هوش مصنوعی در بانک و فینتک: خدمات مشتری و تحلیل
کجای کار بانکی از این ابزارها سود میبرد و کجا باید دست نگه داشت؛ از پاسخ به سؤالهای تکراری مشتری تا قرارداد تسهیلات، و خط قرمزهایی که رد کردنشان تخلف است.
یک کارمند باجه روزی چند بار به «چرا رمز پویا نیامد» و «فرق پایا با ساتنا چیست» جواب میدهد؟ همان جواب، با همان کلمهها، دهها بار. روی میزش قرارداد تسهیلاتی هست که مشتری امضا میکند بیآنکه بند جریمهی تأخیرش را فهمیده باشد. و آخر وقت، گزارشی که هیچکس با ذوق نمینویسد.
هر سه جای درستی برای کمک گرفتناند. اما بانک ویژگیای دارد که دیگران ندارند: دادهی مشتری اینجا فقط «اطلاعات» نیست، خودِ دارایی است. پس اول خط قرمز، بعد فهرست کاربردها.
خط قرمزی که اول باید کشید
هر بحثی دربارهی این ابزارها در بانک باید از اینجا شروع شود، نه از قابلیتها. کارمندی که برای «فقط یک سؤال» ریز گردش مشتری را در چت عمومی میچسباند، تخلف انضباطی کرده است — حتی اگر خروجی درست باشد.
شمارهی حساب، شبا، شمارهی کارت، کد ملی، مانده، ریز گردش و نام مشتری در هیچ سرویس عمومیای نوشته نمیشود. اگر لازم است روی نمونه کار کنید، اول داده را بینام کنید: نامها به «مشتری الف» و شمارهها به عدد ساختگی، و فقط ساختار بماند. برای دادهی واقعی، مسیر درست سرویس داخل سازمان است، نه حساب شخصی کارمند. این تفکیک در امنیت اطلاعات در هوش مصنوعی باز شده است.
سؤالهای تکراری مشتری و پایگاه دانش
بخش بزرگی از تماسهای پشتیبانی یک بانک یا کیف پول ایرانی حول چند ده پرسش ثابت میچرخد: برنگشتن وجه کارتبهکارت، ثبت نشدن چک صیادی، شرایط ضامن، سقف انتقال روزانه. مدل زبانی اینجا خوب عمل میکند، به یک شرط: جواب را از سند شما بدهد، نه از حافظهی خودش.
یعنی اول رویهها و بخشنامههای داخلی را جمع کنید و مدل را وادار کنید فقط از همانها نقل کند. این الگو RAG نام دارد و تفاوتش با پرسیدن ساده حیاتی است: مدل بیسند، شرایط وام را سرِ هم میکند و لحنش کاملاً مطمئن است. مشتریای که با آن جواب به شعبه بیاید، مشکل شماست.
خروجی سه چیز است: پایگاه دانش داخلی، متن پرسشهای متداول سایت، و پیشنویس پاسخ برای اپراتور. سومی از آنچه بهنظر میرسد مهمتر است — پیشنویس، نه پاسخ خودکار. اپراتور میخواند، اصلاح میکند، میفرستد. شکل عملیاش در هوش مصنوعی در پشتیبانی آمده است.
سادهکردن متن قرارداد تسهیلات
متن قرارداد را حقوقیها برای حقوقیها نوشتهاند و مشتری بدون خواندن امضا میکند. بعد سرِ جریمهی تأخیر یا شرط فسخ، پای شکایت وسط میآید. مدل میتواند همان بندها را به زبان قابل فهم بازنویسی کند و پیامد عملی هر شرط را جدا فهرست کند.
مرز روشن است: خروجی «توضیح» است، نه «قرارداد». نسخهی ساده اعتبار حقوقی ندارد و تأیید نهایی با دایرهی حقوقی است. پرامپتش:
نقش: کارشناس آموزش بانک
متن زیر بندی از قرارداد تسهیلات است. برای مشتریای بازنویسی کن که اصطلاح حقوقی نمیداند.
قواعد:
- هیچ عدد، درصد، مهلت یا شرطی را حذف یا گرد نکن
- هر جمله حداکثر بیست کلمه
- سه پیامد تأخیر در پرداخت را جدا فهرست کن
- هر جای مبهم را بهجای حدس زدن بنویس: نیازمند تأیید حقوقی
متن بند:
[اینجا بگذارید]تحلیل تراکنش: این کار مدل زبانی نیست
پرتکرارترین اشتباه مدیرانی که تازه با این ابزارها آشنا شدهاند همین است: فایل تراکنش را به چت میدهند تا «الگوی مشکوک» پیدا کند. جواب نمیدهد، به دو دلیل.
اول اینکه مدل زبانی روی عدد ضعیف است؛ ممکن است جمعی را اشتباه بزند و همان را با اطمینان کامل تحویل دهد — ریشهاش در چرا هوش مصنوعی در ریاضی ضعیف است آمده. دوم اینکه کشف ناهنجاری اصلاً مسئلهی زبانی نیست؛ کاری آماری روی دادهی ساختاریافته است و با سامانهی اختصاصی انجام میشود.
پس نقش درست مدل زبانی چیست؟ دستیار تحلیلگر. کوئری مینویسد، نمودار را توضیح میدهد و نتیجه را برای مدیر غیرفنی ترجمه میکند. شمردن با پایگاه داده است — همان تقسیم کاری که در هوش مصنوعی برای حسابداران هم برقرار است.
مستندسازی و گزارش داخلی
صورتجلسهی کمیته، گزارش ماهانهی شعبه، شرح فرایند برای بازرسی، پاسخ نامههای اداری. اینها وقتگیرند و ارزش فکری کمی دارند. ساختار ثابتی برایشان تعریف کنید و دادهی خام و بینام بدهید؛ پیشنویسی میگیرید که ویرایشش ده دقیقه طول میکشد.
آموزش کارکنان
برای کارشناس تازهوارد شعبه، مدل سناریوی تمرینی میسازد: مشتریای که چک برگشتی دارد و اصرار به دستهچک میکند، یا کسی که از کارمزد عصبانی است. آزمون چهارگزینهای از روی بخشنامه هم چند دقیقهای آماده میشود. برنامهاش در آموزش تیم برای کار با هوش مصنوعی هست، و برای امتحان روی نمونهی بینام، نارنگی فارسی را بدون فیلترشکن جواب میدهد.
کجا جواب میدهد، کجا نه
| کار | وضعیت | تأیید نهایی با |
|---|---|---|
| پرسشهای تکراری مشتری | جواب میدهد، با سند داخلی | کارشناس پشتیبانی |
| سادهسازی متن قرارداد | جواب میدهد، در حد توضیح | دایرهی حقوقی |
| پیشنویس گزارش و صورتجلسه | جواب میدهد | نویسندهی گزارش |
| مواد آموزشی و آزمون | جواب میدهد | واحد آموزش |
| کوئری و تفسیر نمودار | کمک میکند، نه شمردن | تحلیلگر داده |
| کشف ناهنجاری در تراکنش | کار مدل زبانی نیست | سامانهی آماری اختصاصی |
| تصمیم اعتبارسنجی و رتبهی مشتری | ممنوع | کمیتهی اعتباری |
| احراز هویت و دسترسی به حساب | ممنوع | سامانههای رسمی بانک |
مقررات و مسئولیت
دو ردیف آخر جدول شوخی نیست. تصمیم اعتبارسنجی باید قابل توضیح باشد و پشتش انسان مشخصی بایستد؛ «مدل گفت» در هیچ بازرسیای پذیرفته نمیشود. احراز هویت هم فقط از مسیر رسمی میگذرد، چون لایهای که با ورودی کاربر شکل میگیرد فریبپذیر است.
پیش از هر پیادهسازی، سیاست داخلی یکصفحهای بنویسید: چه دادهای کجا میرود، چه کسی تأیید میکند، چه ممنوع است. نمونهاش در سیاست استفاده از هوش مصنوعی در شرکت هست.
جمعبندی
در بانک، این ابزارها روی متن خوب کار میکنند و روی تصمیم بد. پرسش تکراری، قرارداد پیچیده، گزارش خشک و مواد آموزشی — همه متناند و سود واقعی همانجاست. اعتبارسنجی، احراز هویت و هر چیزی که به حساب مشتری دست میزند بیرون از دایره میماند.
از کوچکترین کار شروع کنید: بیست پرسش پرتکرار پشتیبانی، با جواب رسمی و تأییدشده. همان یک قدم که درست برداشته شود، بقیهی مسیر روشن میشود.
برای ادامه:
