بانک و بیمهپرداخت الکترونیک

ترکیب هوش مصنوعی و رگ‌تک | نسل آینده راهکارهای انطباق

مسائل مربوط به رگولاتوری و انطباق فعالیت‌ها با قوانین ازجمله مهم‌ترین، پیچیده‌ترین مشکلات شرکت‌ها به شمار می‌رود که حل آن نیازمند منابع بسیاری است. اختصاص این حجم از منابع برای حل مشکلات مرتبط در سطح سازمان‌ها و در استارت‌آپ‌هایی که به‌طور روزانه با محدودیت منابع دست‌به‌گریبان‌اند، امری دشوار است.

به کاربستن هوش مصنوعی در رگ‌تک نه‌تنها باعث صرفه‌جویی قابل‌توجه در مؤسسات مالی می‌شود، بلکه با ارزیابی مناسب ریسک منجر به افزایش دقت و حذف آسیب‌های بالقوه مالی هم می‌گردد.

همچنین بخوانید

با رشد حجم و پیچیدگی اسناد و الزامات رگولاتوری، این حوزه تبدیل به یکی از تخصصی‌ترین بخش‌ها گشته است. سالانه چیزی حدود ۸۰ میلیارد دلار صرف مدیریت، ریسک و انطباق می‌شود و پیش‌بینی‌ها خبر از رشد این بازار و رسیدن به رقم ۱۲۰ میلیارد دلار در پنج سال آینده می‌دهند.

گروه بانکی استرالیا و نیوزیلند (ANZ) اعلام کرده که تخمین بانک ملی استرالیا نشان می‌دهد که هزینه انطباق با دستورالعمل‌ها و مقررات رگولاتوری از سالانه ۸۶ میلیون دلار استرالیا در ۲۰۱۲، به ۱۱۷ میلیون در ۲۰۱۳ و ۲۶۵ میلیون در ۲۰۱۴ افزایش‌یافته است. بانک وِست‌پَک (Westpac) گزارش داده که سال گذشته ۳۰۰ میلیون دلار استرالیا صرف مبحث انطباق نموده است.

با توجه به استفاده از سامانه‌های قدیمی انتظار نمی‌رود که هزینه‌ها در طول زمان کاهش پیدا کنند. برخی تخمین‌های اخیر نشان می‌دهد که حجم اسناد رگولاتوری تا سال ۲۰۲۰ به بیش از ۳۰۰ میلیون صفحه خواهد رسید و در آن روز به‌طور متوسط هر سازمان خدمات سرمایه‌گذاری (sell-side) برای کسب بینشی کلی در حوزه قوانین مربوط به فعالیت خود نیاز به طبقه‌بندی بیش از ۶۰۰ سند قانونی خواهد داشت.

ممکن است انطباق با قوانین گران به نظر بیاید، اما عدم انطباق هزینه بیشتری خواهد داشت. در واقع گزارش‌شده است که نهادهای مالی ایالات‌متحده مجبور به پرداخت ۱۶۰ میلیارد دلار جریمه به علت عدم انطباق گشته‌اند.

آنچه مشخص است این است که صنعت نیازی شدید به راهکارهای بهینه‌تر و کم‌هزینه‌تر دارد که بدون ‌صرف هزینه‌های گزاف یا قربانی کردن کیفیت بتواند از قوانین پیروی کرده و با مقررات رگولاتوری هماهنگ باشد.

خوشبختانه کارآفرینان آینده‌نگر یک صنعت متمایز به این منظور خلق کرده و توسعه داده‌اند: رگ‌تک (RegTech).

رگ‌تک عبارت است از مجموعه‌ای از شرکت‌ها و راهکارها برای پاسخ‌گویی به چالش‌های حوزه رگولاتوری در صنایع مختلف از طریق فناوری نوین. در حال حاضر پیش‌بینی می‌شود با توجه به تقاضای بالا برای نرم‌افزارهای رگولاتوری، انطباق و مدریت و نظارت، این صنعت رشد نموده و تا سال ۲۰۲۰ به ارزش ۱۱۸٫۷ میلیارد دلار برسد.

ترکیب هوش مصنوعی و  رگ‌تک

رگ‌تک هم مانند دیگر صنایع در برابر پیشرفت فناوری بی‌تفاوت نیست. فناوری‌های جدید مانند بلاکچین (blockchain)، رایانش ابری (cloud computing) و هوش مصنوعی (AI) باعث تحول اساسی در راهکارهای رگ‌تک خواهند گردید. با به‌کارگیری یادگیری ماشین (machine learning) زمان راهکارهای ثابت (static) به سر آمده و هوش مصنوعی را به یکی از بزرگ‌ترین چالش‌ها و همچنین فرصت‌های رگ‌تک مبدل کرده است.

در گزارش مؤسسه فاینانس بین‌الملل (Institute of International Finance) در مورد رگ‌تک و خدمات مالی چنین آمده:

«یادگیری ماشین می‌تواند الگوهای پیچیده غیرخطی را در مجموعه‌های عظیم داده شناسایی کرده و الگوهای ریسک دقیق‌تری را خلق نماید.»

با تنظیم الگوریتم‌ها بر اساس اطلاعات جدید، قدرت پیش‌بینی آن‌ها با استفاده‌ی بیشتر ارتقاء می‌یابد. در مورد راهکارهای انطباق هم در آزمون استرس و مدیریت ریسک با یادگیری ماشین می‌توان به کمک مدل‌سازی، محاسبات و شبیه‎‌سازی سناریو‌های استرس آمده و صحت و دقت (granularity) تحلیل‌های آماری را بهبود بخشد.

گزارش مؤسسه فاینانس بین‌الملل می‌افزاید؛ انواع جدید مدل‌های توسعه‌یافته از طریق یادگیری ماشین نسبت به گذشته باعث ایجاد بینش عمیق‌تری از داده‌ها می‌گردد. همچنین از این طریق می‌توان به خودکارسازی تجمیع (aggregation) مقررات با ریسک محتمل بالا بر اساس نام پرداخت.

یکی از مهم‌ترین کاربردهای یادگیری ماشین در رگ‌تک که در گزارش ذکر گشته است تحلیل داده‌های بدون ساختار (unstructured data) است. تحلیل و تفسیر ورودی‌های داده بدون ساختار، مانند ایمیل‌ها، گفتار، فایل‌های پی‌دی‌اف و فراداده (metadata) می‌تواند برای حوزه‌های تطبیق مانند اداره کردن حفاظت از مشتریان و تطبیق، نظارت بر رفتار و فرهنگ داخلی در سازمان‌ها، مقررات شناخت مشتریان (KYC) و اشراف هم‌زمان بر تغییرات و وضع مقررات جدید نافع باشد.

مثال‌هایی از کاربرد هوش مصنوعی در رگ‌تک

پژوهشگران دانشگاه اِم‌آی‌تی (MIT) در سال ۲۰۱۰ فنون یادگیری ماشین را برای خلق مدل جدید غیرخطی و غیر پارامتری پیش‌بینی ریسک اعتبار مشتری به کار گرفتند. خاندانی (Khandani)، کیم (Kim) و لو (Lo) با امتزاج تراکنش‌های مشتریان یک بانک تجاری خاص و داده‌های مرکز اعتبارسنجی (credit bureau) از ژانویه ۲۰۰۵ تا آوریل ۲۰۰۹ توانستند پیش‌بینی‌هایی انجام دهند که به‌صورت قابل‌توجهی نرخ دسته‌بندی قصور و عدم توانایی پرداخت دارندگان کارت اعتباری را بهبود بخشد. با فرضیات محافظه‌کارانه برای هزینه‌ها و منافع قطع خطوط اعتباری با پیش‌بینی یادگیری ماشین تخمین زده شد که صرفه‌جویی در هزینه‌ها چیزی حدود ۶% تا ۲۵% کل زیان‌ها خواهد بود.

تعداد زیادی از شرکت‌ها از سال ۲۰۱۰ در حال به‌کارگیری هوش مصنوعی در رگ‌تک و به‌صورت اخص یادگیری ماشین برای ارتقاء دقت ارزیابی و بهبود بهره‌وری روش‌های انطباق با مقررات بوده‌اند.

از میان شرکت‌هایی که از راهکارهای مبتنی بر هوش مصنوعی در رگ‌تک استفاده کرده‌اند، می‌توان به کامپلای‌اَدوَنتِج (ComplyAdvantage) اشاره نمود که با استفاده از هوش مصنوعی به نهادهای مالی در زمینه بررسی وضعیت حقوقی مشتریان بالقوه یاری می‌دهد تا شرکت‌ها در معاملات با افراد از پایبندی به قوانین اطمینان خاطر داشته‌ باشند. با استفاده از یادگیری ماشین و برنامه‌ریزی عصبی کلامی (Neuro-linguistic programming) می‌توان زمینه را درک کرده و سیگنال‌های ریسک را شناسایی نمود. از این طریق معاملات با افرادی که ریسک شکسته شدن قوانین مبارزه با پول‌شوئی در آن می‌رود، شناسائی شده و هویت آن‌ها مشخص می‌گردد. این اطلاعات قابلیت جستجوی الاستیک (elastic search) را هم دارا هستند.

شرکت نورِنزیک

یک مثال دیگر شرکت نورِنزیک (Neurensic) است که اخیراً اولین ابزار انطباق را در صنعت معاملات (trading) معرفی نموده است که بر اساس یادگیری ماشین و معماری تحت ابر (cloud) کار می‌کند. این استارت‌آپ توضیح می‌دهد که پلتفرم نظارتی اسکور (SCORE) توانایی شناسایی الگوهای پیچیده در رفتار معاملات را در مقیاس بزرگ و در گستره چندین بازار دارا است. همان‌گونه که در وب‌سایت رسمی این شرکت درج‌شده‌ است، نورنزیک از تشخیص الگو‌ها (pattern) بر اساس یادگیری ماشین بهره برده و رفتارهایی که شرکت‌ها را در معرض ریسک رگلاتوری قرار می‌دهد، شناسایی می‌نماید. سامانه تشخیص این پلتفرم می‌تواند با بررسی پرونده‌های واقعی رگلاتوری و بازرسی‌های انجام‌گرفته خود را تعلیم داده و رفتارهای پرریسک را تشخیص دهد. این روش خود-تطبیقی، نورنزیک را قادر می‌سازد که با قرار گرفتن در معرض داده خود را آموزش دهد. بدین طریق سامانه با تکامل بازار و روند‌های رگلاتوری دقت خود را ارتقاء می‌دهد.

واتسون (Watson) راه‌کار رگ‌تک شرکت معظم آی‌بی‌ام (IBM)

واتسون (Watson) راه‌کار رگ‌تک شرکت معظم آی‌بی‌ام (IBM)

واتسون (Watson) راهکار رگ‌تک شرکت معظم آی‌بی‌ام (IBM) برای آینده است. در سال ۲۰۱۶ آی‌بی‌ام به خرید گروه مشاوره مالی پرومونتوری (Promontory) مبادرت ورزیده و به شش‌صد نفر از کارمندان زبده این شرکت که سابقه حضور در رگولاتوری‌های دولتی را دارا بودند دسترسی یافت و توانست برنامه هوش مصنوعی خود، یعنی واتسون را تقویت نماید. پرومونتوری به آی‌بی‌ام کمک می‌کند تا روند توسعه و آموزش ماشین را در راهکارهای شناختی خود برای ریسک و انطباق سرعت بخشد. این امر شامل راهکارهایی برای پیگیری مداوم الزامات متغیر رگولاتوری، انتظارات و الزامات کنترلی و راهکارهایی برای پاسخ‌دهی به نیازهای انطباق مانند مدل‌سازی ریسک مالی، نظارت و موارد مرتبط با پول‌شویی و شناخت مشتریان (KYC) است. علاوه بر این نیروی انسانی زبده پرومونتوری گستره امکانات و خدمات مشاوره‌ای آی‌بی‌ام را وسعت بخشیده و به مشتریان کمک می‌کنند که هزینه‌های مرتبط با انطباق با مقررات رگولاتوری را به‌طور قابل‌توجهی کاهش دهند.

سخن از پیگیری مداوم الزامات متغیر رگولاتوری به میان آمد: آی‌آی‌اف (IIF) ابراز داشته که یکی از نقش‌های هوش مصنوعی در رگ‌تک چیزی به‌مثابه «رادار رگلاتوری» (Suade) است. این کار منجر به دریافت جریان مقررات جدید در یک پایگاه داده (database) و قادر کردن شرکت‌ها برای ارزیابی شمول قوانین بر شرکت و مشخص کردن موارد قابل تفسیر برای بررسی بیشتر است.

علاوه بر این، این نرم‌افزار قادر است با مقایسه روند‌های فعلی انطباق در شرکت با مقررات موجود، حوزه‌های تداخل را شناسایی کرده و نیاز به تغییر بالقوه را اعلام نماید. سپس نرم‌افزار باید اطمینان حاصل کند که وظایف ناشی از مقررات جدید به‌صورت صحیح به واحد‌های مربوطه در شرکت محول گردند. آی‌آی‌اف پیشنهاد می‌کند که چنین نرم‌افزارهایی می‌توانند برای فهم متون با یارانش شناختی (cognitive computing) کار کنند.

«به‌جای پردازش شناختی برای تفسیر متون بدون-ساختار، می‌توان با تدوین مقررات باقابلیت خوانده شدن توسط ماشین (machine-readable) نوشتار و استفاده متون مقررات را استاندارد-سازی کرده و با مجموعه قوانین استاندارد ابهام و خطاهای تفسیری را کاهش داد.»

همان‌گونه که تأکید کردیم فرصت‌هایی که رگ‌تک می‌تواند خلق کند بسیار متعدد و گسترده است. طبق گزارش‌ها بانک‌های بزرگ مانند اچ‌اس‌بی‌سی (HSBC)، دویچه بانک (Deutsche Bank) و جی‌پی‌مورگان (JPMorgan) هرکدام سالانه بیش از ۱ میلیارد دلار برای انطباق با قوانین و نظارت هزینه می‌کنند. بانک اسپانیایی بی‌بی‌وی‌ای (BBVA) تخمین زده است که به‌طور متوسط ۱۰ تا ۱۵ درصد از کارکنان مؤسسات مالی به این حوزه اختصاص‌یافته‌اند. استفاده از هوش مصنوعی در رگ‌تک و جایگزین کردن سامانه‌های قدیمی با نرم‌افزارهای پیشرفته نه‌تنها باعث صرفه‌جویی قابل‌توجه در مؤسسات مالی می‌شود، بلکه با ارزیابی مناسب ریسک منجر به افزایش دقت و حذف آسیب‌های بالقوه مالی هم می‌گردد.

منبع: Medici

منبع

راه پرداخت

همچنین بخوانید

دکمه بازگشت به بالا