اگه تا حالا اسم بیگ دیتا یا همون “داده‌های عظیم” به گوشت خورده باشه، می‌دونی که تو هر زمینه‌ای، مخصوصاً تو مدیریت ریسک مالی، کلی سر و صدا کرده. حالا بریم یه جور خودمونی برات تعریف کنم چیا تو این حوزه در اومده و چه جاهایی هنوز باید بیشتر کار شه.
اول از همه بیایم ببینیم بیگ دیتا چیه و چرا انقدر تو بانک‌ها و شرکت‌های مالی جلب توجه کرده. بیگ دیتا یعنی وقتی حجم خیلی زیادی از اطلاعات رو داری و می‌خوای باهوشانه و سریع تجزیه و تحلیل شون کنی؛ مدل همون دیتای سنگینی که با متودهای سنتی اصلاً سر و سامون پیدا نمی‌کنه.
حالا، وقتی این بیگ دیتا رو با مدیریت ریسک در بانک‌ها و شرکت‌های فین‌تک (یعنی شرکت‌هایی که فناوری رو با خدمات مالی ترکیب کردن) قاطی کنی، کلی اتفاق باحال می‌افته. مثلاً، خیلی بهتر می‌تونی بفهمی کی قراره وامش رو پس نده یا کی احتمال داره تو معاملات مشکوک کار کنه. مدیریت ریسک مالی هم یعنی همون چیزایی که یه شرکت یا بانک باید حواسش باشه که الکی پول از دست نده – مثلاً ورشکست نشه یا تو دام کلاه‌برداری نیافته.
توی این تحقیق که طبق پروتکل PRISMA 2020 (یه راهنمای معروف برای سر و سامان دادن به تحقیقات علمی) پیش رفته، اومدن تو بازه زمانی سال ۲۰۱۶ تا ژوئن ۲۰۲۵، ۲۱ تا مقاله علمی رو بررسی کردن؛ هدفشون هم این بوده ببینن روش‌های مختلف یادگیری ماشین (همون Machine Learning یعنی ماشین‌ها یاد بگیرن چطوری از داده نتیجه بگیرن) و ترکیبش با روش‌های دیگه چطور ریسک رو مدیریت می‌کنن.
بذار چند تا از این روش‌ها رو مثال بزنم:
- شبکه‌های عصبی (Neural Networks): یه مدل کامپیوتری که تا حدی مثل مغز آدم کار می‌کنه و برای پیش‌بینی فوق‌العاده قوی شده.
- یادگیری جمعی یا Ensemble Learning: یعنی به جای یه مدل، از چندتا مدل با هم استفاده می‌شه که خطاها رو پوشش بدن.
- منطق فازی یا Fuzzy Logic: یه سبک عجیب که تلاش می‌کنه با عدم قطعیت‌ها و اطلاعات مبهم هم کنار بیاد.
- بهینه‌سازی ترکیبی (Hybrid Optimization): ترکیب چند تا روش هوش مصنوعی واسه رسیدن به بهترین نتیجه.
جالبیش اینه که طبق این بررسی، هوش مصنوعی پیشرفته واقعاً تو پیش‌بینی ریسک دقیق شده، اما هنوز فقط چند تا کشور (مثلاً چین و کشورهای اروپایی) حسابی دارن ازش استفاده می‌کنن. یعنی مثلاً بانک‌های آمریکا یا ایران هنوز اون‌قدری تو عمل سراغش نرفتن.
یک نکته جذاب دیگه: الان بخشی از داده‌هایی که دارن وارد بازی می‌شن، داده‌های غیرمرسوم و حتی ساختار نیافته‌ن (Unstructured Data یعنی اطلاعات آشفته مثل پیام‌های شبکه‌های اجتماعی یا حرکت‌های کاربران تو سایت‌ها). حتی داده‌های اینترنت اشیاء (IoT signals یعنی اطلاعاتی که از دستگاه‌های هوشمند خونگی یا صنعتی بدست میاد) هم تحت آزمایش قرار گرفتن. فقط باید بگم استفاده عملی از این داده‌ها هنوز پر از مشکل فنی و دردسرهای مدیریتیه.
یه ایراد اساسی که تو این حوزه پیدا شده اینه که تا حالا خیلی کم پیش اومده سیستم‌های مختلف یا کشورهای متفاوت رو با هم مقایسه کنن یا روش‌هاشون رو واسه ریسک‌های متفاوت در یک سازمان بسنجد. تازه، بحث توضیح‌پذیری (Explainability یعنی اینکه مدل هوش مصنوعی واقعاً بتونه به زبون ساده توضیح بده چرا یه تصمیم گرفته)، تو کاربردهای واقعی هنوز ضعیفه.
خلاصه مطلب اینه که این حوزه کلی پیشرفت داشته، اما لنگ مقایسه سراسری، تست‌های درست‌درمون در دنیای واقعی و شفافیت درباره اینکه چی واقعاً کار می‌کنه یا نه. دانشمندها پیشنهاد دادن باید مطالعات تطبیقی و میدانی بیشتری رو کلید بزنیم و بیشتر به موضوع «علم باز» (یعنی علمی که همه بتونن روش نظر بدن و دسترسی داشته باشن) اهمیت بدیم، تا این فاصله بین دستاورد فنی و تاثیر عملی تو مدیریت ریسک با بیگ دیتا کم بشه.
پس اگه دنبال آینده مدیریت ریسک مالی با بیگ دیتا هستی، باید بدونی هنوز کلی ماجرا و سوال باز سر راهشه!
منبع: +
