در یکی از روزهای پاییزی اوسط آبان 1400، مسعود خرقانی، از کارشناسان و فعالان صنعت بانکداری و پرداخت میهمان یکی میزگردهای ماهنامه بانکداری آینده بود. او همان روزها از زردی برگ های آبان گله کرد و دوست داشت که چندان پاییز نپاید و نپایید و امروز با خبر شدیم مسعود عزیز به دیار باقی شتافته است. به یاد او و خوش قلبی ها و دلسوزی هایش برای صنعت بانکداری، آخرین مصاحبه وی را بازنشر می کنیم و از خداوند منان برای بازماندگان صبر و شکیبایی و برای آن مرحوم طلب مغفرت داریم.

* آقای خرقانی لطفاً وضعیت فعلی هوش مصنوعی در ایران و جهان را مرور کنید به ویژه اینکه شما در شرکت صنایع یاس هم مطالعات ویژه‌ای در این مورد داشته‌اید.

به بحث هوش مصنوعی از چند جنبه می‌توان ورود کرد؛ یکی آکادمیک و علمی و تخصصی است که فکر می‌کنم به اندازه کافی از این جنبه به هوش مصنوعی پرداخته و مقالات گوناگونی منتشر شده است؛ منتهی یک طبقه‌‌بندی مقدماتی برای آغاز بحث نیاز است؛ هوش مصنوعی به صورت جدی از سال‌های قبل از 2000 مطرح بوده است و با توجه به ظهور فناوری اطلاعات و علم کامپیوتر همه دنبال این بودند که به نوعی از ماشین‌ها بهره‌‌برداری کنند تا تفکرات و تصمیم‌گیری‌های انسان‌ها را به نوعی از طریق کدها و برنامه‌ها بر عهده کامپیوتر‌ها قرار دهند.

نقطه اوج این قضیه آنجاست که در دهه‌‌های اخیر مباحثی از قبیل تحلیل داده و موضوعاتی که زیرمجموعه هوش مصنوعی قرار می‌گیرند؛ مثل ماشین لرنینگ و دیپلرنینگ حوزه‌های تخصصی این قضیه هستند و از طرفی می‌دانیم که ماشین، عاری از شعور است و این هنر انسان‌‌هاست که با برنامه‌‌ریزی‌ای که انجام می‌‌دهند تفکرات خود را در قالب کدها و برنامه‌ها به ماشین‌‌ها دیکته می‌کنند.

هوش مصنوعی در صنایع مختلف از جمله ژنتیک، امنیت، کشاورزی، حمل و نقل و … کاربرد دارد؛ اما از آنجایی که مبحث ما بیشتر بانکی و مالی است؛ بنابراین به این موارد ورود نمی‌کنیم؛ از طرفی برای آنکه کاربرد آن ملموس باشد باید وارد بحث تحلیل شویم. تحلیل چند مرحله دارد؛ از جمله تحلیل توصیفی، تحلیل تشخیصی و تحلیل پیش‌بینانه.

بر اساس آن اتفاق و علل آن اتفاق و با یک سیر تاریخی، الگوریتم‌هایی که در ماشین‌لرنینگ‌ها متداول است سعی می‌کند پیش‌بینی کند که در‌ آینده این اتفاق‌‌ها بیفتد. منتهی در این میان مسئله‌ای وجود دارد و آن اینکه چون علم هوشمندسازی و هوش مصنوعی بر مبنای آمار و احتمال است یک معضل، عدم قطعیت نتایج است؛ ولی کمتر به آن توجه می‌‌شود؛ بنابراین جا دارد از همین ابتدای بحث به عدم قطعیت از پیش‌بینی بپردازیم و انتظار نداشته باشیم که دقت این پیش‌بینی خیلی بالا باشد.

مرحلة بعد، تحلیل توصیه‌ای یا به نوعی ساپورتینگ است که بر اساس پیش‌بینی آینده می‌گوید که توصیه می‌‌کنم در کسب و کار مالی و بانکی‌تان از میان راهکارهای مختلف از این روش استفاده کنید.

مرحلة آخر نیز تحلیل شناختی است که از ابزارهای دیگر به عنوان ورودی برای تحلیل استفاده می‌‌کند و آن ورودی از Natural Language تا بینایی علم کامپیوتر که تصاویر را بررسی می‌کند و … شامل می‌شود و همه اینها باعث می‌‌شوند تحلیل‌ها غنی‌تر شوند و پشتیبانی‌های مناسب‌‌تری ارائه دهند.

* چه وضع مطلوبی برای هوش مصنوعی در ایران پیشنهاد می کنید؟

بر اساس آمار در جوامع دانشگاهی از نظر مطالعات در حوزه علم هوش مصنوعی رتبة خوبی داریم؛ ولی همه آنها کاربردی نشده و در صنعت ورود نکرده‌اند؛ در واقع خلأ بسیاری وجود دارد که در چالش‌ها به آنها می‌پردازم.

با ذکر همین مقدمه کوتاه از بحث قبلی، اگر بخواهم وارد ارائه وضع مطلوب شوم با توجه به ملاحظاتی که در قسمت سوم به آنها خواهم پرداخت؛ مجبورم به این نکته اشاره کنم که یکی از نگرانی‌هایی که مردم یک سازمان یا یک مجموعه یا یک کشور درباره مبحثی مانند هوش مصنوعی دارند این است که آنها جایگزین انسان‌ها شوند؛ برای رفع این نگرانی و دستیابی راحت‌تر به وضع مطلوب باید چت‌بات‌ها یا اتوماسیون فرآیند‌ها را راه‌اندازی کنیم و به سمت بانکداری دیجیتال و غیره برویم این روزها در مورد این چیزها خیلی صحبت می‌شود؛ اخیراً بحث دیگری درباره هوشمندی مطرح شده و آن هوش افزوده است که به AI می‌رسد.

حال هوش افزوده چیست؟ هوش افزوده می‌گوید که ماشین و انسان باید مکمل یکدیگر و به طور همزمان رشد کنند. با وجود هوش افزوده برخی مشاغل از بین می‌روند؛ حتی با بانکداری الکترونیک برخی مشاغل از بین رفتند؛ بنابراین روند تکنولوژی، برخی مشاغل را به صورت خود به خود از بین می‌برد. جامعه از طیف‌های سنتی مختلف با ضریب‌های هوشی و دانشی مختلف تشکیل شده است؛ بنابراین ما باید ماشین و انسان را در کنار یکدیگر قرار دهیم و تعاملی ایجاد کنیم و به آن هوش افزوده بگوییم. نظر شخصی من این است که آنجایی نقطه مطلوب است که به سمت هوشمندی افزوده در سازمان‌های‌مان حرکت کنیم نه کاملاً هوش مصنوعی. من با کمک ماشین لرنینگ، دیپلرنینگ و … که قدرت پردازشی عظیمی دارند می‌توانم مطالعاتم را انجام دهم و به افزایش سطح بینش یا بصیرت افراد کمک کنم تا در گسترش کارشان آن را به کار ببرند.

در طبقه‌بندی داده، هرمی داریم که سطح زیرین آن خام است. این داده باید به اطلاعات و اطلاعات باید به دانش تبدیل شود و از این دانش، خرد می‌آید. قبل از خردمندی و هوشمندی باید به اطلاعات و دیتای طبقه‌بندی‌شده برسیم و برای رسیدن به اطلاعات و دانش باید اینساید عمیقی پیدا کنیم تا بر مبنای آن یک هوشمندی و تجزیه و تحلیلی صورت گیرد؛ بنابراین در بیزینس‌ها و کسب و کارها و خدمات مالی و بانکی اگر از زمینه‌های مختلف و چندین مرحله تحلیلی استفاده کنیم و فرهنگ و باور را شکل دهیم چه در حوزه متخصصان دانش هوش مصنوعی و چه در حوزه صاحبان کسب و کار‌های مالی و بانکی که اتحاد این دو می‌تواند ارزش افزوده‌ای خلق کند؛ آن نگرانی از بین می‌رود و به نظرم نقطه مطلوب آنجاست که این دو تلاقی یابند.

* تکنولوژی نمی‌تواند متوقف شود اگر نگران باشیم عملاً باز می‌ماند؛ ولی می‌تواند به عنوان یک نقطه مطلوب آن را در نظر گرفت.

ما از نظر دانش و مدرک دانشگاهی تقریباً بیش از چهار هزار نفر فارغ‌التحصیل رشته هوش مصنوعی در سال 99 داشتیم که از نظر رتبه‌بندی در رنکینگ جهانی رتبه پایینی نیست؛ ولی در بخش کاربری قوی نیستیم؛ چرا؟ چون فاصله بین صنعت و نقطه‌ای که باید از آن بهره‌برداری شود و مراکز علمی و دانشگاهی ما زیاد است.

* اگر فرض کنیم که صاحب اصلی، مشتری است، هر کاری که بانک انجام دهد در نهایت قصد دارد مشتری‌اش فراغ بال بیشتری داشته باشد؛ اگر ریسک‌های خود را کم می‌کند برای این است که مشتری‌اش بماند؛ لطفاً از این لحاظ به مسئله بپردازید.

این دو رابطه غیر مستقیم با یکدیگر دارند. یک سفر مطلوب و رضایت‌بخش برای مشتری لزوماً با چیزی مانند کاهش ریسک در بانک یا مباحثی از قبیل رگولاتوری یا تطبیق‌پذیری ارتباطی ندارند.

* در نهایت قصد داریم به چه چیزی دست یابیم؟

درست است که برای جلب رضایت مشتری است؛ ولی جلب رضایت مشتری به معنی تسهیل کار مشتری یا اهمیت دادن به سلائق مشتری یا ارائه پیشنهاد مناسب به مشتری است. هوش مصنوعی می‌تواند سفر یا تجربه مشتری را رضایت‌بخش‌تر کند و این یکی از نقاط مطلوب است.

* به نظرم یکی از چالش‌ها برای رسیدن به وضع مطلوب این است که در سیستم بانکی استراتژی داده یا نقشه راه نداریم، لطفاً به چالش‌های مختلف اشاره کنید.

استراتژی داده نقطة آغازین است؛ به تعبیر دیگر وقتی استراتژی حاکمیت داده در سازمان وجود ندارد به این مسئله مربوط است که رهبران آن سازمان درک درستی از اهمیت داده و کمک هوش مصنوعی به فرآوری و بهره‌برداری از داده ندارند. بانک‌ها و مجموعه‌های مالی که نگرش‌شان تقویت شده است چیزهایی دارند که کامل نیست.

یکی از چالش‌های بزرگ بحث دیتای قابل اتکا و کفایت دیتا و تمیزی و صحت و جامعیت دیتاست اینکه داده‌ها چه میزان با یکدیگر مرتبط هستند و چه میزان برای هدف ما کفایت می‌کنند؟ به تعبیر دیگر یک واحد سازمانی، داده خود را با بقیه به اشتراک نمی‌گذارد؛ اما در مباحث استراتژی داده، سازمان زمانی می‌تواند موفق باشد که داده را در کل سازمان به اشتراک بگذارد؛ حتی مشتریان و هم بهره‌برداران. بنابراین ساختن مجموعه دیتایی که به نوعی با یکدیگر ارتباطاتی داشته باشند یا حتی غیر مرتبط باشند کمک می‌کند؛ اگر وجه اشتراک داده‌ها را مشتری بدانیم می‌توان در کتگوری‌های مختلف در مورد این داده صحبت کرد.

* آیا می‌توان گفت که اکوسیستم داده کامل نیست؟

بله درست است؛ وقتی در مورد یک مشتری صحبت می‌کنیم باید بدانیم سبک زندگی، ‌رفتار، تراکنش‌های مالی و سلائق و علائق او چیست. جایی که قرار است زیرساخت داده‌ای را کامل کنیم، جدا از داده‌های داخل سازمان مرتبط با آن فرد رفتارهایش در حوزه تراکنش مالی، تسهیلات و درخواست‌هایش از شعبه در شبکه پرداخت را در نظر داشته باشیم.

 * لطفاً به فرصت‌ها و ضرورت‌ها نیز اشاره کنید از طرفی آیا شکل‌گیری نهادها و قوانین ضرورت دارند؟

به نظرم آنچه باید شکل بگیرد اخلاق حرفه‌ای در افرادی است که به این علم ورود می‌کنند. برخی جوامع قوانینی مانند GDPR را راه‌اندازی می‌کنند یا سطح محرمانگی داده، سطح رضایت مشتری یا عدم سوءاستفاده از داده‌ را مدنظر قرار می‌دهند؛ بنابراین حفظ اسرار مشتری اهمیت بسیاری دارد؛ یعنی به یک سری پروتکل‌ها برای آن نیاز است؛ اما نیازی نیست که منتظر باشیم که رگولاتور قانون‌گذاری کند؛ بلکه با اخلاق حرفه‌ای هم می‌توان در این مسیر قرار گرفت.

* این شناخت تا چه حد در سیستم بانکی و پرداخت وجود دارد؟

متأسفانه خیلی قوی نیست؛ چون دوستان به این مسائل نمی‌پردازند.

* لطفاً به چند فرصت هم اشاره کنید؟

امروز برخی بانک‌ها و سازمان‌های مالی با به وجود آمدن مسائل مالی جدید، درها را گشوده‌اند؛ اگر بین دانشگاه و صنعت ارتباط برقرار شود فرصت بزرگی شکل می‌گیرد. متخصصان در دانشگاه‌ها و مراکز علمی کار آکادمیک می‌کنند و درس می‌خوانند و تئوری می‌دانند؛ ولی دیتایی ندارند تا با آن کار کنند، پژوهشکده‌ای ندارند. صنعت بانکی باید بخشی به عنوان سرمایه پژوهشی داشته باشد و انتظار خروجی سریع هم نداشته باشد در این صورت فرصت را به وجود می‌آورد و به سمت تکامل آن می‌رود تا طی پنج سال، چهار الی پنج نمونه موفق را ‌ایجاد کند و گسترش دهد.

نکته دیگر اینکه قرار نیست ماشین جایگزین فرد شود یا فرد بدون ماشین بتواند کاری کند؛ این دو باید با یکدیگر گره بخورند و این می‌تواند ما را به موفقیت برساند؛ وگرنه درجا زدن است.

* البته بانکداری شناختی همین است که بانک بدون دخالت انسان بتواند بر اساس شناخت کسب‌شده پاسخگوی مشتری باشد و پیش برود.

تصور کنید آسمان‌خراش‌های بسیاری ساخته شده است؛ اما آیا این آسمان‌خراش به ماه می‌رسد؟ غیر ممکن است. درباره هوش مصنوعی نیز این تفکر در برخی وجود دارد برخی می‌گویند؛ هوش مصنوعی بسیار پیشرفته کرده است؛ ولی آیا جایگزین هوش انسان می‌شود؟ بعضی می‌گویند؛ هیچ‌وقت نمی‌تواند بشود بعضی هم می‌گویند؛ اگر شد چه؟ بنابراین دو دیدگاه خوش‌بینانه و بدبینانه وجود دارد. معتقدم صحبت از بعضی چیزها و قضاوت در مورد آنها بسیار زود است.

* لطفا جمع‌بندی صحبت‌های خودتان را بیان کنید.

اگرچه بحث رسانه‌ای درباره هوش مصنوعی در امور بانکی معطوف به چگونگی استفاده از آن برای صرفه‌جویی در هزینه بانک‌ها با کاهش شغل است؛ اما این مؤسسات تمرکز اصلی دیگری نیز دارند و آن استفاده از فناوری هوش مصنوعی برای بهبود اشتهای ریسک آنهاست. مدیریت ریسک یکی از مهم‌ترین موضوعات در صنعت بانکداری است، به همین دلیل بسیاری از کارمندان خود را بر اندازه‌گیری آن با توجه به مشتریان خود متمرکز کرده‌اند.

فناوری‌های فعلی در حال حاضر قادر نیستند به همان روشی که انسان می‌تواند، تصمیم‌گیری کنند؛ اما استفاده از هوش مصنوعی می‌تواند روند کار را ساده کند. تجزیه و تحلیل و ارائه داده‌ها با استفاده از هوش مصنوعی می‌تواند تعصب انسانی را در روند تصمیم‌گیری کاهش دهد و نتیجه را برای مؤسسات و مشتریان به طور یکسان بهبود بخشد، بدون اینکه کارکنان از این روند حذف شوند.

در نهایت اینکه، استفاده از هوش مصنوعی در بانکداری، مانند هر صنعت دیگر، می‌تواند نیاز به دخالت انسان را کاهش دهد. اما این بدان معنا نیست که صنعت بانکداری برای یک تحول گسترده، در جایی که مشاغل بی‌شماری از دست می‌رود، آماده است. هوش مصنوعی این امکان را دارد که با بهبود کارایی عملیات در مناطقی که دارای اهمیت واقعی هستند، مانند ردیابی پولشویی‌ها یا بهبود تجربه مشتری، انقلابی در صنعت بانکداری ایجاد کند.

در برخی موارد هم هوش مصنوعی فقط کارهای تکراری و اضافه‌ای را انجام می‌دهد که هیچ کس تمایلی به انجام‌شان ندارد. طی سال‌های اخیر، صنعت بانکداری به طور فزاینده‌ای در مورد هوش مصنوعی هیجان‌زده شده است. به طوری که تقریباً تمام مشاوران برجسته تحقیقاتی در مورد تأثیر هوش مصنوعی بر صنعت بانکداری مطالبی را منتشر کرده‌اند و سرمایه‌گذاری در این حوزه در حال توسعه راه‌حل‌های نوآورانه است. در کنار همه هیاهوها، این نگرانی اجتناب‌ناپذیر وجود دارد که اجرای این فناوری نیاز به کارکنان انسانی را کاهش می‌دهد.

این که اگر بانکی بتواند فرآیندی را خودکار کند، مطمئناً برای انجام آن نیازی به انسان ندارند، مفهوم ساده‌ای به نظر می‌رسد؛ اما پاسخ به این سادگی‌ها نیست. گرچه این نوع ادعاها کاملاً هم بی‌اساس نیستند. یکی از زمینه‌های اصلی که بانک‌ها در حال اجرای راه‌حل‌های جدید مبتنی بر هوش مصنوعی هستند، خدمات به مشتری است.

تصوری که از هوش مصنوعی می‌تواند در ذهن کارکنان بانکی وجود داشته باشد و موجب ترس و نگرانی آنها شود، این است که گمان می‌کنند هوش مصنوعی، می‌تواند ربات‌ها را جایگزین آنها کند؛ اما در واقع نکات ظریفی وجود دارد که با این ذهنیت متفاوت است؛ البته شکی نیست که برخی از مشاغل از بین خواهند رفت، اما مشاغل جدید دیگری هستند که ایجاد می‌شوند و برخی دیگر از مشاغل نیز به چیز دیگری تبدیل می‌شوند؛ مثلاً برخی از مشاغل جدید عبارت‌اند از: طراح ربات هوشمند، ناظر و ارزیاب ربات هوشمند، دانشمندان علم داده، مهندسان فرآوری داده و … .