لماذا يُعد الإطار الحي في قلب دفع الابتكار في التكنولوجيا المالية

إ عمران أفتاب، الشريك المؤسس والرئيس التنفيذي لدى 10Pearls.

اكتشف أفضل أخبار وفعاليات التكنولوجيا المالية!

اشترك في النشرة الإخبارية لـ FinTech Weekly

يقرأها التنفيذيون في JP Morgan وCoinbase وBlackrock وKlarna وغيرها

لطالما كانت المالية رائدة في الابتكار الرقمي، وتُثبت موجة الذكاء الاصطناعي الأخيرة أنها ليست استثناءً. وبصفتها قطاعًا يواجه ضغطًا متزايدًا لتقديم تجارب رقمية أسرع وأكثر تخصيصًا وفعالية للعملاء، فإن تضمين أحدث التقنيات ليس أمرًا قابلاً للتفاوض.

وبينما تنتقل الشركات المالية التقنية من مجرد التجريب بالذكاء الاصطناعي إلى دمجه ضمن استراتيجياتها الأساسية، فإن السؤال ليس عن القيمة التي يقدمها الذكاء الاصطناعي، بل عن كيفية حوكمته مع مرور الوقت. وبدون مبادئ توجيهية واضحة مُدمجة ضمن إطار مركزي، ستواجه الشركات المالية التقنية بسرعة مخاطر من منظور السمعة والامتثال التنظيمي والأمن.

لا يغطي إطار حي جميع الجوانب فحسب، بل يفعل ذلك أيضًا مع مواكبة الاستراتيجيات المتطورة. فهو يدفع الابتكار، لا يكبحه—دون المساس بالشركات المالية التقنية في هذه العملية.

الموازنة بين العدالة والدقة

يسهم التحول الرقمي السريع في قطاع الخدمات المالية أيضًا في خلق فرص أكبر لعمليات الاحتيال المحتملة وهجمات الأمن السيبراني. ومع ذلك، غالبًا ما يقع الذكاء الاصطناعي غير المُحكَم في فخ الهلوسة والانحياز—أي أن حاملي الحسابات يمكن أن يتم وسمهم خطأً من خلال الأنظمة نفسها المصممة لحمايتهم.

يجب على الشركات المالية التقنية ضمان عمل أنظمة الذكاء الاصطناعي بشكل متسق والالتزام بمعايير الأداء. يُعد سوء إدارة البيانات حجر الزاوية في الذكاء الاصطناعي غير المُحكَم، ويتضاعف حتى يؤدي إلى عواقب كارثية. ليست المسألة مجرد التنفيذ في الوقت الحقيقي، بل تنفيذه بدقة وبإنصاف. وعندما لا تُدار البيانات التي تُغذي هذه الأنظمة بشكل صحيح، يكون طرحها محكومًا بالفشل.

فكّر في نظام ذكاء اصطناعي تم تزويده ببيانات مغلوطة تم سوء إدارتها وتشويهها، وقد قام عن غير قصد بوضع علامة “احتيال” على معاملة كبيرة مشروعة بناءً على الرمز البريدي لحامل الحساب. ويتم تمييز فئات ديموغرافية معينة بناءً على بيانات تاريخية غير دقيقة، ما لا يفعل سوى تعزيز الانحياز ضد الأفراد أو المجموعات. لا يضر التمييز الثقة والعلاقات فحسب، بل يخلّف أيضًا تداعيات طويلة الأمد على سمعة المؤسسة، خصوصًا لأنه ينتهك مباشرةً قوانين حماية المستهلك. ولدى الشركات المالية التقنية التزام قانوني باستخدام البيانات بشكل عادل وآمن عبر دورة حياة نظام الذكاء الاصطناعي، وليست الأدوات هي التي تُطرح موضع التساؤل عندما تقع المخالفات، بل الفرق التي تستخدمها.

وبعد هذه النقطة، تتراكم العواقب. تُنشئ هذه السيناريوهات ضغطًا إضافيًا على الفرق، التي يتعين عليها التدخل، ما يهدر موارد بشرية ووقتًا ثمينًا. والأهم من ذلك أنها تُبرز أيضًا فجوات خطيرة في الأساس القائم. تُعد البيانات غير المُدارة نقطة ضعف في البنية الرقمية للشركة المالية التقنية، ما يجعلها أكثر عرضة لعمليات الاحتيال الفعلية ولتهديدات الأمن السيبراني.

يواجه إطار حوكمة حي هذه المخاطر لأنه يتطلب مراقبة مستمرة واختبارات وإعادة معايرة لنماذج الذكاء الاصطناعي. وهذا يمكّن مزودي الخدمات المالية من تعظيم متانة أمنهم على أساس ثابت، مع تقييم وتحديث الأنظمة بانتظام مع تطور البيانات والمخاطر. وفي الوقت نفسه، يتم اقتلاع الانحياز، مما يفسح المجال للعدالة والدقة في كل مكان.

ضمان القابلية للتفسير والشفافية

تمنع الشركات المالية التقنية التي تتبع إطارًا حيًّا عمل الذكاء الاصطناعي من التصرف كأنه “صندوق أسود”، حيث تكون تفاصيله الداخلية لغزًا للفرق وللمستخدمين على حد سواء. يحتاج حاملو الحسابات والموظفون والجهات التنظيمية إلى الاطمئنان من خلال القابلية للتفسير والشفافية حول أي تقنية يتم دمجها.

يتطلب القضاء على الانحياز فهم كيفية ولماذا توصلت أداة ذكاء اصطناعي إلى قرار ما. تُستخدم أنظمة الذكاء الاصطناعي اليوم في عمليات مثل تقييم الجدارة الائتمانية، لكن للأسف لا تزال غير معصومة من الانحياز. وتتمثل خطورة تداعيات ذلك في أنها شديدة: إذ يحدث التمييز، خصوصًا ضد المجموعات الأقلية التي يُحرم منها الوصول إلى القروض بشكل غير متناسب بسبب ذكاء اصطناعي معيب. تتطلب لوائح مثل CFPB وقوانين الإتاحة العادلة (Fair Lending) قابلية تفسير وتتبع أدوات الذكاء الاصطناعي المستخدمة في الخدمات المالية. كما تتطلب إزالة الانحياز من المعادلة.

في نموذج حوكمة حي، تُدمج القابلية للتفسير وقابلية التتبع في كل حالة استخدام وسير عمل:

*   تتم مزامنة مصادر البيانات ووجهاتها بشكل واضح.
*   يتم تسجيل جميع تغييرات النموذج والاختبارات والملاحظات.
*   تتم مشاركة منطق اتخاذ القرار بحيث يفهم المنظمون والعملاء—وليس المشغلون فقط—كيف ولماذا توصل نظام ذكاء اصطناعي إلى توصية أو إجراء.

ضمان الالتزام بمتطلبات مكافحة غسل الأموال (AML)

تتجه المؤسسات المالية إلى الأتمتة والذكاء الاصطناعي لمراقبة المعاملات والنشاطات المشبوهة ضمن أنظمة مكافحة غسل الأموال. ومع ذلك، عند عدم الإشراف على الذكاء الاصطناعي أو إدارته بشكل صحيح، تنشأ مشكلتان:

*   الإيجابيات الكاذبة: يتم وسم المعاملات المشروعة بشكل غير صحيح، ما يؤدي إلى إحباط العملاء وإهدار موارد بشرية ثمينة.
*   السلبيات الكاذبة: يتم تفويت التهديدات الحقيقية، ما يعرّض مجموعات بيانات وأنظمة رقمية كاملة للخطر، ويضع سمعة المؤسسة على المحك، ويُتلف الثقة.

بنهج “الحوكمة كخطوط حدودية واقية” (governance-as-guardrails)، يتم تقليل هذه المخاطر عبر بيانات مُدارة جيدًا وشفافة وقابلة للتدقيق. كما يتم دمج تنبيهات واضحة مع رؤى فورية قابلة للتنفيذ لضمان التدخل السريع عند الحاجة.

وبينما تستمر حلول الذكاء الاصطناعي في التطور، تصبح الأطر القابلة للتكيف والحيّة ضرورية بشكل متزايد. لا تحمي هذه الأطر المؤسسات والأفراد على حد سواء من المخاطر المحتملة لمشاركة الذكاء الاصطناعي فحسب، بل تمنح أيضًا الشركات المالية التقنية ميزة تنافسية كبيرة. تزوّد هذه الأطر الشركات بالوسائل لتعزيز الثقة وتحسين سمعتها من خلال حوكمة مسؤولة وعدالة وشفافية، وضمان الاعتمادية والأداء.