صعود الذكاء الاصطناعي في إدارة المخاطر

يتوغل الذكاء الاصطناعي بشكل متزايد في وظائف إدارة المخاطر بالبنوك والمؤسسات المالية. فهو قادر على مراجعة عدد أكبر من المعاملات، وكشف الأنماط غير المعتادة، وتحديث التقييمات بسرعة تفوق الأنظمة التقليدية. وتشير شركة «أكسنتشر» إلى أن الشركات المالية التي تستخدم الذكاء الاصطناعي قد حققت مكاسب في الكفاءة التشغيلية بنسبة 20%. ومع ذلك، فإن التحليل الأسرع لا يعني بالضرورة رقابة أفضل. فجودة النتيجة لا تزال تعتمد على البيانات والافتراضات والأشخاص الذين يقفون وراء النموذج.

لطالما كانت إدارة المخاطر تنطوي على معلومات غير كاملة. ويجب على البنوك أن تقرر أي المقترضين من المرجح أن يسددوا ديونهم، وأي المعاملات تتطلب التحقيق، وكيف قد تتأثر المحافظ الاستثمارية في ظل ظروف السوق المتغيرة.

تقليديًا، كانت هذه القرارات تعتمد على النماذج الإحصائية والقواعد المعمول بها وحكم الموظفين ذوي الخبرة. ولا يزال هذا النهج مهمًا، لكن تطبيقه أصبح أكثر صعوبة على النطاق وبالسرعة التي يتطلبها عالم المال المعاصر.

تقوم المؤسسات حالياً بمعالجة أعداد هائلة من المدفوعات والمراكز السوقية وسجلات العملاء. وقد تظهر المخاطر عبر أنظمة وولايات قضائية مختلفة، وغالباً ما يحدث ذلك قبل أن تظهر في التقارير التقليدية.

توفر الذكاء الاصطناعي وسيلة لدراسة هذه الإشارات مجتمعة. فهي قادرة على تحديد الحالات الشاذة، ومقارنة الأنماط السلوكية عبر مجموعات البيانات الضخمة، وتوجيه انتباه البشر نحو الحالات التي تستحق فحصًا دقيقًا.

ولا تكمن قيمتها الأساسية في التبصر، بل في القدرة على البحث على نطاق أوسع والاستجابة بسرعة أكبر.

من القواعد الثابتة إلى الأنماط المتغيرة

غالبًا ما تعمل أنظمة إدارة المخاطر التقليدية من خلال عتبات محددة مسبقًا. فقد تؤدي أي معاملة تتجاوز قيمة معينة إلى إجراء مراجعة. وقد يحصل المقترض الذي يتمتع بخصائص مالية معينة على تصنيف ائتماني محدد.

هذه القواعد شفافة ويسهل تدقيقها نسبياً. كما أنها قد تكون غير مرنة.

يُكيّف المحتالون سلوكهم لتفادي الضوابط المعروفة. وتتغير العلاقات السوقية. فقد تصبح المعاملة التي تبدو بريئة إذا ما نُظرت بمفردها مشبوهة عند مقارنتها بنمط أوسع من الأنشطة.

يمكن لنماذج التعلم الآلي تحليل هذه العلاقات دون الاعتماد حصريًّا على قواعد ثابتة. وقد تكتشف هذه النماذج تغييرات طفيفة في سلوك الدفع أو الوصول إلى الحسابات أو شبكات المعاملات، والتي يصعب تحديدها يدويًّا.

وينطبق المبدأ نفسه على مخاطر الائتمان ومخاطر السوق. يمكن للذكاء الاصطناعي معالجة مجموعة أوسع من المتغيرات وتحديث التقييمات فور توفر معلومات جديدة.

وهذا يؤدي إلى نظام أكثر استجابة. كما أنه يجعل عملية المراقبة أكثر صعوبة، لا سيما عندما يتعذر على النموذج تفسير استنتاجاته بوضوح.

تُظهر جي بي مورغان جاذبية الحجم

استثمرت شركة جي بي مورغان تشيس بشكل مكثف في مجال الذكاء الاصطناعي في مجالات التداول والامتثال وكشف الاحتيال والمخاطر التشغيلية.

بالنسبة لبنك بهذا الحجم، فإن الجاذبية واضحة. فحتى التحسينات الطفيفة في سرعة أو دقة تحليل المخاطر يمكن أن تؤدي إلى وفورات كبيرة عند تطبيقها على ملايين المعاملات وعلاقات العملاء.

يمكن للأدوات المدعومة بالذكاء الاصطناعي أن تساعد الموظفين على اكتشاف الأنشطة غير العادية، ومراجعة المستندات، وتحديد أولويات التنبيهات. كما يمكنها تقليل الوقت الذي يُقضى في إجراء تحقيقات متكررة لا تكشف في النهاية عن أي مشكلة.

وهذا لا يعني أن قرارات المخاطر تُفوض بالكامل إلى الآلات. فالحالات التي تنطوي على مخاطر أعلى لا تزال تتطلب التفسير والأدلة الداعمة والحكم الموثق.

تعكس تجربة جي بي مورغان اتجاهاً عاماً في القطاع. فالمؤسسات الكبرى تستخدم الذكاء الاصطناعي لتعزيز أنظمة الرقابة الحالية، بدلاً من استبدال أقسام إدارة المخاطر بنماذج تعمل بشكل مستقل.

تكون هذه التكنولوجيا في أسمى درجات فائدتها عندما تساعد المتخصصين على تحديد المجالات التي يجب التركيز عليها.

تنتشر هذه الممارسة في جميع أنحاء القطاع

أظهر استطلاع أجرته شركة "ديلويت" أن 76% من المؤسسات المالية تستثمر في الذكاء الاصطناعي بهدف تحسين قدراتها في مجال إدارة المخاطر.

ويشمل تطبيق هذه الأنظمة مجالات مخاطر الائتمان، ومخاطر السوق، ومخاطر السيولة، والمخاطر التشغيلية، ومخاطر الامتثال. وتختلف مراحل نضج هذه التطبيقات بشكل كبير.

يُعد الكشف عن الاحتيال من أكثر حالات الاستخدام شيوعًا، وذلك لأن المؤسسات تمتلك بالفعل كميات ضخمة من بيانات المعاملات، ويمكنها مقارنة تنبيهات النماذج بالنتائج المعروفة.

أما تقييم الجدارة الائتمانية فهو أكثر تعقيدًا. فقد تأخذ الذكاء الاصطناعي في الاعتبار معلومات التدفقات النقدية وسلوك السداد ومتغيرات أخرى تغفلها أنظمة التقييم التقليدية. وهذا من شأنه أن يوفر صورة أكثر تفصيلاً عن المقترض.

كما أنه قد يجعل تفسير القرارات أكثر صعوبة.

تواجه نماذج مخاطر السوق تحديًا مختلفًا. فهي قد تحدد الارتباطات بين الأوراق المالية وفئات الأصول، لكن العلاقات التاريخية غالبًا ما تضعف خلال فترات الضغوط.

تتنوع تطبيقات المخاطر التشغيلية بين مراقبة الأمن السيبراني وتحليل العمليات الداخلية. وفي هذا السياق، يمكن للذكاء الاصطناعي أن يكتشف أي نشاط غير معتاد في النظام، أو سلوكًا غير معتاد من جانب الموظفين، أو تراكم المعاملات الفاشلة.

لا يوجد نظام واحد لإدارة مخاطر الذكاء الاصطناعي. فهذا المصطلح يشمل مجموعة من الأدوات التي تعالج مشكلات متنوعة للغاية.

تتمكن الشركات الصغيرة من الوصول إلى الخدمات من خلال مزودي الخدمة

لا يقتصر استخدام الذكاء الاصطناعي على البنوك العالمية.

يمكن لشركات التكنولوجيا المالية والمؤسسات المالية الصغيرة الحصول على أدوات إدارة المخاطر من خلال المنصات السحابية ومزودي الخدمات التكنولوجية المتخصصين. وهذا يقلل من تكلفة الكشف عن حالات الاحتيال والتحقق من الهوية وتحليل البيانات.

على سبيل المثال، تستخدم شركة Plaid أنظمة آلية لدعم أمن البيانات وكشف الأنشطة التي يُشتبه في أنها احتيالية عبر القنوات المالية.

تتيح المنصات الخارجية للمؤسسات الصغيرة الوصول إلى قدرات لا تستطيع تحمل تكاليف إنشائها داخليًّا. كما أنها تخلق تبعيات جديدة.

قد تلجأ الشركة إلى الاستعانة بمصادر خارجية لتوفير التكنولوجيا، لكنها لا يمكنها أن تتخلى عن مسؤوليتها. فعليها أن تدرك البيانات التي يستخدمها المزود، وكيفية اختبار النظام، وما الذي يحدث في حالة تعطل الخدمة.

يُعد تركيز الموردين بحد ذاته أحد المخاطر. فإذا اعتمدت العديد من المؤسسات على نفس النماذج أو البنية التحتية، فإن أي ثغرة تقنية قد تؤثر على جزء كبير من النظام المالي في آن واحد.

لذلك، يجب الموازنة بين الراحة والتحكم.

التنبؤ له حدود واضحة

غالبًا ما تُعرض التحليلات التنبؤية باعتبارها الميزة الرئيسية لإدارة المخاطر باستخدام الذكاء الاصطناعي.

يمكن للنماذج تقدير احتمالية التخلف عن السداد أو الاحتيال أو الخسارة السوقية من خلال تحليل النتائج السابقة. ومع وصول بيانات جديدة، يمكن تحديث تلك التقديرات.

هذه العملية مفيدة، لكن لغة التنبؤ قد تولد ثقة زائفة.

نادرًا ما تنشأ المخاطر المالية في ظل ظروف مستقرة. يتغير سلوك المقترضين خلال فترات الركود الاقتصادي. وقد تتلاشى سيولة السوق بسرعة. كما أن القرارات السياسية والهجمات الإلكترونية والكوارث الطبيعية قد تؤدي إلى أحداث لا تعكسها البيانات التاريخية بشكل كافٍ.

قد يعمل النموذج بشكل جيد في الظروف العادية، لكنه قد يفشل بالضبط في اللحظة التي يكون فيها ناتجه في غاية الأهمية.

ولهذا السبب، ينبغي أن يكون الذكاء الاصطناعي مكملاً لتحليل السيناريوهات واختبارات الضغط، لا بديلاً عنها. ويجب على المؤسسات أن تدرس ما يمكن أن يحدث خارج نطاق النتائج التي يعتبرها النموذج محتملة.

لا تقتصر إدارة المخاطر على الاحتمالات فحسب، بل تشمل أيضًا العواقب.

تؤدي الأتمتة إلى توفير الموارد، لكنها قد تخفي نقاط الضعف

يمكن للذكاء الاصطناعي أتمتة أجزاء من عمليات جمع البيانات وتصنيف التنبيهات والتوثيق وإعداد التقارير.

وهذا يتيح لمتخصصي إدارة المخاطر تخصيص مزيد من الوقت للتحقيقات المعقدة والمسائل الاستراتيجية. كما أنه قد يقلل من حالات عدم الاتساق التي تنشأ عند إجراء الفحوصات الروتينية يدويًّا.

زيادة الكفاءة هذه أمر جذاب. تشير شركة «أكسنتشر» إلى تحسن بنسبة 20% بين الشركات المالية التي تستخدم تقنيات الذكاء الاصطناعي.

لكن الأتمتة قد تخفي نقاط الضعف في العمليات.

إذا تم تدريب نموذج ما على تصنيفات غير دقيقة، فقد يعيد إنتاجها بشكل أكثر كفاءة. وإذا استخدمت الأقسام المختلفة بيانات غير متسقة عن العملاء أو المعاملات، فإن تسريع المعالجة لن يحل المشكلة الأساسية.

كما قد تصبح المؤسسات أقل قدرة على العمل بدون الأنظمة الآلية. وقد يواجه الموظفون الذين نادراً ما يؤدون مهمة ما يدوياً صعوبة في إدراك متى تتعطل التكنولوجيا.

تتطلب المرونة القدرة على تحدي النظام، لا مجرد استخدامه.

ترتكز نماذج المخاطر على القرارات البشرية

يُوصَف الذكاء الاصطناعي أحيانًا بأنه أكثر موضوعية من الحكم البشري. لكن في الواقع، تُبنى النماذج بناءً على الخيارات البشرية.

يقرر المطورون البيانات التي سيتم تضمينها، والنتائج التي سيتم تحسينها، وكيفية تصنيف القرارات السابقة. وتؤثر هذه الخيارات على استنتاجات النموذج.

فيما يتعلق بمخاطر الائتمان، قد تعكس البيانات التاريخية تفاوتًا في فرص الحصول على القروض أو اختلافًا في معاملة فئات العملاء. ويمكن للنموذج الذي تم تدريبه على مثل هذه السجلات أن يكرر تلك الأنماط دون استخدام صريح للخصائص المحمية.

قد تصدر أنظمة الكشف عن الاحتيال تنبيهات مفرطة للعملاء الذين تختلف معاملاتهم عن غالبية المعاملات، حتى لو كانت أنشطتهم مشروعة.

لا تُحل المشكلة بمجرد حذف الأسماء أو المعلومات الديموغرافية. فقد تكون هناك متغيرات أخرى تعمل كبدائل.

لذلك، يتعين على المؤسسات اختبار نتائج النماذج على مختلف فئات العملاء والتحقيق في التفاوتات غير المبررة.

قد يؤدي نظام دقيق من الناحية الإحصائية إلى اتخاذ قرارات غير عادلة أو غير ملائمة أو يصعب الدفاع عنها قانونياً.

تصبح قابلية التفسير مسألة تنظيمية

قد تُنتج النماذج المعقدة تنبؤات قوية دون أن تقدم تفسيراً بسيطاً لكيفية التوصل إليها.

ويكون هذا الأمر مشكلة كبيرة بشكل خاص عندما يؤثر أحد القرارات على العميل. فقد يتطلب رفض طلب الائتمان، أو تجميد المعاملة، أو تصنيف المخاطر بدرجة أعلى، تقديم تفسير واضح ومفهوم.

كما يتعين على الهيئات التنظيمية وهيئات الحوكمة الداخلية تقييم ما إذا كانت النماذج تعمل ضمن الحدود المعتمدة.

لذلك، قد تفضل بعض المؤسسات استخدام نماذج أبسط في التطبيقات ذات الأهمية الكبيرة، حتى وإن كانت الأنظمة الأكثر تعقيدًا توفر دقة تنبؤية أعلى بشكل طفيف.

التوازن هنا هو بين الأداء وقابلية التفسير.

ليس من الضروري أن يكشف كل نموذج ذكاء اصطناعي عن كل الحسابات الفنية لكل مستخدم. لكن يجب أن تكون المؤسسات قادرة على وصف العوامل المهمة الكامنة وراء أي قرار، وإثبات أن النظام قد خضع للاختبار.

من الصعب إدارة نتيجة لا يمكن الطعن فيها.

أصبح أمن البيانات جزءًا من إدارة المخاطر

تحتاج أنظمة الذكاء الاصطناعي إلى وصول واسع النطاق إلى المعلومات المالية والمتعلقة بالمعاملات والشخصية.

وهذا يخلق توتراً واضحاً. فالهدف من هذه التكنولوجيا هو الحد من المخاطر، لكن تجميع البيانات الحساسة ومعالجتها قد يؤدي إلى ظهور نقاط ضعف جديدة.

يجب على المؤسسات حماية المعلومات أثناء جمعها وتخزينها وتحليلها. ويجب أن يكون الوصول إليها محدودًا ومسجلاً ومخضعًا للمراجعة بانتظام.

يتعين فحص مزودي خدمات الذكاء الاصطناعي الخارجيين بعناية فائقة. يتعين على الشركات معرفة ما إذا كانت بياناتها تُستخدم لتدريب نماذج أخرى، وأين تتم معالجة المعلومات، ومدى السرعة المطلوبة للإبلاغ عن الحوادث.

قد يحاول المهاجمون الإلكترونيون أيضًا التلاعب بأنظمة الذكاء الاصطناعي. ومن خلال تغيير البيانات المدخلة أو تقليد السلوك الطبيعي، يمكنهم محاولة تجنب الكشف عنهم.

وبالتالي، يمكن أن يصبح النموذج نفسه هدفاً.

لا يمكن التعامل مع أمن البيانات وأمن النماذج على أنهما مجالان منفصلان. فكلاهما يندرج ضمن الإطار الأوسع للمخاطر في المؤسسة.

تحتاج النماذج إلى مراقبة مستمرة

غالبًا ما توصف أنظمة الذكاء الاصطناعي بأنها تتعلم وتتطور بمرور الوقت. ويجب إدارة هذه العملية بعناية.

قد ينحرف النموذج الذي يُحدَّث تلقائيًّا دون ضوابط فعالة عن الغرض الأصلي منه. فقد تؤدي التغييرات في البيانات إلى تغيير تدريجي في الطريقة التي يصنف بها المخاطر، حتى في حالة عدم اتخاذ قرار رسمي بتعديل المنهجية.

يتعين على المؤسسات مراقبة دقة النتائج، وحالات الإيجابية الكاذبة، والتغيرات غير المتوقعة في السلوك. وينبغي اختبار الأداء في ظل ظروف سوقية واقتصادية مختلفة.

تتطلب التغييرات في نموذج المواد توثيقًا وموافقة. يجب أن يكون الموظفون على علم بالإصدار المستخدم وكيفية اختلافه عن الإصدارات السابقة.

لا يزال التحقق المستقل أمراً ضرورياً. ولا ينبغي أن يكون الفريق الذي يطور النموذج هو المسؤول الوحيد عن تقييم مدى فعاليته.

التعلم المستمر لا يحل محل الحوكمة المستمرة.

ينصب تركيز الحكم البشري على الحالات الاستثنائية

ستُحدث الذكاء الاصطناعي تغييراً في توزيع المهام داخل أقسام إدارة المخاطر.

يمكن معالجة الحالات الروتينية بشكل متزايد آليًّا. وسيركز الموظفون على الحالات الاستثنائية والمواقف الغامضة والمخاطر التي لا تندرج ضمن الأنماط المعتادة.

وهذا يجعل الحكم البشري أكثر أهمية، لا أقل.

غالبًا ما تكون الحالات التي تُحال إلى المتخصصين هي الأصعب. يجب على الموظفين فهم النموذج جيدًا بما يكفي لتمكينهم من التشكيك في استنتاجاته ومعرفة متى تكون هناك حاجة إلى أدلة إضافية.

كما يحتاجون إلى صلاحية تجاوز التوصيات الآلية.

إن النظام الذي لا يسمح بالتدخل البشري إلا نظريًا لا يوفر رقابة فعالة. وينبغي على الشركات أن تراقب مدى تكرار اختلاف الموظفين مع النماذج، وما إذا كانوا يتعرضون لضغوط من أجل اتباع النتائج الآلية.

الهدف ليس الحفاظ على العمل اليدوي لمجرد الحفاظ عليه، بل ضمان أن تظل القرارات ذات الأثر الكبير خاضعة للمساءلة.

كما يمكن أن تتسبب الذكاء الاصطناعي في مخاطر نظامية

قد يؤدي اعتماد نماذج مماثلة في جميع أنحاء القطاع المالي إلى ظهور أشكال جديدة من المخاطر المشتركة.

إذا استخدمت المؤسسات بيانات وخوارزميات قابلة للمقارنة، فقد تستجيب لإشارات السوق بطرق متشابهة. وخلال فترات الضغوط، قد يؤدي ذلك إلى تفاقم موجة البيع، أو انخفاض السيولة، أو حدوث تغيرات مفاجئة في توافر الائتمان.

قد يكون نموذج ما عقلانيًا من وجهة نظر شركة واحدة، في حين يساهم في زعزعة استقرار النظام بأسره.

ويشكل الاعتماد على عدد قليل من مزودي الخدمات السحابية والتكنولوجية خطرًا إضافيًا يتعلق بالتركيز. فأي انقطاع في الخدمة يؤثر على أحد المزودين الرئيسيين قد يعطل ضوابط إدارة المخاطر في عدة مؤسسات في آن واحد.

وبالتالي، سيتعين على الهيئات التنظيمية ألا تقتصر على النظر إلى أداء النماذج الفردية فحسب، بل عليها أن تراعي الكيفية التي يغير بها الذكاء الاصطناعي السلوكيات عبر المؤسسات والأسواق.

إن تحقيق كفاءة أكبر على مستوى المؤسسة لا يؤدي تلقائيًا إلى زيادة المرونة على مستوى النظام.

القيمة المحتملة كبيرة

وقدرت شركة ماكينزي أن الذكاء الاصطناعي يمكن أن يولد ما يصل إلى 1 تريليون دولار من القيمة السنوية لقطاع البنوك العالمي.

ولن يأتي سوى جزء من هذه القيمة مباشرة من إدارة المخاطر. ومع ذلك، فإن تحسين الكشف عن حالات الاحتيال، وخفض تكاليف الامتثال، واتخاذ قرارات ائتمانية أكثر دقة، يمكن أن يسهم بشكل كبير في تحقيق ذلك.

لن تتحقق المكاسب بمجرد قيام المؤسسات بشراء أدوات الذكاء الاصطناعي.

تحتاج الشركات إلى بيانات موثوقة وأهداف واضحة وموظفين قادرين على الاستفادة من نتائج النماذج. كما يتعين عليها الاستثمار في مجالات الاختبار والأمن والحوكمة جنبًا إلى جنب مع عمليات التطوير.

قد تفشل بعض التطبيقات في تحقيق العائد الموعود. وقد يتبين أن تطبيقات أخرى صعبة التفسير أو حساسة للغاية تجاه الظروف المتغيرة.

لذلك، ينبغي لقادة إدارة المخاطر أن يبدأوا بمشاكل محددة بدلاً من طموحات عامة. فمن الممكن تقييم نظام مصمم للحد من الإنذارات الكاذبة المتعلقة بالاحتيال على أساس نتيجة واضحة، بينما لا يمكن تقييم وعد عام بـ“تحويل إدارة المخاطر”.

ينبغي تقييم الاستثمار في الذكاء الاصطناعي بناءً على تأثيره على القرارات، وليس بناءً على مدى تطور التكنولوجيا.

تحذيرات أسرع، لا شكوك أقل

من المرجح أن يصبح الذكاء الاصطناعي عنصراً أساسياً في إدارة المخاطر المالية.

فهي قادرة على اكتشاف الأنماط في مجموعات البيانات الضخمة، وأتمتة عمليات المراقبة الروتينية، ومساعدة المؤسسات على الاستجابة بسرعة أكبر. وتعد هذه القدرات ذات قيمة كبيرة في النظام المالي الذي تتغير فيه المخاطر بسرعة، وغالبًا ما تتجاوز حدود المؤسسات.

فهي لا تجعل المؤسسات في مأمن من الأخطاء.

قد تسيء نماذج الذكاء الاصطناعي تفسير الظروف غير المعتادة، وتكرر التحيزات التاريخية، وتخلق علاقات تبعية يصعب اكتشافها. وقد تدفع سرعة نتائجها الشركات إلى وضع ثقة أكبر في التنبؤات أكثر مما تبرره الأدلة الأساسية.

ستجمع أقوى أطر إدارة المخاطر بين التحليل الآلي والتدقيق البشري والتحقق المستقل والمساءلة الواضحة.

يمكن للذكاء الاصطناعي تحسين نظام الإنذار. لكنه لا يستطيع تحديد المخاطر التي ينبغي للمؤسسة أن تقبلها، أو مدى عدم اليقين الذي يمكنها تحمله، أو الإجراءات التي تظل مسؤولةً عند عدم وضوح النتائج المستخلصة من البيانات.

هذه الخيارات لا تزال بيد الناس.