هوش مصنوعی در بانکداری ایران؛ از کشف تقلب تا دستیار مشتری

مخاطب این مطلب مدیر فناوری، مدیر ریسک یا مدیر نوآوری بانک و مؤسسه اعتباری ایرانی است که می‌خواهد بداند هوش مصنوعی دقیقاً کجای عملیات بانکی ارزش قابل‌اندازه‌گیری می‌سازد و چه الزاماتی دارد. تحلیل نهادهای بین‌المللی از جمله گزارش اقتصادی سالانه بانک تسویه بین‌المللی درباره هوش مصنوعی نشان می‌دهد نظام مالی از پیشتازان به‌کارگیری این فناوری است؛ اما همان گزارش بر مدیریت ریسک مدل و حاکمیت داده نیز تأکید می‌کند. برای بانک ایرانی، مسیر درست ترکیب همین دو پیام است: حرکت جدی، با کنترل جدی.

چهار خانواده کاربرد با ارزش اثبات‌شده

تجربه جهانی و پروژه‌های داخلی چهار خانواده کاربرد را در صدر ارزش قرار می‌دهند: پایش تراکنش و کشف تقلب، اعتبارسنجی و پشتیبانی تصمیم وام، دستیار مشتری و کارشناس با زبان فارسی، و اتوماسیون اسناد در عملیات ستادی. وجه مشترک این چهار حوزه، حجم بالای رویداد تکرارشونده و وجود داده تاریخی است؛ همان شرایطی که یادگیری ماشین در آن بهترین بازده را دارد. کاربردهای نمایشی مانند تولید محتوای تبلیغاتی می‌توانند بعداً بیایند؛ ارزش پایدار در همین چهار خانواده است.

کشف تقلب و پایش تراکنش

کشف تقلب طبیعی‌ترین نقطه شروع است چون سیگنال بازخورد سریع دارد: تراکنش مشکوک یا تأیید می‌شود یا نه. مدل یادگیری ماشین می‌تواند الگوهای ترکیبی را ببیند که قواعد ثابت نمی‌بینند، اما دو الزام عملیاتی دارد. نخست، نرخ هشدار کاذب باید از روز اول سنجه رسمی باشد؛ هشدار زیاد یعنی فرسودگی تیم و عبور تقلب واقعی از میان انبوه هشدار بی‌ارزش. دوم، مدل باید کنار قواعد موجود مستقر شود نه به جای آن‌ها، تا در دوره یادگیری، پوشش فعلی از دست نرود.

برای شروع، حالت سایه بهترین طراحی است: مدل روی جریان واقعی تراکنش امتیاز می‌دهد اما تصمیم عملیاتی همچنان با سامانه فعلی است و اختلاف‌ها هفتگی تحلیل می‌شود.

دو جزئیات عملی سرنوشت مدل تقلب را تعیین می‌کند. نخست کیفیت برچسب: تأیید قطعی تقلب روزها بعد از تراکنش می‌رسد و خط آموزش باید برچسب دیررس و اصلاح‌شده را بدون نشت اطلاعات آینده به گذشته مدیریت کند. دوم حاکمیت آستانه هشدار: آستانه یک تصمیم کسب‌وکاری میان بار کاری کارشناس و تقلب ازدست‌رفته است و باید با مستندسازی و طبق برنامه بازنگری شود، نه هر بار که صف هشدار سنگین شد.

اعتبارسنجی و پشتیبانی تصمیم وام

در اعتبارسنجی، ارزش هوش مصنوعی فقط دقت بیشتر نیست؛ یکنواختی و سرعت تصمیم هم هست. اما این حوزه پرریسک‌ترین کاربرد فهرست ماست، چون خطا مستقیماً بر حق افراد اثر می‌گذارد. سه کنترل غیرقابل مذاکره‌اند: توضیح‌پذیری تصمیم در حدی که کارشناس بتواند دلیل رد یا قبول را بفهمد و به مشتری توضیح دهد، پایش مستمر سوگیری میان گروه‌های مشتری، و باقی‌ماندن تصمیم نهایی موارد مرزی با انسان. استانداردهایی مانند ISO/IEC 42001 برای سامانه مدیریت هوش مصنوعی دقیقاً برای ساختارمند کردن همین نوع کنترل‌ها طراحی شده‌اند.

توصیه عملی ما شروع از پشتیبانی تصمیم است نه تصمیم خودکار: مدل پرونده را خلاصه و ریسک را امتیازدهی می‌کند، کارشناس تصمیم می‌گیرد، و اختلاف نظر کارشناس با مدل ثبت و تحلیل می‌شود.

دستیار مشتری فارسی و شعبه دیجیتال

پرسش‌های تکراری درباره کارمزد، مدارک، سقف تراکنش و مراحل خدمات، سهم بزرگی از تماس‌های مرکز ارتباط بانک را می‌سازد. دستیار فارسی مبتنی بر بازیابی از اسناد مصوب می‌تواند این بار را کم کند، به شرط استناد اجباری به بخشنامه معتبر و ارجاع خودکار موارد مبهم به کارشناس. جزئیات معماری، ارزیابی کیفیت پاسخ فارسی و مسیر استقرار مرحله‌ای را در راهنمای چت بات فارسی برای کسب‌وکار نوشته‌ایم؛ برای بانک، سخت‌گیری در دامنه پاسخ و ثبت کامل مکالمات باید بیشتر هم باشد.

نکته بانکی مهم: دستیار نباید به داده حساب مشتری وصل شود مگر پس از تثبیت لایه هویت و کنترل دسترسی؛ شروع درست، پرسش‌های عمومی بدون داده شخصی است.

اتوماسیون اسناد و عملیات ستادی

پشت باجه، حجم بزرگی از کار بانکی پردازش سند است: فرم افتتاح حساب، مدارک تسهیلات، قراردادها و مکاتبات. استخراج ساختاریافته فیلدها از اسناد فارسی، تطبیق با سامانه مرجع و پیش‌نویس‌سازی گزارش، از کم‌ریسک‌ترین و پرارزش‌ترین کاربردهاست چون خروجی آن پیش از ثبت نهایی قابل بازبینی انسانی است. سنجه درست در اینجا دقت در سطح هر فیلد حیاتی و زمان اصلاح خطاست، نه دقت میانگین کل سند.

چارچوب کلان‌تر کاربردهای مالی، از جمله تفاوت سنجه‌ها میان تقلب، اعتبار و دستیار مولد، در مقاله هوش مصنوعی در بانکداری و مالی آمده است.

الزامات حاکمیتی و انطباق

بانک نمی‌تواند مدل را مانند یک نرم‌افزار معمولی مستقر کند. حداقل‌های حاکمیتی عبارت‌اند از: فهرست رسمی مدل‌های در حال استفاده با مالک مشخص، مستندسازی داده آموزش و ارزیابی، فرایند تأیید پیش از استقرار و پس از هر تغییر مهم، پایش عملکرد و رانش داده در تولید، و مسیر توقف اضطراری آزموده‌شده. چارچوب مدیریت ریسک هوش مصنوعی NIST الگوی خوبی برای سازمان‌دهی این حداقل‌هاست و برای سامانه‌های مبتنی بر مدل زبانی، فهرست ریسک‌های OWASP باید به آزمون امنیتی پیش از استقرار ترجمه شود.

الزامات مقرراتی داخلی، از جمله ضوابط بانک مرکزی درباره برون‌سپاری، داده و امنیت، باید جداگانه و با واحد حقوقی و تطبیق بانک بررسی شود؛ این مقاله جای آن تحلیل را نمی‌گیرد.

داده و زیرساخت: واقعیت‌های بانک ایرانی

سه واقعیت زیرساختی در برنامه‌ریزی تعیین‌کننده‌اند. نخست، داده بانکی حساس است و اقامت داده و استقرار داخلی برای بسیاری از کاربردها شرط لازم است. دوم، کیفیت داده تاریخی معمولاً ناهمگون است؛ بودجه پاک‌سازی و یکپارچه‌سازی را از ابتدا ببینید. سوم، اتصال به سامانه‌های متمرکز بانکی پروژه مهندسی جدی است و زمان واقعی آن را فقط تیم فنی خود بانک می‌تواند برآورد کند. تأمین‌کننده‌ای که این سه واقعیت را کوچک جلوه دهد، برنامه تحویل معتبری ندارد.

مسیر شروع کم‌ریسک در دوازده هفته

الگوی پیشنهادی ما برای شروع: یک گردش‌کار مشخص انتخاب کنید که حجم بالا، داده در دسترس و ریسک محدود دارد؛ خط مبنای فعلی را دو تا چهار هفته اندازه بگیرید؛ پایلوت را در حالت سایه یا یاری‌شده اجرا کنید؛ و با معیار پذیرش ازپیش‌توافق‌شده تصمیم ادامه یا توقف بگیرید. این مسیر هم برای هیئت‌مدیره قابل دفاع است و هم برای تیم عملیات قابل زندگی. هوش مصنوعی در بانکداری ماراتن است؛ برنده کسی است که یادگیری سازمانی را زودتر و ایمن‌تر شروع کند.

یادداشت منابع (بازبینی‌شده در ۲۰۲۶-۰۸-۱۰)

• چشم‌انداز نهادی: فصل هوش مصنوعی گزارش اقتصادی سالانه بانک تسویه بین‌المللی. تحلیل مرجع درباره اثر هوش مصنوعی بر نظام مالی و الزامات ریسک آن.
• استاندارد مدیریتی: ISO/IEC 42001. استاندارد سامانه مدیریت هوش مصنوعی برای ساختارمند کردن حاکمیت.
• چارچوب ریسک: چارچوب مدیریت ریسک هوش مصنوعی NIST. مبنای سازمان‌دهی فهرست مدل، پایش و مسیر توقف.
• امنیت مدل زبانی: ده ریسک اصلی مدل‌های زبانی مولد OWASP در ۲۰۲۶. فهرست تهدید برای آزمون امنیتی دستیارهای بانکی.