‌به گزارش خبرگزاری مهر، اعتبارسنجی مدل‌های هوش مصنوعی در بخش مالی یکی از مهم‌ترین مراحل چرخه حیات مدل‌های هوش مصنوعی بوده است. اگرچه بخش مالی بسیار قانونمند است و از قبل با اعتبارسنجی روش‌های آماری سنتی در ریسک اعتباری آشنا است، اما نیاز به گسترش و تطبیق با استانداردها و چارچوب‌های اعتبارسنجی موجود خود برای الگوریتم‌های پیشرفته هوش مصنوعی دارد. این گسترش نه تنها به ریسک اعتباری محدود می‌شود، بلکه می‌تواند در حوزه‌های تجاری متنوع نیز اعمال شود.

با رشد حجم داده‌ها و دسترسی آسان و کم‌هزینه به واحدهای پردازش قدرتمند، کاربردهای هوش مصنوعی در بخش مالی به طرز چشمگیری افزایش یافته است. اگرچه بخش مالی یکی از اولین پذیرندگان فناوری‌های برنامه‌نویسی است، اما هنوز هم استفاده از یادگیری ماشین یا سیستم‌های مبتنی بر هوش مصنوعی و اعتماد به آنها در برنامه‌های حیاتی، یک اقیانوس آبی است.

یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی و بینایی کامپیوتر زمینه‌های اصلی کاربرد رویکردهای هوش مصنوعی هستند.

این مدل ممکن است پیش‌بینی‌کننده باشد تا در آینده پیش‌بینی کند، توصیفی باشد تا از داده‌ها دانش کسب کند یا هر دو.

این مدل‌ها می‌توانند پیش‌بینی‌های قابل اعتمادی انجام دهند، اما تفسیر و توضیح آنها در مورد مدل‌های آسان‌تر است. در مورد مدل‌های هوش مصنوعی و یادگیری ماشین برای انجام دقیق‌ترین پیش‌بینی‌های ممکن و همچنین استنتاج‌های دیگر که روی یک مجموعه داده و داده‌های جدید مشابه کار می‌کنند، طراحی شده‌اند. آنها ممکن است قابلیت تفسیر را برای افزایش قدرت پیش‌بینی خود فدا کنند.

رویکردهای مبتنی بر هوش مصنوعی که اخیراً بیشتر در بخش بانکی مورد استفاده قرار گرفته‌اند، بر استراتژی‌های تجاری، ریسک‌ها، زیرساخت‌ها و عملیات بانک‌ها تأثیر می‌گذارند. به عنوان مثال؛ درخت‌های تصمیم‌گیری، جنگل‌های تصادفی، الگوریتم‌های تقویت گرادیان و شبکه‌های عصبی، در زمینه ریسک اعتباری، شروع به جایگزینی مدل‌هایی مانند رگرسیون لجستیک کرده‌اند. در حوزه ریسک عملیاتی، روش‌های پردازش زبان طبیعی مربوط به ورود دستی داده‌های چاپی و / یا طبقه‌بندی این داده‌ها، نقش مهمی در خودکارسازی این فرآیندها ایفا می‌کنند. پردازش زبان طبیعی به توسعه چت‌بات‌ها و رابط‌های مکالمه‌ای برای ارتباط مستقیم با مشتریان کمک می‌کند. در مورد کلاهبرداری مالی، رویکردهای هوش مصنوعی به طور قابل توجهی قدرت پیش‌بینی را از نظر تشخیص افزایش داده‌اند.

مسئولیت تدوین، سیاست‌ها و رویه‌های ریسک اعتباری؛

مسئولیت مدیریت ارشد بانک مسئول اجرای راهکارهای ریسک اعتباری مصوب

هیئت مدیره است. اما در طرح کلی در کشور مدیریت اعتبارسنجی واحد و یکپارچه به عهده بانک مرکزی و دولت است. علاوه بر این، تدوین سیاست‌ها و رویه‌ها برای تعیین، ارزیابی، نظارت و کنترل ریسک اعتباری بر عهده مدیریت ارشد است. چنین سیاست‌ها و رویه‌هایی باید ریسک اعتباری را در تمام فعالیت‌های آن، چه در سطح فردی و چه در سطح پرتفوی، مشخص کنند.

بانک‌ها باید ریسک اعتباری را در تمام محصولات و فعالیت‌های خود شناسایی و مدیریت کنند. بانک‌ها باید اطمینان حاصل کنند که ریسک محصولات و فعالیت‌های جدید، قبل از ارائه یا اجرا، با کمک رویه‌های مناسب مدیریت ریسک و کنترل‌های کافی ارزیابی شده و قبلاً توسط هیئت مدیره یا سایر کمیته‌های مناسب تأیید شده است. اعطای وام می‌تواند به همان اندازه که سودآور است، بانک را درگیر انواع ریسک‌ها کند. از آنجایی که بانک‌ها به سودآوری کلی توجه دارند، باید رابطه بین ریسک و بازده را برای هر اعتباری نیز ارزیابی کنند. هنگام بررسی امکان اعطای وام به شرایط مربوطه، لازم است بانک‌ها با تنظیم شرایط قیمت‌گذاری و عدم قیمت‌گذاری (به عنوان مثال: اسناد، قراردادها و غیره) در کامل‌ترین سطح ممکن، ریسک را در برابر بازده مورد انتظار ارزیابی کنند. هنگام گمانه‌زنی در مورد ریسک‌ها، بانک‌ها باید تمام سناریوهای منفی ممکن و تأثیرات بالقوه آنها بر وضعیت مالی وام‌گیرندگان یا طرفین را در نظر بگیرند. یک مشکل رایج در بین بانک‌ها این است که آنها تمایلی به قیمت‌گذاری مناسب برای یک اعتبار یا مجموعه‌ای از اعتبارات ندارند و بنابراین، غرامت‌های کافی برای مقابله با ریسک‌های بالقوه در نظر نمی‌گیرند.

اعمال سیاست‌های بسیار محافظه‌کارانه در قبال تصمیمات اعتباری، ریسک اعتباری را کاهش می‌دهد، اما این کاهش ریسک به قیمت کاهش درآمد بهره بانکی تمام می‌شود.

چنین سیاست‌هایی، به‌ویژه در محیط‌های رقابتی، منجر به حذف مؤسسه مالی از صحنه رقابت می‌شود. از سوی دیگر، اعطای بدون برنامه‌ریزی اعتبار نیز به طور فزاینده‌ای ریسک اعتباری و در نتیجه زیان‌های اعتباری بانک‌ها را افزایش می‌دهد. بنابراین، اعطای اعتبار به متقاضیان مستلزم ایجاد مصالحه‌ای بین ریسک و بازده است. چنین مدلی می‌تواند امکان افزایش کیفیت پرتفوی وام‌های بانکی را فراهم کند. بنابراین، انتظار می‌رود با استفاده از این مدل، میزان تسهیلات معوق بانک کاهش یابد و در نتیجه، جریان‌های نقدی ورودی ناشی از بازپرداخت سود و اصل تسهیلات با اطمینان بیشتری پیش‌بینی شود. بنابراین، سازوکار مدیریت ریسک اعتباری نه تنها هزینه‌های تسهیلات معوق را کاهش داده و سودآوری را افزایش می‌دهد، بلکه به رفع مشکلات ریسک نقدینگی نیز کمک می‌کند.

بی‌توجهی به ریسک اعتباری، بانک‌ها را وادار می‌کند تا برای پوشش ریسک اعتباری، ذخایر را افزایش دهند. پیامد اصلی افزایش ذخایر، کاهش بازده سرمایه‌گذاری و در نتیجه کاهش سودآوری است. مدل مدیریت ریسک اعتباری با ارائه تخمین‌های قابل اعتماد، باعث می‌شود تخمین منابع غیرتجربی و غیرمحافظه‌کارانه باشد. چنین وضعیتی احتمالاً میزان ذخایر را کاهش و دقت تخمین‌ها را افزایش می‌دهد.

پیش بینی مدل اعتبارسنجی با هوش مصنوعی جهت کنترل مدیریت ریسک اعتباری؛

مهم‌ترین نکته‌ای که باید در مورد مدل‌سازی به خاطر داشته باشید این است که این یک فرآیند تکراری است. شما برای یافتن مفیدترین راه برای حل مسائل به مدل‌های جایگزین نیاز دارید. آنچه از جستجوی یک مدل مناسب می‌آموزید می‌تواند شما را در بازگشت و انجام برخی تغییرات در داده‌ها و حتی بهبود صورت مسئله راهنمایی کند. وقتی در مورد نوع پیش‌بینی که می‌خواهید انجام دهید تصمیم گرفتید، باید مدلی را برای تصمیم‌گیری خود آماده کنید.

چارچوب ما با ارائه راهنماهایی برای اعتبارسنجی مدل‌ها از نظر سوگیری داده‌ها، کیفیت و مسائل مربوط به حریم خصوصی؛ استحکام و انصاف الگوریتم‌ها؛ جلوگیری و تشخیص عملکرد بیش‌برازش یا کمتر از حد برازش و قابلیت تفسیر مدل‌ها و ویژگی‌های یادگیری ماشین / هوش مصنوعی، بر چگونگی حذف خطرات هوش مصنوعی در کاربردهای مالی تأکید دارد.

به دلیل رقابت بالا بین مؤسسات مالی، بسیاری از بانک‌ها و شرکت‌های بیمه در حال سرمایه‌گذاری در کاربردهای یادگیری ماشین / هوش مصنوعی در فرآیندهای اصلی خود هستند. با این حال، ماهیت مدل‌های یادگیری ماشین / هوش مصنوعی به شدت به انتخاب نمونه‌های داده بستگی دارد و یادگیری از تجربیات داده‌های گذشته محرک اصلی این الگوریتم‌ها است. همچنین، برخلاف رویکردهای برنامه‌نویسی کلاسیک، در این رویکردها دقت ۱۰۰٪ مورد انتظار برای نتیجه وجود ندارد. اگرچه بانک‌ها با خروجی‌های مدل که منعکس‌کننده یک رویکرد پیش‌بینی‌کننده هستند، بسیار آشنا هستند، اما روش‌های سنتی شناخته‌شده مانند رگرسیون خطی و رگرسیون لجستیک بسیار متفاوت‌تر از تکنیک‌های پیشرفته یادگیری ماشین هستند که امروزه استفاده می‌شوند. امروزه، اکثر رویکردهای یادگیری ماشین بیشتر جعبه سیاه هستند و نیاز به بررسی دقیق دارند تا اعتماد به استحکام، انصاف، حریم خصوصی داده‌ها و نگرانی‌های مربوط به سوگیری ایجاد شود.

شرکت‌ها به یک دستورالعمل استاندارد برای اعتبارسنجی مدل‌های هوش مصنوعی نیاز دارند. انگیزه‌های اصلی ما برای ایجاد یک چارچوب اعتبارسنجی عبارتند از (۱) ایجاد اعتماد برای هوش مصنوعی، (۲) تضمین انطباق با چارچوب‌های قانونی و (۳) بهبود رویه‌های داخلی.

اول از همه، بهبود پذیرش هوش مصنوعی با ایجاد "اعتماد" بُعد قابل توجهی از نیاز به یک چارچوب اعتبارسنجی مدل هوش مصنوعی است. پذیرش هوش مصنوعی در برنامه‌های بانکی و مالی، اگرچه محدود است، اما رو به افزایش است. ایجاد آگاهی بیشتر در شرکت‌ها با استانداردسازی فرآیندهای اعتبارسنجی مدل که می‌تواند پذیرش زودهنگام هوش مصنوعی را تسریع کند، امکان‌پذیر است.

مزایای و کاربردهای اعتبارسنجی؛

کاربردهای مهم اعتباری در اقتصاد را می‌توان ارتقا رفاه اجتماعی، افزایش رقابت بانک‌ها، رشد توسعه اقتصادی و افزایش رفاه اجتماعی، توزیع عادلانه درآمد، شفافیت فضای کسب و کار، کاهش ضریب جینی می‌توان نام برد.

_ امکان استعلام وضعیت اعتباری هر فرد / شرکت در سیستم بانکی و مالی در کمترین زمان.

_ ایجاد زمینه دسترسی عادلانه اشخاص حقیقی و حقوقی به منابع مالی و بهبود رفاه زندگی و فضای کسب و کار.

_ بهبود مدیریت ریسک سیستم اعتباری کشور.

_ کاهش نرخ نکول مطالبات.

_ تسریع در حرکت نهادهای مالی از وثیقه محور به سمت اعتبار محور.

_ صرفه جویی در وقت و هزینه ارائه دهندگان و متقاضیان تسهیلات.

_ اطمینان از نتیجه اعتبارسنجی با توجه به بهره گیری از اطلاعات چندگانه.

_ اعلام نتایج، مبتنی بر اصول و روش‌های استاندارد اعتبارسنجی و حذف تصمیم گیری های مفرضانه و جهت دار.

_ امکان بررسی اعتبارسنجی افراد بیشتر با استفاده از تنوع اطلاعات دریافتی.

_ امکان استفاده افراد فاقد سابقه اعتباری از تسهیلات بانکی و سایر محصولات اعتباری.

_ امکان اخذ آسان‌تر تسهیلات برای مردم با استفاده از اعتبارسنجی.

_ تشویق نهادهای اعتباری به پرداخت تسهیلات و تخصیص اعتبار به افراد خوش حساب با محوریت کمتر و شرایط منعطف‌تر.

_ کاهش ریسک بازگشت سرمایه برای اشخاص حقیقی و حقوقی در بازارهای مالی، اعتباری و سرمایه.

_ افزایش اعتماد در داد و ستدهای مالی و اعتباری برای دسته‌های مختلف مردم، سازمان‌ها، شرکت‌ها، اصناف و همچنین کسب و کارهای کوچک و متوسط.

_ امکان دریافت وام فوری، اعتبار محور و بدون ضامن برای افراد خوش حساب.

_ تخصیص اعتبار به سمت جریانات مولد در نتیجه رشد و شکوفایی کشور.

_ امکان تأمین مایحتاج ضروری به شیوه اعتباری از طریق شرکت‌های حوزه لندتک ها و...

‌ویژگی‌های مدل جدید اعتبارسنجی در ایران؛

نویسنده این مدل جدید اعتبارسنجی، مدل را بنام هدف پی نما نام گذاری می‌نماید.

) – هدف پی نما: Comic-Aim (

هدف پی نما به معنی هدف مشترک بین تمامی این ایده‌ها از طریق انتقال مطلب به وسیله تصویر و متن مشاهده می‌گردد و بعد از این فرآیند در واقعیت این مدل در زندگی افراد و سازمان‌ها نمایان می‌گردد.

C onnection to all systemsاصل اول: اتصال به کل سامانه‌ها :

مدل جدید با رویکرد باز دیده شود در واقع با متصل شدن سامانه اعتبارسنجی به کل سامانه‌های موجود در کشور این عمل پدیدار می‌شود.

Validation Ownerاصل دوم: مالک اعتبارسنجی :

فرآیند اعتبارسنجی مدل باید یک مالک داشته باشد، یعنی شخص حقوقی که منحصراً مسئول است و باید به طور مستقل عمل کند. در واقع از تضاد منافع اجتناب شود.

M easuring beliefs Multiple اصل سوم: اندازه گیری باورها:

بانک‌ها و سازمان‌ها می‌توانند باورهای قابل اعتماد را اندازه گیری کرده و آنها را برای ایجاد اعتماد و تقویت نیات وفاداری در بین کاربران خود مدیریت نموده و برای تقویت این نظام کاربردی اعتبارسنجی و رتبه دهی در کارگروه مشترک به اشتراک گذاشته و استفاده نمایند.

I nternal Validation اصل چهارم: اعتبار سنجی داخلی:

اعتبارسنجی داخلی سیستم‌های رتبه بندی بخشی از چارچوب کلی برای کنترل‌های سیستم‌های رتبه بندی است.

C onfidential Information اصل پنجم: محرمانگی اطلاعات:

محرمانگی اطلاعات شخص حقیقی و حقوقی در اولویت کار مدل باشد.

A rtificial Intelligence اصل ششم: هوش مصنوعی:

مدل اعتبارسنجی با کاربرد هوش مصنوعی در بخش مالی یکی از حیاتی ترین مراحل عمر اعتبارسنجی است.

I nformation quality اصل هفتم: کیفیت اطلاعات:

کیفیت اطلاعات در سامانه اعتبارسنجی به عنوان عامل مهم است که توسط آن فناوری اطلاعات و تأثیرات خود را بر موفقیت یک سامانه اعتبارسنجی موفق گسترش می‌دهد.

مدل چندوجهی پیچیده با همیاری دولت، نمایندگان مجلس، وزارت امور اقتصاد و دارایی، بانک مرکزی و سایر دستگاه‌های اجرایی را می‌طلبد.

یکی از مشکلات اساسی در مدل اعتبارسنجی جاری در ایران شکاف اطلاعاتی موجود میان اعتباردهنده و اعتبار گیرنده که از آن به عدم تقارن اطلاعات یاد می‌شود، باعث خواهد شد تا پدیده انتخاب معکوس پرداخت تسهیلات به افرادی همچون سودجو و ذینفعان واحد دچار عدم ایفای تعهد و نکول تسهیلات در بانک‌ها و عدم اعتبار دقیق به اعتباردهندگان را نمایان می‌نماید.

شرط لازم موفقیت یک سامانه اعتبارسنجی موفق دسترسی به اطلاعات اعتباری صحیح و موثق از متقاضیان تسهیلات و تعهدات، اطلاعات مالی، اسنادی و تعهدات به دستگاه‌های اجرایی دولت توسط متقاضیان تسهیلات بوده که بانک‌ها و سایر دستگاه‌ها می‌توانند مشتریان خوش حساب را تشخصیص داده و از این رو ریسک اعتباری را مدیریت و کاهش دهند.

در طراحی مدل جدید از شاخص‌های متنوعی باید استفاده گردد که مواردی مانند رفتار اشخاص در بازپرداخت تسهیلات، سابقه اشخاص در پرداخت چک، سابقه محکومیت‌های مالی اشخاص، وضعیت پرداخت مالیات، وضعیت پرداخت جرایم راهنمایی و رانندگی و عوارض بین راهی، بدهی به قوه قضائیه، صندوق دانشجویی، وضعیت پرداخت بیمه‌ها، وضعیت پرداخت عوارض شهرداری و آزادراهها، وضعیت پرداخت عوارض نوسازی، وضعیت پرداخت قبوض آب، برق و گاز،

وضعیت بورسی، وضعیت اسناد و اوراق بهادار، وضعیت حقوق (رسمی و غیر رسمی) بر اساس واریزی بانکی و سایر موارد دیده شود.

یک روش منسجم بهترین عملکرد برای اعتبارسنجی پیشنهاد می‌گردد. اعتبارسنجی نباید به عنوان یک تمرین صرفاً ریاضی که توسط متخصصان کمی انجام می‌شود در نظر گرفته شود. هر فعالیتی را در بر می‌گیرد که میزان اثربخشی یک مدل را ارزیابی می‌کند.

بانک مرکزی با حمایت و کمک دولت، نمایندگان مجلس، وزارت امور اقتصاد و دارایی و بانک‌ها با تولید مدل‌های تصمیم گیری کمی و مبتنی بر داده‌ها برای مدیریت ریسک اعتباری با دامنه بلند پروازانه فزاینده باید مدلی کامل پیش بینی و بازطراحی نماید.

دقت کنیم، قدرت تبعیض آمیز و تکرار پذیری خروجی کیفیت ممکن است تحت شرایط مختلف در کشور قابل تغییر و اصلاح باشد. پیش بینی نیازها و ارزش‌های آتی نیازمند دقت در پیش بینی مدل جدید اعتبارسنجی در ایران است. به این نکته توجه کنیم که درک قابلیت‌ها و محدودیت‌های مدل‌ها از اهمیت قابل توجهی برخوردار است و اغلب به طور مستقیم با ساده سازی و فرضیات مورد استفاده در طراحی مدل مرتبط است. تصمیمات مبتنی بر خروجی‌های مدل نادرست یا گمراه کننده که در حال حاضر مدل اعتبارسنجی ایران گریبان گیرآن شده است ممکن است منجر به عواقب نامطلوب بالقوه از طریق زیان‌های مالی، عدم دریافت اعتبار مالی، تصمیمات تجاری ضعیف و در نهایت آسیب مشتری، بانک، سایر دستگاه‌های اجرایی دولت و سایر ذینفعان شود.

پیرو دستورالعمل کمیته بازل در مورد نظارت بانک‌ها برای پیروی از چارچوب هنجاری بر بانک‌ها باید یک سیستم قوی برای تأیید صحت و ثبات سیستم‌های رتبه بندی، فرآیندها و برآورد همه موارد مرتبط داشته باشند. اجزای ریسک یک بانک باید به ناظر خود نشان دهد که فرآیند اعتبارسنجی داخلی به او امکان می‌دهد تا عملکرد سیستم‌های رتبه بندی داخلی و تخمین ریسک را به طور مداوم و معنادار ارزیابی کند.

یکی از ابزارهای اصلی مدیریت ریسک اعتباری، اعتبارسنجی مشتریان است. در کشورهای توسعه یاقته، ارائه دهندگان تسهیلات اغلب با اتکا به اعتبارسنجی و بر اساس برآورد ریسک مشتری، که برگرفته از عملکرد گذشته اعتباری و دارایی‌های مالی متقاضی و نحوه کسب درآمد است اقدام به تصمیم گیری در اعطای تسهیلات می‌کنند. آمار منتشر شده در این خصوص نیز بیان گر روند روبه رشد شکل گیری و توسعه نظام‌های اعتبارسنجی در سطح جهان است.

در کشور ایران نیز موضوع شناسایی مشتریان بانکی و از آن مهم‌تر مسئله ریسک اعتباری و نحوه برخورد با آن از مسائل اساسی و مهم پیش روی سیاست گذاران بازار پولی و بانکی است. اما متأسفانه هنوز کلیه دستگاه‌های اجرایی، سامانه‌های وجود در کشور و سامانه‌های که نیاز کشور است به سامانه سمات بانک مرکزی و شرکت مشاوره اعتبارسنجی ایرانیان اتصال نشده اند.

ریسک مدل با پیچیدگی مدل، عدم قطعیت‌های مفروض ورودی، وسعت و عمق پیاده سازی و کاربرد و بهره وری مدل را افزایش می‌دهد. وزارت امور اقتصاد و دارایی و بانک مرکزی اگر بخواهد ریسک مدل اعتبارسنجی در ایران را به طور مؤثر به حداقل برسانند، باید مدل‌های خود را به طور مستمر طبقه بندی، طراحی، اجرا، اعتبارسنجی و کنترل کند.

در واقع سامانه یکپارچه و چندوجهی اعتبارسنجی مشتریان حقیقی و حقوقی و رتبه دهی بانک‌ها یکی از ضروری‌ترین اولویت‌ها برای نظام مالی اقتصادی سالم جهت تحقق اهداف چشم انداز در ایران است.

اعتبارسنجی در کشورهای توسعه یافته و در حال توسعه کاربردهای فراوانی در حوزه‌های مختلف شامل: شبکه بانکی، صندوق‌های قرض الحسنه، بیمه‌ها، سازمان امور مالیاتی، تأمین اجتماعی، شرکت‌های سرمایه گذاری، لیزینگ ها، گمرک، لندتک ها، شهرداری‌ها، شرکت‌های تعاونی مسکن، شرکت عمران شهرهای جدید، اصناف، معاملات خرید و فروش ملک و … دارد.

کاربردهای مهم اعتبارسنجی برای مردم از جمله افزایش قدرت خرید، افزایش شفافیت و کاهش سطح ریسک، توسعه فرهنگ پایبندی به تعهدات در جامعه، تنظیم گر رفتار اعتباری اشخاص می‌باشد.

یادداشت از سید رضا راستی الحسینی کارشناس اقتصادی ‌