عملية تقييم الائتمان المدعومة بالذكاء الاصطناعي الوكولي: مخطط استراتيجي

بهوشان جوشي، دكتور ماناس باندا، راجا باسو

اكتشف أهم أخبار وفعاليات التكنولوجيا المالية!

اشترك في النشرة الإخبارية لـ FinTech Weekly

يقرأها التنفيذيون في جي بي مورغان، كوين بيس، بلاك روك، كلارنا والمزيد

صناعة الخدمات المالية تمر بتحول جذري مع إعادة تعريف تدفقات عمليات الأعمال بواسطة الذكاء الاصطناعي التوليدي (GenAI) وأنظمة الذكاء الاصطناعي الوكيلية - ويشمل ذلك قرار الائتمان. تتبنى البنوك الآن أنظمة مدفوعة بالذكاء الاصطناعي تعزز الدقة التنبئية مع أتمتة سير العمل المعقدة في الوقت ذاته. تستعرض هذه المقالة كيف يمكن نشر الذكاء الاصطناعي التوليدي والوكيل بشكل استراتيجي في عملية تقييم الائتمان، مما يحسن بشكل كبير مستوى الكفاءة والأتمتة، مع معالجة قضايا الحوكمة والمخاطر والامتثال.

ميزة الذكاء الاصطناعي التوليدي: إثراء البيانات الذكي

البيانات هي روح تقييم الائتمان. تقوم البنوك والمؤسسات المالية بتقييم وتحليل العديد من عناصر البيانات باستخدام نماذج لوجستية وقياسية. مع ظهور الذكاء الاصطناعي التوليدي، قفزت هذه العملية، حيث وفرت نماذج الذكاء الاصطناعي التوليدي القدرة على تقييم البيانات غير المنظمة، وتوليد رؤى قيمة. توليد البيانات الاصطناعية لمحاكاة السيناريوهات مسبقًا هو تغيير رئيسي آخر في عملية التقييم.

تتفوق نماذج الذكاء الاصطناعي التوليدي في تحليل المعلومات غير المنظمة وتحويلها إلى بيانات منظمة. تتيح هذه القدرة استخراج سمات رئيسية مثل استمرارية الدخل، تناقضات المدفوعات، بيانات التوظيف، الإنفاق الاختياري، وغيرها، والتي يمكن أن توفر رؤى حاسمة في تقييم الاكتتاب.

توليد البيانات الاصطناعية هو قدرة تقدمها نماذج الذكاء الاصطناعي التوليدي، والتي يمكن الاستفادة منها لأغراض النمذجة والتحقق القوي. يمكن أن يساعد ذلك في تقليل ندرة البيانات في الحالات الحدية. يمكن استخدام نماذج الذكاء الاصطناعي لتعريف السيناريوهات الحديّة، وإضافة معايير أكثر دقة - مثل احتياطيات السيولة، تقلب الدخل، وغيرها - ويمكن التحقق منها باستخدام البيانات الاصطناعية. تعزز هذه البيانات المحمية للخصوصية من تعميم النموذج ومرونته تجاه المخاطر النادرة.

يمكن لأنظمة الذكاء الاصطناعي التوليدي متعددة الوسائط أن تكشف عن التناقضات - مثل عدم التطابق بين الدخل المعلن، سجلات الضرائب، كشوف الحسابات البنكية، وغيرها - من خلال المقارنة والمقابلة. يمكن تسريع هذه الأنشطة اليدوية المستهلكة للوقت مع تحسين الامتثال، والكشف عن الثغرات، وتحسين سلامة البيانات.

الذكاء الاصطناعي الوكيل: تنظيم سير العمل الذاتي

بينما تسهل أنظمة الذكاء الاصطناعي التوليدي متعددة الوسائط سلامة البيانات، وتخلق وتتحقق من السيناريوهات القصوى، فإن شبكة الذكاء الاصطناعي الوكيلية توجه سير العمل بشكل مستقل.

طورت أنظمة الذكاء الاصطناعي الوكيلية عملية التقييم مع اتخاذ قرارات مستقلة للمهام المنفصلة. تتكون شبكة الذكاء الاصطناعي الوكيلية، التي تتألف من عدة وكلاء خبراء، من القدرة على تنفيذ مهام منفصلة متعددة في وقت واحد. يمكن أن يتم التحقق من الهوية، استرجاع وتوثيق المستندات، تقييم المقاييس، التحقق من البيانات الخارجية، فحوصات مكاتب الائتمان، التحليل النفسي، وغيرها، بواسطة وكلاء متخصصين. يعمل كل وكيل بأهداف محددة، ومعايير نجاح، وبروتوكولات تصعيد، مما يجعل العملية أسرع وأكثر دقة.

تفرض هذه الشبكة الوكيلية منطق العمل، وتستدعي نماذج التنبؤ، وتوجه الطلبات استنادًا إلى عتبات الثقة، مما يسرع سير العمل بشكل ديناميكي. على سبيل المثال، القرارات ذات الثقة المنخفضة أو الشذوذ المبلغ عنه يتم تصعيدها تلقائيًا إلى المقيمين البشريين مع إرسال تنبيهات عبر أنظمة الرسائل لاتخاذ الإجراءات. في الوقت ذاته، يمكن لأنظمة الذكاء الاصطناعي الوكيلية مراقبة الطلبات بشكل استباقي، واكتشاف التناقضات، وبدء آليات التصحيح. وبالمثل، إذا كان ملف الائتمان لمقدم الطلب يقع في منطقة رمادية، يمكن أن يطلق تلقائيًا مراجعة ثانوية أو يطلب مستندات إضافية أو يضمّن عنصر بشري في العملية.

مثال عملي: نفذت أحد البنوك العالمية الكبرى مؤخرًا عملية إدارة حالات آلية بالكامل من رسائل البريد الإلكتروني للعملاء - تسجيل الحالات، استدعاء سير العمل، التواصل مع تتبع الحالة، وتقاسم المعلومات - مما قلل الجهد ووقت المعالجة إلى النصف مقارنة بالسابق.

ولتعزيز ذلك، تتيح قدرة معالجة اللغة الطبيعية (NLP) للوكلاء التحدث مع المتقدمين في الوقت الحقيقي، وتوضيح الغموض، وجمع البيانات المفقودة، وتلخيص الخطوات التالية - بعدة لغات ومع دعم الصوت حسب الحاجة. يقلل ذلك من الاحتكاك ويزيد من معدلات الإنجاز، خاصة لفئات العملاء المترددين والمحرومين.

الهندسة المختلطة: موازنة الدقة وقابلية التفسير

تصمم تقنيات الذكاء الاصطناعي التوليدي والوكيلية تدفقات العمليات والهياكل - مع تحسين الكفاءة مع موازنة دقة وشفافية النتائج.
تعزز الهندسة المختلطة التي تجمع بين الذكاء الاصطناعي الوكيل والذكاء الاصطناعي التوليدي القدرة التنبئية ببيانات أغنى وشفافية تنظيمية محسنة. كما أن الجمع بين وكلاء الذكاء الاصطناعي يزيد من الصلابة وقدرات التنفيذ الآلي السلس.

بينما يمكن للذكاء الاصطناعي التوليدي أن يولد تفسيرات مضادة للواقع - سيناريوهات “ماذا لو” توضح كيف يمكن للمقدمين تحسين أهليتهم للقرض، يمكن للأنظمة الوكيلية جمع بيانات النتائج، وتنظيم الحالات الحدية، وبدء دورات إعادة التدريب. تحسن عملية التعلم الذاتي التكيفية مع مجموعات البيانات النظيفة والسيناريوهات الحدية المعقولة من دقة تقييم أهلية القروض للعملاء.

الدعوة للعمل: بناء أنظمة ذكاء اصطناعي موثوقة لتقييم أكثر دقة

تقييم أهلية القروض هو عملية معقدة تؤثر على تجربة العميل والعلاقة التجارية طويلة الأمد. بعض التوصيات الرئيسية التي يجب وضعها في الاعتبار أثناء إعادة تصميم التدفق هي: أ) بنية ذات حلقة تكرارية لتحسين عملية اتخاذ القرار بشكل عام مع إمكانية التتبع والشرح، ب) تحديد وربط نتائج القرارات بالميزات المرتبطة لمعالجة قضايا التفسير ونتائج التدقيق، ج) تنفيذ حواجز الذكاء الاصطناعي المسؤولة، والضمانات التشغيلية مثل ضوابط الوصول المبنية على الأدوار، ومصفوفة التصعيد، وغيرها، لتحسين مرونة العملية.

الخاتمة

تصل عملية قرار الائتمان إلى نقطة انعطاف مع إعادة تعريف تدفقات الأعمال بواسطة الذكاء الاصطناعي التوليدي والوكيل، مما يجعل نظام الإقراض أكثر كفاءة ومرونة. ستقود المؤسسات المالية التي تستثمر في التصميم المدروس، والحوكمة الصارمة، ونماذج البيانات القوية، عمليات الأتمتة للحالات ذات المخاطر العالية، إلى العصر التالي من التقييم الذكي.