كيفية استخدام الذكاء الاصطناعي التوليدي لإحداث ثورة في الامتثال المصرفي

إن الخدمات المصرفية المعاصرة مستحيلة بدون وظيفة الامتثال، والتي تضمن عمل المؤسسات المالية بسلاسة في بيئات تنظيمية معقدة ذات قوانين وقواعد ومعايير متعددة. هدفها الرئيسي هو حماية البنوك من المخاطر المرتبطة بها
مع العقوبات التنظيمية والخسائر المالية والأضرار التي قد تلحق بالسمعة والتي قد تنجم عن تورطهم في أنشطة غير قانونية أو غير أخلاقية. وبالتالي، يضمن الامتثال أن تحافظ البنوك على ثقة العملاء واللاعبين في السوق، وهو ما يعد أحد ركائز الصحة
نظام مالي.

وليست هناك حاجة إلى إضافة أن كافة البنوك في الوقت الحاضر تسعى جاهدة إلى تبسيط عمليات الامتثال لديها، والتي كثيرا ما تكون طويلة ومعقدة وتعتمد بشكل كبير على العمل اليدوي. وفي المقالة التالية، سأقدم بعض الأفكار حول كيف يمكن للذكاء الاصطناعي أن يحدث ثورة في هذا المجال
عملية.

ما هي تحديات الامتثال المصرفي؟

ويشكل تعقيد عمليات الامتثال تحديا كبيرا في تبسيطها. يجب أن تلتزم المؤسسات المالية بمختلف القواعد واللوائح الحكومية والفيدرالية والإقليمية والخاصة بالصناعة. تختلف لوائح الامتثال اعتمادًا على العمليات التجارية،
عروض الخدمات والولايات القضائية التي تعمل فيها البنوك. ولهذا السبب تستخدم المؤسسات المالية أساليب مختلفة لضمان الامتثال.

لا عجب أن تعقيد وظيفة الامتثال غالبًا ما يجعل إكمالها عملية طويلة. حتى فتح حساب لعميل تجاري قد يستمر عادةً لمدة تصل إلى 7 أيام بسبب عمليات التحقق المتعددة من الأمان وإدارة المخاطر. وهي تشمل عادة جمع
وتحليل البيانات المتعلقة بهوية العميل وملف المخاطر والأنشطة المالية من أجل معالجة المخاطر المرتبطة بغسل الأموال وتمويل الإرهاب. يتعين على موظفي البنك تحليل مجموعات كبيرة من المستندات يدويًا، بما في ذلك مستندات الشركة
(شهادة التأسيس، مقتطف من سجل المساهمين)، والمستندات التجارية (الفواتير والعقود والكشوفات)، والتحقق من الهوية (مثل جوازات السفر وبطاقات الهوية الوطنية ورخص القيادة) وإثبات العنوان (مثل فواتير الخدمات والبيانات المصرفية،
عقود الإيجار) الوثائق.

بالطبع هناك موفرو برامج امتثال يساعدون في أتمتة هذه العملية. وتشمل أشهرها Pega وAlloy وSumsub وغيرها الكثير. عادةً ما يوفرون أنظمة إدارة الحالات، وتسجيل الشيكات، وأدوات البحث في قائمة العقوبات، وما إلى ذلك. كل هذا
يساعد بشكل كبير على زيادة الكفاءة، ولكن لسوء الحظ لا توجد حلول يمكنها إخراج الإنسان بالكامل من هذه العملية. ماهو السبب؟

والسبب بسيط: فالبرامج التقليدية لا تزال غير قادرة على إجراء تحليل شامل للمستندات الخاصة بالعملاء. غالبًا ما تكون هذه المستندات بتنسيقات مختلفة ويمكن إساءة تفسيرها بسهولة دون فهم السياق. بالرغم من
مع كل الأتمتة، ما زلنا نطلب من الأشخاص قضاء عشرات الساعات في قراءة العقود أو مستندات الشركة من أجل إكمال هيكل الشركة أو التحقق من طبيعة العمل. وهذه عملية كثيفة الاستخدام للموارد والوقت دائمًا
يزيد من تعقيد عملية الامتثال المصرفي.

فكيف يمكن للذكاء الاصطناعي أن يساعد؟

في الواقع، يمكن للذكاء الاصطناعي أن يتولى الجزء الأصعب في عملية الامتثال المصرفي، وهو تحليل المستندات غير المنظمة. على عكس المستندات المنظمة، التي تنظم البيانات في صفوف وأعمدة (مثل قواعد البيانات أو جداول البيانات) التي يسهل تحليلها،
المستندات غير المنظمة لا تتبع أي تنسيقات محددة. قد تتضمن هذه المستندات رسائل البريد الإلكتروني والعقود القانونية والبيانات المالية ومراسلات العملاء والمقالات الإخبارية بالإضافة إلى المستندات النصية الأخرى ذات الشكل الحر.

يستطيع الذكاء الاصطناعي، وخاصة نماذج اللغة الكبيرة (LLMs)، فهم سياق النص ومعناه والفروق الدقيقة فيه، تمامًا كما يفعل البشر. يمكنه التمييز بين الكيانات مثل الأسماء والمنظمات والتواريخ وما إلى ذلك، وتحديد العلاقات بينها، بالإضافة إلى تصنيف المعلومات
على معايير محددة مسبقا أو المستفادة. والأهم من ذلك هو أن نماذج الذكاء الاصطناعي الحديثة يمكنها تحسين قدرات الفهم والدقة تلقائيًا بمرور الوقت من خلال معالجة العدد المتزايد من المستندات.

بفضل تقنيات التعلم العميق، تعلم حاملو ماجستير إدارة الأعمال التعميم من البيانات التي تم تدريبهم عليها. وهذا يعني أنهم يتعلمون السمات والأنماط المشتركة في النصوص التي يعالجونها ويطبقون هذه المعرفة على البيانات الجديدة في المستقبل. بعد التدريب على
مجموعة بيانات كبيرة ومتنوعة، تصبح LLMs قادرة على التعامل مع تنسيقات النصوص أو أنواع المستندات غير المرئية سابقًا دون الحاجة إلى إعادة تدريب مستهدفة. تقلل هذه الإمكانية بشكل كبير من الوقت والموارد التي يحتاجونها لإكمال مهام الامتثال، بينما
وكذلك تعزيز جودة التحليل وتقليل مخاطر الخطأ البشري.

هناك جانب آخر مهم في LLMs وهو أنها تستمر في التطور أثناء قراءة هذا النص. تعمل تلقائيًا على تحسين قدرتها على استخراج المعلومات من المستندات وفهم السياق وتحليل البيانات في سيناريوهات معقدة، مما يعني أنها ستكون
قادر على التعامل مع المستندات ذات التعقيد المتزايد بمرور الوقت. سيؤدي هذا التطور إلى تسهيل عمليات تقييم المخاطر واتخاذ القرار.

حتى الآن، يمكن لـ LLMs بالفعل التعامل مع المستندات الرئيسية غير المنظمة في عمليات الامتثال المصرفي بسهولة، مما يمكن أن يزيد من مستويات الأتمتة ويحسن جودة التحليل. ومن أمثلة هذه الوثائق ما يلي:

• وثائق هيكل الملكية: يمكن للذكاء الاصطناعي تحديد وفهم هياكل الملكية والسيطرة لعملاء الشركات.

• الفواتير والعقود: يمكن لـ LLMs استخلاص الشروط والالتزامات والأحكام التي قد يكون لها آثار على الامتثال.

• إثبات العناوين والبيانات المصرفية: يمكن للذكاء الاصطناعي التحقق من معلومات العملاء والأنشطة المالية.

• البيانات المالية: يتفوق الذكاء الاصطناعي في تحليل الصحة المالية ومصادر الأموال والكشف عن أي اختلافات قد تشير إلى جرائم مالية.

آفاق جديدة لتطبيق الذكاء الاصطناعي

ومع ذلك، لا تقتصر تطبيقات الذكاء الاصطناعي في الصناعة المصرفية على تحليل المستندات. وكما يظهر مثال شركة التكنولوجيا المالية Klarna ومقرها السويد، يمكن الاستفادة من الذكاء الاصطناعي في العمل مع العملاء. قامت Klarna بتطوير مساعد الذكاء الاصطناعي الخاص لخدمة العملاء
العمليات، والتي حلت محل 700 موظف بشري. يمكن لمساعدهم التعامل مع حجم هائل من اتصالات العملاء في وقت واحد على مدار الساعة طوال أيام الأسبوع، وتقديم خدمات عالية الجودة. تضمن التكنولوجيا المدعومة بالذكاء الاصطناعي أوقات استجابة سريعة وجودة غير مشروطة
تناسق. وهذا مجرد مثال واحد على كيفية قيام الذكاء الاصطناعي بتغيير الصناعة المصرفية بالفعل.