پنل «کاربرد هوش مصنوعی در لندتک و اعتبارسنجی» سهشنبه ۳۱ شهریورماه ۱۴۰۵ در جریان «رویداد کاربرد هوش مصنوعی در صنایع و کسبوکارها | IRAN AI EVENT 2026» در دانشگاه صنعتی شریف برگزار شد. مسعود حاجیرمضانعلی، مدیر سامانههای تحلیلی داتین، یکی از اعضای این پنل بود و درباره کاربرد هوش مصنوعی در اعتبارسنجی، مدلسازی ریسک، نقش داده و مسیر آینده تصمیمگیری اعتباری صحبت کرد.
حاجیرمضانعلی با اشاره به فعالیتهای داتین در حوزه هوش مصنوعی توضیح داد که این شرکت طی بیش از دو سال گذشته روی مدلسازی ریسک، از جمله ریسک اعتباری و ریسک نقدینگی، کار کرده است. به گفته او، مدلهای اعتبارسنجی مبتنی بر یادگیری ماشین نیز در فرایند پرداخت تسهیلات در ویپاد، دیجیتالبانک پاسارگاد، مورد استفاده قرار گرفتهاند.
مدیر سامانههای تحلیلی داتین با اشاره به مسیر توسعه اعتبارسنجی هوشمند گفت که این مسیر باید از اتکا به یک امتیاز اعتباری فراتر برود. به گفته او، یک عدد بهتنهایی نمیتواند تمام ابعاد یک تصمیم اعتباری را نشان دهد و هدف باید حرکت به سمت تصمیمگیری اعتباری باشد؛ تصمیمی که علاوه بر وضعیت اعتباری متقاضی، ظرفیت بازپرداخت او، نوع و شرایط تسهیلات و تأثیر اعطای اعتبار بر پورتفوی بانک را نیز در نظر بگیرد.
از نگاه او، چنین رویکردی میتواند همزمان چند هدف را دنبال کند؛ از جمله کمک به بهبود کیفیت بازپرداخت، مدیریت بهتر ریسک بانک و امکان ارائه شرایط اعتباری متناسبتر با وضعیت هر مشتری.
حاجیرمضانعلی همچنین به ظرفیت استفاده از عاملهای هوشمند در این مسیر اشاره کرد و گفت: «در این رویکرد، عاملهای مختلف میتوانند هر یک وظیفه مشخصی در فرایند اعتبارسنجی و تصمیمگیری بر عهده داشته باشند و بهصورت هماهنگ و زنجیرهای فعالیت کنند تا مجموعه خروجی آنها به یک تصمیم اعتباری منجر شود.»
او با اشاره به تأثیر شرایط اقتصادی بر مدلهای اعتبارسنجی تأکید کرد: «این مدلها نمیتوانند پس از طراحی برای مدت طولانی بدون تغییر باقی بمانند. تغییر وضعیت اقتصادی و شوکهای مختلف میتواند رفتار و توان بازپرداخت مشتریان را تحت تأثیر قرار دهد و به همین دلیل، مدلها باید بهصورت مستمر بهروزرسانی و در سناریوها و آزمونهای تنش مختلف ارزیابی شوند.»
مدیر سامانههای تحلیلی داتین، داده را یکی از مهمترین چالشهای این مسیر دانست و گفت: «فکر میکنم بزرگترین چالش برای همه دوستان بحث داده است. ما بهترین مدلها را هم که داشته باشیم و با بالاترین دقت کار کنند، تا زمانی که نتوانیم داده مناسب برای آنها تأمین کنیم، قاعدتاً به خروجیهای خوبی نمیرسیم.»
به گفته او، در حوزه اعتبارسنجی بسیاری از روشهای مورد استفاده، از مدلهای رگرسیونی و روشهای آماری تا الگوریتمهای یادگیری ماشین مانند XGBoost، شناختهشدهاند و مسئله اصلی تنها انتخاب الگوریتم نیست؛ بلکه کیفیت، کاملبودن، بهموقعبودن و دسترسپذیری دادهها تأثیر مستقیمی بر نتیجه مدل و کیفیت تصمیم اعتباری دارد.
حاجیرمضانعلی ادامه داد: «شرکتهای حوزه بانکی به بخشی از دادههای مورد نیاز برای این مدلها دسترسی دارند. رفتار بازپرداخت تسهیلات در بسترهایی مانند ویپاد و همچنین استعلامهایی نظیر اطلاعات سامانه سمات، سوابق چک برگشتی و برخی استعلامهای هویتی، از جمله دادههایی هستند که میتوانند در تصمیمگیری اعتباری مورد استفاده قرار گیرند. با این حال، این دادهها نیز تنها بخشی از تصویر مالی و اعتباری هر فرد را نشان میدهند.»
مدیر سامانههای تحلیلی داتین با اشاره به محدودیت دسترسی به برخی اطلاعات، از جمله اطلاعات جامعتر درباره درآمد و وضعیت مالی افراد، توضیح داد که گردش یا مانده حسابهای بانکی بهتنهایی نمیتواند تصویر جامعی از وضعیت مالی، تعهدات و ظرفیت بازپرداخت یک فرد ارائه کند. به همین دلیل، رسیدن به مدلها و تصمیمهای دقیقتر در اعتباردهی، نیازمند دسترسی قانونی، منسجم و قابل اتکاتر به دادههایی است که بتوانند تصویر جامعتر و دقیقتری از شرایط مالی و اعتباری افراد ایجاد کنند.
او همچنین نبود یک سازوکار منسجم برای دسترسی کسبوکارهای اعتباردهنده به دادههای مورد نیاز را یکی از چالشهای موجود دانست و گفت: «در شرایطی که هر مجموعه تنها بخشی از دادههای مشتری را در اختیار دارد، کسبوکارها ناچارند با سناریوسازی و تحلیل رفتار مشتری در شرایط مختلف اقتصادی، از همان داده محدود برای ساخت مدلهای خود استفاده کنند.»
مدیر سامانههای تحلیلی داتین در ادامه، مسیر آینده را حرکت از مدلهای صرفاً پیشبینیکننده به سمت تصمیمگیری هوشمند و تجویزگر دانست و گفت: «این مدلی است که فقط احتمال نکول یا امتیاز مشتری را اعلام نمیکند، بلکه میتواند در تعیین اقدام مناسب نیز نقش داشته باشد. در چنین رویکردی، اعتبارسنجی صرفاً به این پرسش محدود نمیشود که یک متقاضی در زمان درخواست تسهیلات چه امتیازی دارد، بلکه تأثیر این تسهیلات بر پورتفوی بانک و همچنین ظرفیت بازپرداخت و شرایط مالی خود فرد نیز مورد توجه قرار میگیرد. بر همین اساس میتوان متناسب با وضعیت هر مشتری، پیشنهادهایی با مبلغ، شرایط یا دوره بازپرداخت متفاوت طراحی کرد.»
از نگاه حاجیرمضانعلی، حرکت به این سمت میتواند اعتباردهی را از یک فرایند ثابت و یکسان برای همه مشتریان به فرایندی هوشمندتر و شخصیسازیشدهتر تبدیل کند؛ مسیری که در آن هوش مصنوعی علاوه بر کمک به مدیریت ریسک بانک، میتواند در انتخاب گزینه اعتباری متناسبتر با شرایط هر فرد نیز نقش داشته باشد.
در این پنل، مهدی گرکانی، معاون محصول دیجیپی، سروش یوسفیان، مدیر ارشد استراتژی و تحلیل ازکیوام و داود حمزه، مدیر فناوریهای کسبوکارهای اعتباری شرکت تجارت الکترونیک پارسیان نیز حضور داشتند.