بانکداری شناختی، نسل بعدی بانکداری است که بر شانه‌های بانکداری دیجیتال سوار است

پادکست : لرنودیو

توزیع کننده : عصر پرداخت

مدیر اجرایی : عبداله افتاده

دبیر اجرایی : هومن رضوی

نویسنده:  سارا متقی

ویراستار و راوی : شکیبا بهری

موسیقی : دانیال فرح بخشی

اسپانسر : پات لایف

فصل اول این سریال "هوش مصنوعی و مدل‌های کسب و کار بانکداری مدرن" نام دارد و شامل 10 اپیزود است که در هر اپیزود، تاثیر هوش مصنوعی بر یکی از اجزای مدل کسب و کار بانک‌ها بررسی و ارائه شده است.

قسمت پنجم: کاربرد هوش مصنوعی در مدیریت ریسک بانک

از زمان بحران مالی جهانی به بعد موضوع مدیریت ریسک ، تو بانک‌ها اهمیت بیشتری پیدا کرده و از اون به بعد، به‌طور مداوم روی یه سری مفاهیم مربوط به اون، تمرکز شده. نحوه شناسایی و کشف‌ ریسک، اندازه‌گیریش، گزارش ریسک و البته مدیریتش. تحقیقات قابل توجهی هم رو این موضوع تمرکز کردن! چه تو دانشگاه‌ها و چه تو خود صنعت، در زمینه ی تحولات بانکداری، مدیریت ریسک و چالش‌های فعلی و نوظهور. موضوع هوش مصنوعی و یادگیری ماشین هم در زمینه مدیریت ریسک‌های بانکی اعتبار داره؛ ریسک هایی مثل ریسک اعتباری، ریسک بازار، ریسک عملیاتی و ریسک نقدینگی (وَن لایبرگن، 2017)

البته خب سطح بلوغ استفاده از هوش مصنوعی تو بانک‌ها و مؤسسات مالی به‌طور قابل توجهی متفاوته؛ شاید خیلی اغراق نباشه که بگیم به استثنای چند مورد، صنعت مالی همچنان از نظر هوش مصنوعی «عقب افتاده» است. برای بسیاری از شرکت‌ها، هنوز فاز آزمایشگاهی هوش مصنوعی در حال انجامه و موارد استفاده عملی، درواقع در حال ظهور هستن. حتی تو بسیاری از مؤسسات بزرگتر و با تجربه ی بیشترِ هوش مصنوعی، پروژه‌های امروزی، احتمالاً اولین پروژه‌هایی هستند که هوش مصنوعی تو مقیاس و تو طیف وسیعی از موارد استفاده تو ساختار سازمانی به کار گرفته میشه.

خود مفهوم ریسک هم در حال تغییره و طبق نظر شرکت مک‌کنزی، ریسک تو بانک‌ها تا سال 2025 با چیزی که در حال حاضر وجود دارد، از اساس متفاوته!. خب انتظار می ره که گسترش و تغییر مقررات، تحول انتظارات مشتری و تکامل انواع ریسک، مدیریت ریسک رو تغییر بده. الان

محصولات، خدمات و تکنیک‌های مدیریت ریسک جدید،دارن از طریق استفاده از فناوری‌های در حال تکامل و تجزیه و تحلیل پیشرفته، فعال می‌شن. هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و داده‌کاوی که به‌عنوان فناوری‌هایی با نتایج و اثرات مهم تو مدیریت ریسک شناخته می‌شن، می‌تونن با شناسایی الگوهای پیچیده و غیرخطی درون مجموعه داده‌های بزرگ، مدل‌های ریسک دقیق‌تری رو بسازن. قدرت پیش‌بینی این مدل‌ها می‌تونه با هر بیت داده جدید و در نتیجه با گذشت زمان، افزایش پیدا کنه. می‌شه انتظار داشت که هوش مصنوعی تو چندین زمینه تو سازماندهی ریسک بانک‌ها اعمال بشه. (لئو و همکاران، 2019)