عملية تقييم الائتمان المدعومة بالذكاء الاصطناعي الوكولي: مخطط استراتيجي

بهوشان جوشي، د. ماناس باندا، راجا باسو

اكتشف أفضل أخبار التكنولوجيا المالية والفعاليات!

اشترك في النشرة الإخبارية لـ FinTech Weekly

يقرأها المسؤولون التنفيذيون في JP Morgan وCoinbase وBlackrock وKlarna وأكثر

تخضع صناعة الخدمات المالية لتحوّل نموذجي، حيث تعمل تقنيات الذكاء الاصطناعي التوليدي (GenAI) وأنظمة الذكاء الاصطناعي الوكيلية (Agentic AI) على إعادة تعريف تدفقات سير العمل في الأعمال - ومن ضمنها اتخاذ قرار منح الائتمان. تتبنّى البنوك الآن أنظمة مدفوعة بالذكاء الاصطناعي تُحسّن دقة التنبؤ، مع أتمتة في الوقت نفسه مسارات عمل معقّدة. يستكشف 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

البيانات هي شريان الحياة لتقييم الائتمان. تقيم البنوك والمؤسسات المالية وتحلل كميات كبيرة من عناصر البيانات باستخدام نماذج لوجستية ونماذج قائمة على الحدس. مع ظهور GenAI، قفزت هذه العملية إلى الأمام؛ إذ وفّرت نماذج GenAI القدرة على تقييم البيانات غير المهيكلة، مولّدة رؤى قيمة. كما أن توليد بيانات اصطناعية لمحاكاة السيناريوهات مسبقًا يعد تغييرًا رئيسيًا آخر في عملية التقييم.

تتفوق نماذج GenAI في تحليل المعلومات غير المهيكلة وتحويلها إلى بيانات مُهيكلة. تمكّن هذه القدرة من استخراج سمات رئيسية مثل اتساق الدخل، وعدم اتساق المدفوعات، وبيانات التوظيف، والإنفاق التقديري، وما إلى ذلك، مما يمكن أن يوفّر رؤى حاسمة في تقييم الاكتتاب.

توليد البيانات الاصطناعية هي إحدى القدرات التي تقدمها نماذج GenAI، ويمكن الاستفادة منها لأغراض النمذجة والتحقق بشكل متين. يمكن أن يساعد ذلك في التخفيف من ندرة البيانات في الحالات الطرفية. يمكن استخدام نماذج الذكاء الاصطناعي لتحديد سيناريوهات الحالات الطرفية، وإضافة معايير أكثر دقة - مثل احتياطيات السيولة، وتذبذب الدخل، وما إلى ذلك - ثم التحقق من صحتها باستخدام بيانات اصطناعية. تعزز هذه البيانات المحافِظة على الخصوصية قابلية تعميم النموذج ومتانته في مواجهة مخاطر الذيل.

يمكن لأنظمة GenAI متعددة الوسائط رصد التناقضات—مثل عدم التطابق بين الدخل المصرّح به وسجلات الضرائب وكشوفات الحسابات البنكية—عبر المقارنة بين العناصر ومقارنتها وجهًا لوجه. يمكن تسريع هذه الأنشطة اليدوية التي تستغرق وقتًا طويلًا من خلال تحسين الامتثال، واكتشاف الفجوات وتعزيز سلامة البيانات.

Agentic AI: تنسيق سير عمل مستقل

في حين أن أنظمة GenAI متعددة الوسائط تسهّل الحفاظ على سلامة البيانات، وإنشاء السيناريوهات القصوى والتحقق منها، فإن Agentic AI ينسّق مع سير عمل مستقل.

يُطوّر Agentic AI كذلك عملية التقييم من خلال اتخاذ قرارات مستقلة للمهام المنفصلة. تتكوّن شبكة Agentic AI من عدة وكلاء خبراء، وهي قادرة على تنفيذ عدة مهام منفصلة في الوقت نفسه. يمكن تنفيذ التحقق من الهوية، واسترجاع المستندات والتحقق منها، وتقييم المؤشرات، والتحقق من البيانات الخارجية، وفحوصات مكتب الائتمان، والتحليل النفسي القياسي (psychometric)، إلخ، بما على سبيل المثال لا الحصر. كل وكيل يعمل وفق أهداف محددة، ومقاييس نجاح، وبروتوكولات تصعيد، مما يجعل العملية أسرع مع زيادة الدقة.

تفرض شبكة agentic هذه منطق الأعمال، وتستدعي نماذج تنبؤية، وتروّج طلبات بناءً على عتبات الثقة، بما يؤدي إلى أتمتة تدفقات سير العمل بشكل ديناميكي. على سبيل المثال، يتم تصعيد قرارات منخفضة الثقة أو الحالات الشاذة التي تم الإبلاغ عنها تلقائيًا إلى مُقيّمي الائتمان من البشر ضمن الحلقة (human-in-the-loop)، مع إرسال تنبيهات عبر أنظمة المراسلة لاتخاذ الإجراء. وفي الوقت نفسه، يمكن للأنظمة الوكيلية المراقبة بشكل استباقي للطلبات، واكتشاف التناقضات، وبدء آليات المعالجة. وبالمثل، إذا وقع ملف الائتمان الخاص بالمتقدم ضمن منطقة رمادية، فيمكنها تفعيل مراجعة ثانوية تلقائيًا أو طلب مستندات إضافية أو إدخال عنصر human-in-loop.

مثال على ذلك: نفّذت بنك عالمي كبير مؤخرًا عملية كاملة للأتمتة في إدارة الحالات بدءًا من رسائل البريد الإلكتروني للعملاء—تسجيل الحالات، واستدعاء سير العمل، والمراسلة مع تتبّع الحالة والتواصل—لتقليل الجهد ووقت المعالجة إلى النصف مقارنةً بالوقت السابق.

ولزيادة الإضافة، تُمكّن قدرات البرمجة اللغوية الطبيعية (NLP) الوكلاء من إجراء محادثات مع المتقدمين في الوقت الفعلي، لتوضيح أوجه الغموض، وجمع البيانات الناقصة، و تلخيص الخطوات التالية – بلغات متعددة وبما يتطلب تمكين الصوت. وهذا يقلل الاحتكاك ويحسّن معدلات الإكمال، خصوصًا لدى فئات العملاء المترددين غير المُخدَمة بشكل كافٍ.

البنية الهجينة: موازنة الدقة وقابلية تفسير النتائج

تقوم تقنيات GenAI وAgentic AI بتصميم تدفقات سير العمل والبنية - لتحسين الكفاءة مع موازنة الدقة وقابلية تفسير نتائج المخرجات.
إن الجمع بين بنية هجينة تجمع Agentic AI مع نماذج GenAI يعزز القدرة التنبؤية ببيانات أغنى وشفافية تنظيمية محسّنة. كما أن الجمع بين وكلاء الذكاء الاصطناعي يزيد من المتانة وقدرات التنفيذ الأتمتية السلسة.

في حين يمكن لـ GenAI توليد تفسيرات مضادة للوقائع - سيناريوهات “ماذا لو” تُظهر كيف يمكن للمتقدمين تحسين أهلية حصولهم على القرض - يمكن للأنظمة الوكيلية جمع بيانات النتائج، وتنقيح الحالات الطرفية، وبدء دورات إعادة التدريب. تعمل عملية التعلم الذاتي التكيفي هذه مع مجموعات بيانات أنظف وسيناريوهات طرفية واقعية محتملة على تحسين دقة عملية تقييم أهلية القرض للعملاء.

دعوة إلى اتخاذ إجراء: بناء أنظمة ذكاء اصطناعي جديرة بالثقة لتقييم أدق

يُعد تقييم أهلية القرض عملية معقدة تؤثر في تجربة العميل وعلى المدى الطويل على علاقة العمل. بعض التوصيات الرئيسية التي ينبغي أخذها في الاعتبار، عند إعادة تصميم التدفق، هي: أ) بنية تقوم على human-in-the-loop لتحسين عملية اتخاذ القرار الشاملة مع إمكانية التتبّع وقابلية التفسير، ب) تحديد وربط مخرجات القرار بشكل صحيح مع السمات المرتبطة لمعالجة مخاوف قابلية التفسير ونتائج التدقيق، ج) تطبيق حواجز ذكاء اصطناعي مسؤولة (responsible AI guardrails)، وضمانات تشغيلية مثل ضوابط الوصول القائمة على الأدوار، ومصفوفة التصعيد، وما إلى ذلك، سيسهم في تحسين مرونة العملية.

الخلاصة

توجد عملية اتخاذ قرار الائتمان عند نقطة انعطاف مع قيام GenAI وAgentic AI بإعادة تعريف تدفقات سير العمل في الأعمال – بما يجعل نظام الإقراض أكثر كفاءة وأكثر مرونة. ستقود المؤسسات المالية التي تستثمر في تصميم مدروس، وحوكمة صارمة، ونماذج بيانات قوية تقوم بأتمتة حالات الاستخدام عالية المخاطر إلى الحقبة التالية من الاكتتاب الذكي.