فینتک های آینده؛ هوش بیشتر، توانایی یادگیری بیشتر

 

فینتک ها در مقایسه با سایر کسب و کارها

حمید نصیری مدیرعامل شرکت راهبرد هوشمند مدیریت ثروت ستارگان:  فینتک ها در حقیقت کسب و کارهایی هستند که با هدف مدیریت و رفع نیازهای سایر کسب و کارها و آحاد افراد جامعه به انواع و اقسام خدمات مالی (اعم از بانکی، پرداخت، صرافی، سرمایه گذاری و ...) و قاعدتا با ادعای بر طرف نمودن نواقص موجود در شیوه های سنتی ارائه این نوع خدمات، به کمک فناوری های تحول آفرین شکل می گیرند.

کسب و کار هستند به این معنی که ناچار به تبعیت از قوانین و تعاریف کلاسیک سایر کسب و کارها در علوم مدیریت و بازاریابی اند.

پس قاعدتا وجود و رشد متوازن عناصر 5 گانه :  

1. محصول مناسب (و یا ایده ای که در شرف تبدیل به محصول است)
2. پتانسیل مشتری ( بخش هدف گذاری شده از بازار B/C/G…)
3. تیم مدیریتی و فنی متناسب با پروژه های تعریف شده
4. مدل کسب و کار درست
5. سرمایه گذاری موثر و متناسب

به عنوان مهم ترین ارکان هر کسب و کار که در علم مدیریت تعریف و بر آن ها تاکید می گردد، ضروری است که در این مقاله با همین اشاره ای کوتاه (جهت ورود به بحث اصلی) از آن می گذریم.     

 

 

 

گذری به ابتدای مطلب ؛

می دانیم که بازارهای مالی صدها سال است که وجود دارند و همواره نیز در حال توسعه بوده و هستند به این دلیل همیشگی که تقریبا همه  افراد حقیقی و حقوقی جامعه به خدمات آن ها نیاز دارند. در یک نگاه اجمالی به آمار منتشره در وب سایت های معتبر:

 

 

پیش بینی ها بر این بود که اندازه بازار فینتک های جهانی از حدود 2770 میلیارد دلار در سال 2016 در یک بازه ده ساله با رشد سالیانه 27.5 درصد به بیش از 31500 میلیارد دلار در سال 2026 برصد و البته آمارهای بعدی حاکی از آن است که سرعت رشد حتی بیش از این بوده و این پیش بینی رقمی در زمانی کوتاه تر تحقق می یابد.

هم چنین نگاه اجمالی به پیش بینی بازار پرداختهای غیر نقدی در سال 2022 نیز موید ، شتاب در رشد بازار مربوطه است:

وجود چنین بازارهای بزرگ و متنوعی همواره بسیار جذاب است و در عین حال حکم یک شمشیر دولبه را برای تازه واردین خواهد داشت.

بازار فینتک علاوه بر بازیگران بزرگ مالی اعم از بانکها، شرکتهای پرداخت، صندوق ها و شرکتهای سرمایه گذاری، بیمه ها، شرکتهای فناوری نوآور، صرافی ها، کسب و کارهای بزرگ اینترنتی و ... همواره شاهد حضور پرتعداد و رقابت فشرده تازه واردین و استارتاپ های جدیدالتاسیس هم هست و احتمالا برای مدت طولانی این وضعیت ادامه خواهد داشت.

این بدان معنا است که در کنار موفقیت های شیرین ناشی از پیروزی در این بازار ؛ نرخ شکست های احتمالی ناشی از طراحی استارتاپهای ضعیف و سرمایه گذاری های نسنجیده نیز در این بازار ، کم نخواهد بود.

آمار دهه 2010- 2019 موفقیت و شکست استارتاپهای فینتک امریکایی (در پایان 5 سال اول فعالیت ) چیزی در حدود 2 درصد در مقابل 98 درصد برآورد گردیده است.

ما در این جا به جهت امکان تمرکز بر اهمیت نقش فناوری و به روزآوری کیفیت فنی محصول، از کنار سایر موضوعات مرتبط و مواردی که معمولا به عنوان دلایل موفقیت و یا شکست استارتاپها ذکر می شوند عبور و به همین عرایض مختصر در این زمینه اکتفا می نماییم

محصولی که در بازار شرکتهای غول پیکر مالی بخواهد به چشم بیاید و در گرفتن سهم خود از بازار شلوغ موفق باشد، الزاما می بایستی دارای مزیت های رقابتی فنی نیز باشد پس لازم است بر اهمیت کیفیت محصول و سطح فناوری به کار رفته در آن تمرکز شود .

 

 

 بدلیل افزایش روزافزون ترندهای فناوری تحول­گرا، برای جلوگیری از اطناب کلام، ذیل عنوان کلی قابلیتهای web 3.0  در تصویر ذیل جمع بندی شده است و به عنوان فناوری های آینده در مقابل گذشته قرار می گیرند:

 

 

اختصاصا به دو مورد کلیدی عمومی در تکامل فینتک های جدید – یعنی کاربردهای هوش مصنوعی و یادگیری ماشین می پردازیم:

 

اما ابتدا نگاهی بیاندازیم به تعاریف کلاسیک و متداول این فناوری ها

از بین تعریف های متنوع و متفاوت هوش مصنوعی تعریف ذیل مورد اجماع همگانی است:

• هر سامانه‌ای که محیط خود را درک کرده و کنش‌هایی را انجام می‌دهد که شانسش را در دستیابی به اهدافش بیشینه می‌سازد.

هوش مصنوعی دیر زمانی است (از دهه 1950 که تورینگ ریاضی دان برای اولین بار اصطلاح هوش ماشین را مطرح کرد تا امروز) ، مورد بحث و موضوع تحقیق و توسعه بوده و در هر دوره بر اساس فناوری ها و توانمندی های ماشین ها و اهداف محققین مختلف تعاریف و شاخ و برگ های جدیدی را در برگرفته است .

در تصویر بعدی که برای شما در نظر گرفته ایم زیر شاخه های تعریف شده برای هوش مصنوعی در سال 2010 را نشان می دهد:

 

 تعریف یادگیری ماشین به عنوان مهم ترین شاخه کاربردی هوش مصنوعی در فناوری مالی:

• فناوری مرتبط با الگوریتم‌های یادگیری بر اساس داده‌های نمونه موسوم به داده‌های آموزشی که با هدف پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی صریح به کارگرفته می‌شوند.

الگوریتم های یادگیری ماشین کاربردهای متنوعی دارند و بیشتر برای مواردی که توسعه سایر انواع دیگر الگوریتم‌های مرسوم برای انجام وظایف مربوطه دشوار یا بعضا در عمل غیرممکن است.

 یادگیری ماشینی ارتباط نزدیکی با آمار، ریاضیات و داده کاوی دارد.

آنچه بر تاکید و جذابیت این فناوری برای ما می افزاید، کاربرد گسترده و رو به توسعه آن در مواجهه مشکلات کسب و کارها به عنوان فناوری تجزیه و تحلیل گر و پیش بینی کننده می باشد.

همان طور که پیشتر عرض شد:

اسامی فناوری های هوش مصنوعی و یادگیری ماشین چیز جدیدی نیست، قدمت ریشه های اولیه این فناوری ها را می توان تا سال های دهه 1950 و کارهای ریاضی دان انگلیسی آلن تورینگ تعقیب کرد. در تصویر بعدی سیر تکامل یادگیری ماشین از 1950 تا امروز آورده شده است.

 

 

بدیهی است آن چه شرایط و قدرت فعلی این فناوری ها را نسبت به گذشته متمایز می کند، سرعت ارتباطات الکترونیکی، قدرت پردازش، کیفیت و کمیت انبوه داده های در دسترس سیستم ها و ... ( همان طور که در ابتدای بحث هم اشاره ای داشتیم ) تحت عناوین انقلاب های چهارم و پنجم صنعتی و به خصوص از بعد از دهه 2010 توسعه یافته اند و کماکان در قالب توانایی های وب 3 در حال توسعه می باشند.   

کاربردهای یادگیری ماشین و هوش مصنوعی در فین تک

 در فرصت حاضر ما به بررسی برخی از مهم ترین ایده هایی موجود در خصوص مهم ترین کاربردها و تاثیرات ناشی از توسعه این فناوری ها بر پلتفرم ها و اپلیکیشن های فینتک می پردازیم.

تاکید بر تاریخچه

هوش مصنوعی در فین‌تک در چند سال گذشته شاهد پیشرفت‌های مهمی بوده است. در نتیجه، فناوری هوش مصنوعی به سرعت نحوه عملکرد این صنعت را تغییر می دهد.

 در دوران پاندمی کرونا بسیاری از شرکت‌های فینتک و مراکز مالی سنتی تحت تأثیر قرار گرفتند، اما تعداد بسیار بیشتری بودند که به سرعت به سازگاری با با واقعیت های جدید جهان رسیدند. برخی از فینتک ها، حتی قبل از شروع وضعیت همه‌گیری، مدل‌های کسب‌وکار خود را با راه‌حل‌های پیشرفته و نوآورانه Hi-Tech تقویت کرده بودند و البته این روند پس از آن تسریع شده است.

به طور خاص، استفاده از هوش مصنوعی (AI) و یادگیری ماشین (ML) در حال تعریف مجدد کارهایی است که در فینتکها انجام می شده است.

از آنجایی که فعالیت‌های مالی بیشتری از طریق برنامه‌ها (اپلیکیشن ها) انجام می‌شود، شرکت‌ها می‌توانند از طریق داده ها و امکانات جدید به بینش قدرتمندتری دست یابند و این به نوبه خود به فناوری های جدید تحول آفرین اجازه می دهد تا فرصت های خیلی بیشتری را برای کاربران و شرکت ها ایجاد کنند.

این که فکر ‌کنیم هوش مصنوعی و ML فقط وِیژه شرکت‌های بزرگ با متخصصان فناوری و سرمایه‌های بزرگ هستند؛ دور از حقیقت است. در حال حاضر شرکت‌های بزرگ و کوچک فین‌تک از این فناوری‌ها، درون نرم افزارهای قدرتمند، و برای اهدافی بسیار متنوع استفاده می‌ نمایند.

 در این جا، به برخی از مهم‌ترین کاربردهایی که در آن ها، شرکت‌های فین‌تک از هوش مصنوعی و ML استفاده می‌کنند، اشاره می کنیم. امیدوارم بتوانید از این مطالب برای کسب و کارهای خود الهام بگیرید.

هوش مصنوعی در فین‌تک: موارد استفاده از هوش مصنوعی و یادگیری ماشین

فناوری مالی به هیچ وجه نمی تواند جایگزین هوش انسانی شود، اما مطمئناً می تواند قدرت آن را افزایش دهد.  با استفاده از ابزارهای مبتنی بر رایانه که بر تجزیه و تحلیل کلان - داده ها متکی هستند، شرکت های مالی می توانند از قدرت ابزارهایی مانند شبکه عصبی مصنوعی یا سایر ابزارهای تحول آفرین برای ساخت محصولات قدرتمند و راه حل های تصمیم گیری برای نوآوری در زمینه خدمات مالی استفاده کنند.

 این موضوع تغییرات مهمی را مقیاس های سازمانی و انسانی ایجاد می کند.

هوش مصنوعی در فین‌تک این پتانسیل را دارد که به شرکت‌ها کمک کند تا به اهداف رشد خود دست یابند، مزیت رقابتی به دست آورند و آنها را بیشتر با مشتریان خود مرتبط کند.

علاوه بر این، می تواند به آنها کمک کند تا هزینه های عملیاتی را کاهش دهند و فرآیندهای داخلی را کارآمدتر کنند. کاربران نیز می توانند از آن بهره ببرند برای مدیریت بهتر امور مالی خود.

در ادامه برخی از مهم ترین کاربردهای فناوری  در امور مالی نظیر بهبود تصمیم گیری مالی، امنیت و کشف تقلب، مدیریت دارایی، خدمات پشتیبانی مشتریان، بیمه، وام، پیش بینی ها، شخصی سازی که انتظار می رود در آینده با هوش تر و توانمندتر از امروز تر باشند را به اختصار بررسی می کنیم . 

البته این به معنای عدم هوشمندی این فرآیندها در حال حاضر نیست، بلکه همان طور که در مرور نمودار تاریخچه وار این فناوری ها مشاهده شد، تاکید بر مفهوم تکامل مستمر فناوری است . جدول بعدی را هم که تاکیدی است بر استمرار پیشرفتها، تشریح روند پیشرفت هوش مصنوعی از گذشته تا زمان حاضر و در ادامه تا حوالی سال 2025 می باشد که توسط یکی از موسسات تحلیل فناوری ارائه گردیده است:

 

 

 

بهبود تصمیم گیری های مالی سازمانی (    (Improved Financial Decision Making

اپلیکیشن‌های فین‌تک در حال توسعه روش‌های جدید و جالبی هستند که کاربران می‌توانند اطلاعات را پردازش کنند. به لطف قدرت علم داده و ابزارهای دیداری سازی، تجزیه و تحلیل داده ها از طریق برنامه ها آسان می شود و آن را به بینش قابل هضم تبدیل می کند. در نتیجه، کاربران می توانند از اطلاعات پیچیده برای بهبود تصمیمات مالی خود استفاده کنند.

 امنیت و کشف تقلب(Security & Fraud Detection)

 با فراگیر شدن فرآیندهای تحول دیجیتال در جهان، جرایم سایبری مالی نیز رشد روز افزون دارد.

به لطف هوش مصنوعی و ML، شرکت ها و کاربران می توانند خود و حساب های خود را ایمن کنند.

در آینده نزدیک، با هوش مصنوعی و ML راهکارهای متنوع تری برای امنیت دیجیتال و هم چنین راه حل های ضد پولشویی خواهیم داشت.

الگوریتم ها قادر به شناسایی فعالیت های مشکوک هستند. این فناوری‌ها می‌توانند به طور مستمر الگوهای غیرمعمول را نظارت کنند، بنابراین نیازی به بیداری 24/7 نیست. کاربران می‌توانند هر چیزی را که در زمان عدم حضورشان اتفاق افتاده را پیگیری نموده و مطمئن باشند که دارایی‌هایشان امن است.

این فناوری ها، تاثیر زیادی بر بهبود روش های شناسایی سایر فعالیت های غیرقانونی مانند پولشویی داشته اند. دولت ها و سایر نهادها، به لطف هوش مصنوعی و ML، این قدرت را دارند که از ارتشی از بیت ها و بایت ها برای ردیابی شبکه های فساد استفاده کنند.

 مدیریت دارایی ها (Asset Management)

صندوق های سرمایه گذاری در چند سال گذشته استفاده از الگوریتم ها برای پیش بینی و شبیه سازی بازار و قیمت ها را آغاز کرده اند. به لطف این، دنیای مدیریت دارایی و ثروت توانسته است بسیاری از فرآیندهای خود را بازسازی کرده و خدمات جدیدی مانند ابزارهای مدیریت ثروت ارائه دهد.

شرکت‌های فین‌تک به این موضوع توجه کرده‌اند و در حال پیاده‌سازی این راه‌حل‌ها در اپلیکیشن‌ها هستند تا کاربران بتوانند از آن استفاده کنند. هم چنین به لطف راه حل های هوش مصنوعی و ML، کاربران این انتخاب را دارند که تعداد واسطه ها را کاهش دهند. در نتیجه، مدیریت ثروت توانسته است فرآیندهای غیر ضروری را نیز حذف کند و به کاهش هزینه های عملیاتی کمک می کند.

این فرایندها نیز از موارد کلیدی هستند که هم زمان با رشد افزارهای فنی و تکامل الگوریتم ها و انباشت و هم چنین تکامل فناوری مدیریت داده و دسترسی روز افزون به داده های موثر تر ؛ در فرایند توسعه مستمر قرار دارند.

پشتیبانی مشتریان(Customer Support)

بات ها یکی از مشهورترین کاربردهای هوش مصنوعی هستند. اگرچه آن ها مدتی است که وجود داشته اند، اما اخیراً به لطف الگوریتم های ML ، جذابیت بیشتری پیدا کرده اند. شاهد ظهور بات‌های گفتگویی قدرتمندی هستیم که می‌توانند با مشتریان تعامل داشته باشند و به تعدادی از درخواست‌های مشتریان پاسخ فوری دهند.

 شرکت های فین تک از بات ها به عنوان کانال اصلی برای حل مشکلات مشتریان استفاده می کنند. مشاوران روبویی و پشتیبانی خودکار مشتری بخشی از رایج ترین راه حل های ML هستند. نتایج بسیار موثر بوده چون چت بات ها به شرکت ها اجازه می دهند هزینه ها را کاهش دهند و رضایت مشتری را افزایش دهند.

هم چنین توسعه الگوریتم های مورد نیاز جهت بررسی و تصمیم گیری بر اساس رفتار مشتری در شبکه های اجتماعی و وب سایت ها و فروشگاه های اینترنتی و فیزیکی نیز به تدریج مسیر تکامل خود به سمت آینده را طی می کنند. 

 البته انتظار نمی رود که مراکز پشتیبانی ساخته شده با آجر و ملات به این زودی ها ناپدید شوند، اما به احتمال زیاد به فعالیت هایی خاص محدود می شوند.

 بیمه (Insurance)

از خلاقانه‌ترین روش‌هایی که در آن از هوش مصنوعی و ML استفاده می‌شود، تغییر نحوه ارزیابی بیمه ‌نامه‌ها است. برنامه های فین تک سطح ریسک افراد را از طریق رصد داده های آن ها محاسبه کنند. برای مثال بررسی داده های مربوط به عادات رانندگی، جرائم، تصادفات و ... در صنعت بیمه خودرو با موفقیت استفاده شده است.

ترکیبی از فناوری‌های اینترنت اشیا و توسعه نرم افزارهای لازم این امکان را برای این صنعت فراهم آورده که سطح ریسک افراد را با ارزیابی عادات رانندگی از طریق یک اپلیکیشن موبایل محاسبه کند.

 در بعضی از موارد از قراردادهای هوشمندی که از فناوری هایی مانند بلاک چین و هوش مصنوعی استفاده می کنند نیز برای نوآوری در صنعت بیمه استفاده می شود.

 وام(Loans)

احتمالاً متداول ترین روشی است که در آن شرکت های فین تک از Hi-Tech بهره می برند.

فرایندهای اعتبارسنجی مالی افراد به لطف امکان دسترسی و رصد عادات مالی و اعتباری افراد برای محاسبه امتیاز اعتباری آن ها، نیز به صورت مستمر در حال تکامل هستند. سمت و سوی گام های بعدی در یادگیری ماشین و یادگیری عمیق در نسخه های آینده ، حذف تدریجی دخالت های انسانی از فرآیندهای پرداخت وام است

وام از طریق هوش مصنوعی و ML را می توان به روشی سریعتر و کارآمدتر انجام داد. علاوه بر این، قاعدتا با کاهش سوگیری هایی که از طریق تصمیم گیری انسانی رخ دهد به مشتریان کمک می کنند.

این مورد آخر از نظر منطقی درست است، اما برعکس، سوگیری های منفی ناشی از اشتباهات نیز ممکن است رخ دهد. عواملی که از این مکانیسم‌ها استفاده می‌کنند باید مطمئن شوند که شیوه های محاسبه امتیازدهی اعتبار درست انجام شده است، در غیر این صورت، خطر از دست دادن بخشی از کاربران خدمات خود را دارند.

 (Forecasts)پیش بینی

اشاره شد که ابزارهای Hi-Tech و علم داده توسط شرکت‌های مالی برای بهبود تجزیه و تحلیل و پیش‌بینی‌ استفاده می شوند. باید اذعان داشت که این فناوری هم اکنون در خدمت افراد عادی نیز قرار گرفته است.

 برنامه‌ها این قدرت را دارند تا با انجام محاسبات قوی در مسائلی نظیر مدیریت مخارج با هزینه بسیار کم و به روش های شخصی‌سازی شده ؛ به کاربران کمک کنند.

آن ها با استفاده از داده های کلیدی که از رفتار مالی مشتری به‌دست می‌آید، به فرآیند تجزیه و تحلیل داده‌ و پیش‌بینی های قدرتمندتر کمک می کنند.  این موضوع به نوبه خود به کاربران کمک می کند تا هزینه های خود را پیگیری و برای مثال محاسبه کنند که به اهداف مالی خود می رسند یا خیر.

شخصی سازی (Personalization)

استفاده هم زمان شرکت های فین تک از هوش مصنوعی و ML همراه با پردازش زبان طبیعی

 ترکیب این فناوری ها در اپلیکیشن های قدرتمند، امکان شخصی سازی امور مالی را به شرکت ها و کاربران داده است.  یکی از موفق ترین محصولات در این دسته کیف پول های هوشمند مجهز به خدمات متنوع است که به کاربران اجازه می دهد امور مالی خود را به روش های جدید و سفارشی مدیریت کنند. آنچه قبل یک صنعت سفت و سخت بود، اکنون کلیشه های منسوخ را می شکند تا یک تجربه کاربری سفارشی شده ارائه دهد.

هوشمندی بیشتر کیف پول ها به این معنا است که در آینده ، تنوع خدمات آتی و پیشنهادات موجود بر اساس هر مشتری و به صورت هوشمند توسعه و تکامل می یابد.

 

 

جمع بندی :

همان طور که توصیف شد هوش مصنوعی و یادگیری ماشینی دو ابزار قدرتمند Hi-Tech هستند که تأثیر مهمی در ابعاد عملکرد انسانی دارند. صنعت فین‌تک و شرکت‌های مالی سنتی این را درک کرده اند و به صورت روز افزون در حال توسعه و بهره برداری از مزایای این نوع سیستم ها هستند.

به روزآوری مستمر این فناوری ها در فین‌تک ها این پتانسیل را دارد که هوش انسانی را برای تصمیم‌گیری مالی بهتر تقویت کند و همچنین می‌تواند فرآیندهای داخلی سازمان ها را بهبود بخشیده و بر تجربه و میزان رضایت مشتریان اثر بگذارد.

لذا انتظار می رود که پیاده‌سازی فناوری‌هایی مانند شبکه عصبی مصنوعی در صنعت مالی افزایش یابد و قطعاً در سال‌های آینده با تکامل کسب ‌وکارها و ایجاد مدل‌های جدید، شاهد مسابقه تسلیحات محاسباتی خواهیم بود و این روند با تکامل اپلیکیشن های قدرتمند همراه خواهد بود.

همانطور که راه حل های Hi -Tech تکامل می یابند، برنامه ها نیز تکامل می یابند، و این فرصت های زیادی را برای خدمات مالی جدید و قدرتمند باز می کند. فین‌تک و اپلیکیشن‌های مالی سنتی نیز می‌توانند از پیاده‌سازی و به روزآوری مستمر فناوری هوش مصنوعی و یادگیری ماشینی برای تقویت مزیت های رقابتی خود بهره ببرند.

 

لذا ضرورت سرمایه گذاری جهت پیاده سازی، توسعه و بهبود مستمر این خانواده از فناوری های تحول گرا برای بازیگران حاضر جهت حفظ جایگاه خود و هم چنین شرکت های مشتاق ورود به بازار آتی فینتک ضروری می نماید و این مهم حاکی از وجود فرصت های قابل تعامل و افقی روشن برای سرمایه گذاران نوآور و ریسک پذیر دارد. 

 

 

Ref:

www.koombea.com/blog/8-uses-of-ai-and-machine-learning-in-fintech/

 www.blog.podium.ir/ai-in-fintech/

 www.pixelplex.io/blog/what-is-web-3-0/

www.en.wikipedia.org/wiki/Machine_learning

https://github.com/f0nzie/artificial_intelligence_diagrams

https://oilgains.medium.com/why-machine-learning-is-not-artificial-intelligence-61b174a3c9a2