عملية تقييم الائتمان المدعومة بالذكاء الاصطناعي الوكولي: مخطط استراتيجي

بهوشان جوشي، د. ماناس باندا، راجا باسو

اكتشف أبرز أخبار وأحداث التكنولوجيا المالية!

اشترك في النشرة الإخبارية لـ FinTech Weekly

يقرأها كبار التنفيذيين في JP Morgan وCoinbase وBlackrock وKlarna وأكثر

تخضع صناعة الخدمات المالية لتحوّل نموذجي، حيث تعمل تقنيات الذكاء الاصطناعي التوليدي (GenAI) وأنظمة الذكاء الاصطناعي الوكيلي (agentic AI) على إعادة تعريف مسارات سير العمل في الأعمال—وتُعد عملية اتخاذ قرار الائتمان واحدة من هذه المسارات. تعمل البنوك الآن على تبنّي أنظمة مدعومة بالذكاء الاصطناعي تُحسّن دقة التنبؤ، مع أتمتة الوقت نفسه للتدفقات المعقدة. يستعرض هذا المقال كيف يمكن نشر GenAI وagentic AI بشكل استراتيجي في عملية تقييم الائتمان، بما يؤدي إلى تحسين مستوى الكفاءة والأتمتة بشكل كبير، مع معالجة اعتبارات الحوكمة والمخاطر والامتثال.

ميزة GenAI: إثراء البيانات بشكل ذكي

تشكل البيانات جوهر تقييم الائتمان. تقوم البنوك والمؤسسات المالية بتقييم وتحليل أحمال من عناصر البيانات باستخدام نماذج لوجستية ونماذج قائمة على الحدس. ومع ظهور GenAI، قفزت هذه العملية إلى الأمام، إذ وفرت نماذج GenAI القدرة على تقييم البيانات غير المهيكلة، مولّدة رؤى قيمة. يُعد توليد بيانات اصطناعية لمحاكاة السيناريوهات مسبقًا تغييرًا رئيسيًا آخر في عملية التقييم.

تتفوق نماذج GenAI في تحليل المعلومات غير المهيكلة وتحويلها إلى بيانات مهيكلة. تتيح هذه القدرة استخراج سمات رئيسية مثل اتساق الدخل، حالات عدم اتساق المدفوعات، بيانات التوظيف، الإنفاق التقديري… إلخ، والتي يمكن أن توفر رؤى حاسمة في تقييم الاكتتاب (underwriting).

يُعد توليد البيانات الاصطناعية قدرة توفرها نماذج GenAI ويمكن الاستفادة منها لأغراض نمذجة وتحقق قوية. يمكن أن يساعد ذلك في التخفيف من ندرة البيانات في الحالات الطرفية (edge cases). يمكن استخدام نماذج الذكاء الاصطناعي لتحديد سيناريوهات الحالات الطرفية، وإضافة معايير أكثر دقة—مثل احتياطيات السيولة، تقلبات الدخل، إلخ—ثم التحقق منها باستخدام بيانات اصطناعية. تعزز هذه البيانات التي تحافظ على الخصوصية قابلية تعميم النموذج (generalizability) ومتانته في مواجهة مخاطر الذيل (tail risks).

يمكن لأنظمة GenAI متعددة الوسائط (multimodal) الإشارة إلى التناقضات—مثل وجود اختلافات بين الدخل المصرّح به، وسجلات الضرائب، وبيانات الحسابات البنكية… إلخ—عبر المقارنة والمقابلة. ويمكن تسريع هذه الأنشطة اليدوية المستهلكة للوقت من خلال تحسين الامتثال، ورصد الفجوات وتعزيز سلامة البيانات.

الذكاء الاصطناعي الوكيلي (Agentic AI): تنسيق سير العمل الذاتي

في حين أن أنظمة GenAI متعددة الوسائط تسهّل سلامة البيانات، وتُنشئ وتتحقق من سيناريوهات متطرفة، فإن شبكة Agentic AI توجه سير العمل الذاتي.

يُطوّر الذكاء الاصطناعي الوكيلي كذلك عملية التقييم عبر اتخاذ قرارات ذاتية للمهام المنفصلة. إن شبكة Agentic AI، التي تتكوّن من عدة وكلاء خبراء، قادرة على تنفيذ عدة مهام منفصلة في وقت واحد. يمكن تنفيذ التحقق من الهوية، واسترجاع المستندات والتحقق منها، وتقييم المؤشرات (metrics)، والتحقق من البيانات الخارجية، وفحوصات مكتب الائتمان (credit bureau checks)، والتحليل النفسي القياسي (psychometric analysis)، إلخ—لذكر بعض—بالتوازي عبر وكلاء متخصصين. يعمل كل وكيل ضمن أهداف محددة، ومؤشرات نجاح، وبروتوكولات تصعيد، مما يجعل العملية أسرع مع زيادة الدقة.

تفرض هذه الشبكة الوكيلية منطق الأعمال، وتستدعي نماذج تنبؤية، وتوجّه طلبات الائتمان بناءً على عتبات مستوى الثقة، مما يُؤتمت مسارات سير العمل ديناميكيًا. فعلى سبيل المثال، تُصعَّد تلقائيًا قرارات منخفضة الثقة أو الحالات الشاذة المُعلّمة إلى مُكتتبي ائتمان من البشر ضمن الحلقة (humans-in-loop)، مع إرسال تنبيهات عبر أنظمة المراسلة لاتخاذ إجراء. وفي الوقت نفسه، يمكن للأنظمة الوكيلية المراقبة بشكل استباقي للطلبات، واكتشاف التناقضات، وبدء آليات المعالجة (remediation). وبالمثل، إذا وقع ملف الائتمان الخاص بالمتقدم ضمن منطقة رمادية، فيمكن أن تُفعّل تلقائيًا مراجعة ثانوية أو تطلب وثائق إضافية أو تثير وجود عنصر بشري ضمن الحلقة.

مثال على ذلك: قامت مؤسسة مصرفية عالمية كبيرة مؤخرًا بتنفيذ عملية آلية بالكامل لإدارة القضايا من رسائل البريد الإلكتروني للعملاء—تسجيل القضايا، واستدعاء سير العمل، والمراسلة مع تتبّع الحالة والتواصل—ما أدى إلى خفض الجهد ووقت المعالجة إلى النصف مقارنة بما كان عليه سابقًا.

وللاستكمال، تتيح قدرة المعالجة باللغة الطبيعية (NLP) للوكالات التحدث مع المتقدمين في الوقت الفعلي، وتوضيح الغموض، وجمع البيانات الناقصة، و تلخيص الخطوات التالية—بأكثر من لغة وبدعم للصوت عند الحاجة. وهذا يقلل الاحتكاك ويحسن معدلات الإكمال، خصوصًا ضمن شرائح العملاء المترددين غير المخدَّمة بشكل كافٍ.

العمارة الهجينة: موازنة الدقة وقابلية التفسير

تقوم تقنيات GenAI وAgentic AI بتصميم مسارات سير العمل والعمارة—مع تحسين الكفاءة مع الموازنة بين دقة النتائج وقابلية تفسيرها. تعزز العمارة الهجينة التي تجمع بين Agentic AI ونماذج GenAI القدرة التنبؤية عبر بيانات أكثر ثراءً وشفافية تنظيمية محسّنة. كما أن الجمع بين وكلاء الذكاء الاصطناعي يزيد من المتانة وقدرات التنفيذ الأوتوماتيكي المتسلسل بسلاسة.

في حين يمكن لـ GenAI توليد تفسيرات مضادة للواقع (counterfactual explanations)—سيناريوهات “ماذا لو” توضح كيف يمكن للمتقدمين تحسين أهلية قرضهم—فإن الأنظمة الوكيلية يمكنها جمع بيانات النتائج، وتنقيح الحالات الطرفية، وبدء دورات إعادة التدريب. تؤدي عملية التعلم الذاتي التكيفي باستخدام مجموعات بيانات أنظف وسيناريوهات طرفية محتملة إلى تحسين دقة عملية تقييم أهلية قروض العملاء.

نداء إلى العمل: بناء أنظمة ذكاء اصطناعي جديرة بالثقة من أجل تقييم أدق

يُعد تقييم أهلية القرض عملية معقدة تؤثر على تجربة العميل والعلاقة التجارية طويلة الأمد. بعض التوصيات الرئيسية التي يجب أخذها في الاعتبار أثناء إعادة تصميم المسار هي: a) بنية “وجود إنسان في الحلقة” لتحسين عملية اتخاذ القرار الإجمالية مع إمكانية التتبع وقابلية التفسير، b) تحديد وربط مخرجات القرار بشكل صحيح بالسمات المرتبطة لمعالجة مخاوف قابلية التفسير ونتائج التدقيق، c) تطبيق سياج/حواجز ذكاء اصطناعي مسؤولة (responsible AI guardrails)، وضمانات تشغيلية مثل ضوابط الوصول القائمة على الأدوار، ومصفوفة التصعيد، إلخ. سيؤدي ذلك إلى تحسين مرونة العملية.

الخلاصة

توجد عملية اتخاذ قرار الائتمان عند نقطة انعطاف، مع قيام GenAI وAgentic AI بإعادة تعريف مسارات سير الأعمال—مما يجعل بيئة الإقراض أكثر كفاءة وأكثر مرونة. ستقود المؤسسات المالية التي تستثمر في التصميم المدروس والحوكمة الصارمة ونماذج بيانات قوية تُؤتمت حالات الاستخدام عالية المخاطر إلى حقبة جديدة من الاكتتاب (underwriting) الذكي.