻣﺸﺎور ﺳﺮﻣﺎﯾﻪﮔﺬاري ﺑﺎﻋﺚ دﻣﻮﮐﺮاﺗﯿﮏ ﺷﺪن ﺧﺪﻣﺎت ﻣﺎﻟﯽ ﺷﺪهاﻧﺪ.  :6-7ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ ﺳﺮﻣﺎﯾﻪﮔﺬاري ﺑﺎ AI رﯾﺴﮏ ﺑﺨﺶ ﺟﺪاﯾﯽﻧﺎﭘﺬﯾﺮ ﺳﺮﻣﺎﯾﻪﮔﺬاري اﺳﺖ .ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ: • ﺳﻨﺎرﯾﻮﻫﺎي ﺑﺤﺮاﻧﯽ را ﺷﺒﯿﻪﺳﺎزي ﮐﻨﺪ • ﻧﻮﺳﺎﻧﺎت ﻏﯿﺮﻋﺎدي ﺑﺎزار را ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﺪ • رﯾﺴﮏ ﻧﻘﺪﯾﻨﮕﯽ را ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ • اﺛﺮ روﯾﺪادﻫﺎي ژﺋﻮﭘﻠﯿﺘﯿﮏ را ﻣﺪلﺳﺎزي ﮐﻨﺪ ﻣﺪلﻫﺎي ﭘﯿﺸﺮﻓﺘﻪ ﻣﯽﺗﻮاﻧﻨﺪ ﺑﺎ اﺳﺘﻔﺎده از دادهﻫﺎي ﺗﺎرﯾﺨﯽ و دادهﻫﺎي ﺑﻼدرﻧﮓ ،اﺣﺘﻤﺎل وﻗﻮع ﺑﺤﺮان را ﺗﺨﻤﯿﻦ ﺑﺰﻧﻨﺪ و اﻗﺪاﻣﺎت ﭘﯿﺸﮕﯿﺮاﻧﻪ ﭘﯿﺸﻨﻬﺎد دﻫﻨﺪ.  :7-7ﺗﺤﻠﯿﻞ اﺣﺴﺎﺳﺎت ﺑﺎزار )(Sentiment Analysis ﺑﺎزارﻫﺎي ﻣﺎﻟﯽ ﺗﻨﻬﺎ ﺗﺤﺖ ﺗﺄﺛﯿﺮ دادهﻫﺎي ﻋﺪدي ﻧﯿﺴﺘﻨﺪ؛ ﺑﻠﮑﻪ اﺧﺒﺎر ،ﺷﺒﮑﻪﻫﺎي اﺟﺘﻤﺎﻋﯽ و ﻓﻀﺎي رواﻧﯽ ﺑﺎزار ﻧﻘﺶ ﻣﻬﻤﯽ دارﻧﺪ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ اﺳﺘﻔﺎده از ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ ﻣﯽﺗﻮاﻧﺪ: • اﺧﺒﺎر اﻗﺘﺼﺎدي را ﺗﺤﻠﯿﻞ ﮐﻨﺪ • اﺣﺴﺎﺳﺎت ﻣﺜﺒﺖ ﯾﺎ ﻣﻨﻔﯽ ﻧﺴﺒﺖ ﺑﻪ ﯾﮏ داراﯾﯽ را ﺗﺸﺨﯿﺺ دﻫﺪ • واﮐﻨﺶ اﺣﺘﻤﺎﻟﯽ ﺑﺎزار را ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ اﯾﻦ ﺗﺤﻠﯿﻞﻫﺎ ﺑﻪوﯾﮋه در ﻣﻌﺎﻣﻼت ﮐﻮﺗﺎهﻣﺪت و ﭘﺮﻧﻮﺳﺎن ﮐﺎرﺑﺮد دارﻧﺪ.  :8-7ﭼﺎﻟﺶﻫﺎ و آﯾﻨﺪه ﺳﺮﻣﺎﯾﻪﮔﺬاري ﻫﻮﺷﻤﻨﺪ ﺑﺎ وﺟﻮد ﻣﺰاﯾﺎ ،اﺳﺘﻔﺎده از AIدر ﺳﺮﻣﺎﯾﻪﮔﺬاري ﭼﺎﻟﺶﻫﺎﯾﯽ دارد: • ﻧﻮﺳﺎﻧﺎت ﻏﯿﺮﻗﺎﺑﻞ ﭘﯿﺶﺑﯿﻨﯽ ﺑﺎزار • ﺧﻄﺮ ﺑﯿﺶﺑﺮازش ﻣﺪلﻫﺎ • واﺑﺴﺘﮕﯽ زﯾﺎد ﺑﻪ دادهﻫﺎي ﺗﺎرﯾﺨﯽ • ﻣﺴﺎﺋﻞ اﺧﻼﻗﯽ در ﻣﻌﺎﻣﻼت ﺧﻮدﮐﺎر • اﻟﺰاﻣﺎت ﻧﻈﺎرﺗﯽ ﺳﺨﺖﮔﯿﺮاﻧﻪ در آﯾﻨﺪه ،اﻧﺘﻈﺎر ﻣﯽرود: • ﻣﺪلﻫﺎي ﺗﺮﮐﯿﺒﯽ اﻧﺴﺎن و ﻣﺎﺷﯿﻦ ﮔﺴﺘﺮش ﯾﺎﺑﻨﺪ • ﻧﻈﺎرت ﻗﺎﻧﻮﻧﯽ ﺑﺮ ﻣﻌﺎﻣﻼت اﻟﮕﻮرﯾﺘﻤﯽ اﻓﺰاﯾﺶ ﯾﺎﺑﺪ • اﺳﺘﻔﺎده از دادهﻫﺎي ﻏﯿﺮﺳﻨﺘﯽ ﺑﯿﺸﺘﺮ ﺷﻮد • ﺗﺼﻤﯿﻢﮔﯿﺮيﻫﺎ ﺷﻔﺎفﺗﺮ و ﻗﺎﺑﻞ ﺗﻮﺿﯿﺢﺗﺮ ﺷﻮﻧﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺟﺎﯾﮕﺰﯾﻦ ﮐﺎﻣﻞ ﺗﺤﻠﯿﻞﮔﺮان اﻧﺴﺎﻧﯽ ﻧﺨﻮاﻫﺪ ﺷﺪ ،اﻣﺎ ﺑﻪ اﺑﺰاري ﻗﺪرﺗﻤﻨﺪ ﺑﺮاي ﺗﻘﻮﯾﺖ ﺗﺼﻤﯿﻢﮔﯿﺮي ﺗﺒﺪﯾﻞ ﺧﻮاﻫﺪ ﺷﺪ. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ ﻫﻔﺘﻢ در اﯾﻦ ﻓﺼﻞ ﺑﺮرﺳﯽ ﮐﺮدﯾﻢ: • ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭼﮕﻮﻧﻪ ﻣﺪﯾﺮﯾﺖ ﺳﺮﻣﺎﯾﻪﮔﺬاري را ﻣﺘﺤﻮل ﮐﺮده اﺳﺖ. • ﻣﻌﺎﻣﻼت اﻟﮕﻮرﯾﺘﻤﯽ ﭼﻪ ﻧﻘﺸﯽ در ﺑﺎزارﻫﺎي ﻣﺎﻟﯽ دارﻧﺪ. • رﺑﺎتﻫﺎي ﻣﺸﺎور ﺳﺮﻣﺎﯾﻪﮔﺬاري ﭼﮕﻮﻧﻪ ﮐﺎر ﻣﯽﮐﻨﻨﺪ. • ﺗﺤﻠﯿﻞ اﺣﺴﺎﺳﺎت ﺑﺎزار ﭼﻪ ﮐﺎرﺑﺮدي دارد. • ﭼﺎﻟﺶﻫﺎي ﻓﻨﯽ و ﻧﻈﺎرﺗﯽ اﯾﻦ ﺣﻮزه ﭼﯿﺴﺖ. در ﻓﺼﻞ ﺑﻌﺪ ،ﺑﻪ ﺑﺮرﺳﯽ ﻣﻼﺣﻈﺎت اﺧﻼﻗﯽ ،ﺣﺎﮐﻤﯿﺖ داده ،ﺳﻮﮔﯿﺮي اﻟﮕﻮرﯾﺘﻤﯽ و ﭼﺎرﭼﻮبﻫﺎي ﻧﻈﺎرﺗﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺑﺎﻧﮑﺪاري ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ. ﻓﺼﻞ ﻫﺸﺘﻢ: ﻣﻼﺣﻈﺎت اﺧﻼﻗﯽ ،ﺣﺎﮐﻤﯿﺖ داده و ﭼﺎرﭼﻮبﻫﺎي ﻧﻈﺎرﺗﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺑﺎﻧﮑﺪاري  :1-8ﭼﺮا اﺧﻼق در ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﻧﮑﯽ ﺣﯿﺎﺗﯽ اﺳﺖ؟ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺑﺎﻧﮑﺪاري ﻣﺴﺘﻘﯿﻤﺎً ﺑﺮ زﻧﺪﮔﯽ ﻣﺎﻟﯽ اﻓﺮاد ﺗﺄﺛﯿﺮ ﻣﯽﮔﺬارد .ﺗﺼﻤﯿﻢﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﺗﺄﯾﯿﺪ ﯾﺎ رد وام، ﺗﻌﯿﯿﻦ ﺳﻘﻒ اﻋﺘﺒﺎري ﯾﺎ ﺷﻨﺎﺳﺎﯾﯽ ﺗﺮاﮐﻨﺶ ﻣﺸﮑﻮك ﻣﯽﺗﻮاﻧﻨﺪ ﭘﯿﺎﻣﺪﻫﺎي ﺟﺪي اﻗﺘﺼﺎدي و اﺟﺘﻤﺎﻋﯽ داﺷﺘﻪ ﺑﺎﺷﻨﺪ. در ﭼﻨﯿﻦ ﺷﺮاﯾﻄﯽ ،ﭘﺮﺳﺶﻫﺎي ﻣﻬﻤﯽ ﻣﻄﺮح ﻣﯽﺷﻮد: • آﯾﺎ ﺗﺼﻤﯿﻢ اﻟﮕﻮرﯾﺘﻢ ﻋﺎدﻻﻧﻪ اﺳﺖ؟ • آﯾﺎ ﺗﺒﻌﯿﺾ ﭘﻨﻬﺎن وﺟﻮد دارد؟ • آﯾﺎ ﻣﺸﺘﺮي ﻣﯽﺗﻮاﻧﺪ دﻟﯿﻞ رد ﺷﺪن درﺧﻮاﺳﺖ ﺧﻮد را ﺑﺪاﻧﺪ؟ • دادهﻫﺎي او ﭼﮕﻮﻧﻪ اﺳﺘﻔﺎده ﻣﯽﺷﻮﻧﺪ؟ اﺧﻼق در ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﻧﮑﯽ ﺻﺮﻓﺎً ﯾﮏ ﻣﻮﺿﻮع ﻧﻈﺮي ﻧﯿﺴﺖ؛ ﺑﻠﮑﻪ ﻣﺴﺌﻠﻪاي ﺣﯿﺎﺗﯽ ﺑﺮاي ﺣﻔﻆ اﻋﺘﻤﺎد ﻋﻤﻮﻣﯽ و ﭘﺎﯾﺪاري ﺳﯿﺴﺘﻢ ﻣﺎﻟﯽ اﺳﺖ.  :2-8ﺳﻮﮔﯿﺮي اﻟﮕﻮرﯾﺘﻤﯽ )(Algorithmic Bias ﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ ﭼﺎﻟﺶﻫﺎي ،AIﺳﻮﮔﯿﺮي اﻟﮕﻮرﯾﺘﻤﯽ اﺳﺖ .اﮔﺮ دادهﻫﺎي ﺗﺎرﯾﺨﯽ داراي ﺗﺒﻌﯿﺾ ﺑﺎﺷﻨﺪ ،ﻣﺪل ﻧﯿﺰ ﻫﻤﺎن ﺗﺒﻌﯿﺾ را ﺑﺎزﺗﻮﻟﯿﺪ ﻣﯽﮐﻨﺪ. ﺑﺮاي ﻣﺜﺎل: • اﮔﺮ در ﮔﺬﺷﺘﻪ ﺑﻪ ﮔﺮوه ﺧﺎﺻﯽ ﮐﻤﺘﺮ وام داده ﺷﺪه ﺑﺎﺷﺪ ،ﻣﺪل ﻣﻤﮑﻦ اﺳﺖ ﻫﻤﺎن اﻟﮕﻮ را اداﻣﻪ دﻫﺪ. • اﮔﺮ دادهﻫﺎ ﻧﻤﺎﯾﻨﺪه ﮐﻞ ﺟﺎﻣﻌﻪ ﻧﺒﺎﺷﻨﺪ ،ﭘﯿﺶﺑﯿﻨﯽﻫﺎ ﻧﺎﻋﺎدﻻﻧﻪ ﺧﻮاﻫﻨﺪ ﺑﻮد. ﻣﻨﺎﺑﻊ ﺳﻮﮔﯿﺮي: • دادهﻫﺎي ﻧﺎﻗﺺ ﯾﺎ ﻧﺎﻣﺘﻮازن • ﻃﺮاﺣﯽ ﻧﺎدرﺳﺖ ﻣﺪل • اﻧﺘﺨﺎب وﯾﮋﮔﯽﻫﺎي ﻧﺎﻋﺎدﻻﻧﻪ • ﺧﻄﺎي اﻧﺴﺎﻧﯽ در ﺑﺮﭼﺴﺐﮔﺬاري ﺑﺎﻧﮏﻫﺎ ﺑﺎﯾﺪ ﭘﯿﺶ از اﺳﺘﻘﺮار ﻣﺪل ،آن را از ﻧﻈﺮ ﻋﺪاﻟﺖ و ﺑﯽﻃﺮﻓﯽ ﺑﺮرﺳﯽ ﮐﻨﻨﺪ.  :3-8ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻗﺎﺑﻞ ﺗﻮﺿﯿﺢ )(Explainable AI ﯾﮑﯽ از اﻟﺰاﻣﺎت ﻣﻬﻢ در ﺑﺎﻧﮑﺪاري ،ﻗﺎﺑﻠﯿﺖ ﺗﻮﺿﯿﺢ ﺗﺼﻤﯿﻤﺎت اﺳﺖ .اﮔﺮ ﯾﮏ درﺧﻮاﺳﺖ وام رد ﺷﻮد ،ﻣﺸﺘﺮي ﺣﻖ دارد دﻟﯿﻞ آن را ﺑﺪاﻧﺪ. ﻣﺪلﻫﺎي ﭘﯿﭽﯿﺪه ﻣﺎﻧﻨﺪ ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﻋﻤﯿﻖ ﻣﻌﻤﻮﻻً »ﺟﻌﺒﻪ ﺳﯿﺎه« ﻫﺴﺘﻨﺪ؛ ﯾﻌﻨﯽ ﻓﺮآﯾﻨﺪ ﺗﺼﻤﯿﻢﮔﯿﺮي آنﻫﺎ ﺑﻪﺳﺎدﮔﯽ ﻗﺎﺑﻞ ﺗﻔﺴﯿﺮ ﻧﯿﺴﺖ. راﻫﮑﺎرﻫﺎ: • اﺳﺘﻔﺎده از ﻣﺪلﻫﺎي ﺳﺎدهﺗﺮ در ﮐﺎرﺑﺮدﻫﺎي ﺣﺴﺎس • ﺑﻬﺮهﮔﯿﺮي از اﺑﺰارﻫﺎي ﺗﻔﺴﯿﺮ ﻣﺪل • اراﺋﻪ دﻻﯾﻞ ﻗﺎﺑﻞ ﻓﻬﻢ ﺑﺮاي ﻣﺸﺘﺮي ﺗﻔﺴﯿﺮﭘﺬﯾﺮي ﻧﻪﺗﻨﻬﺎ اﻟﺰام ﻗﺎﻧﻮﻧﯽ در ﺑﺴﯿﺎري ﮐﺸﻮرﻫﺎﺳﺖ ،ﺑﻠﮑﻪ ﺑﺮاي اﻋﺘﻤﺎدﺳﺎزي ﻧﯿﺰ ﺿﺮوري اﺳﺖ.  :4-8ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ و ﺣﻔﺎﻇﺖ از دادهﻫﺎ ﺑﺎﻧﮏﻫﺎ ﺑﺎ ﺣﺴﺎسﺗﺮﯾﻦ دادهﻫﺎي ﺷﺨﺼﯽ اﻓﺮاد ﺳﺮوﮐﺎر دارﻧﺪ: • اﻃﻼﻋﺎت ﻣﺎﻟﯽ • ﺳﻮاﺑﻖ اﻋﺘﺒﺎري • ﺗﺮاﮐﻨﺶﻫﺎي روزاﻧﻪ • اﻃﻼﻋﺎت ﻫﻮﯾﺘﯽ اﺳﺘﻔﺎده از اﯾﻦ دادهﻫﺎ ﺑﺮاي آﻣﻮزش ﻣﺪلﻫﺎي AIﺑﺎﯾﺪ ﺑﺎ رﻋﺎﯾﺖ اﺻﻮل زﯾﺮ ﺑﺎﺷﺪ: ✔ ﺣﺪاﻗﻞﮔﺮاﯾﯽ در ﺟﻤﻊآوري داده ✔ رﻣﺰﻧﮕﺎري و اﻣﻨﯿﺖ ﺑﺎﻻ ✔ ﻣﺤﺪودﯾﺖ دﺳﺘﺮﺳﯽ ✔ ﺷﻔﺎﻓﯿﺖ در ﻧﺤﻮه اﺳﺘﻔﺎده ﻧﻘﺾ ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ ﻣﯽﺗﻮاﻧﺪ ﻋﻼوه ﺑﺮ ﺟﺮﯾﻤﻪﻫﺎي ﺳﻨﮕﯿﻦ ،ﺑﻪ از دﺳﺖ رﻓﺘﻦ اﻋﺘﻤﺎد ﻣﺸﺘﺮﯾﺎن ﻣﻨﺠﺮ ﺷﻮد.  :5-8ﭼﺎرﭼﻮبﻫﺎي ﺣﺎﮐﻤﯿﺖ داده )(Data Governance ﺣﺎﮐﻤﯿﺖ داده ﻣﺠﻤﻮﻋﻪاي از ﺳﯿﺎﺳﺖﻫﺎ ،اﺳﺘﺎﻧﺪاردﻫﺎ و ﻓﺮآﯾﻨﺪﻫﺎﯾﯽ اﺳﺖ ﮐﻪ ﻧﺤﻮه ﻣﺪﯾﺮﯾﺖ داده در ﺳﺎزﻣﺎن را ﻣﺸﺨﺺ ﻣﯽﮐﻨﺪ. در ﺑﺎﻧﮑﺪاري ﻣﺒﺘﻨﯽ ﺑﺮ ،AIﺣﺎﮐﻤﯿﺖ داده ﺷﺎﻣﻞ: • ﺗﻌﺮﯾﻒ ﻣﺎﻟﮑﯿﺖ داده • اﺳﺘﺎﻧﺪاردﺳﺎزي ﮐﯿﻔﯿﺖ داده • ﻣﺴﺘﻨﺪﺳﺎزي ﻣﺪلﻫﺎ • ﻧﻈﺎرت ﺑﺮ ﭼﺮﺧﻪ ﻋﻤﺮ داده • ﺛﺒﺖ و ﭘﺎﯾﺶ ﺗﻐﯿﯿﺮات ﻣﺪل ﺑﺪون ﭼﺎرﭼﻮب ﺣﺎﮐﻤﯿﺖ ﻗﻮي ،ﭘﺮوژهﻫﺎي AIﻣﻤﮑﻦ اﺳﺖ ﺑﺎ رﯾﺴﮏﻫﺎي ﻋﻤﻠﯿﺎﺗﯽ و ﻗﺎﻧﻮﻧﯽ ﻣﻮاﺟﻪ ﺷﻮﻧﺪ.  :6-8اﻟﺰاﻣﺎت ﻧﻈﺎرﺗﯽ و ﻣﻘﺮرات ﻧﻬﺎدﻫﺎي ﻧﻈﺎرﺗﯽ ﻣﺎﻟﯽ ﻧﺴﺒﺖ ﺑﻪ اﺳﺘﻔﺎده از AIﺣﺴﺎس ﻫﺴﺘﻨﺪ ،زﯾﺮا ﺗﺼﻤﯿﻤﺎت اﻟﮕﻮرﯾﺘﻤﯽ ﻣﯽﺗﻮاﻧﻨﺪ ﺑﺮ ﺛﺒﺎت ﻣﺎﻟﯽ اﺛﺮ ﺑﮕﺬارﻧﺪ. ﻣﻘﺮرات ﻣﻌﻤﻮﻻً ﺑﺮ ﻣﻮارد زﯾﺮ ﺗﺄﮐﯿﺪ دارﻧﺪ: • ﺷﻔﺎﻓﯿﺖ در ﺗﺼﻤﯿﻢﮔﯿﺮي • ﻗﺎﺑﻠﯿﺖ ﻣﻤﯿﺰي ﻣﺪلﻫﺎ • ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ اﻟﮕﻮرﯾﺘﻤﯽ • ﺣﻔﺎﻇﺖ از ﻣﺼﺮفﮐﻨﻨﺪه • ﺟﻠﻮﮔﯿﺮي از ﺗﺒﻌﯿﺾ ﺑﺎﻧﮏﻫﺎ ﺑﺎﯾﺪ ﺑﺘﻮاﻧﻨﺪ ﻣﺪلﻫﺎي ﺧﻮد را ﺑﺮاي ﻧﻬﺎدﻫﺎي ﻧﻈﺎرﺗﯽ ﻣﺴﺘﻨﺪﺳﺎزي و ﺗﻮﺿﯿﺢ دﻫﻨﺪ.  :7-8ﻣﺴﺌﻮﻟﯿﺖﭘﺬﯾﺮي و ﭘﺎﺳﺨﮕﻮﯾﯽ ﯾﮑﯽ از ﭘﺮﺳﺶﻫﺎي ﮐﻠﯿﺪي اﯾﻦ اﺳﺖ: اﮔﺮ اﻟﮕﻮرﯾﺘﻢ اﺷﺘﺒﺎه ﮐﻨﺪ ،ﭼﻪ ﮐﺴﯽ ﻣﺴﺌﻮل اﺳﺖ؟ آﯾﺎ ﻣﺴﺌﻮﻟﯿﺖ ﺑﺎ: • ﺗﻮﺳﻌﻪدﻫﻨﺪه ﻣﺪل؟ • ﻣﺪﯾﺮ ﻓﻨﺎوري اﻃﻼﻋﺎت؟ • ﻣﺪﯾﺮ ارﺷﺪ رﯾﺴﮏ؟ • ﻫﯿﺌﺖﻣﺪﯾﺮه ﺑﺎﻧﮏ؟ در ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ،ﺳﺎﺧﺘﺎر ﻣﺴﺌﻮﻟﯿﺖﭘﺬﯾﺮي ﺑﺎﯾﺪ ﺷﻔﺎف ﺗﻌﺮﯾﻒ ﺷﻮد .ﺗﺼﻤﯿﻢﮔﯿﺮي ﻧﻬﺎﯾﯽ در ﺑﺴﯿﺎري ﻣﻮارد ﻫﻤﭽﻨﺎن ﺑﺎﯾﺪ ﺑﺎ ﻧﻈﺎرت اﻧﺴﺎﻧﯽ ﻫﻤﺮاه ﺑﺎﺷﺪ. ﻣﻔﻬﻮم »اﻧﺴﺎن در ﺣﻠﻘﻪ ﺗﺼﻤﯿﻢﮔﯿﺮي« ) (Human-in-the-Loopﺑﺮاي ﮐﺎرﺑﺮدﻫﺎي ﺣﺴﺎس ﺑﺴﯿﺎر اﻫﻤﯿﺖ دارد.  :8-8آﯾﻨﺪه ﺣﮑﻤﺮاﻧﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺑﺎﻧﮑﺪاري ﺑﺎ ﮔﺴﺘﺮش اﺳﺘﻔﺎده از ،AIاﻧﺘﻈﺎر ﻣﯽرود: • اﺳﺘﺎﻧﺪاردﻫﺎي ﺟﻬﺎﻧﯽ ﻣﺸﺘﺮك ﺗﺪوﯾﻦ ﺷﻮد • ﻣﻤﯿﺰي اﻟﮕﻮرﯾﺘﻤﯽ اﺟﺒﺎري ﺷﻮد • ﮔﺰارشدﻫﯽ رﯾﺴﮏ ﻣﺪلﻫﺎ اﻟﺰاﻣﯽ ﮔﺮدد • ارزﯾﺎﺑﯽ ﻋﺪاﻟﺖ اﻟﮕﻮرﯾﺘﻤﯽ ﺑﻪ ﻓﺮآﯾﻨﺪ رﺳﻤﯽ ﺗﺒﺪﯾﻞ ﺷﻮد ﺑﺎﻧﮏﻫﺎﯾﯽ ﮐﻪ از اﺑﺘﺪا اﺻﻮل اﺧﻼﻗﯽ و ﺣﺎﮐﻤﯿﺖ داده را ﺟﺪي ﺑﮕﯿﺮﻧﺪ ،در ﺑﻠﻨﺪﻣﺪت ﻣﺰﯾﺖ رﻗﺎﺑﺘﯽ ﺧﻮاﻫﻨﺪ داﺷﺖ. اﻋﺘﻤﺎد ،ﺳﺮﻣﺎﯾﻪ اﺻﻠﯽ ﺑﺎﻧﮏﻫﺎﺳﺖ؛ و ﺑﺪون رﻋﺎﯾﺖ اﺧﻼق در ﻫﻮش ﻣﺼﻨﻮﻋﯽ ،اﯾﻦ ﺳﺮﻣﺎﯾﻪ ﺑﻪ ﺧﻄﺮ ﻣﯽاﻓﺘﺪ. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ ﻫﺸﺘﻢ در اﯾﻦ ﻓﺼﻞ ﺑﺮرﺳﯽ ﮐﺮدﯾﻢ: • ﭼﺮا اﺧﻼق در ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﻧﮑﯽ ﺣﯿﺎﺗﯽ اﺳﺖ. • ﺳﻮﮔﯿﺮي اﻟﮕﻮرﯾﺘﻤﯽ ﭼﮕﻮﻧﻪ ﺷﮑﻞ ﻣﯽﮔﯿﺮد. • اﻫﻤﯿﺖ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻗﺎﺑﻞ ﺗﻮﺿﯿﺢ ﭼﯿﺴﺖ. • ﻧﻘﺶ ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ و ﺣﺎﮐﻤﯿﺖ داده ﭼﯿﺴﺖ. • ﻣﺴﺌﻮﻟﯿﺖﭘﺬﯾﺮي در ﺗﺼﻤﯿﻢﮔﯿﺮي اﻟﮕﻮرﯾﺘﻤﯽ ﭼﮕﻮﻧﻪ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد. در ﻓﺼﻞ ﺑﻌﺪ ،ﺑﻪ ﺑﺮرﺳﯽ ﺗﺄﺛﯿﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺑﺎﻧﮏﻫﺎ ،ﺗﻐﯿﯿﺮ ﻣﻬﺎرتﻫﺎ و آﯾﻨﺪه ﻣﺸﺎﻏﻞ ﺑﺎﻧﮑﯽ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ. ﻓﺼﻞ ﻧﻬﻢ: ﺗﺄﺛﯿﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ و آﯾﻨﺪه ﻣﺸﺎﻏﻞ ﺑﺎﻧﮑﯽ  :1-9ﺗﺤﻮل ﻧﯿﺮوي اﻧﺴﺎﻧﯽ در ﺑﺎﻧﮑﺪاري ﻫﻮش ﻣﺼﻨﻮﻋﯽ و اﺗﻮﻣﺎﺳﯿﻮن در ﺑﺎﻧﮑﺪاري ﺗﻨﻬﺎ ﺑﻪ ﺑﻬﺒﻮد ﻓﺮآﯾﻨﺪﻫﺎ ﻣﺤﺪود ﻧﻤﯽﺷﻮﻧﺪ؛ ﺑﻠﮑﻪ ﺑﻪﻃﻮر ﻣﺴﺘﻘﯿﻢ ﺳﺎﺧﺘﺎر ﻧﯿﺮوي اﻧﺴﺎﻧﯽ را ﻧﯿﺰ ﺗﻐﯿﯿﺮ دادهاﻧﺪ .ﺑﺴﯿﺎري از وﻇﺎﯾﻒ ﺗﮑﺮاري و زﻣﺎنﺑﺮ ﮐﻪ در ﮔﺬﺷﺘﻪ ﺗﻮﺳﻂ ﮐﺎرﮐﻨﺎن اﻧﺠﺎم ﻣﯽﺷﺪ ،اﮐﻨﻮن ﺗﻮﺳﻂ اﻟﮕﻮرﯾﺘﻢﻫﺎ و رﺑﺎتﻫﺎ اﻧﺠﺎم ﻣﯽﮔﯿﺮد. ﻧﻤﻮﻧﻪﻫﺎي ﺗﻐﯿﯿﺮات: • ﭘﺮدازش ﺗﺮاﮐﻨﺶﻫﺎ و ﭘﺮداﺧﺖﻫﺎ • ﺑﺮرﺳﯽ وام و اﻋﺘﺒﺎرﺳﻨﺠﯽ اوﻟﯿﻪ • ﭘﺎﺳﺦدﻫﯽ ﺑﻪ ﭘﺮﺳﺶﻫﺎي ﻣﺘﺪاول ﻣﺸﺘﺮﯾﺎن • ﺗﺤﻠﯿﻞ ﮔﺰارشﻫﺎ و دادهﻫﺎي ﻣﺎﻟﯽ در ﻧﺘﯿﺠﻪ ،ﺗﻤﺮﮐﺰ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺑﻪ ﺳﻤﺖ وﻇﺎﯾﻒ ﺗﺤﻠﯿﻠﯽ ،ﻣﺪﯾﺮﯾﺘﯽ و اﺳﺘﺮاﺗﮋﯾﮏ ﺣﺮﮐﺖ ﮐﺮده اﺳﺖ.  :2-9ﮐﺎﻫﺶ و ﺗﻐﯿﯿﺮ ﻣﺸﺎﻏﻞ ﺳﻨﺘﯽ ﺑﺮﺧﯽ ﻣﺸﺎﻏﻞ ﺳﻨﺘﯽ در ﺑﺎﻧﮏﻫﺎ ﺑﺎ ﮐﺎﻫﺶ ﻣﻮاﺟﻪ ﺷﺪهاﻧﺪ: .۱ﻣﺘﺼﺪﯾﺎن ﺷﻌﺒﻪ و ﭘﺮدازﺷﮕﺮﻫﺎي دﺳﺘﯽ .۲ﺗﺤﻠﯿﻞﮔﺮان اﺑﺘﺪاﯾﯽ و ﮐﺎرﺷﻨﺎﺳﺎن ورود داده .۳ﮐﺎرﮐﻨﺎن ﻣﺮﮐﺰ ﺗﻤﺎس در وﻇﺎﯾﻒ ﺗﮑﺮاري اﯾﻦ ﺗﻐﯿﯿﺮ ﺑﻪ ﻣﻌﻨﺎي از ﺑﯿﻦ رﻓﺘﻦ ﮐﺎﻣﻞ ﻓﺮﺻﺖﻫﺎي ﺷﻐﻠﯽ ﻧﯿﺴﺖ ،ﺑﻠﮑﻪ ﻧﯿﺎزﻣﻨﺪ ﺗﻐﯿﯿﺮ ﻣﻬﺎرتﻫﺎ و ﺗﻮاﻧﻤﻨﺪﺳﺎزي ﮐﺎرﮐﻨﺎن اﺳﺖ .ﺑﺎﻧﮏﻫﺎ ﺑﺎﯾﺪ ﺑﺮاي اﻧﺘﻘﺎل ﮐﺎرﮐﻨﺎن ﺑﻪ ﻧﻘﺶﻫﺎي ﺗﺤﻠﯿﻠﯽ و ﻣﺸﺘﺮيﻣﺤﻮر ﺑﺮﻧﺎﻣﻪرﯾﺰي ﮐﻨﻨﺪ.  :3-9ﻣﻬﺎرتﻫﺎي ﺿﺮوري در ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺑﺎﻧﮏﻫﺎ در ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﯿﺎزﻣﻨﺪ ﻣﻬﺎرتﻫﺎي ﺟﺪﯾﺪ اﺳﺖ: • ﺗﺤﻠﯿﻞ داده و آﻣﺎر :ﺗﻮاﻧﺎﯾﯽ ﻓﻬﻢ ﻣﺪلﻫﺎي MLو اﺳﺘﺨﺮاج ﺑﯿﻨﺶ • ﺗﻔﮑﺮ اﺳﺘﺮاﺗﮋﯾﮏ :ﺗﺼﻤﯿﻢﮔﯿﺮي ﻣﺒﺘﻨﯽ ﺑﺮ داده و ﭘﯿﺶﺑﯿﻨﯽ روﻧﺪﻫﺎ • ﻣﺪﯾﺮﯾﺖ ﻓﻨﺎوري :آﺷﻨﺎﯾﯽ ﺑﺎ زﯾﺮﺳﺎﺧﺖﻫﺎي AIو ﺳﯿﺴﺘﻢﻫﺎي ﺑﺎﻧﮑﯽ دﯾﺠﯿﺘﺎل • ارﺗﺒﺎط ﺑﺎ ﻣﺸﺘﺮي :اراﺋﻪ ﺧﺪﻣﺎت ﻣﺸﺎورهاي و ﺷﺨﺼﯽﺳﺎزي ﺷﺪه • اﺧﻼق و ﺣﺎﮐﻤﯿﺖ داده :رﻋﺎﯾﺖ اﺻﻮل اﺧﻼﻗﯽ و ﻗﺎﻧﻮﻧﯽ در اﺳﺘﻔﺎده از AI اﯾﻦ ﻣﻬﺎرتﻫﺎ ﺑﺎﻋﺚ ﻣﯽﺷﻮﻧﺪ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺟﺎﯾﮕﺎه ﺧﻮد را در ﺑﺎﻧﮑﺪاري ﻣﺪرن ﺣﻔﻆ ﮐﻨﺪ و ارزش اﻓﺰوده اﯾﺠﺎد ﻧﻤﺎﯾﺪ.  :4-9ﻧﻘﺶ آﻣﻮزش و ﺗﻮﺳﻌﻪ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﺎﻧﮏﻫﺎ ﺑﺎﯾﺪ ﺑﺮﻧﺎﻣﻪﻫﺎي آﻣﻮزﺷﯽ ﻣﺪاوم ﺑﺮاي ﮐﺎرﮐﻨﺎن اﯾﺠﺎد ﮐﻨﻨﺪ: • ﮐﺎرﮔﺎهﻫﺎي ﻋﻤﻠﯽ در زﻣﯿﻨﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ • آﻣﻮزش ﺗﺤﻠﯿﻞ دادهﻫﺎي ﺗﺮاﮐﻨﺸﯽ و ﻣﺎﻟﯽ • دورهﻫﺎي اﻣﻨﯿﺖ ﺳﺎﯾﺒﺮي و ﺣﺎﮐﻤﯿﺖ داده • ﻣﻬﺎرتﻫﺎي ﻣﺸﺎورهاي و ﻣﺪﯾﺮﯾﺖ ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي ﺳﺮﻣﺎﯾﻪﮔﺬاري در آﻣﻮزش ،ﻧﻪ ﺗﻨﻬﺎ از ﻣﻘﺎوﻣﺖ ﮐﺎرﮐﻨﺎن در ﺑﺮاﺑﺮ ﺗﻐﯿﯿﺮ ﻣﯽﮐﺎﻫﺪ ،ﺑﻠﮑﻪ ﺗﻮاﻧﺎﯾﯽ ﺳﺎزﻣﺎن را ﺑﺮاي ﺑﻬﺮهﺑﺮداري از AIاﻓﺰاﯾﺶ ﻣﯽدﻫﺪ.  :5-9ﻫﻤﮑﺎري اﻧﺴﺎن و ﻣﺎﺷﯿﻦ آﯾﻨﺪه ﺑﺎﻧﮑﺪاري ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﻌﺎﻣﻞ اﻧﺴﺎن و ﻣﺎﺷﯿﻦ اﺳﺖ .اﻟﮕﻮرﯾﺘﻢﻫﺎ و رﺑﺎتﻫﺎ وﻇﺎﯾﻒ ﺗﮑﺮاري و ﭘﺮدازﺷﯽ را اﻧﺠﺎم ﻣﯽدﻫﻨﺪ ،در ﺣﺎﻟﯽ ﮐﻪ اﻧﺴﺎنﻫﺎ ﺑﺮ ﺗﺼﻤﯿﻢﮔﯿﺮيﻫﺎي ﭘﯿﭽﯿﺪه و اﺳﺘﺮاﺗﮋﯾﮏ ﺗﻤﺮﮐﺰ ﻣﯽﮐﻨﻨﺪ. ﻧﻤﻮﻧﻪﻫﺎ: • ﺗﺤﻠﯿﻞﮔﺮ رﯾﺴﮏ :اﻟﮕﻮرﯾﺘﻢﻫﺎ ﺗﺮاﮐﻨﺶﻫﺎ را ﭘﺮدازش ﻣﯽﮐﻨﻨﺪ ،ﺗﺤﻠﯿﻞﮔﺮ ﺗﺼﻤﯿﻢ ﻧﻬﺎﯾﯽ ﻣﯽﮔﯿﺮد • ﻣﺸﺎور ﺳﺮﻣﺎﯾﻪﮔﺬاري :رﺑﺎت ﺳﺒﺪ ﺳﺮﻣﺎﯾﻪ را ﭘﯿﺸﻨﻬﺎد ﻣﯽدﻫﺪ ،اﻧﺴﺎن ﻣﺸﺎوره ﺷﺨﺼﯽ اراﺋﻪ ﻣﯽﮐﻨﺪ • ﻣﺮﮐﺰ ﺗﻤﺎس :ﭼﺖﺑﺎت ﺑﻪ ﭘﺮﺳﺶﻫﺎي راﯾﺞ ﭘﺎﺳﺦ ﻣﯽدﻫﺪ ،اﭘﺮاﺗﻮر اﻧﺴﺎﻧﯽ ﻣﺴﺎﺋﻞ ﭘﯿﭽﯿﺪه را ﺣﻞ ﻣﯽﮐﻨﺪ اﯾﻦ ﻫﻤﮑﺎري ﺑﺎﻋﺚ اﻓﺰاﯾﺶ ﮐﺎراﯾﯽ ،ﮐﺎﻫﺶ ﺧﻄﺎ و ﺑﻬﺒﻮد ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي ﻣﯽﺷﻮد.  :6-9ﻓﺮﺻﺖﻫﺎي ﺷﻐﻠﯽ ﺟﺪﯾﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻤﭽﻨﯿﻦ ﻓﺮﺻﺖﻫﺎي ﺷﻐﻠﯽ ﺟﺪﯾﺪ اﯾﺠﺎد ﮐﺮده اﺳﺖ: • ﻣﻬﻨﺪس داده و ﺗﺤﻠﯿﻞﮔﺮ داده ﺑﺎﻧﮑﯽ • ﻣﺘﺨﺼﺺ ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ در ﺑﺎﻧﮑﺪاري • ﻣﺸﺎور دﯾﺠﯿﺘﺎل و ﻃﺮاﺣﯽ ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي • ﻣﺪﯾﺮ ﭘﺮوژهﻫﺎي ﻓﻨﺎوري ﻣﺎﻟﯽ • ﻣﺘﺨﺼﺺ اﻣﻨﯿﺖ ﺳﺎﯾﺒﺮي اﯾﻦ ﻣﺸﺎﻏﻞ ﻧﯿﺎزﻣﻨﺪ ﺗﺮﮐﯿﺒﯽ از داﻧﺶ ﻣﺎﻟﯽ ،ﻓﻨﺎوري و ﺗﺤﻠﯿﻞ داده ﻫﺴﺘﻨﺪ و از ﺟﺬاﺑﯿﺖ ﺑﺎﻻﯾﯽ ﺑﺮاي ﻧﺴﻞ ﺟﺪﯾﺪ ﻧﯿﺮوي ﮐﺎر ﺑﺮﺧﻮردارﻧﺪ.  :7-9ﭼﺎﻟﺶﻫﺎي اﻧﺴﺎﻧﯽ در ﭘﺬﯾﺮش AI ﺑﺎ وﺟﻮد ﻓﺮﺻﺖﻫﺎ ،ﭼﺎﻟﺶﻫﺎﯾﯽ ﻧﯿﺰ وﺟﻮد دارد: • ﻣﻘﺎوﻣﺖ ﮐﺎرﮐﻨﺎن در ﺑﺮاﺑﺮ ﺗﻐﯿﯿﺮ • ﺗﺮس از ﺟﺎﯾﮕﺰﯾﻨﯽ ﺗﻮﺳﻂ ﻣﺎﺷﯿﻦ • ﻧﯿﺎز ﺑﻪ ﺑﺎزآﻣﻮزي و آﻣﻮزش ﻣﺠﺪد • ﺣﻔﻆ اﻧﮕﯿﺰه و رﺿﺎﯾﺖ ﮐﺎرﮐﻨﺎن راﻫﮑﺎرﻫﺎ: • اﯾﺠﺎد ﻓﺮﻫﻨﮓ ﺳﺎزﻣﺎﻧﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻧﻮآوري • ﺷﻔﺎفﺳﺎزي ﻧﻘﺶ اﻧﺴﺎن در ﻓﺮآﯾﻨﺪﻫﺎي ﺟﺪﯾﺪ • اراﺋﻪ ﻓﺮﺻﺖﻫﺎي رﺷﺪ و ارﺗﻘﺎ ﺗﻄﺒﯿﻖ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺑﺎ ﻓﻨﺎوري ،ﻋﺎﻣﻞ ﻣﻮﻓﻘﯿﺖ ﯾﺎ ﺷﮑﺴﺖ ﺑﺎﻧﮏ در اﺳﺘﻔﺎده از AIﺧﻮاﻫﺪ ﺑﻮد.  :8-9آﯾﻨﺪه ﻣﺸﺎﻏﻞ ﺑﺎﻧﮑﯽ در ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ آﯾﻨﺪه ﺑﺎﻧﮑﺪاري ﻣﺪرن ﺗﺮﮐﯿﺒﯽ از اﻧﺴﺎن و ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺧﻮاﻫﺪ ﺑﻮد: • ﻧﻘﺶﻫﺎي ﺗﮑﺮاري ﮐﺎﻫﺶ ﻣﯽﯾﺎﺑﺪ • ﻣﻬﺎرتﻫﺎي ﺗﺤﻠﯿﻠﯽ و اﺳﺘﺮاﺗﮋﯾﮏ اﻫﻤﯿﺖ ﺑﯿﺸﺘﺮي ﭘﯿﺪا ﻣﯽﮐﻨﻨﺪ • ﻫﻤﮑﺎري اﻧﺴﺎن و ﻣﺎﺷﯿﻦ اﻓﺰاﯾﺶ ﻣﯽﯾﺎﺑﺪ • ﺑﺎﻧﮏﻫﺎ ﺑﻪ ﺳﺎزﻣﺎنﻫﺎي ﯾﺎدﮔﯿﺮﻧﺪه و دادهﻣﺤﻮر ﺗﺒﺪﯾﻞ ﻣﯽﺷﻮﻧﺪ در ﻧﻬﺎﯾﺖ ،ﮐﺴﺎﻧﯽ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ ﻣﻬﺎرتﻫﺎي دﯾﺠﯿﺘﺎل ،ﺗﺤﻠﯿﻠﯽ و اﻧﺴﺎﻧﯽ را ﻫﻢزﻣﺎن ﺗﻮﺳﻌﻪ دﻫﻨﺪ ،در ﺑﺎﻧﮑﺪاري آﯾﻨﺪه ارزﺷﻤﻨﺪ ﺧﻮاﻫﻨﺪ ﺑﻮد. ﺟﻤﻊﺑﻨﺪي ﻓﺼﻞ ﻧﻬﻢ در اﯾﻦ ﻓﺼﻞ ﺑﺮرﺳﯽ ﺷﺪ: • ﺗﺄﺛﯿﺮ AIﺑﺮ ﮐﺎﻫﺶ و ﺗﻐﯿﯿﺮ ﻣﺸﺎﻏﻞ ﺳﻨﺘﯽ ﺑﺎﻧﮑﯽ • ﻣﻬﺎرتﻫﺎي ﺿﺮوري ﻧﯿﺮوي اﻧﺴﺎﻧﯽ در ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ • اﻫﻤﯿﺖ آﻣﻮزش و ﺗﻮﺳﻌﻪ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ • ﻫﻤﮑﺎري اﻧﺴﺎن و ﻣﺎﺷﯿﻦ ﺑﺮاي اﻓﺰاﯾﺶ ﮐﺎراﯾﯽ • ﻓﺮﺻﺖﻫﺎ و ﭼﺎﻟﺶﻫﺎي ﺷﻐﻠﯽ در ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻓﺼﻞ ﺑﻌﺪ ،ﺑﻪ ﺟﻤﻊﺑﻨﺪي ﻧﻬﺎﯾﯽ ﮐﺘﺎب و ﺗﺮﺳﯿﻢ ﭼﺸﻢاﻧﺪاز ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ در دﻫﻪﻫﺎي آﯾﻨﺪه اﺧﺘﺼﺎص ﺧﻮاﻫﺪ داﺷﺖ. ﻓﺼﻞ دﻫﻢ: ﺟﻤﻊﺑﻨﺪي و ﭼﺸﻢاﻧﺪاز آﯾﻨﺪه ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ  :1-10ﻧﮕﺎه ﮐﻠﯽ ﺑﻪ ﺗﺤﻮﻻت ﺑﺎﻧﮑﺪاري در اﯾﻦ ﮐﺘﺎب ،ﻣﺴﯿﺮ ﺗﺤﻮل ﺑﺎﻧﮑﺪاري از ﺳﻨﺘﯽ ﺗﺎ ﻫﻮﺷﻤﻨﺪ را ﺑﺮرﺳﯽ ﮐﺮدﯾﻢ .ﻧﮑﺎت ﮐﻠﯿﺪي ﺷﺎﻣﻞ: • ﺑﺎﻧﮑﺪاري ﺳﻨﺘﯽ ﺑﺎ ﻓﺮآﯾﻨﺪﻫﺎي دﺳﺘﯽ و ﺣﻀﻮري • ورود ﺑﺎﻧﮑﺪاري اﻟﮑﺘﺮوﻧﯿﮏ و ﻣﻮﺑﺎﯾﻞ • ﮔﺴﺘﺮش ﻓﯿﻦﺗﮏﻫﺎ و دادهﻫﺎي ﻋﻈﯿﻢ • ﻧﻘﺶ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﻋﺘﺒﺎرﺳﻨﺠﯽ ،ﮐﺸﻒ ﺗﻘﻠﺐ و ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ • رﺑﺎتﻫﺎي ﮔﻔﺘﮕﻮ و ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي ﺷﺨﺼﯽﺳﺎزيﺷﺪه • ﮐﺎرﺑﺮد AIدر ﺳﺮﻣﺎﯾﻪﮔﺬاري و ﻣﻌﺎﻣﻼت اﻟﮕﻮرﯾﺘﻤﯽ • اﻫﻤﯿﺖ اﺧﻼق ،ﺣﺎﮐﻤﯿﺖ داده و ﭼﺎرﭼﻮبﻫﺎي ﻧﻈﺎرﺗﯽ • ﺗﺄﺛﯿﺮ AIﺑﺮ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ و ﻣﻬﺎرتﻫﺎي ﻣﻮرد ﻧﯿﺎز اﯾﻦ ﻣﺴﯿﺮ ﻧﺸﺎن ﻣﯽدﻫﺪ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﻪ ﺗﻨﻬﺎ اﺑﺰار ،ﺑﻠﮑﻪ ﯾﮏ ﻋﺎﻣﻞ ﺗﺤﻮل ﺑﻨﯿﺎدﯾﻦ در ﺑﺎﻧﮑﺪاري اﺳﺖ.  :2-10ﻫﻮش ﻣﺼﻨﻮﻋﯽ؛ از اﺑﺰار ﺑﻪ ﻣﺰﯾﺖ رﻗﺎﺑﺘﯽ ﺑﺎﻧﮏﻫﺎﯾﯽ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را در ﻫﺴﺘﻪ ﺗﺼﻤﯿﻢﮔﯿﺮي ﺧﻮد ﻗﺮار دادهاﻧﺪ ،ﭼﻨﺪ ﻣﺰﯾﺖ ﮐﻠﯿﺪي دارﻧﺪ: .۱ﺳﺮﻋﺖ و دﻗﺖ ﺑﺎﻻ :ﭘﺮدازش ﻣﯿﻠﯿﻮنﻫﺎ ﺗﺮاﮐﻨﺶ در ﻟﺤﻈﻪ .۲ﭘﯿﺶﺑﯿﻨﯽ و ﺗﺼﻤﯿﻢﮔﯿﺮي ﻫﻮﺷﻤﻨﺪ :ﮐﺎﻫﺶ رﯾﺴﮏ و اﻓﺰاﯾﺶ ﺑﺎزده .۳ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي ﺷﺨﺼﯽﺳﺎزيﺷﺪه :اﻓﺰاﯾﺶ رﺿﺎﯾﺖ و وﻓﺎداري .۴ﮐﺸﻒ ﺗﻘﻠﺐ و اﻣﻨﯿﺖ ﺳﺎﯾﺒﺮي ﺑﻬﯿﻨﻪ :ﮐﺎﻫﺶ ﺧﺴﺎرتﻫﺎي ﻣﺎﻟﯽ .۵ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺆﺛﺮ :ﺗﻤﺮﮐﺰ ﺑﺮ ﻣﻬﺎرتﻫﺎي اﺳﺘﺮاﺗﮋﯾﮏ و ﺗﺤﻠﯿﻠﯽ اﯾﻦ ﻣﺰاﯾﺎ ﻧﺸﺎن ﻣﯽدﻫﺪ ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ ،ﯾﮏ ﺗﻐﯿﯿﺮ ﺳﺎﺧﺘﺎري و اﺳﺘﺮاﺗﮋﯾﮏ اﺳﺖ ،ﻧﻪ ﻓﻘﻂ ﯾﮏ ﺑﻬﺒﻮد ﻓﻨﺎوري.  :3-10ﭼﺎﻟﺶﻫﺎ و ﻣﺤﺪودﯾﺖﻫﺎ ﺑﺎ وﺟﻮد ﻣﺰاﯾﺎ ،اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭼﺎﻟﺶﻫﺎﯾﯽ دارد: • ﺳﻮﮔﯿﺮي و ﺑﯽﻋﺪاﻟﺘﯽ اﻟﮕﻮرﯾﺘﻤﯽ • ﮐﻤﺒﻮد دادهﻫﺎي ﺑﺎ ﮐﯿﻔﯿﺖ و اﺳﺘﺎﻧﺪارد • ﻫﺰﯾﻨﻪ و ﭘﯿﭽﯿﺪﮔﯽ زﯾﺮﺳﺎﺧﺖﻫﺎ • ﻧﮕﺮاﻧﯽﻫﺎي اﻣﻨﯿﺖ و ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ • ﻧﯿﺎز ﺑﻪ ﻣﻬﺎرتﻫﺎي ﺗﺨﺼﺼﯽ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺑﺎﻧﮏﻫﺎ ﺑﺎﯾﺪ ﺑﺎ ﺗﺪوﯾﻦ ﺳﯿﺎﺳﺖﻫﺎ ،آﻣﻮزش ﮐﺎرﮐﻨﺎن و ﭼﺎرﭼﻮبﻫﺎي ﻧﻈﺎرﺗﯽ ،اﯾﻦ ﭼﺎﻟﺶﻫﺎ را ﻣﺪﯾﺮﯾﺖ ﮐﻨﻨﺪ ﺗﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ اﺑﺰار ﭘﺎﯾﺪاري ﺗﺒﺪﯾﻞ ﺷﻮد.  :4-10ﺑﺎﻧﮑﺪاري ﭘﯿﺶﺑﯿﻦ و ﻣﺸﺘﺮيﻣﺤﻮر ﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ وﯾﮋﮔﯽﻫﺎي ﺑﺎﻧﮑﺪاري آﯾﻨﺪه ،ﭘﯿﺶﺑﯿﻨﯽ ﻧﯿﺎز ﻣﺸﺘﺮﯾﺎن اﺳﺖ: • ﭘﯿﺸﻨﻬﺎد ﻣﺤﺼﻮﻻت ﻣﺎﻟﯽ ﻗﺒﻞ از درﺧﻮاﺳﺖ ﻣﺸﺘﺮي • ﺷﻨﺎﺳﺎﯾﯽ ﺧﻄﺮات و ﻓﺮﺻﺖﻫﺎ در ﻟﺤﻈﻪ • ﺗﺤﻠﯿﻞ رﻓﺘﺎر و اﺣﺴﺎﺳﺎت ﻣﺸﺘﺮي ﺑﺮاي اراﺋﻪ ﺧﺪﻣﺎت ﺑﻬﺘﺮ اﯾﻦ ﺳﻄﺢ از ﻫﻮﺷﻤﻨﺪي ﺑﺎﻋﺚ ﻣﯽﺷﻮد ﺑﺎﻧﮏﻫﺎ ﺑﻪ ﺟﺎي واﮐﻨﺶ ﺑﻪ ﻧﯿﺎزﻫﺎ ،ﭘﯿﺶدﺳﺘﺎﻧﻪ ﻋﻤﻞ ﮐﻨﻨﺪ و ﻣﺰﯾﺖ رﻗﺎﺑﺘﯽ ﭘﺎﯾﺪار اﯾﺠﺎد ﻧﻤﺎﯾﻨﺪ.  :5-10ﻧﻘﺶ ﺗﺮﮐﯿﺒﯽ اﻧﺴﺎن و ﻫﻮش ﻣﺼﻨﻮﻋﯽ آﯾﻨﺪه ﺑﺎﻧﮑﺪاري ،ﺗﻠﻔﯿﻘﯽ از ﺗﻮاﻧﻤﻨﺪي اﻧﺴﺎن و ﻗﺪرت ﭘﺮدازﺷﯽ AIﺧﻮاﻫﺪ ﺑﻮد: • اﻧﺴﺎن :ﺗﺼﻤﯿﻢﮔﯿﺮي اﺳﺘﺮاﺗﮋﯾﮏ ،ﻣﺸﺎوره ﺷﺨﺼﯽ ،ﻧﻈﺎرت اﺧﻼﻗﯽ • ﻫﻮش ﻣﺼﻨﻮﻋﯽ :ﭘﺮدازش داده ،ﺗﺤﻠﯿﻞ ﭘﯿﭽﯿﺪه ،ﮐﺸﻒ اﻟﮕﻮ ،ﭘﯿﺶﺑﯿﻨﯽ اﯾﻦ ﻫﻤﮑﺎري ،ﮐﺎراﯾﯽ و دﻗﺖ را اﻓﺰاﯾﺶ ﻣﯽدﻫﺪ و ﺑﺎﻧﮏﻫﺎ را ﻗﺎدر ﻣﯽﺳﺎزد ﺑﻪ ﺳﺮﻋﺖ ﺑﺎ ﺗﻐﯿﯿﺮات ﺑﺎزار و ﻧﯿﺎز ﻣﺸﺘﺮﯾﺎن ﺳﺎزﮔﺎر ﺷﻮﻧﺪ.  :6-10آﯾﻨﺪه ﺳﺮﻣﺎﯾﻪﮔﺬاري و ﻣﻌﺎﻣﻼت ﻫﻮﺷﻤﻨﺪ در ﺣﻮزه ﺳﺮﻣﺎﯾﻪﮔﺬاري و ﻣﺪﯾﺮﯾﺖ ﭘﺮﺗﻔﻮي: • اﺳﺘﻔﺎده از ﻣﺪلﻫﺎي ﭘﯿﺶﺑﯿﻨﯽ ﺑﺎزار و ﺗﺤﻠﯿﻞ اﺣﺴﺎﺳﺎت • ﻣﻌﺎﻣﻼت اﻟﮕﻮرﯾﺘﻤﯽ ﺑﺎ ﺳﺮﻋﺖ ﻣﯿﻠﯽﺛﺎﻧﯿﻪاي • رﺑﺎتﻫﺎي ﻣﺸﺎور ﺳﺮﻣﺎﯾﻪﮔﺬاري ﺑﺮاي ﻣﺸﺘﺮﯾﺎن ﺧﺮد و ﮐﻼن • ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ ﺑﻼدرﻧﮓ و ﺗﻄﺒﯿﻘﯽ اﯾﻦ روﻧﺪﻫﺎ ﺑﺎﻋﺚ ﻣﯽﺷﻮﻧﺪ ﺳﺮﻣﺎﯾﻪﮔﺬاري ﻫﻮﺷﻤﻨﺪﺗﺮ ،ﺳﺮﯾﻊﺗﺮ و ﮐﻢرﯾﺴﮏﺗﺮ اﻧﺠﺎم ﺷﻮد و دﺳﺘﺮﺳﯽ ﻋﻤﻮﻣﯽ ﺑﻪ ﺧﺪﻣﺎت ﻣﺎﻟﯽ ﭘﯿﺸﺮﻓﺘﻪ اﻓﺰاﯾﺶ ﯾﺎﺑﺪ.  :7-10ﺑﺎﻧﮑﺪاري دﯾﺠﯿﺘﺎل و ﺣﺎﮐﻤﯿﺖ داده ﺑﺎﻧﮏﻫﺎي آﯾﻨﺪه ﺑﺎﯾﺪ ﻫﻤﺰﻣﺎن ﺑﺎ ﻧﻮآوري ،ﺣﺎﮐﻤﯿﺖ داده و اﺧﻼق AIرا رﻋﺎﯾﺖ ﮐﻨﻨﺪ: • ﺷﻔﺎﻓﯿﺖ ﺗﺼﻤﯿﻤﺎت اﻟﮕﻮرﯾﺘﻤﯽ • ﺟﻠﻮﮔﯿﺮي از ﺗﺒﻌﯿﺾ و ﺳﻮﮔﯿﺮي • ﺣﻔﻆ ﺣﺮﯾﻢ ﺧﺼﻮﺻﯽ ﻣﺸﺘﺮي • ﻣﺴﺌﻮﻟﯿﺖﭘﺬﯾﺮي و ﻧﻈﺎرت اﻧﺴﺎﻧﯽ ﺣﺎﮐﻤﯿﺖ درﺳﺖ داده و ،AIاﻋﺘﻤﺎد ﻣﺸﺘﺮي و اﻋﺘﺒﺎر ﺑﺎﻧﮏ را ﺗﻀﻤﯿﻦ ﻣﯽﮐﻨﺪ.  :8-10ﭼﺸﻢاﻧﺪاز دﻫﻪﻫﺎي آﯾﻨﺪه ﭼﺸﻢاﻧﺪاز ﺑﺎﻧﮑﺪاري ﻫﻮﺷﻤﻨﺪ در آﯾﻨﺪه ﻧﺰدﯾﮏ: .۱ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻤﻪﺟﺎﻧﺒﻪ :ﺣﻀﻮر در ﻫﻤﻪ ﺣﻮزهﻫﺎ از ﻋﻤﻠﯿﺎت ﺗﺎ ﺳﺮﻣﺎﯾﻪﮔﺬاري .۲ﺷﺨﺼﯽﺳﺎزي ﭘﯿﺸﺮﻓﺘﻪ ﺧﺪﻣﺎت :اراﺋﻪ ﭘﯿﺸﻨﻬﺎدات ﮐﺎﻣﻼً اﺧﺘﺼﺎﺻﯽ .۳ﺗﺤﻠﯿﻞ داده ﻟﺤﻈﻪاي و ﺑﻼدرﻧﮓ :ﺗﺼﻤﯿﻢﮔﯿﺮي ﺳﺮﯾﻊ و ﺑﻬﯿﻨﻪ .۴اﯾﺠﺎد ﻣﺤﯿﻂ ﻫﻤﮑﺎري اﻧﺴﺎن و ﻣﺎﺷﯿﻦ :اﻓﺰاﯾﺶ ﮐﺎراﯾﯽ و ﮐﺎﻫﺶ ﺧﻄﺎ .۵ﺷﻔﺎﻓﯿﺖ و ﺣﺎﮐﻤﯿﺖ اﺧﻼﻗﯽ :اﻋﺘﻤﺎد و ﭘﺎﯾﺎﯾﯽ ﺳﯿﺴﺘﻢ ﺑﺎﻧﮑﯽ ﺑﺎﻧﮏﻫﺎي ﻣﻮﻓﻖ ،ﮐﺴﺎﻧﯽ ﺧﻮاﻫﻨﺪ ﺑﻮد ﮐﻪ ﻧﻮآوري ،اﺧﻼق و ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﻪﻃﻮر ﻫﻤﺰﻣﺎن ﻣﺪﯾﺮﯾﺖ ﮐﻨﻨﺪ. ﺟﻤﻊﺑﻨﺪي ﻧﻬﺎﯾﯽ ﮐﺘﺎب اﯾﻦ ﮐﺘﺎب ﻧﺸﺎن داد ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﺤﻮﻟﯽ ﺑﻨﯿﺎدﯾﻦ در ﺻﻨﻌﺖ ﺑﺎﻧﮑﺪاري اﯾﺠﺎد ﮐﺮده اﺳﺖ: • از ﭘﺮدازشﻫﺎي ﺳﻨﺘﯽ و دﺳﺘﯽ ﺗﺎ ﺗﺼﻤﯿﻢﮔﯿﺮي ﻫﻮﺷﻤﻨﺪ و ﭘﯿﺶﺑﯿﻦ • از ﺧﺪﻣﺎت ﯾﮑﺴﺎن و ﻋﻤﻮﻣﯽ ﺗﺎ ﺗﺠﺮﺑﻪ ﻣﺸﺘﺮي ﺷﺨﺼﯽﺳﺎزيﺷﺪه • از رﯾﺴﮏﻫﺎي ﻧﺎﺷﻨﺎﺧﺘﻪ ﺗﺎ ﻣﺪﯾﺮﯾﺖ ﻫﻮﺷﻤﻨﺪ و ﺑﻼدرﻧﮓ • از ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺻﺮﻓﺎً اﺟﺮاﯾﯽ ﺗﺎ ﻣﺘﺨﺼﺼﺎن ﺗﺤﻠﯿﻠﯽ و اﺳﺘﺮاﺗﮋﯾﮏ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻨﻬﺎ اﺑﺰار ﻧﯿﺴﺖ ،ﺑﻠﮑﻪ ﻗﻠﺐ ﺑﺎﻧﮑﺪاري آﯾﻨﺪه اﺳﺖ و ﺑﺎﻧﮏﻫﺎﯾﯽ ﮐﻪ ﺑﺘﻮاﻧﻨﺪ آن را ﺑﺎ اﺧﻼق، ﺣﺎﮐﻤﯿﺖ داده و ﻣﻬﺎرت اﻧﺴﺎﻧﯽ ﺗﺮﮐﯿﺐ ﮐﻨﻨﺪ ،در ﻣﺴﯿﺮ ﻣﻮﻓﻘﯿﺖ ﭘﺎﯾﺪار ﻗﺮار ﺧﻮاﻫﻨﺪ ﮔﺮﻓﺖ.