هوش مصنوعی در فناوری‌های مالی

1. تعریف هوش مصنوعی

هوش مصنوعی (AI) به‌ شبیه‌سازی هوش انسانی در ماشین‌ها اطلاق می‌شود و به‌طور خاص برای انجام وظایفی طراحی شده است که معمولاً نیازمند تفکر انسانی هستند. این فناوری شامل ابزارهایی مانند یادگیری ماشین (ML)، پردازش زبان طبیعی (NLP) و رباتیک (Robotic) می‌شود و قادر است وظایفی نظیر استدلال، حل مسئله و تصمیم‌گیری را انجام دهد. ( avidxchange, The Role of AI in Fintech: A Deep Dive, 2024)

1. هوش مصنوعی در فین‌تک

هوش مصنوعی می‌تواند به افزایش خودکارسازی و بهبود بهره‌وری عملیاتی در صنایع مختلف، از جمله فین‌تک، کمک کند. ترکیب هوش مصنوعی و فین‌تک تأثیر قابل توجهی بر صنعت مالی دارد و راهکارهای نوآورانه‌ای را ارائه می‌دهد که می‌توانند منجر به بهبود خدمات، افزایش امنیت، ساده‌سازی عملیات و ارائه‌ی تجربه‌های شخصی‌سازی‌شده به مشتریان شود. این همگرایی می‌تواند به مزایا و کاربردهای متعددی مانند پیشگیری از تقلب، خرید و فروش خودکار سهام، ارائه‌ی مشاوره مالی و استراتژی‌های سرمایه‌گذاری شخصی‌سازی شده  و ... منجر شود. ( avidxchange, The Role of AI in Fintech: A Deep Dive, 2024)

1. چشم‌انداز سرمایه‌گذاران از آینده‌ی فین‌تک

در ادامه چشم‌‌انداز نهاد‌های مختلف سرمایه‌گذاری در خصوص توسعه‌ی آتی فین‌تک با حضور هوش مصنوعی در آن مورد بررسی قرار گرفته است. (The future of fintech, silicon valley bank, oct 2024)

شکل 1 بررسی نظرات سرمایه‌گذاران در حوزه‌ی چشم انداز آتی فین‌تک

1. چگونگی استفاده از هوش مصنوعی در فین‌تک

ChatGPT چنان جهشی در GenAI بود که انتشار آن موجب تقسیم شرکت‌ها به دو دسته شد: 1. دسته‌ای که بعد از معرفی آن، خود را با هوش مصنوعی سازگار کرده‌اند و 2. دسته‌ای که قبل از معرفی آن، در محصولات، خدمات و فرایندهای خود، شروع به توسعه‌ی ابزار هوش مصنوعی کرده‌بودند.

فین‌تک‌های هوش مصنوعی که از سال 2020 تأسیس شده‌اند، پیشرفت‌هایی در حوزه‌ی پردازش داده‌های بیمه‌ها و هوشمندسازی بازار سرمایه داشته‌اند و این گروه در حال تولید ارزش بیشتری به ازای هر دلار صرف شده نسبت به گروه دسته‌ی دوم است.

فین‌تک سوئدی Klarna که خدمات «BNPL» را ارائه می‌دهد؛ اخیراً اعلام کرده‌است: «عملیاتی که حدوداً به 700 نفر منابع انسانی (جهت پاسخگویی به مشتریان) نیاز داشته را توانسته با چت‌بات توسعه داده‌شده‌ی این مجموعه جایگزین کرده و زمان پاسخگویی به درخواست مشتریان خود را از 11 دقیقه به دو دقیقه کاهش دهد. این شرکت 1،000 نفر از کارکنان خود را تعدیل کرده و قصد دارد 2،000 ردیف شغلی دیگر را با جایگزینی هوش مصنوعی حذف کند.

شکل 2 استارت آپ های فین‌تکی AI محور در حوزه‌ی ML طبق دادهای pitchbook

1. نقشه‌راه هوش مصنوعی ‌در فین‌تک

در ادامه به بررسی نقشه‌ی راه توسعه‌ی زیرشاخه‌های مختلف هوش مصنوعی در فین‌تک خواهیم پرداخت؛ در واقع دو گروه براساس کاربرد اختصاصی یا عمومی هوش مصنوعی در فین‌تک شناسایی شده است؛ که زیرشاخه‌های عمودی مربوط خدمات حوزه‌ی هوش مصنوعی که انحصاراً در فین‌تک کاربرد دارند و زیرشاخه‌های افقی مربوط به خدمات هوش مصنوعی که عموماً در کنار سایر صنایع، در صنعت فین‌تک هم مورد استفاده قرار می‌گیرند. در ادامه Hype curve نوآوری هوش مصنوعی در فین‌تک بررسی می‌شود (The future of fintech, silicon valley bank, oct 2024)

شکل 3 چرخه‌ی هایپ نوآوری هوش مصنوعی در فین‌تک

مرحله اول – تولد نوآوری (Innovation Trigger) در این مرحله یک نمونه محصول اولیه  (MVP) موجود است اما عموماً نسخه‎های ارتقا یافته و کارآمد هنوز به بازار عرضه نشده‌است؛ کاربردهای عمودی (هوش مصنوعی منحصراً فعال در فین‌تک) همچون Decentralized banking، VC Investing با گذشت بیش از 10 سال از فعالیت خود همچنان در این مرحله قرار دارند.

مرحله دوم – قله انتظارات (Peak Expectations) در این مرحله نوآوری وارد مرحله اجرا شده و کاربر به استفاده از این تکنولوژی علاقمند شده‌است و شروع به کارگیری آن می‌کند؛ در ادامه‌ی این مرحله، کاربران نظرات مثبت و منفی خود را از تجربه‌ی کاربری اعلام می‌کنند؛ در حال حاضر کاربردهای عمودی هوش مصنوعی در فین‌تک که در این مرحله قرار گرفته‌اند عبارتند از: Claims Processing و Regulatory Compliance با مدت فعالیت بین 2 تا 5 سال و Market Prediction با مدت فعالیت 5 تا 10 سال.

مرحله سوم –سرخوردگی (Disillusionment) در این مرحله با توجه به نظرات کاربران، تکنولوژی به دلیل عدم کسب رضایت و دریافت بازخوردهای منفی در مقطعی کاربران و همچنین بازار خود را از دست می‌دهد و گاهاً توسعه‌دهندگان تکنولوژی تصمیم به پایان دادن محصول یا خدمت مورد نظر در این مرحله می‌گیرند از جمله کاربردهای هوش مصنوعی که در حال حاضر در این مرحله هستند عبارتند از : Deal Negotiation، Robo Advisors و Treasury Management

مرحله چهارم – سراشیبی روشنگری (Slope of Enlightenment) با گذشت زمان و عبور از شرایط بحران، کم کم کاربران دوباره به استفاده‌ از این محصولات می‌پردازند و معمولاً در این مرحله، نسخه‌ی جدیدی از این اپلیکیشن‌ها به بازار ارائه می‌شود در حال حاضر AI Assistant، lead Generation و Customer chatbot در این مرحله قرار دارند.

مرحله پنجم – سطح سودمندی (Plateau of Productivity) در این مرحله، تکنولوژی توسط عموم کاربران پذیرفته شده و کاربران خود را در جامعه یافته است؛ در حال حاضر در این مرحله، کاربردهای عمودی و افقی هوش مصنوعی عبارتند از: Algorithmic Trading ،Fraud detection و NLP که هر کدام در کمتر از 2 سال توانسته‌اند چرخه هایپ را بطور کامل طی کرده و به ثبات در استفاده از این تکنولوژی در بازار برسند.

1. اندازه بازار هوش مصنوعی در فین‌تک

اندازه‌ی بازار هوش مصنوعی در صنعت فین‌تک طی سال‌های اخیر رشد چشمگیری داشته و پیش‌بینی‌ها حاکی از ادامه‌ی صعودی این روند است. ارزش این بازار از 42.83 میلیارد دلار در سال 2023 به 44.08 میلیارد دلار در سال 2024 رسیده است و انتظار می‌رود تا سال 2029 به 50.87 میلیارد دلار افزایش یابد. نرخ رشد مرکب سالانه (CAGR) این بازار برای دوره‌ی شش‌ساله 2023 تا 2029 حدود 2.91 درصد برآورد می‌شود که نشان از رشد پایدار و پیوسته هوش مصنوعی در صنعت فین‌تک دارد.

افزایش تقاضا برای فناوری‌های هوش مصنوعی در صنعت مالی، به دلیل توانایی آن در ارتقای کیفیت تجربه‌ی مشتریان، افزایش امنیت و بهینه‌سازی فرایندهای مالی است. یکی از عوامل کلیدی در این رشد، نیاز مؤسسات مالی به ارائه خدمات دقیق‌تر و شخصی‌سازی‌شده‌تر برای مشتریان است.

هوش مصنوعی با تحلیل کلان‌داده‌ها و پیش‌بینی رفتار مشتریان، به شرکت‌های فین‌تک این امکان را می‌دهد که خدمات خود را به‌صورت مؤثرتر و کارآمدتر ارائه دهند. علاوه بر این، این فناوری در مقابله با تقلب، مدیریت ریسک و خودکارسازی عملیات مالی نقش مهمی ایفا می‌کند و باعث کاهش هزینه‌ها و افزایش سودآوری در این صنعت می‌شود. Artificial intelligence in finance, 2024) statista,)

نمودار 1 اندازه بازار هوش مصنوعی در صنعت فین‌تک (منبع: statista)