عملية تقييم الائتمان المدعومة بالذكاء الاصطناعي الوكولي: مخطط استراتيجي

_بهوشان جوشي، الدكتور ماناس باندا، راجا باسو

اكتشف أهم أخبار وفعاليات التكنولوجيا المالية!

اشترك في النشرة الإخبارية لـ FinTech Weekly

قراءة من قبل التنفيذيين في جي بي مورغان، كوين بيس، بلاك روك، كلارنا والمزيد

صناعة الخدمات المالية تمر بتحول جذري مع إعادة تعريف أنظمة الذكاء الاصطناعي التوليدي (GenAI) والذكاء الاصطناعي الوكيلة - حيث يُعد اتخاذ قرارات الائتمان أحد الأمثلة على ذلك. 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 والذكاء الاصطناعي الوكيلة بشكل استراتيجي في عملية تقييم الائتمان، مما يحسن بشكل كبير من 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 كميات هائلة من البيانات باستخدام نماذج لوجستية وابتكارية. مع ظهور الذكاء الاصطناعي التوليدي، قفزت هذه العملية، حيث توفر 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 من القدرات التي 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 من صحتها باستخدام البيانات الاصطناعية. تعزز هذه البيانات التي تحافظ على الخصوصية 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 التي تستغرق وقتًا طويلاً 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 الوكيل توجه سير العمل بشكل مستقل.

طورت أنظمة الذكاء الاصطناعي الوكيل عملية التقييم بشكل أكبر من خلال اتخاذ القرارات المستقلة للمهام المنفصلة. تتكون شبكة الذكاء الاصطناعي الوكيل، التي تتألف من عدة وكلاء خبراء، من القدرة على تنفيذ مهام منفصلة متعددة في وقت واحد. يمكن أن تشمل التحقق من الهوية، استرجاع المستندات والتحقق منها، تقييم المقاييس، التحقق من البيانات الخارجية، فحوصات مكاتب الائتمان، التحليل النفسي، وغيرها. يعمل كل وكيل بأهداف محددة، ومعايير نجاح، وبروتوكولات تصعيد، مما يجعل العملية أسرع وأكثر دقة.

تفرض هذه الشبكة الوكيلة منطق العمل، وتستدعي نماذج التنبؤ، وتوجه الطلبات استنادًا إلى عتبات الثقة، مما يتيح أتمتة سير العمل بشكل ديناميكي. على سبيل المثال، القرارات ذات الثقة المنخفضة أو الحالات المشبوهة يتم تصعيدها تلقائيًا إلى المقيمين البشريين مع إرسال تنبيهات عبر أنظمة الرسائل للعمل عليها. في الوقت ذاته، يمكن لأنظمة الذكاء الاصطناعي الوكيل أن تراقب الطلبات بشكل استباقي، وتكتشف التناقضات، وتبدأ آليات التصحيح. بالمثل، 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 على ذلك: قامت أحد البنوك العالمية الكبرى مؤخرًا بتنفيذ عملية إدارة حالات مؤتمتة 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.

وعلاوة على ذلك، تتيح قدرات معالجة اللغة الطبيعية (NLP) للوكلاء التفاعل 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 مع الفئات العملاء غير المخدومة والمترددة.

الهندسة المختلطة: موازنة الدقة وقابلية التفسير

تصمم تقنيات الذكاء الاصطناعي التوليدي والذكاء الاصطناعي الوكيل تدفقات العمليات والهياكل — مع تحسين الكفاءة مع موازنة دقة وشفافية النتائج.
تعزز الهندسة المختلطة التي تجمع بين الذكاء الاصطناعي الوكيل ونماذج الذكاء الاصطناعي التوليدي القدرة التنبئية مع بيانات أكثر غنى وشفافية تنظيمية محسنة. كما أن الجمع بين وكلاء الذكاء الاصطناعي يزيد من القوة التحليلية والقدرة على التنفيذ الآلي السلس.

بينما يمكن للذكاء الاصطناعي التوليدي أن يولد تفسيرات مضادة للواقع — سيناريوهات “ماذا لو” توضح كيف يمكن للمُقدمين 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 عند إعادة تصميم التدفق هي: أ) اعتماد هندسة ذات حلقة بشرية لتحسين عملية اتخاذ القرار بشكل عام مع إمكانية التتبع والشرح، ب) تحديد وربط نتائج القرارات بالميزات المرتبطة بها لمعالجة قضايا التفسير ونتائج التدقيق، ج) تنفيذ قواعد حاكمة مسؤولة للذكاء الاصطناعي، وضمانات تشغيلية مثل ضوابط الوصول المبنية على الأدوار، ومصفوفة التصعيد، وغيرها، لتحسين مرونة العملية.

الخلاصة

تصل عملية اتخاذ قرارات الائتمان إلى نقطة تحول مع إعادة تعريف أنظمة الذكاء الاصطناعي التوليدي والوكيل — مما يجعل نظام الإقراض أكثر كفاءة ومرونة. المؤسسات المالية التي تستثمر في تصميم مدروس، وحوكمة صارمة، ونماذج بيانات قوية، وأتمتة حالات الاستخدام عالية المخاطر ستقود العصر القادم من التقييم الذكي.