کاربرد مهم هوش مصنوعی _ مبادلات مالی

بسیاری از افراد تمایل دارند تا قیمت سهام کمپانی‌ها در روزهای آینده را در صورت حاکم شدن شرایط مشخص، پیش‌بینی کنند. استفاده از یادگیری ماشین در کنار کلان‌ داده درصدد تحقق این امر است. بسیاری از کمپانی‌های خرید و فروش کننده‌ی سهام از سیستم‌های اختصاصی توسعه یافته برای پیش‌بینی قیمت و انجام خرید و فروش براساس نتایج به دست آمده استفاده می‌کنند. بسیاری از سیستم‌های توسعه یافته مبتنی بر علم احتمالات است، اما یک معامله که شاید احتمال کمی برای سوددهی داشته باشد، در صورتی که حجم بالایی داشته و با وجود احتمال پایین یک معامله‌ی موفق باشد، می‌تواند سود سرشاری را به همراه بیاورد. به قطع یقین زمانی که حجم داده‌هایی که باید پردازش شوند، افزایش یافت، انسان‌ها نمی‌توانند در برابر قدرت پردازشی رایانه‌ها حرفی برای گفتن داشته باشند، از این‌رو تجهیز سیستم‌ها به قدرت محاسباتی هوش مصنوعی و یادگیری ماشین می‌تواند در این خصوص بسیار راهگشا باشد.

https://www.zoomit.ir/2016/10/16/147...e-learning-ai/

نگرانی‌های امنیتی و حریم‌خصوصی
زمانی‌که ایده‌ها و اقدامات شکست می‌خورد، نرم‌افزارهای هوش مصنوعی مورد حمله قرار می‌گیرند و دسترسی رد می‌شود و یا نتیجه‌ی توصیه‌های صورت گرفته تحریف می‌شود، در نتیجه دست‌آوردهای آن ویران‌کننده خواهد بود.
اگر نرم‌افزارها مورد خطر قرار گیرند و یا تحریف شوند کاربران مشاوره‌های اشتباه و ضعیف دریافت خواهند کرد.
زمانی‌که کاربران نتوانند نرم‌افزارهای هوشمند، معتبر و با سطح بالای اطمینان را تشخیص دهند، کاربران اطلاعات شخصی را به صورت دستی انجام می‌دهند و اهداف به سمت نرم‌افزار‌های اشتباه می‌رود و یا اقدامات بداندیشانه و یا مشاوره‌های نامناسب داده می‌شود.
آیا مانند گواهینامه “Series 7” برای مشاوره‌های خودکار نیز وجود دارد، و چه کسی قابل اعتماد خواهد بود زمانی که مشاوره‌های نامناسب تهیه می‌شود؟
به علاوه اگر نرم‌افزار نتواند کاربرانش را با اطمینان بالا و کافی تشخیص دهد، مجرمان با موفقیت از کاربران واقعی جعل هویت می‌کنند و برنامه را مجاب خواهندکرد تا اطلاعات حساس را منتقل کند و برای شخص اشتباه دستور العمل بسازد.
تعدادی از نتایج آن می‌تواند از دست‌دادن پول، کاهش شایستگی برای وام دهندگان و شرکت‌های بیمه و هم‌چنین تخریب اعتبار باشد.
ما چطور موسسات مالی و اشخاص ثالثی که این نرم‌افزارها را توسعه و اجرا می‌کنند را بازرسی و ارزیابی می‌کنیم؟
حریم‌ خصوصی می‌تواند در آینده حتی مسئله بزرگتری شود. داده‌هایی که مورد استفاده قرار می‌گیرند تا توصیه‌ها و مشاوره‌های مرتبط ارائه دهند هم‌چنین ممکن است برای اهدافی مد نظر قرار گیرند که به حریم خصوصی اشخاص داخل شوند. از طرفی دیگر کاربران از مزیت‌های داشتن تجربیات دو طرفه بین خودشان و شرکت قدردانی می‌کنند. این گونه است که از طریق هشدارها و تکنیک‌های دیگر آن‌ها به سرعت و به طور آنلاین آن‌چه که نیاز دارند را پیدا می‌کنند و در مقابل هر یک از مبادلات مالی شخصی، پول خود را بهتر مدیریت می‌کنند. از طرف دیگر آنالیزها این قدرت را به کسب و کارها می‌دهد تا از داده‌های مشتریان به نحوی جمع‌آوری و استفاده کنند که تنها در چند سال قبل تصور کردن آن‌ها ممکن نبود. این چنین ایده‌های جدید و پرانرژی زمانی که به سمت حریم خصوصی مشتریان حرکت می‌کنند طوفان بی‌نقصی را ایجاد می‌کنند که گستره وسیعی از ناسازگاری‌های در حال توسعه، روند ها و رقابت‌های اخلاقی را ایجاد می‌کنند که نشان‌دهنده وجود پیچیدگی‌های عظیم در این مسائل می‌باشند. در جهت ایجادکردن بصیرت بیشتر Constellation Research مقاله‌ای به نام “Privacy Enters Adolescence” را انتشار داده است که در آن گفته می‌شود که مشتریان در برابر حریم خصوصی تسلیم نمی‌شوند، آن‌ها مزین به آن هستند و این موضوع برای عموم یک مسئله مناقشه برانگیز است و سرعت داده‌های شخصی رو به افزایش می‌باشد. صنایع سرویس‌های مالی نیازمند هستند تا مسئله‌ی حریم خصوصی را بهتر درک کنند و این که چطور ممکن است با تعدادی از سازمان های مختلف مانند فدرال امریکا و امور حمایت از مصرف کنندگان و قوانین حریم خصوصی۲۳ و همچنین دستورالعمل۹۵/۳۶/EC اتحادیه اروپا که به Cookie Directive” “EU معروف می‌باشد نیز برخورد داشته باشند. اگر کمک کننده باشد Alex Pentland که هدایت‌کننده برنامه‌ریز کارآفرین در لابراتوارهای رسانه می‌باشد پیشنهاد می‌دهد که موسسات مالی داشبورد هایی را برای کاربران فراهم آورند که نشان دهد چه چیزهایی در مورد شما می‌دانند و چه چیزی را با هم سهیم هستید و شما می توانید آن‌ها را خاموش و یا روشن کنید.
آیا هوش مصنوعی به سمت سرکشی پیش می‌رود؟
برنامه‌هایی که این چنین هوشمندی‌هایی به آن‌ها بخشیده می‌شود می‌توانند درگیر روش‌هایی شوند که زیان‌آور باشد و موردعلاقه کاربران قرار نگیرد. همه ما فیلم‌های علمی- تخیلی مانند A Space Odyssey and The Matrix را در سال ۲۰۰۱ دیده‌ایم جایی‌که در آن یک برنامه‌ی هوش مصنوعی به نام villain سرکش می‌شود. این نوع از سناریوها برای دهه‌ها در سینما ما را سرگرم کردند اما هم‌اکنون تعدادی از دانشمندان هشدار می‌دهند که کسب و کار ها می‌بایست به این سناریو‌های با پتانسیل به صورت جدی توجه کنند. Nick Bostrom کسی که موسسه‌ی آینده‌ی بشریت آکسفورد را اداره می‌کند در کتابش در رابطه با هوش برتر توضیح می‌دهد که چطور یک سوپر ربات می‌تواند ایجاد شده و ما را نابود کند. چهره‌های مطرح دیگری مانند Stephen Hawking, Bill GatesوElon Musk هم‌چنین در مورد پتانسیل‌های خطرناکی که هوش مصنوعی می‌تواند به وجود آورد هشدار داده‌اند.
اشتباهات کنترلی و نظم‌دهنده
نگرانی دیگر موسسات مالی این است که چطور تنظیم‌کننده‌ها پاسخگو خواهند بود و دستورالعمل‌های استفاده از هوش مصنوعی را تکمیل خواهندکرد. تنظیم کننده‌های مالی فدرال، ناظران گسترده‌ی دستورالعمل‌ها در جهت استفاده از تکنولوژی‌های اطلاعات در صورت کلی، امنیت، حریم خصوصی، مدیریت فروش و توانایی بهبود و موفقیت دوباره بعد از موقعیت‌های دشوار به صورت ویژه می‌باشند که نیازمند این است تا موسسات مالی کنترل‌های مناسبی را توسعه داده و ریسک موجود را ارزیابی کنند. با وجود افزایش تعداد نرم‌افزارهای هوش مصنوعی، تنظیم‌کنندگان احتمالا بر روی استفاده‌ی بیشتر بر هوش مصنوعی و تشخیص نقص‌های موجود در کنترل‌ها تمرکز خواهند کرد.
نتیجه‌گیری
به دلیل وجود سودهای با پتانسیل بالا و با اهمیّت احتمالا هیچ برگشت به عقبی وجود نخواهد داشت. موارد اتوماسیون شده‌ی بیشتری در سرویس‌های مالی وجود خواهد داشت که اغلب تکنولوژی‌های هوش مصنوعی را به کار خواهند گرفت. اگر چه این نرم‌افزارهای هوش مصنوعی جدید تعدادی از کسب و کارها، موارد امنیتی و مسائل حریم خصوصی را معرفی خواهند کرد که اگر بخواهند در بازار موفق باشند مجبور خواهند بود که به آن‌ها رسیدگی کنند. باید این اطمینان حاصل شود که این نرم‌افزارهای هوشمند در مسیری توسعه یافته‌اند که سودهای مطلوبی را فراهم خواهندکرد و کاربران می‌توانند به سرویس ها و مشاوره‌های فراهم شده اعتماد کنند. مهم می‌باشد که بتوان نقص‌های موجود را ایزوله و نابود کرد و یا برنامه های هوش مصنوعی را به سرعت نابود کرد و هم‌چنین قوانین و سیاست‌های موثری را برای کنترل‌کردن توسعه و استفاده‌های مورد نظر فراهم آورد. در نتیجه از اطلاعات شخصی حفاظت خواهد شد و از آن‌ها سوء استفاده نمی‌شود و تکنولوژی‌ها و سیاست‌هایی ایجاد می‌شود که به توانایی موسسات احترام می‌گذارد، بهترین راه ارزیابی سیستم‌ها را ایجاد کرده و کنترل و طراحی سیستم‌های هوش مصنوعی را متناسب با امنیت انسان بوجود می‌آورد.
لینک مقاله اصلی



کاربرد هوش مصنوعی در خدمات مالی(قسمت آخر) | | ستاک: ستاد توسعه ایده های کارآفرینانه-دانشگاه صنعتی شریف

کاربرد هوش مصنوعی در سرویس های مالی

از زمان آغاز هوش مصنوعی، در دو دوره سرخوردگی را تجربه کرده است. در اوایل سال ۱۹۸۰ بانک سرمایه گذاری Citibank شروع به ساخت سیستم های خبره کرد. این سیستم­ها یک شاخه از هوش مصنوعی است که از توانایی تصمیم­گیری انسان تقلید می­کند. بسیاری از شرکت های دیگر مانند وال استریت نیز پروژه های مشابه ای را راه­اندازی کردند. اگرچه تعدادی پروژه موفق در آن زمان انجام شد، هوش مصنوعی در سال ۱۹۹۰ به دومین دوره سرخوردگی خود رفت چون ساخت این سیستم ها سخت­تر و هزینه برتر از چیزی بود که تصور می شد. به نظر می رسد هوش مصنوعی وارد فاز جدیدی شده است که علاقه به سمت آن افزایش یافته است. یک نمونه از این افزایش تمایل در استفاده تجاری از هوش مصنوعی است که به عنوان هوش ماشینی مانند IBM Watson می­توان اشاره کرد. به عنوان یک شاخص دیگر اکثر افرادی که به آینده مطالعات اینترنت امیدوارند انتظار دارند که رباتیک و هوش ماشینی تا سال ۲۰۲۵ در بخش های بزرگی از زندگی روزانه مردم نفوذ خواهد کرد و پیامدهای عظیمی در صنعت خواهد داشت. آیا اخرین موج از برنامه های هوش مصنوعی در سرویس­های مالی دوباره سقوط خواهد کرد یا اینبار به درستی سرویس­های مالی را متحول خواهد کرد؟
مواردی زیادی تابحال تغییر کرده است برای مثال هزینه­های محاسبات به طور قابل ملاحظه ای کاهش پیدا کرده­است و قدرت محاسبات نیز به میزان زیادی بهبود یافته است. این باعث می­شود هوش مصنوعی که از لحاظ محاسبات پیچیده است در حال حاضر عملی­تر به نظر بیاید. شبکه­های اجتماعی، تلفن­های موبایل باعث ایجاد انفجار اطلاعاتی شده­است و این انفجار آنقدر وسیع و قاطع است که درک آن بدون استفاده از هوش خودکار غیرممکن است. پیشرفت در تجزیه و تحلیل، به ویژه پیشرفت در یادگیری ماشین با نیازی که به قدرت محاسبات وجود داشت، باعث شده­است که سیستم های هوش مصنوعی انعطاف پذیرتر باشند و راحتتر قابل توسعه و پیاده­سازی باشد. در نهایت برخلاف زمستانی که هوش مصنوعی با آن روبرو شد، درحال حاضر در حال پیشرفت نمایی است. کمپانی­های تکنولوژی در حال حاضر الگوریتم­هایی را توسعه داده­اند که عادت­های آنلاین یک کاربر را ردیابی می­کند و تجربه­های آنلاین کاربر را می­سازد. به عنوان مثال، وقتی در حال تحقیق اطلاعات هستید، چه برای پژوهش، علاقه یا ضرورت، گوگل نتایجی را براساس الگوریتم­های خود ارائه می­دهد. موتورهای جست و جو در نهایت اطلاعاتی را تهیه می­کند که کاربر میخواهد بخواند. کاربران به طرز فزاینده­ای در معرض اطلاعاتی قرار گرفته­اند که با آنالیز فعالیت­های قبلی فرد ایجاد شده­است و کاربر از رخ دادن آن باخبر نیست. فایده این کار برای بخش­های مالی این است که با دنبال کردن رفتار و عادت­های شخصیت ها، خدمات و دیتاهای مالی برای هر شخص بخصوص بر اساس رفتارهای آن فرد منحصر به فرد است. این باعث می­شود که هر شخص دستیار مالی شخصی دیجیتال مربوط به خود را داشته باشد.

کاربرد هوش مصنوعی در سرویس های مالی : شتابدهنده فارابي | شتابدهنده تخصصی بازار سرمايه و فينتك

هوش مصنوعی و مدیریت مالی مشتریان

بانک‌ها فین تک ها مدتی است از طریق مدیریت تقلب و یا استفاده از هوش مصنوعی در انجام معاملات در سطح جهانی در حال بررسی پاسخ های این سؤال هستند. بانک ها نیز تازه به این درک رسیده اند که چطور می توان از هوش مصنوعی برای فاینانس مشتریان و عملیاتی فراتر از خدمات مشتری استفاده کرد. به گزارش بانکداران ۲۴ (Banker)، در حال حاضر بانک سلطنتی کانادا (RBC) به کمک شرکت Personetics در حال پیاده سازی فناوری هوش مصنوعی برای مدیریت مالی شخصی در اپلیکیشن موبایل خود می باشد.
معاون ارشد دیجیتال RBC بیان می کند با این اقدام، اپلیکیشن تا چند هفته آینده به روز رسانی خواهد شد و می تواند بطور هوشمندانه جریان نقدی حساب شما را پایش کرده و بصورت خودکار شروع به پس انداز پول بکند. این قابلیت، مدیریت پول و پس انداز مشتریان را برعهده خواهد گرفت.
براساس اظهارات معاون ارشد دیجیتال RBC، پس از به روزرسانی اپلیکیشن، از هر 9 کاربر کانادایی گوشی های هوشمند، یک کاربر تأثیرات از این هوش مصنوعی که NOMI Insights نام گرفته بهره خواهد برد.
بانک سلطنتی کانادا در طی سال گذشته در تراکنش های مالی خود شاهد یک جهش 40 درصدی بوده است و این جهش را به دلیل افزودن 20 قابلیت جدید به اپلیکیشن موبایل خود برای 3 میلیون کاربر می داند.
یکی از قابلیت های هوش مصنوعی NOMI صرفه جویی و پس انداز خواهد بود. این قابلیت برای آن دسته از مشتریانی که توانایی هزینه مخارج اضافی را ندارند، ابزاری بسیار مفید خواهد بود.
با وجود اینکه بانک ها و شرکت های فین تک بسیاری به فناوری هوش مصنوعی به منظور تجزیه و تحلیل داده و ارائه پیشنهادات مالی به مشتریان روی آورده اند، بسیاری نیز عقیده دارند استفاده از هوش مصنوعی به منظور آگاه سازی مشتریان در مورد تغییر رفتارشان، تضمینی برای تحقق این امر نیست.
درهرصورت ارائه چنین اطلاعات مالی شخصی سازی شده ای به مشتریان گام خوبی به سوی تسهیل تغییر رفتار مشتریان خواهد بود.
کاری که هوش مصنوعی NOMI انجام می دهد کمک به مشتریان است تا بدانند پولشان کجا خرج می شود، این فناوری به آنها در پس انداز پول که منطقی ترین راه برای ایجاد ثروت می باشد کمک می کند.

هوش مصنوعی و مدیریت مالی مشتریان – کلون

کاربرد هوش مصنوعی در بازارهای مالی

علوم تخصصی حوزه‌ی کامپیوتر، نظیر داده‌کاوی، پردازش زبان‌های طبیعی، یادگیری ماشین و مشتقات آن نظیر الگوشناسی آماری، شبکه‌های عصبی همگی می‌توانند در حوزه‌ی پیش‌بینی روند آتی بازارهای مالی نقش تعیین کننده‌ای ایفا کنند.
https://startupforum.ir/images/cdn/2018/04/56.gif
الگوشناسی آماری یا بازشناخت الگو نیز حوزه‌ای از هوش مصنوعی و یادگیری ماشین است که به دنبال طبقه‌بندی الگوهاست، برای مثال اگر ورودی‌های یک برنامه‌ی الگوشناسی آماری، تصاویر انسان و درخت باشند، چنین برنامه‌ای می‌تواند با مشاهده‌ی تعدادی داده‌ی یادگیری، در ادامه تصاویر مختلفی که به عنوان ورودی به آن داده می‌شود را تحت عنوان انسان یا درخت تشخیص داده و برچسب گذاری کند. در مثال دیگر اینکه چنین برنامه‌هایی می‌توانند با مشاهده‌ی تعداد زیادی از ایمیل‌های هرزنامه و غیر هرزنامه به ایمیل‌هایی که به عنوان ورودی به برنامه داده می‌شود، برچسب هرزنامه یا عادی را بزنند. طبقه‌بندی، خوشه‌بندی، رگرسیون و دیگر الگوریتم‌های حوزه‌ی الگوشناسی آماری همگی در راستای ایجاد هوش‌مندی بدون دخالت انسان ایجاد شده‌اند. چنین الگوریتم‌هایی در بازارهای مالی نیز می‌توانند به ایفای نقش پرداخته و الگوهای بالارونده را از الگوهای پایین رونده تشخیص داده و برچسب گذاری کرده و یا به محاسبات احتمالی برای آن‌ها بپردازند.
https://startupforum.ir/images/cdn/2018/04/280.png
سایت تحلیلی آموزشی طلانگر که فعالیت آزمایشی خود را در زمینه معاملات بازار آتی سکه بهار آزادی به تازگی آغاز کرده است نیز در راستای چنین فعالیت‌هایی بوجود آمده است. به گفته‌ی سرپرست این گروه، این سایت که حاصل تلاش فارغ التحصیلان و نخبگان دانشگاه صنعتی شریف است در پی پیوند فناوری هوش مصنوعی و به طور خاص الگوشناسی آماری و بازارهای مالی در ایران است. گردانندگان این سایت قصد دارند تا در جهت ایجاد هوشمندی در بازارهای مالی بکوشند. آن‌ها می‌خواهند تا فضایی را فراهم کنند که متخصصین کامپیوتر، هوش مصنوعی و ریاضی به بازارهای مالی ایران ورود کرده و بازارهای مالی ایران نیز چون بازارهای کارای موجود در سطح جهان، فضای رقابت میان متخصصین شود و سوداگران و دارندگان رانت‌های اطلاعاتی نقش تعیین کننده‌ای نداشته باشند.

https://www.zoomit.ir/2012/10/13/329...7%D9%84%DB%8C/

در ژاپن انجام می پذیرد
نظارت بر بورس با استفاده از هوش مصنوعی
به گزارش اخبار پولی مالی، به نقل از خبرگزاری رسمی ژاپن، گرداننده بازار بورس توکیو تصمیم گرفته است که برای امور نظارت بر این بازار از هوش مصنوعی استفاده کند و در این صورت نخستین بازار بورس جهان خواهد بود که از این فن آوری بهره می گیرد. به توجه به افزایش سرعت بسیار بالای مبادلات خودکار سهام ،که معاملات تنها در طی چندهزارم یک ثانیه انجام می شود. این تصمیم گرفته شده است. ۱۵کارمند مسوولیت نظارت بر امور این بازار از جمله کشف دستکاری ها در بهای سهام را برعهده دارند. اما تجزیه و تحلیل همه این سفارشات در میانه افزایش سریع شمار معاملات با دشواری روبروست. گفتنی است : شمار سفارشات در بازار بورس توکیو روزانه به ۹۵ میلیون مورد می رسد. این رقم از پنج سال پیش تا کنون تقریبا ۱۰ برابر شده است. مسوولان گروه بورس ژاپن امیدوارند که با استفاده از این فن آوری، مسوولان نظارتی بتوانند بر روی تحقیقاتی گسترده و مبسوط تمرکز کنند.

نظارت بر بورس با استفاده از هوش مصنوعی - اخبار پولی مالی

تحقق بانکداری شناختی بوسیله هوش مصنوعی

https://startupforum.ir/images/cdn/2018/04/4823.jpg

قائم مقام بانک مرکزی معتقد است حرکت به سمت بانکداری شناختی که مبتنی بر هوش مصنوعی است، بانک‌ها را از رقبایشان متمایز خواهد کرد.

به گزارش بانکینا به نقل از پژوهشکده پولی و بانکی، اکبر کمیجانی درباره تاثیر ورود بازیگران جدید مانند فین‌تک‌ها به حوزه بازار پول بر کارایی نظام بانکی اظهارداشت: در یک تعریف ساده، فین‌تک کاربرد نوآورانه فناوری در ارائه خدمات مالی است و فین‌تک‌ها، استارت‌آپ‌ها و شرکت‌های نوآوری هستند که سعی در ارائه بهتر و آسان‌تر خدمات مالی به مشتریان دارند.
وی با بیان اینکه فین‌تک‌ها از منظر نحوه تعامل با بانک‌ها می‌توانند رقیب و یا همکار شبکه بانکی باشند، گفت: استراتژی‌های متفاوتی برای تعامل بانک‌ها با این شرکت‌های نوپا وجود دارد که از مخالفت تا شراکت در مالکیت و همکاری را شامل می‌شود.
کمیجانی با اشاره به اینکه در ایران نیز فین‌تک‌های زیادی وجود دارند که در همکاری با بانک‌ها، خدمات قابل توجهی ارائه کرده‌اند، گفت: PSP ها نمونه فین‌تک‌هایی هستند که با کمک به بانک‌ها در ارائه خدمات پرداخت الکترونیکی، سعی در افزایش کارایی خدمات نظام بانکی کشور دارند، البته در این زمینه بانک‌ها باید به مقوله امنیت سایبری نیز توجه وافری داشته باشند تا اعتماد مشتریان خدشه‌دار نشود و با ریسک شهرت مواجه نشوند.
قائم مقام بانک مرکزی ادامه داد: از سوی دیگر، فین‌تک‌ها می‌توانند خدمات دیگری همچون ارزهای رمزنگاری‌شده ارائه دهند. این خدمات با وجود برخورداری از مزیت هزینه مبادله اندک و انتقالات برون‌مرزی آسان، احتمال انجام برخی عملیات بانکی خارج از مقررات و ضوابط را دارند که در این صورت لازم است نظارت جدی و مستمر ازسوی بانک مرکزی بر اینگونه خدمات فناورانه صورت گیرد تا انحرافی در ارائه عملیات و خدمات بانکی از طریق ابزارهای فناورانه صورت نگیرد.
وی همچنین درباره وضعیت بانکداری اجتماعی و بانکداری شناختی در ایران گفت: بانکداری اجتماعی که ارائه خدمات بانکی از طریق شبکه‌های اجتماعی تعریف ملموس و ساده آن است، باعث ایجاد چابکی و انعطاف‌پذیری در فرایندهای عملیاتی بانک‌ها می‌شود و این امکان را در اختیار بانک‌ها قرار می‌دهد تا نه‌ تنها فرایندهای بیرونی، بلکه کل کسب‌ و کار خود را به‌ طور کامل دیجیتالی کنند.
کمیجانی تصریح کرد: در آینده، به‌ تدریج شعب فیزیکی سنتی بانک‌ها با شعب مجازی جایگزین می‌شود که این امر باعث صرفه‌جویی در زمان و هزینه خواهد شد. از سوی دیگر، حرکت به سمت بانکداری شناختی که عمدتا مبتنی بر هوش مصنوعی است، بانک‌ها را از رقبایشان متمایز خواهد کرد.
وی ادامه داد: هوش مصنوعی و فناوری‌های شناختی بانک‌ها را قادر می‌سازد تا سرعت ابتکارات دیجیتالی خود را افزایش دهند و با ارائه محصولات و خدمات سفارشی به بهبود کسب‌ و کار خود بپردازند. به این ترتیب که این نهادها با به‌کارگیری هوش مصنوعی و ازطریقِ تحلیل اطلاعات مالی، نیازهای مشتریان را شناسایی می‌کنند و به ارائه سبدی از محصولات هدفمند خواهند پرداخت که پیش‌بینی می‌شود که به‌کارگیری هوش مصنوعی توسط بانک‌ها، تاثیر قابل توجهی بر کسب‌ و کار آنها داشته باشد.


تحقق بانکداری شناختی بوسیله هوش مصنوعی | بانکینا

مبادلات مالی در آینده چگونه خواهد بود؟

https://startupforum.ir/images/cdn/2018/04/4822.jpg

اگرچه این روزها تمام فکر و ذکر ما خواندن تصورات هیجان‌انگیزی است که از آینده و تکنولوژی‌های آن شکل می‌گیرد، اما باید قبول کنیم که آینده ترکیبی از روندهای آهسته و تغییرات سریع است.

به گزارش بانکینا، بسیاری از تکنولوژی‌هایی که این روزها تجربه می‌کنیم، چند سال پیش حتی قابل تصور نبودند و به تبع آن در سال‌های آینده نیز با جنبه‌هایی از پرداخت روبرو خواهیم بود که هیچ کس هم‌اکنون انتظار آن‌ها را ندارد.
با این‌حال، کارشناسان معتقدند هر آن‌چه که اتفاق خواهد افتاد یا توسط روندهای زیر ساخته خواهد شد و یا روندهای زیر در توسعه‌ی آن‌ها نقش خواهند داشت.
در سال‌های آینده:
پرداخت لازم نیست، فقط انتخاب کنید: امروزه فرآیند پرداخت به صورت کاملا جداگانه از فرآیند خرید صورت می‌گیرد. شما مجبور هستید کارهایی را که انجام می‌دهید متوقف کرده و برای پرداخت اقدام کنید. اما در آینده‌ای نزدیک وب‌سایت‌ها و برنامه‌های تلفن همراه شروع به ادغام این دو فرآیند کرده و بین انتخاب و پرداخت فاصله‌ای نخواهد بود.
همه تجهیزات من قادر به پرداخت خواهد بود: طی چند دهه‌ی گذشته ما شاهد توسعه‌ی دستگاه‌های پرداخت بوده‌ایم، پول‌نقد، چک‌ها، کارت‌ها و پرداخت موبایلی. در سال‌های آینده همه چیز قادر به پرداخت خواهد بود. در واقع، ما در آینده نمی‌توانیم چیزی را دستگاه پرداخت بنامیم، چون همه چیز قابلیت پرداخت خواهد داشت.
دیگر لازم نخواهد بود کیف پول‌تان همواره همراه‌ شما باشد، تکنولوژی پرداخت داخل ژاکت، ساعت و انگشتر شما قرار خواهد گرفت. حالت اولیه‌ی این تکنولوژی هم‌اکنون توسط شرکت ویزا ساخته شده است و در المپیک ژنو مورد استفاده قرار گرفت.
کارت بانکی و اطلاعات حساب شما در فضای ابری قرار می‌گیرد و سپس به یک برنامه‌ی موبایلی یا تکنولوژی‌های جدیدتر منتقل خواهد شد.
هم‌چنان حساب‌ها و ارزهای مختلفی در دست خواهیم داشت: با وجود این‌که پیش‌بینی‌های بسیاری در جهت همگرایی پرداخت‌ها وجود دارد، اما این همگرایی منطقی به نظر نمی‌رسد.
همان‌طور که ما کامپیوتر، تلفن همراه، لپ‌تاپ و تبلت را به صورت همزمان داریم، در حوزه‌ی پرداخت نیز راهکارهای بسیاری را به صورت همزمان مورد استفاده قرار خواهیم داد. ما این روزها از روش‌های پرداخت متفاوت استفاده می‌کنیم، این روند نه تنها کم نخواهد شد بلکه افزایش هم خواهد یافت.
بنابراین با جهان دیگری روبرو خواهیم بود که صدها ارز ویژه و حساب مختلف مورد استفاده قرار خواهد گرفت.
امنیت ساده‌تر شکل خواهد گرفت: امروزه ما با دستگاه‌های پرداخت ارتباط برقرار می‌کنیم تا امنیت اطلاعات را برقرار کنیم. به عنوان مثال، وارد کردن پسورد یا اثر انگشت نمونه‌هایی از این مورد است. اما ترکیب هوشمندانه‌ی داده‌ها در دستگاه‌های پرداخت آینده و بهره‌گیری از طیف گسترده‌ای از منابع بیومتریک و محیطی این امکان را فراهم می‌کنند که بدون نیاز به برقراری ارتباط، دستگاه شما را شناسایی کند.
یخچالم وسایل مورد نیاز را خریده و خودش پرداخت را انجام خواهد داد: همان‌طور که اشاره کردیم، اکثر دستگاه‌ها دارای قابلیت پرداخت و هم‌چنین هوشمندی خواهند بود. یخچال هر کسی قادر خواهد بود تا از محتوای درون خود آگاه شده و می‌تواند برای خرید مواد غذایی اقدام کند.
نکته: دستگاه‌ها من را خواهند شناخت، بنابراین مرا مجبور به خرید چیزی نخواهند کرد. یکی از موضوعاتی که در رابطه با تکنولوژی‌های آینده وجود دارد، اینست که آن‌ها هر اطلاعاتی از انسان‌ها را ثبت خواهند کرد(البته ممکن است قوانینی در رابطه با این به عبارتی جاسوسی افراطی شکل گیرد.)
همه‌ی این‌ها صورت خواهد گرفت تا فین‌تک به سریع‌ترین حالت ممکن برسد. در نهایت ما دنیایی را تجربه خواهیم کرد که در آن پرداخت بدون هیچ وقفه‌ای صورت خواهد گرفت. در واقع شما وارد فروشگاهی می‌شوید، از طرق مختلف مثل عنبیه‌ی چشم، هویت شما شناسایی شده، تجهیزات مورد نیازتان را انتخاب می‌کنید و خارج می‌شوید.
اما این اتفاقات چگونه رخ خواهند داد؟
هوش مصنوعی و یادگیری ماشین

هوش مصنوعی و یادگیری ماشین جذاب‌ترین حوزه‌ی تکنولوژی است و در بسیاری از روندها از جمله شناسایی تقلب‌ها کاربرد دارد. در بخش امنیت به شدت از این تکنولوژی بهره گرفته خواهد شد. هم‌چنین در شناخت انسان‌ها با اطلاعات و خریدهای اتوماتیک این حوزه به شدت کاربرد خواهد داشت.
پرداخت با هوش مصنوعی دقیقا چیزی مشابه با فیلم‌هایی خواهد بود که این روزها مشاهده می‌کنیم. به عنوان مثال، سیستم‌های پرداخت به جای این‌که شما را از روی کارت بانکی یا رمزهای‌تان بشناسند، از روی چشم‌ها، نحوه‌ی صحبت کردن و حتی ضربان قلب خواهند شناخت.
تکنولوژی‌های پوشیدنی

صرف‌نظر این‌که پرداخت روی تلفن‌های همراه امروزه بسیار گسترده شده است، اما کارشناسان معتقدند باید وارد پارادایم جدیدی شویم. اما به نظر می‌رسد موج بعدی پدیده‌های پوشیدنی هستند.
واقعیت مجازی

پیش‌بینی‌هایی وجود دارد که واقعیت مجازی در آینده بزرگ‌ترین نقش را در حوزه‌ی پرداخت ایفا کند. تا جایی که شرکت‌های بزرگی هم‌چون Alibaba استفاده از آن برای حوزه‌ی پرداخت را شروع کرده‌اند. آن‌ها به دنبال ساخت فروشگاه‌های مجازیی هستند که کاربر در آن با پوشیدن لباس‌ها به صورت مجازی اقدام به خرید می‌کند. هم‌چنین آن‌ها پرداخت در دنیای مجازی سه بعدی به تشخیص چهره را نیز امکان‌پذیر کرده‌اند.
اینترنت اشیا

اینترنت اشیا یا به عبارتی IOT به کل زندگی ما نفوذ خواهد کرد. مثال‌هایی که در بالا عنوان شد، نشان‌دهنده‌ی کاربرد بیش از اندازه‌ی این روند در آینده‌ای نزدیک است. برای این‌که پرداخت توسط اشیا و دستگاه‌‌ها صورت بگیرد، لازم است که هوشمندسازی در آن دستگاه‌ها به نحو احسنت انجام شود.
همان‌طور که در ابتدای متن اشاره کردیم، این‌ها تنها بخشی از پیش‌بینی‌ها در مورد آینده است. هیچ‌کس در سال ۱۹۹۰ نمی‌توانست به وجود آمدن واقعیت مجازی را حدس بزند. برخی تغییرات تدریجی بوده و برخی دیگر به صورت رادیکالی اتفاق می‌افتند. با این حال، دانستن این موارد به شما کمک می‌کند خود را برای آینده‌ای مبهم، پیچیده و هیجان‌انگیز آماده کنید.
منبع: زرین پال

مبادلات مالی در آینده چگونه خواهد بود؟ | بانکینا

افزایش استفاده از هوش مصنوعی در سرمایه‌گذاری‌ها

منبع: www.mahya.pro : هوش مصنوعی برخی فعالیت‌ها از جمله بخش‌هایی از امور مالی مثل جلوگیری از فساد را در سراسر دنیا متحول کرده است. اما در اموری مثل مدیریت صندوق‌های سرمایه‌گذاری و گزینش سهام هنوز هیچ چیز نتوانسته جای هوش انسانی را بگیرد.

یادگیری ماشینی به‌عنوان زیرمجموعه‌ای از هوش مصنوعی که در پیدا کردن الگوها و پیش‌بینی‌ها بهتر عمل می‌کند، ابزاری ایده‌آل برای کسب‌وکار به نظر می‌رسد. با این حال، صندوق‌های پوشش ریسک معتبر در لندن و نیویورک، هنوز قابلیت‌های این تکنولوژی‌ها را قبول ندارند. البته در سانفرانسیسکو، تعدادی از صندوق‌های پوشش ریسک نوپا عزم‌شان را برای بهره‌برداری از این تکنیک‌ها جزم کرده‌اند. اما به نوشته مجله اکونومیست، این صندوق‌های پوشش ریسک نوظهور هنوز نمی‌توانند به پای رقبای قدیمی و قدر خود برسند. اکونومیست کلید کار را در این می‌بیند که رویکردی اندیشمندانه‌تر برای به کار بردن هوش مصنوعی در این صندوق‌ها اتخاذ شود. یکی از مشکلات بر سر راه این صندوق‌ها این است که میزان داده‌های مالی موجود در مقایسه با سایر کاربردهای هوش‌ مصنوعی بسیار اندک هستند. به عبارتی، داده‌های مربوط به معاملات سهام حتی در بازه زمانی ۱۰ساله، در مقایسه با حجم داده‌های موجود در سیستم تشخیص چهره تلفن‌های هوشمند، بسیار اندک هستند. تکنیک‌های یادگیری ماشینی و هوش مصنوعی تنها در حالتی می‌توانند موفق عمل کنند که حجم داده بسیار بزرگی به آنها داده شود، در غیر این صورت پیش‌بینی‌ها و تصمیم‌گیری‌های آنها ممکن است با ریسک بالایی همراه باشد. یکی از این صندوق‌های مدیریت مالی در آمریکا، چند کارشناس هوش مصنوعی را به کار گرفته و دائما در مورد متدهای جدید تحقیق می‌کند. اما مدل‌ کسب‌وکار این صندوق‌ها نیز اهمیت ویژه‌ای دارد. این صندوق، یک دهه پیش فعالیت خود را در مقیاس بسیار کوچکی شروع کرد و تنها پول موسسان خودش را مدیریت می‌کرد. اما در سه سال گذشته، سعی کرده است، کسب‌و‌کار خود را با بهینه‌سازی سایت‌های فروشگاهی و... توسعه دهد و اخیرا اقدام به مدیریت دارایی افرادی خارج از حلقه موسسان نیز کرده است. یک صندوق پوشش ریسک دیگر به نام Cerebellum، در سال ۲۰۰۸ فعالیت خود را به‌عنوان صندوق سرمایه‌گذاری در سهام آغاز کرد و در سال ۲۰۱۶ تبدیل به صندوقی شد که به‌طور کامل با هوش مصنوعی اداره می‌شود. این صندوق از یادگیری ماشینی برای تجزیه و تحلیل داده و تعیین استراتژی سرمایه‌گذاری استفاده می‌کند. مدل‌های این سیستم مزیت سرمایه‌گذاری را در نتیجه استراتژی‌های مختلف می‌سنجند. اما در نهایت معاملات نهایی سهام را انسان‌‌ها انجام می‌دهند که بر‌اساس دستورالعمل‌ها و نتیجه‌های الگوریتم‌های سیستم اتخاذ می‌شوند. اکونومیست معتقد است این تکنیک‌ها در درازمدت به سرمایه‌گذاران خود پاسخ خواهند داد، از سوی دیگر چیزی که مشخص است این است که استفاده بیشتر از هوش مصنوعی حداقل در سرمایه‌گذاری، لزوما به معنی استفاده کمتر از هوش انسانی نیست.
https://donya-e-eqtesad.com/%D8%A8%D...C-%D9%87%D8%A7

آیا می‌توان آینده صنعت مالی را در هوش مصنوعی جستجو کرد؟ / شوالیه ناموجود

الکس کوین، مانی وب؛ ماهنامه عصر تراکنش / آیا می‌توان آینده صنعت مالی را در هوش مصنوعی جستجو کرد؟ بازار سهام پرشده از معامله‌گران هوش مصنوعی. بانک‌های سوئد از چت‌بات‌های هوش مصنوعی یا مشاوران مجازی برای پاسخ دادن به درخواست‌های مشتریان استفاده می‌کنند؛ کاری که هم‌اکنون توسط Discovery Health، Absa Bank و Lancewood انجام می‌شود. در سال ۲۰۱۲، یک نقص فنی در بازار سهام ایالات‌متحده باعث شد تا شرکت Knight Capital Group، به‌اشتباه ۴۴۰ میلیون دلار از ارزش سهامش را بفروشد. برای اینکه بدانیم دقیقاً چه خبر است و چه خطراتی در این حوزه وجود دارد، با بازیگران اصلی صنعت مالی و هوش مصنوعی دراین‌باره صحبت کردیم تا اطلاعات بیشتری به دست آوریم.

برخورد FSB در مقابله با هوش مصنوعی

«مایکل کابای» مدیر ارشد بازار سرمایه در سازمان تنظیم مقررات مالی FSB می‌گوید: «ما از نقشی که هوش مصنوعی می‌تواند در بخش مالی، به‌ویژه بازار سهام داشته باشد، به‌خوبی آگاهیم؛ FSB از هر نوع تکنولوژی و فناوری که حمایت از سرمایه‌گذاران را افزایش، خطرات سیستمی را کاهش می‌دهد و از طرف دیگر موجب افزایش کارآیی، عملکرد بهتر و شفافیت بازارهای مالی شود، استقبال می‌کنیم.»
هوش مصنوعی
هوش مصنوعی یا هوش ماشینی (Artificial Intelligence) به هوشی که یک ماشین در شرایط مختلف از خود نشان می‌دهد، گفته می‌شود؛ به‌عبارت‌دیگر هوش مصنوعی به سیستم‌هایی گفته می‌شود که می‌توانند واکنش‌هایی مشابه رفتارهای هوشمند انسانی ازجمله درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکر و شیوه‌های استدلال انسانی و پاسخ موفق به آن‌ها، یادگیری و توانایی کسب دانش و استدلال برای حل مسائل را داشته باشند. بیشتر نوشته‌ها و مقاله‌های مربوط به هوش مصنوعی، آن را به‌عنوان «دانش شناخت و طراحی عامل‌های هوشمند» تعریف کرده‌اند.
هوش مصنوعی را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانش‌ها، علوم و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، عصب‌شناسی، فیزیولوژی، تئوری کنترل، احتمالات و بهینه‌سازی جستجو کرد و کاربردهای گوناگون و فراوانی در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم اجتماعی و بسیاری از علوم دیگر دارد.
از زبان‌های برنامه‌نویسی هوش مصنوعی می‌توان به لیسپ، پرولوگ، کلیپس و ویپی اکسپرت اشاره کرد.
یک «عامل هوشمند» سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد. جان مک‌کارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسی ساخت ماشین‌های هوشمند» تعریف کرده‌است.
هوش مصنوعی در علم پزشکی امروزه به دلیل گسترش دانش و پیچیده‌تر شدن فرایند تصمیم‌گیری، استفاده از سیستم‌های اطلاعاتی به‌خصوص سیستم‌های هوش مصنوعی در تصمیم‌گیری، اهمیت بیشتری یافته است. هوش مصنوعی گسترش دانش در حوزهٔ پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان – به عبارتی حیات انسان – توجه متخصصین را به استفاده از سیستم‌های پشتیبان تصمیم‌گیری در امور پزشکی جلب نموده است. به همین دلیل، استفاده از انواع مختلف سیستم‌های هوشمند در پزشکی رو به افزایش است، به‌گونه‌ای که امروزه تأثیر انواع سیستم‌های هوشمند در پزشکی موردمطالعه قرارگرفته است.


دستیاران مجازی

شبکه Discovery Health، پنجم جولای، با کمک هوش مصنوعی، از نماینده مجازی خود رونمایی کرد. آنتون فاتی مدیر ارشد دیجیتال این شبکه می‌گوید: «به نظر ما، نماینده مجازی و گفتگوی زنده دو بخش اصلی استراتژی سرویس‌دهی ما هستند. از زمان راه‌اندازی این محصول، می‌بینیم که مشتریان Discovery نسبت به قبل کمتر تماس می‌گیرند و کمتر هم ایمیل می‌زنند چراکه می‌توانند به‌راحتی و به سرعت جواب بسیاری از سؤال‌هایشان را توسط این نماینده مجازی دریافت کنند.»
فاتی ابراز امیدواری کرده است که بتوانند درگذر زمان، قابلیت‌های این محصولشان را افزایش دهند. البته به گفته فاتی، در صورت احساس نیاز به پرسش و پاسخ‌های بیشتر، امکان سوییچ به یک مشاور انسانی نیز وجود دارد.
کاربردهای هوش مصنوعی
کاربردهای هوش مصنوعی چنان گسترده و فراگیر شده‌اند که بسیاری از این کاربردها دیگر با نام هوش مصنوعی شناخته نمی‌شوند و نام تخصصی خود را دارند. تأثیر هوش مصنوعی را اکنون می‌توان در همه جهات و نقاط زندگی مردم دید. آیفونی که قادر به تشخیص اعضای خانه است یا تلویزیونی که نور صفحه نمایش دلخواه را با تعداد افراد تنظیم می‌کند، همه و همه کاربردهای هوش مصنوعی هستند.
کاربردهای عملی آن دسته از کاربردهای هوش مصنوعی هستند که عملیات خاصی را انجام داده و عمل یا تأثیر آن به‌وضوح توسط کاربر احساس خواهد شد. برای مثال جست‌وجوی خودکار گوگل که از الگوریتم‌ها و متدهای پیچیده هوش مصنوعی استفاده می‌کند، پس از انجام یک عملیات پرهزینه و البته سریع نتایج مرتبط را به شما نشان خواهد داد. ماشین‌هایی که قادر هستند خودشان را کنترل کنند. ربات‌های پرنده و یا قایق‌های هوشمند نمونه‌ای بارز و موفق از این نوع کاربردها هستند.
نیاز به تحلیل و استخراج الگو از داده‌های ترافیک شهری، دریافتی کارکنان و جابه‌جایی پول در یک بانک برای جلوگیری از اختلاس یک عملیات نیست و تأثیر یا خود عمل به‌وضوح توسط کاربر لمس نخواهد شد؛ اما در مقابل یک تحلیل هوشمند و خودکار است که کاربرد تحلیلی هوش مصنوعی به‌حساب می‌آید.


فناوری هوش مصنوعی در JSE

مدیر اطلاعات بازار بورس سهام ژوهانسبورگ می‌گوید: «فناوری هوش مصنوعی هنوز در حیطه کاری ما مستقر نشده است اما این امکان وجود دارد که برخی از شرکت‌های عضو ما، بخواهند از هوش مصنوعی به‌عنوان بخشی از تجارت الگوریتمیک خود استفاده کنند.» هیچ نگرانی هم بابت استفاده از این فناوری وجود ندارد؛ این مدیر اطلاعات در ادامه می‌گوید که فناوری هوش مصنوعی هم مانند دیگر فناوری‌های مورداستفاده است. این فناوری قرار نیست جایگزین نیروی انسانی شود اما کمک بیشتری به افراد و معامله‌گران می‌کند.
سیستم‌های خبره
سیستم‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجه به نیاز روزافزون جوامع بر اتخاذ راه‌حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی موردنیاز است و بر اهمیت نقش آن‌ها نیز افزوده می‌شود. سیستم‌های خبره به حل مسائلی می‌پردازند که به‌طورمعمول نیازمند تخصص‌های کاردانان و متخصّصان انسانی است. به‌منظور توانایی بر حل مسائل در چنین سطحی، دسترسی هرچه بیشتر این‌گونه سامانه‌ها به دانش موجود در آن زمینه خاص ضروری می‌گردد.


اصلاً چرا باید با هوش مصنوعی سروکار داشت؟

عقیده آرتور گلداستاک نویسنده و مدیرعامل World Wide Worx درباره هوش مصنوعی این است: «در بحث تجزیه‌وتحلیل اطلاعات، باید گفت که هوش مصنوعی قابل‌اعتمادتر از نیروی انسانی است. هرچند که فعلاً، نیروی انسانی در حوزه ارزیابی وضعیت بازار بهتر عمل می‌کند و با پتانسیل بسیار خوبی می‌تواند کیفیت مدیریت یک شرکت را به‌خوبی تشخیص دهد.
در حال حاضر، بانک‌ها به‌جز چت‌بات‌ها، در بخش‌های زیاد دیگری هم از فناوری هوش مصنوعی استفاده می‌کنند. به گفته گلداستاک، اتاق‌های بازرگانی تمام بانک‌های بزرگ از فناوری هوش مصنوعی استفاده می‌کنند و طی چند سال گذشته، هیچ‌چیزی به‌جز اندازه این اتاق‌ها کوچک نشده است.
گلداستاک در پاسخ به این سؤال که تفاوت میان هوش مصنوعی که در چت‌بات‌ها از آن استفاده می‌شود با هوش مصنوعی که در اتاق‌های بازرگانی وجود دارد چیست، می‌گوید: «هوش مصنوعی و کلان داده‌ها شرکای بسیار خوبی برای هم هستند. در اتاق‌های بازرگانی، هوش مصنوعی حجم زیادی از داده‌ها را پردازش می‌کند و آن‌ها را تبدیل به پشتیبانی برای انجام تصمیم‌گیری‌ها می‌کند؛ اما چت‌بات‌ها تمایل دارند به سمت یک پایگاه داده استاندارد بروند که می‌توان آن را با زمانی مقایسه کرد که از الکسا درباره وضعیت آب‌وهوا سؤال می‌پرسید در برابر زمانی که از آن برای نتیجه یک مسابقه ورزشی سؤال می‌کنید.»
او در ادامه می‌گوید که چت‌بات‌ها در بهترین حالت می‌توانند یک هوش مصنوعی بدوی ارائه دهند اما بااین‌حال همچنان مفید هستند. با توجه به این‌که شرکت‌هایی مانند Metropolitan Life از این چت‌بات‌ها استفاده می‌کنند، می‌توان آن‌ها را به چشم همکارانی دید که مشاوران را راهنمایی می‌کنند.
تاریخچه هوش مصنوعی
هوش مصنوعی توسط فلاسفه و ریاضی‌دانانی نظیر جرج بول که اقدام به ارائهٔ قوانین و نظریه‌هایی در مورد منطق نمودند، مطرح‌شده بود. با اختراع رایانه‌های الکترونیکی در سال ۱۹۴۳، هوش مصنوعی، دانشمندان آن زمان را به چالشی بزرگ فراخواند. در این شرایط، چنین به نظر می‌رسید که این فناوری قادر به شبیه‌سازی رفتارهای هوشمندانه خواهد بود. باوجود مخالفت گروهی از متفکّرین با هوش مصنوعی که با تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشین‌های شطرنج‌باز و دیگر سامانه‌های هوشمند در صنایع گوناگون شدیم.
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به‌عنوان یک دانش جدید ابداع گردید. البته فعالیت در این زمینه از سال ۱۹۶۰ میلادی شروع شد. بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی‌ها و نیز اثبات قضیه‌های ریاضی با کمک رایانه‌ها بود. در آغاز چنین به نظر می‌آمد که رایانه‌ها قادر خواهند بود چنین فعالیت‌هایی را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آن‌ها به انجام برسانند.
اصطلاح هوش مصنوعی برای اولین بار توسط جان مک‌کارتی (که از او به‌عنوان پدر علم تولید ماشین‌های هوشمند یاد می‌شود) استفاده شد. وی مخترع یکی از زبان‌های برنامه‌نویسی هوش مصنوعی به نام لیسپ است. با این عنوان می‌توان به هویت رفتارهای هوشمندانه یک ابزار مصنوعی پی برد. (ساختهٔ دست بشر، غیرطبیعی، مصنوعی) حال‌آنکه هوش مصنوعی به‌عنوان یک اصطلاح عمومی پذیرفته‌شده که شامل محاسبات هوشمندانه و ترکیبی (مرکب از مواد مصنوعی) است.


نگاه حوزه دانشگاهی به هوش مصنوعی

پروفسور توماس میِر رئیس بخش تحقیقات هوش مصنوعی دپارتمان علوم کامپیوتر دانشگاه ژوهانسبورگ می‌گوید: «فناوری هوش مصنوعی، بخش‌های گسترده‌ای را در برمی‌گیرد و یادگیری ماشینی، بخشی از این فناوری است که در این چند سال توانسته خیلی‌ها را به خود جذب کند.»
به قول پروفسور میِر، هوش مصنوعی توانسته تأثیرات بسیاری بر صنعت مالی بگذارد و می‌توان از آن برای رتبه‌بندی‌های اعتباری در بخش مالی نیز استفاده کرد.
به‌هرحال عقیده این پروفسور بر این است که هوش مصنوعی به‌اندازه‌ای قابل‌اعتماد است که بتوان از آن استفاده کرد، به‌خصوص اگر آن را با چیزی که ۱۰ سال پیش در دسترس بود بخواهیم مقایسه کنیم.

آیا می‌توان آینده صنعت مالی را در هوش مصنوعی جستجو کرد؟ / شوالیه ناموجود

هوش مصنوعی
هوش مصنوعی ترکیبی از علوم کامپیوتر، فیزیولوژی، فلسفه، ریاضیات، آمار و زبان شناسی است که سعی در شبیه سازی ویژگی های انسانی از طریق سیستم های کامپیوتری دارد (10). هوش مصنوعی ساخت تجهیزات و نر مافزا رهای کاربردی است که بسیاری از رفتارهای خاص انسان مانند استدلال، یادگیری، حل مساله و شناخت را تقلید می کند )عرب مازار یزدی و سایرین، 1385). هوش مصنوعی در زمینه های مختلفی از جمله یادگیری، بازی شطرنج، اثبات قضایای ریاضی، نوشتن اشعار و تشخیص بیماری کاربرد دارد. برای توضیح کاربردهای هوش مصنوعی ابتدا باید مفاهیم و بحث هایی از آن مطرح شوند( کلاته رحمانی و چهارده چریکی،1389).
هوش مصنوعی علاوه بر علاوه بر کاربرد هایی که در زمینه های مختلف دارد مدت هاست که جایگاه خود را در حسابداری و امور مالی پیدا کرده است. محققان حسابداری تکنولوژی ها و تکنیک های هوش مصنوعی را با موفقیت هایی چند، برای کارهای خاصی در گزارشگری و تحلیل مالی (لم،2004) حسابرسی و اطمینان بخشی (کو و لو،2004) و در محدوده های دیگر به کار برده اند. با توجه به گسترده بودن این مباحث، چهار مورد از آن ها که نقش عمده تری در تشریح کاربرد هوش مصنوعی در حسابداری و امور مالی دارند، توضیح داده شده است: سیستم های خبره، شبکه ی عصبی، الگوریتم ژنتیک، و منطق فازی.

سیستم خبره
ريچارد باس عنوان مي دارد سيستم متخصص )خبره) يكي از شاخه هاي هوش مصنوعي است كه با گردآوري دانش تخصصي و اطلاعات كارشناسي دريك حوزه خاص واستفاده از منطق مي كوشد تا دركنار متخصصا ن و همپاي آنان به عرضه خدمات تخصص ي بپردازد .به عبارت ديگر اين سيستمها نرم افزارهاي كامپيوتري هوشمندي هستند كه درآنها نقش تخصصي كارشناسان به صورت مجموعه هاي اطلاعات علمي گرد آمده است) حبيبي پيركوهي و شائمي برزكي،1384).

اصطلاح سیستم خبره از سیستم هاي خبره دانش محور مشتق شده است. سیستم خبره، سیستمی است که دانش انسانی را بوسیله کامپیوتر، براي حل مسائلی که غالبا نیازمند تخصص انسانی است، به کار می برد. در واقع سیستم خبره، روشی براي گنجاندن دانش افراد خبره در کامپیوتر است ، گامی در جهت بناي هوش مصنوعی . این سیستم ها می کوشند جنبه هایی از دانش و استدلال انسانی را در کامپیوتر بگنجانند تا به تحلیل مسائل غ امض پرداخته و به نتایجی مناسب برسند (27).



تعهدخرید : سیستم هاي خبره امکان بکارگیري استانداردهاي سازمانی منسجم تر را براي ارزیابی درجه امکان خطرات متفاوت (آتش سوزي ، سیل ، سرقت ، و غیره) افزایش داده است . پایگاه دانش لازم براي سیستم هاي تعهد خرید شامل اطلاعات خاص صنعت در مورد تجهیزات ایمنی و اقدامات انجام شده براي کاهش خطر و نیز تکنیک هاي ارزیابی سطح خطر است. شاید بهترین مقطع زمانی براي طراحی سیستم هاي کامپیوتري در این رشته، هنگام تجدید بیمه نامه ها باشد، چرا که در آن زمان اطلاعات بسیار زیادي در شکل قابل فهم براي ماشین ، وجود دارد (شوازی و ابزری،1387).
اندوختهسازي: چقدر از درآمدهاي جاري را باید براي مطالبات احتمالی آینده بابت جبران خسارات کنار گذاشت ، سوال مهمی است . سیستم هاي خبره در این مورد نیز می توانند به منزله ابزاري براي تخصیص همه جانبه و منسجم منابع براي پاسخ گویی به تقاضاهاي ناشناخته به کار روند(شوازی و ابزری،1387).
بانکداري: بانک ها نیز وام هاي مصرفی مختلف، وام هاي رهنی، و حداعتباري به مشتریان خود ارائه می دهند . به علاوه، براي خدمات حواله ها و انتقال وجوه، عملیات خرید و فروش ارز و سایر معاملات بانکی می توان از سیستم هاي خبره استفاده کرد. سیستم هاي مشاوره ارز خارجی توان آن را دارند که به طور کیفی در شرایط مختلف بازار ، استراتژي هاي مختلف اختیار معامله ارزي و روش هاي تامینی دیگر را ارزیابی و راه حل هایی توصیه کنند. چنین سیستم هایی معمولا ابزارهاي تحلیل پیچیده اي دارد که عملیات آربیتراژ ارزي را ارزیابی کرده و می تواند استراتژي هاي معاملاتی جایگزینی تحت شرایط متفاوت بازار عرضه کند(شوازی و ابزری،1387).
برنامهريزياستراتژيك : سيستمهاي خبره در انتخاب و اجراي يك برنامه ريزي استراتژيك اينك در خدمت مديران هستند . اگر نقطه شروع و عطف كار مديريت را برنامه ريزي استراتژيك بدانيم انگاه اهميت اين سيستمها بيشتر مشخص مي شود. همانطور كه سابرامانيام (2002) عنوان مي دارد سيستمهاي خبره جهت انتخاب يك تكنيك برنامه ريزي استراتژي ك با اين ديدگاه توسعه يافته اند كه مديران در انتخاب يك ابزار برنامه ريزي استراتژيك با محدوديتهاي زيادي مواجه اند .از جمله زمان ،مهارت، منابع مالي،مشاوران متخصص و مانند اينها) حبيبي پيركوهي و شائمي برزكي،1384).
مديريتتوليدوعمليات : در سالهاي اخير با افزايش پيچيدگي صنايع توليد و نياز به كارائي بيشتر ،چرخه عمر كوتاه تر محصول،انعطاف پزيري بالاتر ،كيفيت بيشتر محصول ،رضايت مشتري و بر اوردن انتظارات او و هزينه كمتر،چهره عمليات توليد را ت غيير داده است . چالش عمده سازمان ها در در اين زمان چگونگي انطباق با اين تغييرات محيط تجاري است بطوريكه دستيابي به كسب مزيت رقابتي از طريق مسير انتخابي نيز حاصل شود) حبيبي پيركوهي و شائمي برزكي،1384).
ارتباطاتمالي : سيستمهاي خبره دربنگاه هاي مالي براي نظارت بر اطلاعات مورد انتظار و يافتن كلاه برداريهااستفاده مي شود .سيستم خبره مي تواند جايي كه حجم اطلاعاتي كه بايد پرداز ش شود بسيار زياد است بسيار مفيد باشد .اين سيستم مي تواند همچون يك حسابرس پاسخگوي شم ار فراوان ارباب رجوعها باشد .با استفاده ااز اين سيستمها يك كمپاني مي تواند به حسابرسي يك دوره 18 ماهه درطول يك دوره يكماهه بپردازد .بنابراين شركت مي تواند عمليات آنرمال خود را سريعتر از قبل متوقف سازد .اين بهره وري سازماني رابعلاوه كارائي و اثر بخشي افزايش مي دهد) حبيبي پيركوهي و شائمي برزكي،1384).
مديريتبازاريابي:مزيت هاي بالقوه و كاربرد گسترده سيستم هاي خبره انها را قادر به ياري مديران در زمينه بازاريابي و مديريت بازار نيز ساخته است. در مورد كاربرد هاي سيستمهاي خبره در اين زمينه مي توان به كار مك دونالند (1989) اشاره كرد .اوخسامر و ديگران (1992) به برر سي روند بكار گيري سيستم هاي خبره در بازار يابي بين المللي پر داخته اند . ژوان و بارل (2002،1997،1995) در زمينه استفاده از سيستمهاي خبره در بازار يابي كوششهاي زيادي انجام داده اند .انها استفاده از يك سيستم مختلط براي بر نامه ريزي استراتژيك بازار يابي را معرفي كرده اند و در مقاله اي ديگر به بررسي مسايل كاستيهاي همراه با سيستم هاي خبره پر داخته اند) حبيبي پيركوهي و شائمي برزكي،1384).

شبکه عصبی مصنوعی
بسیاري از مسائل همچون شناسایی بصري و گفتاري که یا ناممکن است و یا به دشواري با کامپیوترهاي الگوریتمی انجام پذیر است، به راحتی توسط مغز حل و فصل می شود. چنین موضوعی بسیار شگفت آور است چرا که سرعت معمول محاسبات کامپیوتري چندین میلیون عملیات در ثانیه است، حال آن که سرعت عملیات واحدهاي مغزي از تقریبا 10 واکنش در ثانیه بیشتر نیست. دلیل این وضعیت غالباً به ماهیت طراحی مغز بر می گردد. در این طراحی، شبکه هاي مغزي به طور بسیار موازي شکل گرفته اند، و این قابل مقایسه با ساخت ردیفی کامپیوترها نیست. این وضعیت آن چنان از قوت برخوردار است که بسیار بر این باورند که اگر بشود فرآیند کارکرد مغز را تا حدي شبیه سازي کرد، در آن صورت امکان حل مسائلی پدید می آید که با روش هاي سنتی ریاضیات، قابل حل نیستند. شبکه هاي عصبی گامی ابتدائی در جهت دستیابی به این مهم است (14).
شبکه عصبی مصنوعی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحد های پردازشی (نورون) مرتبط با شبکه ها تشکیل شده اند سلول عصبی بیولوژیکی یا نورون، واحد سازنده ی سلول عصبی در انسان است (جعفریه و همکاران، 1385).





سیستم عصبی مصنوعی در امور مالی کاربرد هایی دارد که مهمترین آن ها عبارتند از:
پیشبینیروندقیمتسهام: پیش بینی قیمت یا بازده سهام کار ساد های نیست؛ زیرا عوامل بازاری بسیاری در تعیین آن دخالت دارند که تمام این عوامل را نمی توان صرفاً در تحلیل تکنیکی )فقط داد ههای تاریخی مربوط به حرکت قیمت و حجم معاملات سهام را برای پیش بینی حرکت آتی قیمت مطالعه می کند( در نظر گرفت )تهرانی و عباسیون، 1387) بنابراین ثابت شده است که استفاده از ابزارها و الگوریتم های محاسباتی پیچیده تر مانند شبک ههای عصبی مصنوعی از مدل سازی فرایندهای غیر خطی که منتج به قیمت و روند سهام می شوند، پاس خهای بهتری از روش های آماری به دست می دهند )عرب مازار یزدی و دیگران،1385).
حسابرسی: کاربرد ANN در حسابرسی می تواند به فرایند بررسی تحلیلی )کاسکیوارا، 2004 (، تصمیمات تداوم فعالیت )اتریج، 2000 ؛ کو و لو 2004 ( و موارد دیگر کمک می کند (کلاته رحمانی و چهارده چریکی،1389).
ارزشیابی : به کمک مدل شبکه هاي عصبی و مدل هاي ترکیبی، می توان ارزش اوراق بهادار و دارایی هایی دیگري را که می خواهیم خریداري کنیم، برآورد کنیم. در این مورد باید فرایند ارزشیابی انسانی را شبیه سازي کنیم که در شبکه عصبی مصنوعی این مهم ممکن است(شوازی و ابزری،1387).
پیشبینیمیزاناعتبار: سیستم عصبی مصنوعی را می توان به گون های آموزش داد که اطلاعات ورودی آن داد ههای مربوط به مشتریان و داد ههای خروجی مطلوب آن تصمیمات واقعی تحلیلگران اعتباری باشد. هدف سیستم تقلید از تصمیم گیرنده ی انسانی در اعطا یا رد اعتبار و تعیین سقف های اعتباری است )عبده تبریزی و البرزی،1376).
تصویباعتبارات : سیستم عصبی مصنوعی را می توان به گونه اي آموزش داد که اطلاعات ورودي آن داده هاي مربوط به مشتریان و داده هاي خروجی مطلوب آن تصمیمات واقعی تحلیل گران اعتباري باشد. هدف سیستم، تقلید از تصمیم گیرنده انسانی در اعطا یا در اعتبار و تعیین سقف هاي اعتباري است. سیستم توان آن را دارد که بدون ضرورت این که اطلاعات را در قالب خاصی بریزیم، از داده هاي ورودي متنوع و پراکنده استفاده کند(شوازی و ابزری،1387).
برآوردبهایتمام شده: در هنگام برآورد بهای تما مشده عوامل زیادی از جمله تغییر مداوم ماهیت تکنولوژی، موجود بودن مواد و دستمزد مستقیم و ارزش واحد پولی و ... باید در نظر گرفته شود. بنابراین با توجه به ای نکه اطلاعات ورودی زیاد و بعضاً ناقص هستند شبکه ی عصبی می تواند گزینه ی مناسبی برای برآورد بهای تمام شده باشد )ونگ،2007).
پیشبینیوبرآوردآتی: البته در پاره اي از حوزه هاي پیش بینی مالی، استفاده از کامپیوتر و نرم افزارهاي سنتی، مطلوب تر از مدل هاي شبکه عصبی و ابزار ترکیبی است. به ویژه اگر مدل هاي با روابط شناخته شده داشته باشیم که محاسبات بسیار بطلبند، در این موارد، استفاده از مدل هاي سنتی کامپیوتر به صرفه و منطقی است. اما تحلیل گر مالی در بشتر موارد نگران تأثیر اعمال خاص روي رفتار سرمایه گذاران است. و در این موارد، مدل با روابط تعریف شده اي ندارد. سرمایه گذاران براساس چند اطلاع پراکنده در مورد شرکت ها، از خود واکنش نشان نمی دهند. بلکه تحت تأثیر تمامی اطلاعاتی قرار می گیرند که از منابع مختلف در مورد شرکت به آنان می رسد. این امکان وجود دارد که سیستم عصبی مصنوعی را طوري آموزش دهیم که از رفتار سرمایه گذاران نسبت به تغییرات در شرایط کلی مالی یا تغییرات شرکت تقلید کنند(شوازی و ابزری،1387).
ارزیابیورشکستگی(ارزیابیخطروامدهی): آن چه در مورد رده بندي اعتبارات در بالا گفتیم، در مورد وام دهی مؤسسات تجاري و وام هاي مصرفی کاربرد داشت . مؤسسات مالی نیز می توانند به کمک سیستم هاي عصبی مصنوعی در مورد بررسی تقاضاي وام و تصمیم در مورد پرداخت یا عدم پرداخت تصمیم بگیرند. هر چند که این سیستم ها تصمیم نهایی را درمورد وام هاي بزرگ نمی گیرند، خروجی سیستم در این مورد حداقل نظر یکی از کارشناسان می تواند تلقی شود(شوازی و ابزری،1387).
مدیریتپرتفويداراییهاواوراقبهاردار: مؤسسات مالی می باید گلچینی از سهام، اوراق قرضه، وام هاي رهنی، دارایی هاي فیزیکی همچون زمین و مستغلات را انتخاب کنند. در مورد تعدیل خطر، زمان عرضه در بازا، آثار مالیاتی، و ساختار سررسیدها، و متغیرهاي بسیار دیگري مداوما باید تصمیم اخذ شود. مدیران انواع صندوق هاي سرمایه گذاري و واحدهاي سرمایه گذاري بانک ها می باید این تصمیمات را اخذ نمایند. وظیفه باز هم مشکل تر می شود وقتی توجه کنیم که محیط اقتصادي و مالی دائماً نوسان می کند. با توجه به ماهیت سازمان نیافته فرایند تصمیمات مدیر پرتفوي و عدم اطمینان از اوضاع و احوال اقتصادي و مالی و پراکندگی اطلاعات مربوط، عرصه مناسبی براي به اجرا در آوردن مدل هاي شبکه هاي عصبی پدید می آید(شوازی و ابزری،1387).
قیمتگذرارياوراقبهادارجدید: در این جا دوباره می توان سیستم شبکه عصبی را به گونه اي تعلیم داد که تصمیمات کارشناسان انسانی را از طریق مشاهده داده ها و ستاده هاي تصمیمات واقعی اخذ شده در گذشته، تقلید کند. به علاوه، در این محیط، سیستم توان آن را دارد که بهتر از عملکرد کارشناس انسانی عمل کند، چرا که اطلاعات ورودي می تواند شامل نحوه تغییرات قیمت واقعی و فعالیت هاي فروش مؤخر بر انتشار اوراق بهادار باشد. سیستم توان آن را دارد که مستقیما از تصمیم گیرنده انسانی و نیز از نتایج واقعی حاصله از تصمیمات، فرا بگیرد. به علاوه ، چنین سیستمی می تواند حتی پس از ترك شرکت توسط کارشناس انسانی به کار ارائه خدمت ادامه دهد، و بدین ترتیب دانش کارشناسی و تجربه گرانقدر حاصله را جاودانه کند(شوازی و ابزری،1387).

منطق فازی:
در منطق دودویی که اولین بار توسط ارسطو مطرح شد، شاهد در نظر گرفتن حالات بصورت قطعی درست یا غلط بودیم. یعنی می توان وقایع طبیعی را بدرستی و با قطعیت تعریف و اندازه گیري نمود، در حالیکه در کسب و کار، اقتصاد، مباحث مالی و بسیاري از علوم دیگر، حالات طبیعی مبهم بوده و فاصله بین " آنچه هست" و " آنچه نیست" به درستی تعریف نشده است (18).
پروفسور لطفی زاده در سال 1965 برای مواجهه با ابهام موجود در جهان واقعی نظریه مجموعه های فازی را بنیان نهاد (شعبان الهی و آذر،1377). مفهوم مجموعه فازی، امکان بیان اطلاعات ذهنی و کیفی را به روش علمی فراهم می کند، از این رو ذهنیت ها و تعصب های فردی کاهش می یابد و تصمیم گیری ها منطقی تر صورت می گیرد. منطق فازی با انعطاف پذیری فوق العاده، برای تحلیل معانی زبان طبیعی است، و قادر است ابهامات برخواسته از ذهن انسان و محیط و همچنین درجه نادقیقی که در قضاوت انسانی وجود دارد را مدل سازی و تحلیل کند. بدین سان افق تازه ای برای سیاست گذاری، برنامه ریزی و تصمیم گیری گشوده شد(آذر،1374).




تصمیمگیری: از جمله کاربردهای منطق فازی در تصمیم گیری است که می تواند با استفاده از مقادیر و شرایط زمانی، ورود یهای غیر قطعی را به پاسخ های قطعی برساند. در محیط بسیار نامطمئن و در حال تغییر امروز، تصمیمات استراتژیک دارای ماهیت فازی و بسیار پیچیده اند(کلاته رحمانی و چهارده چریکی،1389).
حسابرسی: منطق فازی و تئوری مجموعه های فازی می تواند به حسابرسان در زمینه ی اندازه گیری و مدیریت احتمال خطر حسابرسی و ابهام در محیط حسابرسی( کلاته رحمانی و چهارده چریکی،1389) و همچنین ارزیابی اهمیت در حسابرسی ( کردستانی و رحیمی، 1388) کمک کند.
تخصیص دارایی ها: برای تخصیص کل دارایی های یک فرد به سه بخش پس انداز، سرمایه گذاری درآمدی و سرمایه گذاری رشدی می توان بر اساس سن فرد و درجه ریسک پذیری وی مدل تخصیص دارایی های فازی را طراحی کرد (کردستانی و رحیمی،1388).
مشاوره سرمایه گذاری: سرمایه گذاری هر شخص به درآمد سالانه، سرمایه شخص و درجه ریسک پذیری وی بستگی دارد. برای ساختن یک مدل فازی از قواعد «اگر ... آنگاه» برای تصمیم گیری استفاده می شود (کردستانی و رحیمی،1388).
از کاربرد های دیگر سیستم فازی اندازه گیری عوامل سرمایه گذاری همانند جریان ورودی نقدی، جریان خروجی نقدی، نرخ بازده داخلی ارزش فعلی سرمایه گذاری می باشد.


الگوریتم ژنتیک:
الگوریتم هاي ژنتیک با توجه به نظریه داروین در مورد تکامل جان گرفت (19). الگوریتم های ژنتیک توسط جان هالند در دهه 1960 اختراع شد و در دهه های 1960 و 1975 توسط وی، دانشجویان و چند تن از همکارانش در دانشگاه میشیگان توسعه داده شد. با این وجود، امروزه واژه " الگوریتم ژنتیک " توسط اغلب متخصصین این زمینه در مفهومی تقریباً متفاوت از مفهوم اولیه مورد نظر جان هالند به کار می رود (میتجل،1996). این تکنیک یک روش بهینه سازی غیر کلاسیک و جستجوی مستقیم است که فقط با خود تابع و نه مشتقات آن سر و کار دارد و بر اساس مکانیزم بقای اصلح و علم ژنتیک طبیعی، الهام گرفته از نظریه تکامل چالز داروین، بنا شده است ( باوی و صالحی،1387). الگوریتم هاي ژنتیک ابزاري ساده و مفید هستندکه توسط آن ماشین می تواند مکانیزم انتخاب طبیعی را شبیه سازي کند، این عمل با جستجو در فضاي مساله جهت یافتن جواب برتر و نه الزاما بهینه صورت می گیرد(شوازی و ابزری،1387).
کشف تقلب در صورت های مالی: هوگو و همکاران (2007) در پژوهشی با عنوان "استفاده از الگوریتم ژنتیک در کشف الگو هایی که نمایانگر تقلب در صورت های مالی می باشند" برای کشف تقلب در صورت های مالی از رویکرد الگوریتم ژنتیک استفاده شده است برای این منظور نمونه ای متشکل از 51 شرکت، که از سوی SEC متهم به شناسایی نا مناسب درآمد می باشند، به عنوان گروه هدف و نمونه ای متشکل از 339 شرکت که از نظر صنعت و اندازه (درآمد) با گروه قبلی متناسب بودند، به عنوان گروه گواه استفاده شده است. متغیر های تحقیق عبارتند از 79 معیار مقایسه ای که از صورت های مالی استخراج شده و نشانگر عملکرد تاریخی شرکت و عملکرد آن در صنعت می باشند و همچنین 9 متغیر دیگر که بیانگر ویژگی های "شرکت" می باشند. الگوی مبتنی بر زمان کشف شده توسط الگوریتم ژنتیک 63% از شرکت های هدف و 95% از شرکت های گواه را بدرستی طبقه بندی می کنند.
پیشبینیورشکستگی: ورشکستگی یک مشکل جهانی بسیار بااهمیت با هزینه های اجتماعی بالا است. بنابراین پی شبینی آن از اهمیت زیادی برخوردار است. برای حل مشکل ورشکستگی، محققان یک مجموعه از قوانین یا شرایط را با استفاده از GA استخراج کرده اند. بر مبنای این شرایط، مدل پی شبینی خواهد کرد، آیا یک شرکت با احتمال ورشکستگی روبرو است یا نه )عزیز و در،2004 ) برنامه نویسی ژنتیک می تواند تعداد متغیرهایی را که با استفاده از مدل های سنتی و روش های انتخاب آماری در پی شبینی ورشکستگی بااهمیت تشخیص داده شده اند به حداقل رساند(کلاته رحمانی و چهارده چریکی،1389).
انتخاب پرتفوی: سرمایه گذاران بازار خرید و فروش سهام صرفاً با مقاصد انتفاعی و اهداف سود آوری در این فعالیت اقتصادی شرکت می کنند. در این رابطه شناسایی عوامل موثر و تعیین کننده حجم و نوع انتخاب مجموعه متنوع اوراق بهادار سرمایه گذاری شده (پرتفوی) دارای اهمیت است (همت فر و همکاران،1381) مسئله انتخاب سهام، یکی از مسائل پیچیده در حوزه ی مالی و سرمایه گذاری است. در این مسئله، تعداد ی سهام وجود دارد و قرار است با خرید سهامی که بیشترین ارزش افزوده و کمترین میزان ریسک پذیری را داشته باشد سرمایه گذاری انجام شود(وفایی جهان،1386). بنابراین با توجه به عدم اطمینانی که بر بورس اوراق بهادار حاکم است و همچنین با در نظر داشتن تمایلات و ترجیهات مختلف سرمایه گذاران ، یافتن روشی برای انتخاب یک مجموعه مناسب از اوراق بهادار که از طریق آن بتوان بر عدم اطمینان و ترجیهات مختلف افراد غلبه کرد ضروری به نظر می رسد، از سوی دیگر با توجه به عملکرد موفق الگوریتم ژنتیک در مسائل بهینه سازی، این الگوریتم می تواند به روشی مناسب در اختیار سرمایه گذاران قرار دهد تا به انتخاب بهینه سبد سهام دست یابند.
علاوه بر کاربرد های شرح داده شده در بالا قطعاً حوزه های دیگری از حسابداری نیز و جود دارد که در اندازه های متفاوت می توانند از مزایای استفاده از الگوریتم ژنتیک منتفع شوند. به عنوان مثال می توان به ارزیابی دارایی ها ( لنگ و همکاران،1997)، مدل بندی رفتار حسابرس در برخورد با تقلب ( ولچ و همکاران،1998)، پیش بینی تورم(آیکن،1999)، رتبه بندی اوراق قرضه (شین و هان،1999)، پیش بینی شاخص قیمت (کیم و همکاران،2004)، بودجه بندی سرمایه ای (بری و مانونگا،2006)، مدیریت تولید (لاورینوویز ،2006)، تولید انعطاف پذیر(تقوی فرد و موسوی،2009)، پیش بینی ریسک اعتباری(لین و کو،2009) و غیره اشاره کرد.


هوش مصنوعی ترکیبی:
در غالب مطالعات، تمرکز بیشتر بر روي روش هاي غیر خطی منفردي است که بصورت اکتشافی براي مسئله خاصی مورد استفاده قرار می گیرند. اگر چه این نگرش موثر بوده است اما در بسیاري از مسائل غیر خطی که محقق با محدودیت به کارگیري ترکیبی روش ها مواجه بوده است، فرصتهاي فراوان استفاده از هم افزایی آن ها را از دست داده است. براي مثال در حالیکه شبکه هاي عصبی مصنوعی، مشخصه هاي مناسبی در تقلید و یادگیري ( فرایندي مشابه با آنچه نرون هاي بیولوژیکی مغز انجام می دهند) دارند، عدم شفاف بودن فرایند کاري آن ها ، تحقیق را تحت الشاع قرار می دهد. مثال بعدي در مورد ابزار توانمند دیگر هوش مصنوعی، منطق فازي می باشد، مزیت منطق فازي در تخمین و به کارگیري استنباط است در حالی که به یادگیري توجهی ندارد(شوازی و ابزری،1387). بطور حتم تلفیق این تکنولوژي ها با توجه به همپوشانی آنها (20) فرصتی را براي بطور کامل بهره بردن از توانایی ها و جبران ضعف هاي آن ها، فراهم خواهد نمود(25).


پیش بینیورشکستگی: برابازون و کینان (2004) قابلیت یک مدل مدل شبکه ی عصبی را در پیش بینی ورشکستگی شرکت با استفاده از اطلاعاتی که از صور تهای مالی به دست آمده است مورد بررسی قرار دادند. ساختار شبکه و ورودی آن به وسیله ی الگوریتم ژنتیک انتخاب شدند. نتایج این مدل با مدل LDA مقایسه شد. نتایج تحقیق نشان داد که ورشکستگی قابل پیش بینی است و از طرفی مدل مختلط شبکه ی عصبی و الگوریتم ژنتیک بهتر از مدل ،LDA در این حوزه کار می کند )برابازون و کینان،2004 .(کومار و راوی (2007) در تحقیقی که انجام داده اند، بررسی جامعی از کارهایی که در طی سال های 2005-1968 در کاربرد تکنیک های هوشمند و آماری برای حل مشکل پیش بینی ورشکستگی که شرکت ها و بانک ها با آن مواجه هستند ارائه می کنند(کلاته رحمانی و چهارده چریکی،1389).
حسابرسی: لین و سایرین (2003) در پژوهشی که انجام داده به کارگیری شبکه ی عصبی فازی 22 برای کشف تقلب را بررسی کرده و به این نتیجه رسیده اند که FNN در این تحقیق بهتر از بی شتر روش های آماری و شبکه های عصبی مصنوعی گزارش شده در مطالعات پیشین عمل می کند. لنارد (2001) از یک سیستم ترکیبی برای قضاوت در خصوص تداوم فعالیت استفاده کرده است(کلاته رحمانی و چهارده چریکی،1389).
ABC: ABC سنتی به دلایلی ممکن است بهای تمام شده ی محصولات را تحریف کند. از جمل هی این دلایل عبارتند از: اول این که ABC یک معیار عمومی برای انتخاب محرک هزین هی مربوط ندارد. دوم، زمانی که رفتار هزینه رابطه ی غیر خطی را نشان می دهد، ABC یک رابطه ی خطی بین استفاده از فعالیت ها و مقدار تخصیص یافته ی هزینه ی غیر مستقیم در نظر م یگیرد. برای حل چنین مشکلاتی می توان از تکنیک های هوش مصنوعی ترکیبی استفاده کرد. برای مثال کیم و هان ) 2003 ( در تحقیقات شان از الگوریتم ژنتیک برای شناسایی محرک هزینه ی بهینه یا نزدیک به بهینه استفاده می کنند. به علاوه، شبکه ی عصبی مصنوعی برای تخصیص هزینه های غیرمستقیم با رفتار غیرخطی به محصولات به کاربرده می شود. آن ها نتیجه گیری م یکنند که مدل تجربی بهتر از مدل سنتی عمل می کند)کیم و هان، 2003 ؛ عرب مازار یزدی دیگران،1385).

دنیای حسابداری - کاربرد هوش مصنوعی در حسابداری و امور مالی

هوش مصنوعی چگونه به بازارهای مالی کمک خواهد کرد؟
همشهری اقتصاد / در سال‌های اخیر می‌توان به راحتی رد پای هوش مصنوعی و به‌ویژه یادگیری ماشین را در همه زمینه‌ها از ارزیابی‌های اعتباری گرفته تا جلوگیری از اختلاس و پیش‌بینی بازارهای بورس به‌وضوح مشاهده کرد. امروزه به نظر می‌رسد یادگیری ماشین در حال دگرگون ساختن دنیای فاینانس است و به‌زودی شاهد یک خانه‌تکانی اساسی در این حوزه خواهیم بود، طوری که پیش‌بینی می‌شود در سال‌های آینده کلیه امور مربوط به الگوسازی‌های مالی و همچنین پیش‌بینی تحولات در بازارهای مالی توسط هوش مصنوعی انجام شود و در آنها نیازی به حضور و دخالت انسان‌ها نخواهد بود.


نشانه‌های صحت این ادعا را می‌توان در تصمیم‌گیری‌های اخیر بانک‌های مشهوری چون جی‌پی‌مورگان یا صندوق‌های سرمایه‌گذاری شناخته‌شده‌ای همچون من جی‌ال‌جی مشاهده کرد که بخش‌هایی به نام «مدیریت یادگیری ماشین» را در ساختار سازمانی خود تعریف کرده‌اند و در پی به‌کارگیری نیروهایی زبده و کارآمد در این بخش هستند. از سویی دیگر مقرر شده است که سال ۲۰۱۹ یکی از پیش شرط‌های انتخاب به‌عنوان یک «تحلیلگر مالی خبره» در آمریکا که از معتبرترین و کلیدی‌ترین منصب‌ها در حوزهٔ صنعت مالی در آمریکا به‌حساب می‌آید، این ویژگی باشد که داوطلبان حتماً باید دوره‌های هوش مصنوعی و یادگیری ماشین را گذرانده و نیز گواهینامه‌های لازم در این زمینه را در اختیار داشته باشند.


امروزه از یادگیری ماشین در بخش‌هایی مانند مدیریت ریسک و پیشگیری از اختلاس و کلاه‌برداری کمک گرفته می‌شود و همچنین روبات‌ها وظیفهٔ انجام برخی کارها مانند کنترل تماس‌های تلفنی مشتریان با بانک یا رسیدگی به شکایات را به جای انسان‌ها انجام می‌دهند. با این همه، در سال‌های آینده این نقش‌آفرینی به حوزه‌های هوشمندتری شامل تصمیم‌گیری‌ها و سیاست‌گذاری‌های مالی و اعتباری نیز تسری خواهد یافت و در آینده این روبات‌ها خواهند بود که الگوهای غیرعادی معاملات مالی را با هدف احتمال‌سنجی اختلاس و کلاه‌برداری کنترل خواهند کرد. به همین دلیل هم هست که امروزه شاهد آن هستیم که هم شرکت‌های مشهوری مانند آی‌بی‌ام و هم استارت‌آپ‌هایی مانند «Feedzai»(فعال در حوزهٔ پرداخت‌ها) یا «Shift technology»(فعال در حوزهٔ بیمه) و یا Monzo (یک استارت‌آپ‌بانکی فوق‌العاده موفق) یادگیری ماشین را وارد بخش‌های کلیدی فعالیت‌های خود کرده‌اند. به‌عنوان مثال، شرکت «Monzo» که از موفق‌ترین استارت‌آپ‌های بانکی در انگلستان به شمار می‌آید توانسته است با راه‌اندازی سیستم هوشمند شناسایی و کنترل معاملات و مبادلات بین کارت‌های اعتباری به‌وسیله هوش مصنوعی، میزان کلاه‌برداری‌ها از طریق کارت اعتباری را از ۸.۵ درصد در ژوئن سال ۲۰۱۶ به کمتر از ۰.۱ درصد در ژانویه ۲۰۱۷ کاهش دهد. بانک جی‌پی‌مورگان نیز موفق شده است با پیاده‌سازی نرم‌افزارهای کنترل و نظارت بر قراردادهای وام‌های تجاری توسط هوش مصنوعی در شعب خود، بیش از ۱۲ هزار برگهٔ قرارداد را در هر ثانیه کنترل و بازبینی کند، درحالی‌که تا پیش از این برای انجام این کار به ۳۶ هزار ساعت نیروی کار نیاز بود که دقت و کیفیت این فرآیند نیز بسیار پایین بود و درعین‌حال هزینهٔ بسیار زیادی را بر بانک تحمیل می‌کرد.


هوش مصنوعی چگونه به بازارهای مالی کمک خواهد کرد؟


نقش‌آفرینی پررنگ‌تر یادگیری ماشین و هوش مصنوعی در بخش مالی و ورود ماشین‌های پیشرفته‌تر به عرصه‌های مختلف مرتبط با فاینانس موجب خواهد شد تا الگوریتم‌هایی که نه توسط انسان‌ها بلکه به‌وسیلهٔ ماشین‌های فوق پیشرفته طراحی شده‌اند، زمام امور را در دنیای سرمایه و سهام در دست بگیرند و کارهایی را که همیشه توسط انسان‌ها انجام می‌شده، به انجام رسانند.


یادگیری ماشین دارای کاربردهای فزاینده‌ای در خودکارسازی تصمیم‌گیری‌های مالی بوده و هست، طوری که هم‌اکنون از ماشین‌ها و روبات‌ها برای ارزیابی اعتبارپذیری مشتریان بانک‌ها یا اعتمادپذیری بیمه‌گذاران در صنعت بیمه استفاده می‌شود. در حال حاضر هوش مصنوعی این امکان را برای مؤسسات و سازمان‌ها فراهم آورده است تا با پردازش حجم عظیمی از اطلاعات و داده‌ها در کوتاه‌ترین زمان و بالاترین دقت ممکن بهترین و دقیق‌ترین تصویر ممکن از وضعیت مشتریان و شرکای بالقوه را تهیه و قدرت تصمیم‌گیری فوق‌العاده‌ای را به صاحبان صنایع یا مدیران شرکت‌ها اعطا کنند. به‌عنوان مثال، شرکت لیموناد که یک استارت‌آپ نوآور و مبتکر در زمینه بیمه است، توانسته است با استفاده از هوش مصنوعی و یادگیری ماشین به موفقیت‌های چشمگیری در زمینه فروش قراردادهای بیمه و همچنین مدیریت و رسیدگی به دعاوی بیمه‌ای موکلان خود دست یابد.


بانک مشهور گلدمن ساکس نیز از جمله مؤسسات پیشرو در زمینه بهره‌گیری از یادگیری ماشین در تصمیم‌گیری‌ها و عملیات جاری به شمار می‌آید. در حال حاضر بانک گلدمن ساکس از سیستم‌های پیشرفته پردازش زبانی برای کنترل هزاران گزارش تحلیلی ارائه‌شده به بانک در ارتباط با عملکردها و تصمیمات اتخاذشده استفاده می‌کند. علاوه‌بر این گلدمن ساکس در یک استارت‌آپ پیشرو به نام «کنشو» «Kensho» سرمایه‌گذاری کرده است که متخصص چگونگی تأثیرگذاری حوادث طبیعی بر ارزش سهام بر اساس داده‌های مربوط به حوادث گذشته است و اطلاعاتی که از این طریق در اختیار گلدمن ساکس قرار می‌گیرد، آن را به بازیگری قدرتمند در دنیای پیش‌بینی تحولات بورس تبدیل کرده است.


درمجموع، نقش‌آفرینی پررنگ‌تر یادگیری ماشین و هوش مصنوعی در بخش مالی و ورود ماشین‌های پیشرفته‌تر به عرصه‌های مختلف مرتبط با فاینانس موجب خواهد شد تا الگوریتم‌هایی که نه توسط انسان‌ها بلکه به‌وسیلهٔ ماشین‌های فوق پیشرفته طراحی شده‌اند، زمام امور را در دنیای سرمایه و سهام در دست بگیرند و کارهایی را که همیشه توسط انسان‌ها انجام می‌شده، به انجام رسانند و صنعت مالی را به افق‌هایی رهنمون سازند که تا پیش از این و به دلیل محدود بودن توان ذهنی و عملیاتی نیروی انسانی مؤسسات و سازمان‌های مالی، غیرقابل دسترس و دور از ذهن به نظر می‌رسید.

هوش مصنوعی چگونه به بازارهای مالی کمک خواهد کرد؟

نقش هوش مصنوعی در نظام بانکی

https://startupforum.ir/images/cdn/2018/04/4821.jpg
“هوش مصنوعی”، گرچه در ادبیات ما چندان جا نیفتاده اما فرایندی است که دنیا را با خود همگام می کند. امروزه شاید نه در دنیای واقعی اما در دنیای ساخته ذهن بشر در فیلم ها و سینما، بهتر می توان این مفهوم را لمس کرد.
شاید بتوان دنیا را در آینده ای نه چندان دور، با اعداد و ارقامی تصور کرد که نیاز به کاربران را به حداقل رسانده باشد و این را شاید به تعبیری بتوان، هوش مصنوعی معنا کرد.
هوش مصنوعی می‌تواند در جایگاه هایی که استفاده می شود، تعاریف مختلفی داشته باشد؛ اما یک تعریف کلی می‌توان برای آن در نظر گرفت: مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها را بهتر انجام می‌دهند.
در ساخت هوش مصنوعی علوم زیادی کاربرد دارد از جمله: فلسفه، ریاضیات، عصب شناسی، مهندسی کامپیوتر، علوم کامپیوتر، نظریه سیستم ها، روان شناسی، زیست شناسی، زبان شناسی، علوم اجتماعی، نظریه اطلاعات، علوم شناختی، نظریه پیچیدگی و ..
زبان‌های برنامه‌نویسی پرکاربرد در صنعت هوش مصنوعی
برنامه‌های هوش مصنوعی تقریبا به همه زبان‌های برنامه‌نویسی نوشته شده‌اند اما به نظر می‌رسد که محبوب‌ترین زبان‌ها در این زمینه Lisp ،Prolog ،Java و Python هستند.
هوش مصنوعی چهار نوع است:
۱) کاملا واکنشگرا : کامپیوتر Deep blue که کاسپاروف را شکست داد
۲) حافظه محدود: اتومبیل های خودرو ران
۳) نظریه ذهن : ربات sony در فیلم I,Robot
۴) خود آگاه : synths در سریال Humans که رباتی است در این فیلم که مثل انسان رفتار می کند.
هوش مصنوعی امروزه به شکلی پیش می رود که در کشورهای توسعه یافته با تجارت تلفیق یافته و می تواند در آینده نه چندان دور تمامیت کره ی خاکی را فرا بگیرد و انسانی که از این تکنواوژی بهرمند نشود از رده خارج می شود.
سخنان مدیر عامل شرکت بنز در این خصوص جالب است، مدیر عامل شرکت بنز(دیتر زیچه) در مورد هوش مصنوعی بیان می کند:
“دیتر در سخنرانی اخیری که داشت اعلام کرد ۸۰ درصد رفت و آمدهای شهری در آینده حذف خواهد شد، رقیبان ما شرکت‌های تولید خودرو نیستند بلکه شرکت هایی مثل اپل، گوگل و سیسکو هستند، شرکت خدماتی اوبر UBER که امروزه بزرگترین شرکت تاکسیرانی است و صاحب یک ماشین هم نیست و فقط یک نرم افزار است، به دو دلیل شرکت‌های بیمه به لبه ورشکستگی خواهند رسید، اول به دلیل کاهش فعالیت های فیزیکی به خصوص در حمل و نقل و دوم پیش بینی بسیار دقیق سیستم های هوش مصنوعی از آینده، نیاز ما به بیمه را کمتر خواهد کرد؛ در سال ۲۰۱۸ ماشین های بدون راننده در خدمت حمل و نقل خواهند بود و این مورد صنایع را در سال‌های آینده دچار مشکل خواهد کرد. همچنین صنایع خودروسازی ورشکسته خواهند شد؛ بررسی سلامت افراد ارزان و می تواند از طریق موبایل بررسی شود، هفتاد تا هشتاد درصد شغل ها تا بیست سال آینده دیگر وجود نخواهند داشت، در سال ۲۰۲۰ اپلیکیشن های دیگری قادر خواهند بود از طریق آنالیز حالت‌های صورت بگویند که کلام گفته شده دروغ یا راست است! تصور کنید چه اتفاقی برای سیاستمداران خواهد افتاد، بیت کوین یک پول دیجیتال است که می تواند نقش پشتوانه ارز را در جهان را بازی کند.
چند در صد از مشاغلی که با هوش مصنوعی جایگاه خود را از دست می دهند.
هوش مصنوعی در نظام بانکداری
ما در این بخش می خواهیم نقش AI یا هوش مصنوعی در بانکداری را مورد بررسی قرار دهیم :
یو بی اس (UBS) بزرگترین بانک سوئیس و یکی از بزرگترین مؤسسات خدمات مالی در جهان است که سازمان مرکزی آن در شهرهای بازل و زوریخ واقع است. یو بی اس از نظر سرمایه ی بازار، ششمین بانک ثروتمند جهان محسوب می شود. این بانک خدمات خود را در حوزه های سرمایه گذاری بانکی، مدیریت دارایی و مدیریت ثروت به مشتریان خصوصی، شرکتی، و دولتی در سرتاسر جهان ارائه می دهد. یو بی اس که مخفف کلمه ی Union Bank of Switzerland است، بانکی بسیار قدیمی است که سابقه ی آن به سال ۱۸۵۴ باز می گردد. البته شکل امروزی این بانک با آنچه در سال ۱۸۵۴ شروع به فعالیت کرد، بسیار متفاوت است.
UBSمی گوید هوش مصنوعی AI می تواند درآمد بانک را ۳٫۴ درصد افزایش دهد و هزینه های آن را در سه سال آینده ۳٫۹ درصد کاهش دهد.
سرمایه گذارها و بانک های خرده فروشی به دنبال استفاده از AI برای بالا بردن سطح مشاوران روبو، chatbots و ابزارهایی که در این مسیر باعث بزرگ شدن این نوع کسب و کار می شود.
اما چالش هایی برای اجرای این طرح وجود دارد وجود دارد، زیرا اکثر بانک ها باید مجموعه داده های خود را برای مدیریت AI در اختیار این سروی قرار بدهد ، اما با چالش بزرگی پیشرو هستند زیرا که جمع آوری این نوع داده ها که تمام آنها بصورت پراکنده است، کار بسیار دشوار و پرهزینه ای محسوب می شود و بانک های داخلی باید این موضوع را در نظر بگیرند و از تجربیات بانک های خارجی در راستای کم کردن هزینه جمع‌آوری داده ها استفاده کنند.
بانک ها در مورد پتانسیل هوش مصنوعی در امور مالی، در این باورند که AI با تلفیق در بانکداری می تواند هزینه ها را کاهش دهد و درآمدها را افزایش دهد.
هوش مصنوعی در سال های اخیر پیشرفت کرده است و شرکت های خدمات مالی اکنون به برنامه ریزی برروی هوش مصنوعی توانسته اند تا حدودی نیاز های این بانک هارا تاحدودی تامین کنند و پنجره ای نو در زمینه ی سرمایه گزاری بر روی نرم افزارهای بانکداری باز کنند، لازم به ذکر است، زمانی که الگوریتم های این نوع نرم افزارها پیاده سازی می شود باید در کنار این برنامه نویسان نیروهای متخصص مالی و بانکداری وجود داشته باشند تا برنامه نویسان بتوانند نیازهای این بخش را به صورت کامل رفع کنند.
UBS در یادداشت اخیر خود خاطر نشان کرد که ۱۱ میلیارد دلار از سال ۲۰۱۰ به هوش مصنوعی سرمایه گذاری شده است. این رقم تا سال ۲۰۲۰ به بیش از ۴۷ میلیارد دلار افزایش خواهد یافت.
پیشرفت در حوزه هایی مانند یادگیری ماشین و پردازش زبان طبیعی برای امور مالی خاصیت خاصی دارد، به الگوریتم های سرمایه گذاری برای بهینه سازی خود و برای ربات های خدمات مشتری برای برقراری ارتباط با مشتریان کمک می کند. به طور خلاصه، AI در حال حاضر توانایی مقابله با وظایف پیچیده ای را برای انسان ها دارد.
UBS با توانمندی های خود توانسته است مشاور روبو را راه اندازی کند، به اصطلاح “مشاور روبو” – یک ابزار دیجیتالی است که از یادگیری ماشین برای ارائه مشاوره سرمایه گذاری خودکار بر اساس شرایط مالی مردم استفاده می کند. برنامه های کاربردی دیگر عبارتند از chatbots خدمات مشتری، گزارش خودکار، ارزیابی ریسک و ابزارهایی برای کمک به بانکداران فروش در جهت هدفمند کردن آنها.

نقش هوش مصنوعی در نظام بانکی – اخبار مالی

کاربرد هوش مصنوعی در حسابرسی: با نگاهی به آینده

پدیدآورندگان: دکتر محمد مرفوع
دکتر مسعود طاهری‌نیا
نواب کونانی
مقدمه
حسابداری تقریباً اولین حوزه از تجارت است که ابزار و روشهای فناوری اطلاعات و ارتباطات¹ در آن به‌کار گرفته شده‌اند. اگر چه فناوری اطلاعات و ارتباطات در ابتدا در سیستمهای حسابداری پایه به‌کار گرفته شدند، طولی نکشید که ثابت شد که بسته‌های الگو‌سازی مالی در جنبه‌های تحلیلی حسابداری بسیار سودمند می‌باشند. پژوهشگران بر این عقیده بودند که سرعت وارد شدن فناوری اطلاعات و ارتباطات در حسابداری به‌صورت یک حرفه، به‌علت رویکرد محافظه‌کارانه شاغلان در این زمینه پایین تلقی می‌شود؛ اگر چه تا اواخر دهه 90 میلادی، شاغلان این حرفه مجبور شده بودند تا فعالیتهای خود را به‌منظور ارتقای بهره‌وری، ایستادگی در برابر رقابت و کاهش هزینه‌ها، کامپیوتری کنند (Manson et al., 1997; 2001).
ابزار فناوری اطلاعات و ارتباطات به‌طور معمول در طیف وسیعی از وظایف ساده مثل محاسبات ریاضی تا وظایف پیچیده‌ای مثل تجزیه‌وتحلیل آماری و نمودار، استفاده می‌شوند. این ابزار شامل مجموعه برنامه‌های حسابرسی (متشکل از بسته‌های نرم‌افزاری استاندارد و نرم‌افزارهای خاص)، فهرست وارسی، الگوهای لاجیت (Logit)، برنامه‌های پرس‌وجو حسابرسی (با قابلیت تحلیل و بررسی کامل داده)، مولفه‌های یکپارچه نظارت بر حسابرسی (روشهای برنامه‌ریزی‌شده که داده حقیقی و شرایط انجام کار را دائما بررسی می‌کنند)، سیستمهای خبره و الگوهای کنترل داخلی که معمولاً برای شناسایی نقاط قوت و ضعف یک سیستم به‌کار می‌روند، می‌باشند.
به‌علت پیشرفت مداوم در زمینه فناوری کامپیوتری، اغلب موسسه‌های بزرگ حسابرسی استفاده از هوش مصنوعی² را در زمینه قضاوتهای³ حسابرسی به‌عنوان بخشی از سیستمهای یکپارچه اتوماسیون حسابرسی خود در نظر گرفته‌اند. تمهیدات فناوری اطلاعات و ارتباطات مثل تبادل الکترونیکی داده‌ها⁴، انتقال فایلهای الکترونیکی⁵ و پردازش تصویر به‌تدریج در حال جایگزینی روشهای سنتی حسابرسی و در نتیجه تغییر کامل کل فرایند حسابرسی می‌باشد. به‌رغم تغییر شکلی که حرفه حسابرسی در یک‌قرن‌ونیم اخیر تجربه کرده، هدف اصلی حسابرسی همچنان به‌صورت ارائه نظری مستقل برای اشخاص ثالث در مورد حقیقت و درستی اطلاعات صورتهای مالی ارائه‌شده توسط مدیریت و تطبیق این اطلاعات با معیارهای قابل اجرای حسابداری و مقررات مربوط، باقی‌ مانده است. بنابراین، حسابرسی متشکل از مجموعه اطلاعات فشرده‌ای درباره فعالیتهایی مثل جمع‌آوری، سازماندهی، پردازش، و ارزیابی داده به مقصود ارائه‌نظر (اظهارنظر)⁶ قابل اعتماد در مورد حسابها می‌باشد. این اظهارنظر نهایی حسابرسی معمولاً ترکیبی از قضاوتهای حسابرسی (بر پایه شواهد مرتبط، مقتضی، کافی و متقاعدکننده حسابرسی) در زمینه‌های گوناگون گزارشهای مالی می‌باشد.
از آنجایی که سیستمهای کمک به تصمیم‌گیری مبتنی بر فناوری اطلاعات و ارتباطات هم‌زمان با فشار افزایش‌یافته بر حسابرسان برای ایفای نقشی موثرتر در کنترل و نظارت بر شرکتها، همچنان در دنیای کسب‌وکار مدرن مورد توجه می‌باشند، هدف از نوشتن این مقاله، بررسی تلاشهای پژوهشی عمده و بحثهای فعلی در مورد استفاده حسابرسی از طبقه‌ای از سیستمهای کمک به تصمیم‌گیری کامپیوتری و سیستمهای هوش مصنوعی می‌باشد. این بررسی با دیدگاهی برای پیامدهای آتی توسعه نرم‌افزاری و پژوهشی در این زمینه همراه است.
این بررسی به‌علت پیشرفتهای اخیر در زمینه سیستمهای هوش مصنوعی در آغاز دهه جدیدی از این هزاره نو، ضروری می‌باشد. همچنین، اغلب مطالعات موجود در زمینه حسابرسی فناوری اطلاعات، عموماً یا سیستمهای کمک به تصمیم‌گیری و یا جنبه‌ای از هوش مصنوعی را در نظر گرفته‌اند. در حالی‌که این تحقیق بر استفاده از دو نوع هوش مصنوعی عمده در حسابرسی، سیستمهای خبره⁷ و شبکه‌های عصبی⁸ تاکید دارد. قسمت بعد، استفاده از سیستمهای گوناگون بر پایه هوش مصنوعی را مشخص خواهد کرد.

حسابرسی و سیستمهای مبتنی بر هوش مصنوعی
یک فرایند عادی تصمیم‌گیری، لزوماً باید دربرگیرنده سه مرحله اصلی تکراری باشد (Abdolmohammadi, 1987). این مراحل عبارتند از هوش (که شامل جمع‌آوری داده، شناسایی هدفها، تشخیص مشکلات، اعتبار داده‌ها و سازماندهی مشکلات می‌باشد)، طراحی (که شامل دستکاری داده، تعیین کمی هدفها، تولید جایگزینها و ارجاع ریسکها یا ارزشها به جایگزینها) و انتخاب (که شامل ایجاد آمار و ارقام در زمینه جایگزینها، شبیه‌سازی نتیجه‌های جایگزینها، تفسیر جایگزینها، انتخاب بین جایگزینها و تفسیر انتخاب). بنابراین هوش مصنوعی، بخش مهمی از خانواده سیستمهای کمک به تصمیم‌گیری می‌باشد که همچنان در حال توسعه و وارد شدن در فعالیتهای فنی و مدیریتی تجارت نوین و حرفه‌هایی از قبیل حسابرسی است.
دالال (Dalal, 1999) پیش از این اظهار کرده است:
“با افزایش چشمگیر جمعیت جهان و به‌علت پیچیدگی ماهیت معاملات، به‌کارگیری روشهای حسابرسی به‌صورت قابل توجهی به نرم‌افزار بستگی خواهد داشت. بنابراین، هوش مصنوعی و سیستمهای خبره مفید بوده و شاید در مدیریت حسابرسی امروزه اجتناب‌ناپذیر باشند.”
برای تایید اظهارات دالال طی دو دهه اخیر، تلاش بی‌وقفه‌ای در زمینه توسعه سیستمهای بسیار پیچیده مبتنی بر هوش مصنوعی (به شکل سیستمهای خبره و شبکه‌های عصبی) برای کمک به حسابرسان در قضاوتهایشان صورت گرفته است (Abdolmohammadi & Usoff, 2001). هدف این سیستمها، کمک‌رسانی به حسابرسان برای تصمیم‌گیری بهتر از طریق توجه به تعصبها و غفلتهای احتمالی می‌باشد که معمولاً در فرایندهای تصمیم‌گیری انجام‌شده به روش دستی اتفاق می‌افتند. در شرایطی که عموم بر این باورند که به‌علت میزان تطبیق‌پذیری و حساسیت مورد نیاز برای این قضاوتها، این سیستمها را باید به‌صورت عوامل یا کمکهای صرف در اظهارنظر نهایی حسابرس درباره نتیجه‌های حسابرسی به‌کار گرفت. برخی از نتیجه‌های تجربی نشان می‌دهند که گاهی اوقات حسابرسان بیش از حد بر خروجی این سیستمها تکیه می‌کنند؛ اگر چه صرف‌نظر از ماهیت ابزار و روشهای مورد استفاده حسابرس قبل از رسیدن به تصمیمی (اظهارنظر) خاص، حسابرس در نهایت مسئول آن قضاوت می‌باشد. از آنجایی که این موردی است که در آن حسابرسان به سایر کارشناسان (کارشناسانی مثل قیمتگذاران املاک و مشاورین حقوقی) برای ایجاد شواهد حسابرسی به‌صورت پایه‌ای برای نظرهای حسابرسی تکیه می‌کنند، ابزار هوش مصنوعی مورد پذیرش حسابرسان صرفاً به‌صورت عوامل به‌کار گرفته‌شده برای انجام یک وظیفه مشخص در نظر گرفته می‌شوند. مسئولیت تضمین ارتباط، اعتبار، و کارایی این ابزار در زمینه هدف تعیین‌شده، بر عهده خود حسابرس می‌باشد. همچنین، استفاده از سیستمهای مبتنی بر هوش مصنوعی در رسیدن به یک نظر، مانند شمشیری دو لبه می‌باشد. حسابرس می‌تواند مسئول استفاده نامناسب از سیستم نوین کمک به تصمیم‌گیری در ارائه قضاوتی باشد که مشخص می‌شود نادرست است؛ همان‌طور که او می‌تواند مسئول ارائه قضاوت نادرستی شود که از مبنا قرار دادن نظرش تنها بر اساس یک سیستم خبره، به‌دست آمده است (Ashton, 1990؛Sutton et al., 1994).
مزایای گوناگون قابل حصولی در زمینه استفاده حسابرسان از سیستمهای مبتنی بر هوش مصنوعی برای حسابرسی شناسایی شده است. این مزایا شامل بازدهی و کارایی، ثبات ساختاری برای فعالیتهای حسابرسی، تصمیم‌گیری و ارتباطهای بهبودیافته، آموزش ارتقایافته به کارکنان، توسعه مهارت برای تازه‌کارها و تصمیم‌گیری در زمان کوتاهتر می‌باشند. با وجود این، موارد زیر به‌عنوان معایب احتمالی به‌کارگیری سیستمهای مبتنی بر هوش مصنوعی شناسایی شده‌اند؛ فرایندهای تصمیم‌گیری طولانی‌مدت به‌علت کشف جایگزینهای بیشتر، هزینه کلان زیربنایی، به‌روزرسانی و حفظ سیستمها، جلوگیری از ایجاد پایگاه دانش تازه‌کارها، جلوگیری از گسترش مهارتهای تخصصی قضاوت، ریسک انتقال ابزار به رقبا و احتمال استفاده از این ابزار در حسابرسی در برابر یک مرجع قانونی به جهت اتکای بیش از حد بر شواهد سیستمهای کمک به تصمیم‌گیری.
با نگاهی به توسعه و تاثیر هوش مصنوعی در حسابرسی و با در نظر گرفتن نوشته‌های کنونی، با دیدگاهی کلی، بررسی مفصل مولفه‌های مشخص (سیستمهای خبره و شبکه‌های عصبی) مورد پذیرش حسابرسان، ضروری می‌باشد.

http://hesabras.org/Portals/_Rainbow...telligence.jpg
سیستمهای خبره
یکی از تلاشهای اولیه در جهت تفسیر معنای سیستمهای خبره، توسط گروه انجمن تخصصی کامپیوتر بریتانیا صورت گرفت. این گروه، یک سیستم خبره را به این صورت تعریف کرده است (Connell, 1987):
“سیستم خبره تجسمی است از مهارت یک کارشناس در درون کامپیوتری با اجزای مبتنی بر دانش، به‌شکلی که این سیستم قادر باشد تا پیشنهادی هوشمندانه ارائه بدهد یا تصمیمی هوشمندانه در مورد پردازش یک عملکرد بگیرد. یکی دیگر از ویژگیهای مطلوب که ممکن است بسیاری آن ‌را بنیادی تلقی کنند، قابلیت سیستم بر حسب تقاضا برای توجیه محدوده استدلال خود به روشی است که برای جستجوگر به‌وضوح قابل درک باشد. سبک مورد اتخاذ برای دست یافتن به این ویژگیها، برنامه‌نویسی بر اساس قوانین می‌باشد.”
آرنولد و همکاران (Arnold et al., 2004)، سیستمهای خبره را به‌صورت سیستمهای نرم‌افزاری تعریف کردند که تخصص یک یا چند نفر از کارشناسان را در حوزه تصمیم‌گیری خاص برای ارائه پیشنهادی خاص در مورد مجموعه‌ای از مسائل، ترکیب می‌کنند و کاربر را در تصمیم‌گیری بهتر نسبت به حالتی که بدون کمک باشد، یاری می‌رسانند. سیستم خبره، ترکیبی از سیستم و فرایندی است که برای نسخه‌برداری از قضاوتهای کارشناسان طراحی شده است. این سیستم نسبت به سایر سیستمهای کامپیوتری متمایز می‌باشد زیرا از ویژگیهای خاصی مانند دقت و قابلیت کاربردی بهره‌مند است (Baldwin-Morgan & Stone, 1995).
در نوشته‌های اینینگ و همکاران (Eining et al., 1997): “سیستمهای خبره نسبت به سیستمهای سنتی کمک به تصمیم‌گیری از دو جنبه اساسی متفاوتند. اول اینکه این سیستمها بر دانش متکی‌اند و عموماً به‌جای راه‌حلهای الگوریتمی، براساس قوانین به‌وجود می‌آیند. دوم اینکه این سیستمها دستیابی به پایگاه علمی برای استفاده کاربر از سیستم کمک به تصمیم‌گیری را میسر می‌سازند. همچنین، نرم‌افزار سیستم خبره پیشرفته قابلیتهای فراوانی جهت افزایش ارتباط بین کاربر و سیستم ارائه می‌دهد.” استفاده‌های اولیه از هوش مصنوعی در دهه 1930 میلادی، بر دستکاری اشیای فیزیکی از طریق دستگاههایی که تحت کنترل برنامه بود، تمرکز داشت، اما این برنامه‌ها از مزایای تجاری و عملی اندکی برخوردار بودند.
دولتهای کشورهای مختلف از طریق تلاشهای جمعی خاص از اساتید دانشگاهی و صنعتگران، به رسیدگی به این محدودیتها پرداختند. نمونه‌هایی از این تلاشها، تلاشهای هیئت ژاپنی در زمینه نسل جدید فناوری کامپیوتری و برنامه الوی⁹ انگلیسی بود که هر دو در سال 1982 صورت گرفتند. برنامه الوی بر چهار حوزه گسترده پژوهشی شامل مهندسی نرم‌افزار، یکپارچگی در مقیاس بسیار بزرگ، ارتباط انسان- ماشین و سیستمهای هوشمند بر پایه دانش می‌باشند (Connell, 1991). این پژوهش برجسته در زمینه سیستمهای خبره مبتنی بر دانش، از مشارکت بانکهای بزرگ و موسسه‌های حسابرسی در زمینه توسعه سیستمی هوشمند، الفکس¹⁰ (سیستم خبره مالی برنامه الوی)، بهره گرفت. اگرچه تلاشها در مورد برنامه الوی در نیمه راه قطع شد، تجربه‌ و نتیجه‌های حاصل از مشارکت موسسه‌های حسابرسی برای جامعه پیشگامان اروپایی (مانند اسپریت¹¹) مفید بود. همچنین، تجربه اولیه این شرکتها را به گسترش سیستمهای خبره داخلی برای جنبه‌های گوناگون روند کاری حرفه‌شان ترغیب نمود (Connell,1991).
انتظار می‌رود که سیستم خبره موثر، مزایای متعددی را برای حرفه حسابرسی فراهم سازد. این مزایا شامل درک فرایندهای کاری، دانش افزایش‌یافته و انتقال‌پذیری دانش می‌باشند. اینها دلایلی هستند که اغلب موسسه‌های حسابرسی، به‌خصوص موسسه‌ةای بزرگ، به گونه‌ای چشمگیر سیستم خبره را در حوزه‌های متعددی از فعالیتهایشان به‌کار می‌گیرند (Brown, 1991).
همچنین، در مورد استفاده از سیستمهای خبره توسط حسابداران بریتانیا، امریکا و کانادا تحقیقی صورت گرفته که نشان داده است بیشترین تعداد از سیستمهای خبره که توسط موسسه‌های حسابرسی توسعه‌یافته مربوط به حسابرسی است. سیستم خبره به‌کاررفته در حسابرسی به‌عنوان سیستم دربرگیرنده‌ای مشخص شده که برنامه‌ریزی حسابرسی¹²، آزمون رعایت¹³، آزمون محتوا¹⁴، اظهارنظر، گزارش‌دهی¹⁵ و تصمیمهای مربوط به تعامل مشتریان حسابرسی را مورد حمایت قرار می‌دهد. سایر مطالعات در زمینه استفاده حسابرسان از سیستمهای خبره در سه بخش فرعی بعدی مورد بررسی قرار می‌گیرند.
الگوهایی برای ارزیابی تاثیر استفاده حسابرسان از سیستمهای خبره
بالدوین- مورگان و استون (Baldwin-Morgan and Stone, 1995)، چارچوبی دو بعدی را (الگو ماتریسی¹⁶) با توجه به تاثیر به احتمال زیاد سیستمهای خبره بر موسسه‌های حسابرسی، پیشنهاد کردند. این ماتریس از یک طرف شامل سطوح تاثیر (صنعت، سازمان، فرد و فعالیت) و از طرف دیگر در برگیرنده رده‌های تاثیر (کارایی، بازدهی، تخصص، آموزش و محیط) بود. علت انتخاب سطوح گوناگونی از تاثیر، این واقعیت بود که تمامی انواع فعالیتها یا صنایع می‌توانند تحت تاثیر سیستمهای خبره واقع بشوند. بنابراین، پژوهش صورت‌گرفته توسط بالدوین- مورگان و استون (1995) با در نظر گرفتن عوامل احتمالی مشخص، چارچوبی موثر را برای بررسی تاثیر فناوری اطلاعات و ارتباطات بر روند حسابداری ارائه کرد (فعالیت، صنعت، وسعت و محیط).
تحقیق صورت‌گرفته توسط بالدوین- مورگان و استون (1995)، می‌توانست الگویی را برای ارزیابی تاثیر سیستمهای خبره بر سازمانها و افرادی که از این سیستمها استفاده می‌کنند، ارائه دهد. این الگو کاملاً برعکس موارد یافت‌شده در سایر تحقیقهای پیشین است که تنها در مورد چگونگی کارکرد این سیستمها و علت ساخت آنها یا در بهترین حالت آثار بالقوه این سیستمها بر حسابرسی به بحث می‌پرداختند. این الگو در مطالعات تجربی پیشین بر اساس تاثیر سیستمهای خبره حسابرسی و سیستمهای خبره حسابداری برای مدیران که مانند سابق در نوشته‌ها موجود می‌باشد، ایجاد شد. بنابراین، این پژوهش الگویی کاملاً نظری را با بینشهای تجربی ترکیب کرد.
دیلارد و یوتاس (Dillard and Yuthas, 2001) به‌تازگی دیدگاه کاملاً نوینی را در مورد تاثیر استفاده از سیستمهای خبره در حسابرسی با در نظر گرفتن موارد اخلاقی ذاتی در کاربرد این سیستمها در روند حسابرسی، مطرح کرده‌اند. این مطالعه، تئوری «خودمسئول» نیبور را برای پشتیبانی از محدوده تشکیل‌دهنده یک مورد اخلاقی و به‌عنوان چارچوبی برای شناسایی اقدام مسئولانه برای در نظر گرفتن همیشگی تعاملات مداوم در بین گروه سهامدارانی که تحت تاثیر پیاده‌سازی سیستمهای خبره می‌باشد، اتخاذ کرد. همچنین، در این تحقیق اشاره شده است که این ساختار باید برای ارزیابی اقدامهای سهامداران قبل از ایجاد سیستم همراه با پیامدهای بالقوه برای سیستم به‌کار برود.
مزایای استفاده از سیستمهای خبره در حسابرسی
آرنولد و همکاران، تاثیر کمکهای تصمیم‌گیری را بر ارزیابی تصمیم‌گیران تازه‌کار و متخصص مورد بررسی قرار دادند. این بررسی نشان می‌دهد که ترکیب مناسبی از کاربر و کمک می‌تواند کیفیت تصمیم تصمیم‌گیرندگان متخصص را ارتقا دهد؛ اما ممکن است تصمیم‌گیرندگان مبتدی در صورت تخصصیتر بودن کمکهای تصمیم‌گیری هوشمند نسبت به کاربر، در معرض تصمیم‌گیریهای ضعیفتر قرار بگیرند. در این پژوهش، رویکردی تجربی در مورد دو گروه از شاغلین ورشکسته متخصص و تازه‌کار که از یک نرم‌افزار کمک تصمیم‌گیری به نام (اینسالو¹⁷) استفاده می‌کردند، اتخاذ شد.
اینینگ و در (Eining & Dorr, 1991)، تحقیق یادگیری تجربی را با استفاده از 191 نفر از دانشجویان مقاطع تحصیلات تکمیلی حسابداری و با نگرشی به سمت بررسی تاثیر یک سیستم خبره بر کسب دانش تجربی برای انجام فعالیت به‌عنوان تصمیم‌گیران تازه‌کار حسابرسی در ارزیابی شایستگی یک سیستم کنترل داخلی، انجام دادند. این بررسی نشان داد که از میان چهار گروه که موضوعهای پژوهشی در مورد آنها برای این فعالیت طبقه‌بندی شدند (بدون کمک تصمیم‌گیری، پرسشنامه، سیستمهای خبره بدون قابلیت توضیحی، و سیستمهای خبره با قابلیت توضیحی)، شرکت‌کنندگان دو گروه از سیستمهای خبره را دارای عملکرد بهتری نسبت به دو گروه دیگر، تعیین کردند.
تحقیق اینینگ و در (1991) بر مبنای چارچوبی کاملاً نظری، یعنی تئوری یادگیری شناختی بود که در روانشناسی مشهور است. این چارچوب با اصولی مناسب ترکیب شده، تجربیات آزمایشگاهی را کنترل کرده و نتیجه‌های این پژوهش یکی از اولین بینشها را برای شرکتهایی که مبادرت به استفاده از سیستمهای خبره برای حسابرسان تازه‌کار نموده‌اند، ارائه داده است.
چنگچیت و هولساپل (Changchit and Holsapple, 2004)، سیستم خبره مشابهی را ایجاد و مورد ارزیابی قرار دادند که می‌توانست در ارزیابی اثربخشی کنترل داخلی، موثر واقع شود.
ارزیابی تاثیر سیستمهای خبره بر انواع گوناگون حسابرسی
اینینگ و همکاران (1997) به استفاده از کمکهای تصمیم‌گیری در فرایندهای پیچیده تصمیم‌گیری در مورد ارزیابی ریسک تقلب مدیریت پیامد کردند. در این تحقیق، رویکرد تجربه آزمایشگاهی را در مورد 96 حسابرس برای بررسی استفاده از یک سیستم خبره به جهت ارتقای تعامل کاربر اتخاذ شد. در مقایسه با استفاده از چک‌لیستها و الگوی آماری لوجیت که تنها ارزیابی ذکرشده را ارائه می‌دهند، نتیجه‌های این تحقیق نشان می‌دهند که استفاده از سیستمهای خبره، توانایی حسابرسان را برای وجه تمایز قائل شدن هر چه بهتر بین شرایط با سطوح متفاوت ریسک تقلب مدیریت، ارتقا می‌دهد. بنابراین، سیستمهای خبره در این پژوهش در ظاهر از لحاظ فناوری پیشرفته‌ترین سیستم بوده و ابزاری با میزان دقت بالاتر را برای ارزیابی این ریسک ارائه می‌دهد.
پژوهش صورت گرفته توسط اینینگ و همکاران (1997)، یکی از معدود پژوهشهایی است که تاثیر سه مورد از موارد کمک تصمیم‌گیری را (چک‌لیستها، الگوهای آماری و سیستمهای خبره) در قضاوت حسابرسان در مورد ریسک تقلب مدیریتی مورد مقایسه قرار داده است. همچنین، در شرایطی که در این مطالعه گنجانیدن سازوکار ارتباطی سازنده‌ای در استفاده از سیستمهای خبره، دانش را در این حوزه بیش از پیش ارتقا می‌دهد، شاید به‌کارگیری یک تجربه آزمایشگاهی در این تحقیق، نگرشی واقع‌گرایانه را در مورد پدیده تحت بررسی به‌خصوص از آنجایی‌که این پدیده یک اتفاق بود، ارائه نکرده باشد. همچنین، شاید استفاده یک شرکت کاملاً سازمان‌یافته از جایگاه شش موسسه بزرگ، پایه مناسبی را که از طریق آن بتوان نتیجه‌های مطالعه را تعمیم داد، تشکیل ندهد. پاتاک و همکاران (Pathak et al., 2005)، با استفاده از سازوکار مشابه در درون یک صنعت خاص، بیمه، ریاضیات فازی را با فناوری سیستمهای خبره ترکیب کردند تا سیستمی را طراحی کنند که قادر باشد عناصر تقلب را در زمینه پرداخت خسارت بیمه شناسایی کند.
سوینی (Swinney, 1999)، اتکا بر سیستمهای خبره را که برای کمک به حسابرسان در ارزیابی ذخایر وام توسط یکی از شش موسسه بزرگ حسابرسی آن زمان ایجاد شده بودند، مورد بررسی قرار داد. این تحقیق در مطالعات قبلی بنا نهاده شده بود، مطالعاتی که “مشخصاً به نتیجه‌گیری معکوسی رسیده بودند و اتکای بیش از حد و اتکای کمتر را بر سیستمهای خبره مورد تایید قرار می‌دادند.” بنابراین، تحقیق سوینی (1999) به دو مورد از پرسشهای پژوهشی در درون فضای اجتماعی موسسه حسابرسی، ختم شد. این پرسشها از این قرارند:
-1 آیا حسابرسان در شکل‌گیری قضاوتشان در مورد ذخایر از دست‌رفته وام، به خروجی سیستمهای خبره بیش از حد اتکا می‌کنند؟
-2 آیا حسابرسان بر خروجی منفی سیستم خبره بیشتر از خروجی مثبت آن در شکل‌گیری قضاوتشان در مورد ذخایر وام از دست‌رفته، تاکید دارند؟
سوینی از مباحث تجربی و نظری مربوط درباره زمینه‌های اجتماعی سازمانی و عواملی که می‌توانند منجر به اتکای بیش از حد یا کمتر از حد بر سیستمهای خبره توسط شرکتهای حسابداری شوند، نتیجه‌گیری کرد. از این مباحث، دو فرضیه شکل گرفتند. در فرضیه اول، سوینی سعی کرد تا به بررسی این مورد بپردازد که “ قضاوت در مورد ذخایر از دست‌رفته وام که با در نظر گرفتن خروجی منفی سیستم خبره توسط حسابرسان ارائه شده، با قضاوت در مورد ذخایر از دست‌رفته وام که با در نظر گرفتن خروجی مثبت سیستم خبره توسط حسابرسان ارائه شده، چه شباهتی دارد.” در فرضیه دوم، به بررسی شباهت بسیار زیاد تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسان با در نظر گرفتن خروجی منفی سیستم خبره ارائه شده، تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسان با در نظر گرفتن خروجی مثبت سیستم خبره داده شده و تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسهایی ارائه ‌شده که خروجی هیچ‌گونه سیستم خبره‌ای را در نظر نگرفته‌اند، پرداخته شد.
این تحقیق، از روش پژوهشی تجربه آزمایشگاهی برای جمع‌آوری شواهد تجربی به جهت آزمون فرضیه‌ها در نمونه کوچکی از بررسی موردی استفاده کرد؛ در شرایطی که داده جمع‌آوری‌شده با استفاده از آزمونهای آماری غیرپارامتری مورد تحلیل قرار گرفت. نتیجه‌های به‌دست‌آمده، اتکای بیش از حد بر نتیجه‌های سیستم خبره و تاثیر بیشتر خروجی منفی سیستم خبره را مورد تایید قرار داد.
این تحقیق، دانش کافی را در مورد موارد موجود در این تحقیق از طریق ایجاد تطابق بین مباحث نظری و تجربی و یافته‌های تحقیق، ارائه می‌دهد. اگرچه، همان‌طور که مولف تشخیص داده، حجم نمونه این تحقیق که فقط شامل 29 حسابرس است، به‌نظر برای تحقیقی با این میزان اهمیت محدود به‌نظر می‌آید. همچنین، از آن‌جایی که خروجی واقعی یک سیستم خبره که توسط یکی از شش موسسه حسابرسی مشغول به ‌کار وقت ایجاد شده، برای شرکت‌کنندگان حاضر در این تحقیق (از سه موسسه متفاوت) به‌کار رفته، این احتمال وجود دارد که تعدادی از شرکت‌کنندگان از قبل با سیستمهای خبره به‌کاررفته در این تحقیق آشنا بوده‌اند. این مسئله، احتمال پیش‌داوری را افزایش داده و ممکن است روی نتیجه‌های اثرگذار باشد. با این وجود، این تحقیق توانست روند کاری را با تئوری اجتماعی و فناوری مربوط برای رسیدن به هدف کوچکی که قصد رسیدن به آن را داشت، ترکیب کند. اگرچه، بررسی می‌توانست نسبت به استفاده از روشهای تجربی در جمع‌آوری داده‌های مربوط اتخاذ تصمیم در دنیای واقعی و با استفاده از نرم‌افزار، به واقعیت نزدیکتر باشد.
افزون بر تحقیقهای ذکرشده، تعدادی از مطالعات پیشین به بررسی کاربردهای سیستمهای خبره در سایر حوزه‌های حسابرسی پرداخته و نشان داده‌اند که یک سیستم خبره منطق فازی، چگونه ارزیابی ضرورت و در نظر گرفتن عوامل کیفی مربوط را برای حسابرسان میسر می‌سازد. زبدا و مک ایچام (Zebda and McEacham, 2008)، منطق فازی را به‌عنوان چاره‌سازی احتمالی برای کاستیهای معین منطق احتمالاتی به‌کاررفته در سیستمهای خبره برای رسیدگی به عدم قطعیت، مورد تایید قرار دادند؛ در حالی که مرفی (Murphy, 2008) بر مبنای مواردی از وضعیت شرکتهای امریکایی که از مشکلات مالی رنج می‌بردند، قوانین مربوط به تصمیم‌گیری را ارائه کرد که با سیستمی خبره برای ارزیابی حسابرسان از وضعیت موفقیت‌آمیز یک نهاد، مطابقت داشت. از آنجایی که حسابرسی مالی، در واقع مجموعه‌ای از تصمیمهای متصل به هم است که هر یک نیازمند قضاوت تخصصی می‌باشند، ایجاد یک سیستم خبره حسابرسی مالی با قابلیتهای فناوری موجود، فعالیتی پیچیده و مشکل خواهد بود. بنابراین، موسسه‌ةای حسابرسی و محققان، مجبور به ایجاد سیستمهای خبره برای فعالیتهای گوناگون با دقت تعیین‌شده در حوزه حسابرسی می‌باشند. با این وجود، گری و همکاران (Gray et al., 1991) با در نظر گرفتن پیشرفت تکاملی مداوم، سیستم خبره مرکب فراتر از سطحی را با کمک فناوریهای در حال ظهور مثل سیستم تخته‌سیاه برای تسهیم اطلاعات بین سیستمهای خبره فردی در زمینه فناوری، پیش‌بینی کردند. در بخش بعدی، به بحث پیرامون مطالعات مربوط به شکل دوم هوش مصنوعی (همانطور که در بخش مقدمه مشخص گردید)، یعنی شبکه‌های عصبی می‌پردازیم.

شبکه‌های عصبی
یک شبکه عصبی، شکلی از هوش مصنوعی است که سعی در پیروی از هوش انسان دارد. این شبکه متشکل از مجموعه‌ای از واحدهای به‌هم‌پیوسته (پردازش عناصر) می‌باشد که به‌صورتی مجزا در مقابل مجموعه‌ای از علامتهای ورودی که به سمت آنها ارسال شده‌اند، واکنش نشان می‌دهند. شبکه‌های عصبی در زمینه پیش‌بینی بر اساس پایگاه داده بزرگی مربوط به رویدادها و وقایع گذشته، موثر هستند. از آنجایی که قضاوتهای (اظهار نظر) حسابرس بر اساس شواهد به‌دست‌آمده از سوابق تاریخی حسابداری هستند، نمی‌توان بیش از حد بر کاربردپذیری شبکه‌های عصبی در زمینه ارزیابی روندها و الگوها با رویکردی به سمت ارائه قضاوت حسابرسی، تاکید کرد. در زیر، مروری بر مطالعات صورت‌گرفته در زمینه حسابرسی بر مبنای فناوری اطلاعات ارائه شده که مربوط به شبکه‌های عصبی است.
گرین و چوی (Green & Choi, 1997)، الگو طبقه‌بندی تقلب شبکه‌های عصبی را برای ارزیابی ریسک تقلب مدیریت با استفاده از داده‌های داخلی مالی و از طریق ارزیابی پیش‌بینی‌های روند تحلیلی، ارائه دادند. این الگو به جهت ترغیب حسابرس برای انجام آزمایشی مهم به محض مشاهده دسته‌بندی هر گونه گزارش مالی به شکل فریب‌آمیز، طراحی شد. اگرچه هیچ‌یک از نوشته‌های در دسترس، این الگو پیشنهادی را تایید نکردند. بل و کارسلو (Bell and carcello, 2000) با استفاده از نمونه 77 موردی از شرکت در تقلب و 305 موردی از عدم شرکت در تقلب، الگو رگرسیون استدلالی را ارائه کردند که احتمال گزارش مالی فریب‌آمیز را برای یک مشتری حسابرسی بر مبنای عوامل مشخص ریسک تقلب مثل محیط ضعیف کنترل داخلی، پیشرفت سریع شرکت، سوددهی نسبی نامناسب و دروغگویی مدیریت به حسابرسان یا طفره رفتن آشکار در بین سایرین، پیش‌بینی می‌کرد.
نتیجه‌های این تحقیق نشان می‌دهند که این الگو به‌گونه‌ای چشمگیر از قضاوت حسابرسان در مورد ریسک برای 77 مورد شرکت در تقلب دقیقتر بود؛ در حالیکه اختلاف زیادی در نمونه‌های بدون تقلب دیده نشد. هرچند احتمالاً این الگو با در نظر گرفتن تلفیق عوامل اصلی ریسک موثر می‌باشد، کاربرد آن در سازمانهای بزرگ نسبت به شرکتهای کوچک‌ومتوسط به‌علت پیچیدگیهایش، مناسبتر خواهد بود. لین و همکاران (Lin et al., 2003) به همین نحو، تاثیر یک شبکه عصبی فازی جامع را برای ارزیابی ریسک گزارش مالی فریب‌آمیز به‌صورت جایگزینی برای الگوهای آماری موجود و شبکه‌های عصبی مصنوعی، مورد بررسی قرار دادند. این تحقیق توانست به هدف مورد نظرش دست یابد که این هدف، بررسی اثربخشی فناوری‌های اطلاعات مثل سیستم جامعی از شبکه‌های عصبی و منطق فازی در تشخیص تقلب بود. جدا از اینکه این الگو از الگوهای آماری معمولی یا شبکه‌های عصبی مصنوعی پیچیده‌تر بود، استفاده از این الگو توسط موسسه‌ةای مشغول به کار، به‌صورت مبهم باقیمانده است.
کوه (Koh, 2004)، از طریق تحلیل روابط غیرخطی پیچیده، سودمندی روشهای داده‌کاوی مثل شبکه‌های عصبی، درختهای تصمیم و رگرسیون لجستیک را در پیش‌بینی وضعیت موفقیت‌آمیز یک شرکت، مورد بررسی قرار داد. در این تحقیق، این نتیجه حاصل شد که این روشها می‌توانند حسابرسان را از شرمساری ناشی از ارائه یک رای نامناسب در مورد شرکتهای در معرض فروپاشی، نجات دهند. از بررسیهای قبلی می‌توان پی برد که از میان تحقیقهای پیشینی که به کاربرد شبکه‌های عصبی در حسابرسی مربوط هستند، سه مورد بر طراحی و بررسی الگوهای شبکه‌های عصبی برای قضاوت حسابرسان در مورد ریسک تقلب مدیریت، تاکید دارند. پس می‌توان چنین نتیجه‌گیری کرد که شبکه‌های عصبی می‌توانند در کاهش کنترل و کشف خطرها مفید باشند؛ در حالی‌که توانایی حسابرسان را برای پیش‌بینی و کشف تقلبها در گزارشهای مالی، ارتقا می‌بخشند. پیامد این امر، نقش افزایش‌یافته حسابرسان در نظارت بر سازمان می‌باشد.
شکل 1 نمونه‌ای از یک شبکه عصبی را نشان می‌دهد. در این شبکه لايه ورودى، ارزشهاى ورودى را از محيط خارجی شبكه عصبی دريافت می‌كند. لايه خروجی، ارزشهاى خروجی را به محيط خارجی شبكه عصبی ارائه می‌كند. لايه پنهان، علامتهای ورودى را گرفته و با ارزشهاى موجود در حافظه داخلی خود مرتبط می‌سازد. شبكه‌هاى عصبی از مثالهایی كه توسط محيط به آن ارائه می‌شود، آموزش می‌بينند و ياد می‌گيرند؛ در ظاهر درست مشابه آنچه در مغز انسان رخ می‌دهد، اما در مقياسی متفاوت.

http://hesabras.org/Portals/_Rainbow...ence-curve.jpg

حوزه‌های پیشنهادی برای تحقیقهای آینده و توسعه نرم‌افزار
بررسیهای پیشین نشان داد که مجموعه نوشته‌های حاضر در زمینه استفاده از هوش مصنوعی در حسابرسی، از سه منظر مورد بررسی قرار گرفته است. برخی از این تحقیقها، روی عملی بودن تعدادی از الگوهای پیشنهادی مبتنی بر هوش مصنوعی در مورد انواع مشخصی از فعالیتهای حسابرسی تاکید داشته‌اند و برخی بر بررسی ساختارهای نظری تاکید داشته‌اند می‌توان آنها را برای درک تاثیر هوش مصنوعی بر حسابرسی مورد استفاده قرار داد؛ در شرایطی که سایر تحقیقها مزایا و معایب نسبی استفاده از این سیستمها را در حسابرسی مورد بررسی قرار داده‌اند. هرچند مجموعه نوشته‌های حاضر، هنوز باید چندین حوزه مهم را تحت پوشش قرار دهند. این حوزه‌ها شامل ارزیابی هزینه‌های مالی و مزایای سیستمهای هوش مصنوعی در حسابرسی به‌صورت خاص در این جو اقتصادی کنونی، پیامد دعاوی قضایی استفاده از این سیستمها در عمل بر مبنای تجربیات واقعی گذشته شرکتهای حسابرسی، پیامد استفاده از این سیستمها برای فعالیتهای شرکتهای کوچک‌ومتوسط و بقا، آموزش حسابرسی، حسابرسی سازمانهای بخش عمومی، استقلال حسابرس و شکاف بین انتظارها و عملکرد حسابرسی، می‌باشند.
بنابراین، این شکافها برای انجام تحقیقهای آینده در این حوزه مورد توجه قرار گرفته‌اند. تلاشهای بیشتر پژوهشی نیز برای کشف چگونگی تاثیر روند کنونی استفاده حسابرسان از هوش مصنوعی بر آموزش حسابرسان از منظر بررسیهای تخصصی و توسعه مداوم تخصصی مورد نیاز هستند. تاثیر این روند بر استانداردهای حسابرسی با تمرکزی ویژه به شواهد حسابرسی نیز در تحقیقهای آینده نشان داده خواهد شد. سایر حوزه‌های مورد نظر نیز می‌توانند شامل ارزیابی میزان کنونی استفاده حسابرسان داخلی از هوش مصنوعی در طراحی و نظارت بر سیستمهای کنترل داخلی در سیستمهای تجاری کامپیوتری باشند. در نهایت، تحقیقهای آینده می‌توانند به ارزیابی پیامدهای استفاده از هوش مصنوعی در اثربخشی انجمن حسابرسی بپردازند. آیا انجمن حسابرسی می‌تواند قضاوتهای حسابرسان را در زمانی که این قضاوتها تحت پشتیبانی سیستمهای هوش مصنوعی هستند، درک کرده و به چالش بکشد؟
از نظر حوزه‌های پیشنهادی برای تحقیقهای آینده، در حال حاضر پیش‌بینی شده که موسسه‌های حسابرسی، به‌ویژه موسسه‌های بزرگ، همچنان مشغول به سرمایه‌گذاری روی سیستمهای خبره و شبکه‌های عصبی که برای کاهش ریسک حسابرسی‌شان، خاص صنعت و خاص فعالیت حسابرسی باشند. همچنین، شرکتهای بزرگ چندملیتی می‌توانند عملکرد حسابرسی داخلی خود را تا سطح استفاده از این سیستمها برای تحکیم سیستمهای کنترل داخلی خود و کاهش ریسکهای تجاری، ارتقا بدهند.
همچنین، پیش‌بینی شده که سیستمهای هوشمند برای افزایش آموزش و تربیت آینده حسابرسان ایجاد شوند.

نتیجه‌گیری
این مقاله، فرایندهای تکاملی سیستمهای هوش مصنوعی را در حسابرسی از نظر مزایای فراوان این سیستمها و تعدادی از معایب شناسایی‌شده در مجموعه نوشته‌‌های حاضر را ترسیم کرد. همچنین، این مقاله به بحث پیرامون اهمیت استفاده حسابرسان از سیستمهای هوش مصنوعی در رسیدن به قضاوت حسابرس پرداخت. این مقاله به‌گونه‌ای خاص به بررسی تلاشهای پژوهشی در مورد استفاده از سیستمهای خبره و شبکه‌های عصبی در حسابرسی و پیامدهای وابسته به آن پرداخت. مطالعات پیشین به روشی مورد بررسی و تلفیق قرار گرفته که خلاء پژوهشی خاصی را مشخص ساخت. تحقیقهای آینده در این حوزه این خلاء را پر خواهند کرد.
این حوزه‌ها شامل انطباق مزایای اتخاذ این عوامل هوشمند با هزینه‌های آنها، ارزیابی تاثیر هوش مصنوعی بر طراحی و نظارت بر سیستمهای کنترل داخلی و همچنین کارایی انجمن حسابرسی، پیامدهای استفاده از این سیستمها برای فعالیتهای شرکتهای کوچک‌ومتوسط حسابرسی و بقا، آموزش حسابرسی، حسابرسی سازمانهای بخش عمومی، استقلال حسابرس و شکاف بین انتظارها و عملکرد حسابرسی می‌باشند. همچنین این مقاله پیشنهادهایی برای توسعه نرم‌افزاری در آینده در این زمینه‌ها می‌دهد.

: پانوشتها
1- Information and Communications Technology (ICT)
2- Artificial Intelligent (AI)
3- Judgement
4- Electronic Data Interchange (EDI)
5- Electronic File Transfer (EFT)
6- Opinion
7- Expert System (ES)
8- Neural Networks (NN)
9- Alvey
10- Alfex
11- Espirit
12- Audit Planning
13- Compliance
14- Substantie Testing
15- Reporting
16- Matrix Model
17- Insolve

: منابع
• البرزی محمود، آشنایی با شبکه عصبی، تهران: دانشگاه صنعتی شریف،‌انتشارات علمی، چاپ دوم، 1396
• Abdolmohammadi M., Decision Support and Expert Systems in Auditing: A Review and Research Directions, Accounting and Business Research, 173, 185 (Spring), 1987
• Abdolmohammadi M. & C. Usoff, A Longitudinal Study of Applicable Decision Aids for Detailed Tasks in a Financial Audit, International Journal of Intelligent Systems in Accounting, Finance and Management, 10, 2001, 139–154
• Arnold V., P.A. Collier, , S.A. Leech, & S.G. Sutton, Impact of Intelligent Decision Aids on Expert and Novice Decision-makers’ Judgements, Accounting and Finance, 44, 2004, 1–26
• Ashton R.H., Pressure and Performance in Accounting Decision Settings: Paradoxical Effects of Incentives, Feedback and Justification, Journal of Accounting Research, 28, 1990, 148–186
• Baldwin-Morgan A.A. & M.F. Stone, A Matrix Model of Expert Systems Impacts, Expert Systems with Applications, 9(4), 1995, 599–608
• Bell T.B. & J.V. Carcello, A Decision Aid for Assessing the Likelihood of Fraudulent Financial Reporting, Auditing: A Journal of Practice and Theory, 19(1), 2000, 169–182
• Brown C.E., Expert Systems in Public Accounting: Current Practice and Future Directions, Expert Systems with Applications, 3(1), 1991, 3–18
• Connell N.A.D., Expert Systems in Accountancy: A Review of Some Recent Applications, Accounting and Business Research, 17(67), 1987, 221–233
• Connell N.A.D., Artificial Intelligence and Accounting, in B.C. Williams & B., 1991
• ChangChit C. & C.W. Holsapple, The Development of Expert System for Managerial Evaluation of Internal Controls, Intelligent Systems in Accounting, Finance and Management, 1212, 2004, 103-120
• Dalal C., Using an Expert System in an Audit: A Case Study of Fraud Detection, IT AUDIT, 2(May 15), 1999
• Dillard J.F., & K. Yuthas, A Responsibility Ethic for Audit Expert Systems, Journal of Business Ethics, 30(4), 2001, 337
• Eining M.M., & P.B. Dorr, The Impact of Expert System Usage on Experiential Learning in an Auditing Setting, Journal of Information Systems, 1991, 1–16
• Eining M.M. D.R. Jones, & J.K. Loebbecke, Reliance on Decision Aids: An Examination of Auditors’ Assessment of Management Fraud, Auditing: A Journal of Practice and Theory, 16(2), 1997, 1–18
• Gray G.L., T.E. McKee, & T.J. Mock, The Future Impact of Expert Systems and Decision Support Systems in Auditing, Advances in Accounting, 9, 1991, 249–273
• Green B.P., & J.H. Choi, Assessing the Risk of Management Fraud Through Neural Network Technology, Auditing: A Journal of Practice and Theory, 16(1), 1997, 14–28
• Koh H.C., Going Concern Prediction Using Data Mining Techniques, Managerial Auditing Journal, 19(3), 2004, 462
• Lin J.W., M.I. Hwang, & J.D. Becker, A Fuzzy Neural Network for Assessing the Risk of Fraudulent Financial Reporting, Managerial Auditing Journal, 18(8), 2003, 657–665
• Manson S., S. McCartney, & M. Sherer, Audit Automation: The Use of Information Technology in the Planning, Controlling and Recording of Audit Work, Edinburgh: ICAS, 1997
• Manson S., S. McCartney, & M. Sherer, Audit Automation as Control within Audit Firms, Accounting, Auditing and Accountability Journal, 14(1), 2001, 109–130
• Murphy C.K., Discovering Auditing Criteria for the Going-concern Disclaimer, International Journal of Computer Applications in Technology, 33(2/3), 2008, 138
• Pathak J., N. Vidyarthi, & S.L. Summers, A Fuzzy-based Algorithm for Auditors to Detect Elements of Fraud in Settled Insurance Claims, Managerial Auditing Journal, 20(6), 2005, 632–644
• Sutton S.G., R. Young & P. McKenzie, An Analysis of Potential Legal Liability Incurred Through Audit Expert Systems, Intelligent Systems in Finance and Management, 4, 1994, 191–204
• Swinney L., Consideration of the Social Context of Auditors’ Reliance on Expert System Output During Evaluation of loan Loss Reserves, International Journal of Intelligent Systems in Accounting, Finance and Management, 8, 1999, 199–213
• Zebda A., & M. McEacham, Accounting Expert Systems and the Treatment of Uncertainty, The Business Review, 11(1), 2008, 1–13

مطالعات مالی Muhasebe - Finansman - کاربرد هوش مصنوعی در حسابرسی: با نگاهی به آینده

آینده بانکداری در اختیار هوش مصنوعی است

به گزارش گروه تحقیق و ترجمه عصر بانک؛جدیدترین نوآوری‌ها در حوزه هوش مصنوعی (AI) موانع بسیاری را از سر راه برداشته‌اند؛ هر روز که می‌گذرد بیشتر مشخص می‌شود که با کمک هوش مصنوعی چه کارهایی ممکن می‌شود، چه چیزی کاربردی است و اینکه مردم از بانکها چه انتظاراتی دارند.

مادامیکه برندهای معتبر در صنایع مختلف اولین سری بات‌ها، یادگیری ماشینی، اتوماسیون روبوتیک و زبان اصلی ماشینی را به خدمت می‌گیرند، مشتریان نیز قادر می‌شوند بخش وسیعتری از کارهای روتین خود را بر پایه این خدمات انجام دهند. این تجارب تاثیر عمیقی در خدمات مالی دارند؛ امروزه مشتریان به دنبال راههای سریع و بدون واسطه برای انجام دادن و مدیریت کردن کارهای مالی خود هستند.

تکنولوژی‌های مبتنی بر هوش مصنوعی می‌توانند به شیوه‌های متفاوتی تقاضای بازار برای ارائه خدمات آنی را جواب دهند. از پشتیبانی پرداخت‌های مبتنی بر صدا گرفته تا تراکنش‌ها و تصمیم‌گیری‌های پیچیده‌ی مبتنی بر سیستم اتوماسیون و پیشنهاد محصولات جدید به مشتری.

به عنوان مثال چت‌بات‌های پیغامرسان فیس بوک‌ به طرق مختلفی پرداخت‌ها و خدمات مشتری را پشتیبانی می‌کنند. بسیاری از توسعه‌های حوزه هوش مصنوعی برای کمک به توسعه کسب و کارها و ارائه خدمات بهتر به مشتریان صورت گرفته است؛ پیشرفت‌های هوش مصنوعی به صورتی است که انگار منابع انسانی نامحدودی برای کارهای مختف به کار گمارده شده‌اند. برندهای محبوب با بات‌های تعاملی همچون Flo Chatbot از شرکت progressive Insurance در این زمینه پیشگام و روشن کننده راه هستند؛ وظیفه این بات انتشار نرخ بیمه از طریق پیغامرسان فیس بوک است.

اما حوزه هوش مصنوعی بسیار فراتر از استفاده از بات‌های دیجیتال و جایگزین شدن با تعاملات انسانی است. هوش مصنوعی به معنی دقت بیشتر، تجارب شخصی‌تر و مقیاس‌پذیری بیشتر که ترکیبی از پتانسیل انسانی و مبتنی بر تکنولوژی است، معنی می گردد.

مادامیکه الگوریتم‌های بیشتر و بیشتری در خدمت انسانها قرار می‌گیرند، می‌توان از آنها در موسسات مالی برای ارائه خدمات شخصی سازی شده هوشمند استفاده کرد.

با توجه به تراکنش‌ها و داده‌های حساب، یک بات می‌تواند بصورت بالقوه‌ تعاملات را با فهم درستی از علاقمندی‌های مشتری، عادت‌ها، جنسیت و تاریخچه مالی او انجام دهد. این بات همچنین می‌تواند از کل بازار و داده‌های دسته‌بندی شده نیز استفاده کند. برای مثال شاید کسی بپرسد یک نفر در سال چقدر هزینه خورد و خوراکش شده است و با جوابی آنی روبرو شود.

بکارگیری داده‌ها در کار می‌تواند همچنین منجر به ارائه پیشنهادات شخصی و هوشمندانه‌ شود. با استفاده از هوش مصنوعی برای ارزیابی تک تک مشتریان به هنگام انجام تراکنش، یک موسسه مالی می‌تواند فهم بهتری از علاقمندی یک شخص داشته باشد و ازینرو پیشنهاداتی را ارائه کند که واقعا سودبخش باشند.


جدای از کمک به موسسات مالی در ارائه پیشنهادات شخصی‌ سازی‌ هوشمندانه‌تر به افراد حقیقی، راه حل‌های هوش مصنوعی می‌توانند به زودی با تقاضاهای بیشتری در حوزه‌های متفاوت‌تری روبرو شوند و به سیستمی برای کل پایگاه مشتری در بانکها تبدیل شوند. الگوریتم‌های پیش بینی کننده می‌توانند پیشنهادات کاربردی را برای توسعه محصولات بعدی ارائه دهند.

از آنجایی که شرکت های تکنولوژی به دنبال پیدا کردن راههای خلاقانه و جذاب برای کمک به مشتریان در فرآیندهای کنونی هستند، استفاده از تکنولوژی هوش مصنوعی می‌تواند به یک روند تبدیل شود. موسسات مالی به این فکر می‌کنند که چه فرآیندهایی برای اتوماسیون هوش مصنوعی بهتر هستند و سعی دارند بفهمند چگونه این فرآیندها امروزه باید بکار گرفته شوند.

در حالی که بانکها به دنبال برنامه ریزی برای آینده‌ای هستند که هوش مصنوعی نیز در آن قرار دارد، نیازهای مشتریان باید در محوریت تصمیمات آنها قرار گیرد. این استراتژی صحیح به فهم اینکه چگونه مردم می‌خواهند به آنها خدمات ارائه شود بر می‌گردد.

آینده بانکداری در اختیار هوش مصنوعی است

رمزنگاری تراکنش‌های مالی از نیمه بهمن

---

بانک مرکزی، انجام تمام تراکنش‌های مالی، به جز پرداخت قبوض عمومی، در تمام‌مسیرهایی که به جای فیزیک کارت از اطلاعات آن استفاده می‌شود را، منوط به رمزنگاری مبدأ تا مقصد تراکنش کرد.

• 

https://startupforum.ir/images/cdn/2...?itok=zhm66_85 به گزارش کارگروه امنیت سایبربان؛ منظور ارتقای سطح امنیت مبادلات کارتی مردم و پیشگیری از سوءاستفاده احتمالی از اطلاعات حساس کارت در مبادلات الکترونیکی بدون حضور کارت، بانک مرکزی جمهوری اسلامی ایران، طی بخشنامه‌ای از نیمه بهمن سال جاری، انجام تمام تراکنش های مالی را، به جز پرداخت قبوض عمومی، در تمام مسیرهایی که به جای فیزیک کارت از اطلاعات آن استفاده می شود، را منوط به رمزنگاری مبدأ تا مقصد تراکنش کرد.
مطابق این بخشنامه، اطلاعات حساس کارت مردم، نظیر رمز دوم آن‌ها، نباید از مسیرهایی که فاقد رمزنگاری مناسب بوده و امکان ذخیره‌سازی یا مشاهده آن توسط عواملی غیر از بانک یا ارائه ‌دهنده خدمات پرداخت وجود دارد، مبادله شوند.
این بخشنامه اولین گام برای ارتقای سطح امنیتی بسترهای موجود مبادلات پولی مردم بوده و بر این اساس حرکت به سمت استفاده از سایت ها و کاربردی بانک ها و ارائه دهندگان خدمات پرداخت، برای انجام مبادلات کارتی بدون حضور فیزیک کارت به عنوان راه حل ایمن توصیه می شود.
همچنین طی بخشنامه یاد شده و به منظور ارتقای سطح خدمات برنامه های کاربردی پرداخت همراه، امکان استعلام مانده حساب متصل به کارت برای تمام کارت های بانک ها در مرکز شتاب فراهم می شود.



منبع: مهر

https://www.cyberbannews.com/%D8%B1%...87%D9%85%D9%86

قدرت بانکداری الکترونیک در استفاده از هوش مصنوعی است

هوش مصنوعی به معنای شبیه سازی هوش انسانی در ماشین است. این کار با کمک الگوریتم‌های برنامه نویسی ، روش‌های یادگیری ماشین، پردازش زبان و محاسبات شناختی انجام می‌شود. دلیل اصلی انجام این کار، سرعت بخشیدن به انجام امور است. ماشین‌ها می‌توانند به طور دائم امور را با سرعتی که برای انسان دست یافتنی نیست،‌ انجام دهند. امروزه هوش ماشین‌ به راحتی انسان را در انجام اعمال ریاضی مغلوب می‌کند. در حال حاضر تمرکز هوش مصنوعی بر حوزه‌هایی است که همچنان انسان در آن بر ماشین پیشی می‌گیرد. حوزه‌هایی چون پردازش تصویر، تشخیص تصویر، تشخیص کنایه‌های گفتاری و پردازش صدا نمونه‌هایی از آنهاست. در این مقاله از مجله‌ی فناوری‌های پوشیدنی و توان افزا به تاثیر هوش مصنوعی در بانکداری اشاره خواهیم کرد.
https://startupforum.ir/images/cdn/2018/04/281.png

هوش مصنوعی و بانکداری

یکی از حوزه‌هایی که از خدمات هوش مصنوعی بهره می‌برد، بانکداری است. بسیاری از موسسه‌های مالی بدون بهره بردن از این فناوری از بازار رقابت حذف خواهند شد. هوش مصنوعی ایمنی و سهولت امور بانکی را افزایش می‌دهد. چندین حوزه از بانکداری تحت تاثیر هوش مصنوعی قرار دارند. در این جا از حوزه‌های مربوط به مبارزه‌ی هوشمند با جرائم مالی وخدمات هوشمند مشتریان یاد خواهیم کرد.

https://startupforum.ir/images/cdn/2018/04/282.png

مبارزه با پولشویی

مبارزه با پولشویی با کمک قوانین و مقررات وضع شده برای جلوگیری از مال اندوزی به روش‌های غیر قانونی انجام می‌شود. در بیشتر موارد افراد خطاکار با انجام روش‌هایی، وانمود می‌کنند که پول کثیف از راه مشروع بدست آمده است. امروزه بانکهای سراسر دنیا، به جای دنبال کردن قوانین و مقررات، به استفاده از هوش مصنوعی برای تشخیص حساب‌های فعال در پولشویی روی آورده‌اند. هوش مصنوعی با حساسیت و سرعت بالا می‌تواند الگوریتم‌های پولشویی را تشخیص دهد.

https://startupforum.ir/images/cdn/2018/04/4825.jpg

بات‌های سخنگو

یک بات سخنگو با تشخیص احساسات و معانی مطرح شده از سوی طرف مقابل با وی وارد گفت و گو می‌شود. بات‌های سخنگو الگوی سخنگویی فرد را با جمع آوری اطلاعات مکالمه بدست می‌آورند. این الگوها به بات‌ها امکان می‌دهد پاسخی مناسب با موقعیت فرد ارائه دهند. این امر می‌تواند کیفیت مکالمه را افزایش دهد. بات‌های سخنگو در قسمت امور مشتریان در بانک‌ها استفاده می‌شوند. بانک‌های ایالات متحده به زودی از بات سخنگوی Erica استفاده خواهند کرد. این بات به کمک یک برنامه‌ی کاربردی تلفن همراه، به مشتریان پیشنهادهایی را به منظور استفاده‌ی هرچه بهتر از امور بانکی عرضه می‌دارد.

https://startupforum.ir/images/cdn/2018/04/4826.jpg

معاملات بانکی

هوش مصنوعی با جمع‌آوری اطلاعات بازارهای مالی دنیا و مدلسازی، می‌تواند در تصمیم‌گیری‌های کوتاه مدت مالی مفید باشد. آمار نشان می‌دهد که حدود ۷۰٪ معاملات مالی توسط ماشین و به شکل خودکار انجام می‌شود. تعدادی از فعالان صندوق‌های پوششی (یا Hedge Funds) با هوش مصنوعی عبارتند از: Two Sigma، PDT Partners، DE Shaw، Winton Capital Management، Ketchum Trading، LLC، Citadel، ،Voleon، Vatic Labs، Cubist، Point72، Man AHL.

https://startupforum.ir/images/cdn/2018/04/283.png

مبارزه با تقلب

یکی از حوزه‌هایی که هوش مصنوعی در آن بسیار پیشرفت کرده، مبارزه با تقلب است. یکی از مثال‌های اولیه‌ در این زمنیه سامانه‌ی مبارزه با تقلب FICO Falcon است. این سامانه با تحلیل داده و به کارگیری الگوریتم‌های شبکه‌های عصبی کار می‌کند. در حقیقت مبارزه با تقلب به کمک هوش‌مصنوعی بسیار جدی تلقی شده و حوزه‌ای پویا و در حال پیشرفت است.
توصیه‌های مفید به مشتریان

الگوریتم‌های هوش مصنوعی با پیگیری تراکنش‌های حساب بانکی مشتریان می توانند بهترین برنامه‌ی مالی را به مشتریان توصیه ‌کنند. در حقیقت این سامانه‌ها اساس جذب مشتری در بانکداری الکترونیک هستند.

https://startupforum.ir/images/cdn/2018/04/284.png

یکی از اولین صنایعی که هوش مصنوعی را به شکل جدی به کار گرفت، بانکداری بود. توسعه هوش مصنوعی با سرعت نمایی رخ می‌دهد. بنابراین گزافه نیست اگر بگوییم شرکت‌ها و موسسه‌هایی که از این فناوری سود می‌برند، در چندین سال آینده رشد چشمگیری خواهند داشت و یکی از مهمترین ارکان صنعت خود خواهند بود.

قدرت بانکداری الکترونیک در استفاده از هوش مصنوعی است - مجلۀ فناوریهای توان‌افزا و پوشیدنی

کاربرد هوش مصنوعی در سرویس های مالی

هوش مصنوعی به تئوری و گسترش سیستم ­های کامپیوتری گفته می ­شود که قادر هستند کارهایی را که در حالت عادی نیاز به هوش انسانی دارند مانند ادراک بصری، تشخیص صدا و تئوی تصمیم­ گیری،انجام دهند. این روش ها از حدود 60 سال پیش مطرح شده اند. در مقاله “Computing Machinery and Intelligence” که در سال 1950 مطرح شده است، آلن تورینگ به این صورت شروع می­ کند که "من سوالی را مطرح کردم که می­ پرسد آیا ماشین می­تواند فکر کند؟ "او یک تست از توانایی ماشین در رفتارهای هوشمند، معادل یا به گونه ای غیرقابل تشخیص از یک انسان انجام داد که امروزه به نام تست " Turing" شناخته می­شود. هوش مصنوعی به عنوان یک رشته دانشگاهی

هوش مصنوعی به عنوان یک رشته دانشگاهی در سال 1955 در کنفرانس دارتموث توسط جان مک کارتی از دانشگاه استنفورد و ماروین مینسکی از MIT آغاز شد. این گوشه از CTO توانایی هوش مصنوعی در سرویس های مالی و صنعتی را ارائه می­کند. از زمان آغاز هوش مصنوعی، در دو دوره سرخوردگی را تجربه کرده است. در اوایل سال 1980 بانک سرمایه گذاری Citibank شروع به ساخت سیستم های خبره کرد. این سیستم ­ها یک شاخه از هوش مصنوعی است که از توانایی تصمیم ­گیری انسان تقلید می­ کند. بسیاری از شرکت های دیگر مانند وال استریت نیز پروژه های مشابه ای را راه­ اندازی کردند. اگرچه تعدادی پروژه موفق در آن زمان انجام شد، هوش مصنوعی در سال 1990 به دومین دوره سرخوردگی خود رفت چون ساخت این سیستم ها سخت­تر و هزینه برتر از چیزی بود که تصور می شد. به نظر می رسد هوش مصنوعی وارد فاز جدیدی شده است که علاقه به سمت آن افزایش یافته است. یک نمونه از این افزایش تمایل در استفاده تجاری از هوش مصنوعی است که به عنوان هوش ماشینی مانند IBM Watson می­توان اشاره کرد. به عنوان یک شاخص دیگر اکثر افرادی که به آینده مطالعات اینترنت امیدوارند انتظار دارند که رباتیک و هوش ماشینی تا سال 2025 در بخش های بزرگی از زندگی روزانه مردم نفوذ خواهد کرد و پیامدهای عظیمی در صنعت خواهد داشت. آیا اخرین موج از برنامه های هوش مصنوعی در سرویس­های مالی دوباره سقوط خواهد کرد یا اینبار به درستی سرویس­های مالی را متحول خواهد کرد؟ مواردی زیادی تابحال تغییر کرده است برای مثال هزینه­ های محاسبات به طور قابل ملاحظه ای کاهش پیدا کرده­ است و قدرت محاسبات نیز به میزان زیادی بهبود یافته است. این باعث می­شود هوش مصنوعی که از لحاظ محاسبات پیچیده است در حال حاضر عملی­ تر به نظر بیاید. شبکه­ های اجتماعی، تلفن­های موبایل باعث ایجاد انفجار اطلاعاتی شده­ است و این انفجار آنقدر وسیع و قاطع است که درک آن بدون استفاده از هوش خودکار غیرممکن است. پیشرفت در تجزیه و تحلیل، به ویژه پیشرفت در یادگیری ماشین با نیازی که به قدرت محاسبات وجود داشت، باعث شده­ است که سیستم های هوش مصنوعی انعطاف پذیرتر باشند و راحت تر قابل توسعه و پیاده­ سازی باشد. در نهایت برخلاف زمستانی که هوش مصنوعی با آن روبرو شد، درحال حاضر در حال پیشرفت نمایی است. شرکت های تکنولوژی در حال حاضر الگوریتم­ هایی را توسعه داده­ اند که عادت­های آنلاین یک کاربر را ردیابی می­کند و تجربه ­های آنلاین کاربر را می ­سازد. به عنوان مثال، وقتی در حال تحقیق اطلاعات هستید، چه برای پژوهش، علاقه یا ضرورت، گوگل نتایجی را براساس الگوریتم ­های خود ارائه می­دهد. موتورهای جست و جو در نهایت اطلاعاتی را تهیه می­کند که کاربر میخواهد بخواند. کاربران به طرز فزاینده ­ای در معرض اطلاعاتی قرار گرفته­ اند که با آنالیز فعالیت­ های قبلی فرد ایجاد شده ­است و کاربر از رخ دادن آن باخبر نیست. فایده این کار برای بخش­های مالی این است که با دنبال کردن رفتار و عادت­های شخصیت ها، خدمات و دیتاهای مالی برای هر شخص بخصوص بر اساس رفتارهای آن فرد منحصر به فرد است. این باعث می­شود که هر شخص دستیار مالی شخصی دیجیتال مربوط به خود را داشته باشد. وبلاگ شتاب دهنده فارابی

کاربرد هوش مصنوعی در سرویس های مالی

بکارگيري هوش مصنوعي در بانکداري/ شعب مجازي جايگزين سنتي مي شوند

به گزارش گروه اقتصادی ایسکانیوز؛ به نقل از پژوهشکده پولی و بانکی، اکبر کمیجانی درباره تاثیر ورود بازیگران جدید مانند فین تک ها به حوزه بازار پول بر کارایی نظام بانکی اظهارداشت: در یک تعریف ساده، فین تک کاربرد نوآورانه فناوری در ارائه خدمات مالی است و فین تک ها، استارت آپ ها و شرکت های نوآوری هستند که سعی در ارائه بهتر و آسان تر خدمات مالی به مشتریان دارند. او با بیان اینکه فین تک ها از منظر نحوه تعامل با بانک ها می توانند رقیب و یا همکار شبکه بانکی باشند، گفت: استراتژی های متفاوتی برای تعامل بانک ها با این شرکت های نوپا وجود دارد که از مخالفت تا شراکت در مالکیت و همکاری را شامل می شود. کمیجانی با اشاره به اینکه در ایران نیز فین تک های زیادی وجود دارند که در همکاری با بانک ها، خدمات قابل توجهی ارائه کرده اند، گفت: PSP ها نمونه فین تک هایی هستند که با کمک به بانک ها در ارائه خدمات پرداخت الکترونیکی، سعی در افزایش کارایی خدمات نظام بانکی کشور دارند، البته در این زمینه بانک ها باید به مقوله امنیت سایبری نیز توجه وافری داشته باشند تا اعتماد مشتریان خدشه دار نشود و با ریسک شهرت مواجه نشوند. قائم مقام بانک مرکزی ادامه داد: از سوی دیگر، فین تک ها می توانند خدمات دیگری همچون ارزهای رمزنگاری شده ارائه دهند. این خدمات با وجود برخورداری از مزیت هزینه مبادله اندک و انتقالات برون مرزی آسان، احتمال انجام برخی عملیات بانکی خارج از مقررات و ضوابط را دارند که در این صورت لازم است نظارت جدی و مستمر ازسوی بانک مرکزی بر اینگونه خدمات فناورانه صورت گیرد تا انحرافی در ارائه عملیات و خدمات بانکی از طریق ابزارهای فناورانه صورت نگیرد. او همچنین درباره وضعیت بانکداری اجتماعی و بانکداری شناختی در ایران گفت: بانکداری اجتماعی که ارائه خدمات بانکی از طریق شبکه های اجتماعی تعریف ملموس و ساده آن است، باعث ایجاد چابکی و انعطاف پذیری در فرایندهای عملیاتی بانک ها می شود و این امکان را در اختیار بانک ها قرار می دهد تا نه تنها فرایندهای بیرونی، بلکه کل کسب و کار خود را به طور کامل دیجیتالی کنند. کمیجانی تصریح کرد: در آینده، به تدریج شعب فیزیکی سنتی بانک ها با شعب مجازی جایگزین می شود که این امر باعث صرفه جویی در زمان و هزینه خواهد شد. از سوی دیگر، حرکت به سمت بانکداری شناختی که عمدتا مبتنی بر هوش مصنوعی است، بانک ها را از رقبایشان متمایز خواهد کرد. او ادامه داد: هوش مصنوعی و فناوری های شناختی بانک ها را قادر می سازد تا سرعت ابتکارات دیجیتالی خود را افزایش دهند و با ارائه محصولات و خدمات سفارشی به بهبود کسب و کار خود بپردازند. به این ترتیب که این نهادها با به کارگیری هوش مصنوعی و ازطریقِ تحلیل اطلاعات مالی، نیازهای مشتریان را شناسایی می کنند و به ارائه سبدی از محصولات هدفمند خواهند پرداخت که پیش بینی می شود که به کارگیری هوش مصنوعی توسط بانک ها، تاثیر قابل توجهی بر کسب و کار آنها داشته باشد. 402
لینک اصل خبر

مخبر - 1396/12/04 - بکارگيري هوش مصنوعي در بانکداري/ شعب مجازي جايگزين سنتي مي شوند

بررسی الگوهای هوشمند در خرید و فروش کالاهای اقتصادی

ارزهای رمزپایه، تنها دارایی های جدیدی محسوب نمی شوند که سرمایه گذاری در آن ها پر سود باشد. هرچند که کاربرد ارزهای رمزپایه، ظاهرا همانند دیگر ارزهای رایج در دنیاست، اما به دلیل عدم وجود ثبات در ارزش این نوع ارزها، الگوهایی را می توان در آن ها به کار برد، درست همانند الگوهایی که در خرید و فروش کالاهای اقتصادی به کار می رود. مطالعه در خصوص این نوع الگوها می تواند اطلاعات مفیدی ارائه دهد و در نتیجه به موفقیت منجر شود.
وجود نوسانات در ارزهای رمزپایه

در وضعیت کنونی، ارزهای رمزپایه در حالت بی ثباتی به سر می برند که دلیل آن می تواند هیجانات و عدم اطمینان از خرید و فروش این ارزها توسط کمپانی ها می باشد، اگرچه که این بی ثباتی تا ابد پایدار نخواهد ماند. اگر فرض کنیم که خرید و فروش ازرهای رمز پایه راکد نیست، باید انتظار داشته باشیم که این بازار به زودی با ثبات رو به رو خواهد شد و پیش بینی درباره ی آن آسان تر می شود. در صورت وقوع این رخداد، به کارگیری الگوریتم های تجاری هوشمند برای تحلیل پیش بینی ارزهای رمزپایه ، بسیار کاربردی خواهد بود.
گرایش کنونی در بازار

بسیاری از کمپانی ها و سرمایه گذاران، در زمینه ارزهای رمزپایه سرمایه گذاری کرده اند و همین امر باعث شده است که بیشتر مهندسان نرم افزار، الگوریتم و نرم افزارهایی هوشمند تولید کنند تا سودمندی در بازار ارزهای رمزپایه افزایش یابد. در حال حاضر، بیشتر مهندسان در حال طراحی این گونه الگوریتم ها هستند تا تجارت در زمینه ارزهای رمزپایه به سهولت انجام پذیرد.
محدودیت های و برخی تهدیدات از به کارگیری هوش مصنوعی در تحلیل پیش بینی ارزهای رمزپایه

کمبود داده ها

بیت کوین تنها چندین سال است که وارد بازار شده است و دیگر رقابیش نیز طی ماه های اخیر قدم در بازار گذاشته اند. برخلاف بازار سهام که به اندازه 100 سال داده های مختلف در مورد مطالعه بازار به انجام رسیده است، در مورد ارزهای رمزپایه چنین موردی تا کنون رخ نداده است. ارزهای رمزپایه نو پا و جدید هستند، پس طبیعی است که داده ها و اطلاعات کافی هنوز برای پیش بینی های طولانی مدت بازار ارزهای رمزپایه وجود ندارد.
وجود مهندسین

در حال حاضر، حتی بهترین تحلیل پیش بینی ارزهای رمزپایه نیز، ساخته ذهن انسان است و گونه ای از تصمیمات یکطرفه محسوب می شود، بدون در نظر گرفتن واقعیات. بر همین اساس، سوال اینجاست که اگر بازار سهام را به طور دقیق و مناسب بررسی نکنیم، چطور می توانیم یک الگوریتم خرید و فروش یا یک هوش مصنوعی برای تحلیل پیش بینی ارزهای رمزپایه ایجاد کنیم؟
محدودیت های تکنولوژی و پردازشی

با تخصصی تر شدن دستگاه های ایجاد الگوریتم هوشمند، احتیاج به سخت افزار و قدرت پردازشی بیشتر، افزایش می یابد. برای مثال، در یکی از پروژه های شرکت دیپ مایند، قدرت پردازشی سیستم هایشان 1،202 و قدرت گرافیکی نیز 176 بوده است که می توان گفت از یک الگوریتم ساده به کار رفته در کامپیوترهای معمولی 25 بار، قدرتمند تر است. برای کمپانی ها سطح بالا که سرمایه گذاری های کلانی در این زمینه کرده اند، مشکل فراهم کردن ماشین ها و سیستم هایی با این قدرت، وجود دارد. اما برای کارآفرینان و مهندسان تازه کار، وجود چنین سیستم هایی، ضرورتا نیازی نیست.
جلب اعتماد عمومی

باید در نظر داشت که یک کمپانی برای راه اندازی الگوریتم تجارت ارزهای رمزپایه، باید اعتماد مردم را به خود جلب کند. کمپانی نتنها باید ثابت کند که الگوریتم تولید شده از پیش بینی‌های انسانی قوی تر است، بلکه باید از طریق آن، اعتماد مردم را نسبت به سرمایه گذاری در ارزهای رمزپایه جلب کند. تا به کنون، برخلاف سرمایه گذاری های متعدد در زمینه ارزهای رمزپایه، شبهات زیادی در خصوص سودمندی درازمدت از این ارزها وجود دارد. این شبهات باعث شده است که تبادلات این گونه ارزها راکد بماند و یا اصلا هیچ مبادله ای صورت نگیرد.
آیا محتمل است که وجود هوش مصنوعی بتواند رشد و یا رکود ارزهای رمزپایه را موثرتر از انسان پیش بینی کند؟ در حال حاضر، جواب “خیر” می باشد. البته با اختصاص تلاش و زمان مناسب در این عرصه، می توان به یک جواب مثبت نیز امیدوار بود. تا این مهم صورت گیرد، بی ثباتی و غیرقابل پیش بینی بودن ارزهای رمزپایه، هم چنان ادامه خواهد داشت.

https://pay98.net/blog/%D8%AA%D8%AD%...7%DB%8C%D9%87/

آموزش "هوش مصنوعی" در دانشگاه‌های چین

https://startupforum.ir/images/cdn/2018/04/4824.jpg وزارت آموزش و پرورش چین برنامه دارد تا در پنج سال آینده به 500 استاد و پنج هزار دانشجو آخرین نظریات "هوش مصنوعی" را تدریس کند.
به گزارش ایسنا و به نقل از چاینادیلی ، وزارت آموزش و پرورش چین برنامه آموزشی 5 ساله "آموزش و استعدادیابی هوش مصنوعی" خود را راه‌اندازی کرده تا تعداد متخصصان در حوزه "هوش مصنوعی" (AI) افزایش یابد.
قرار است در پنج سال آینده، 500 استاد و 5 هزار دانشجو به عنوان بخشی از این طرح در این برنامه شرکت کنند و این برنامه در برترین دانشگاه‌های چین اجرایی شود.
برنامه آموزش بین‌المللی "هوش مصنوعی" برای دانشگاه‌های چین، هم اکنون در دانشگاه "پکینگ"(Peking) چین در حال اجرا است.
"دولت"،"شرکت‌ها"، "دانشگاه‌ها"، "وزارت آموزش و پرورش"، شرکت سرمایه‌گذاری فناوری "Sinovation Ventures" و "دانشگاه پکینگ" چین به عنوان بخش‌هایی از این برنامه هستند.
در این برنامه، متخصصان برجسته "هوش مصنوعی" دعوت خواهند شد تا یک گروه اولیه متشکل از 100 استاد و 300 دانشجو را آموزش دهند و این افراد چارچوب کلی "هوش مصنوعی" را بیاموزند.
قرار است در این برنامه آموزشی، آخرین نظریات و شیوه‌های "هوش مصنوعی" تدریس شود.
وزارت آموزش و پرورش این کشور برنامه دارد تا با ایجاد رشته‌های "هوش مصنوعی" و همچنین ارتقای این حوزه به سطح اول آموزش خود، سیستم انضباطی "هوش مصنوعی" در دانشگاه های چین را بهبود بخشد.
همچنین برنامه دارد تا در آینده با دانشگاههای آمریکا نیز همکاری کند و امکان بورسیه تحصیلی برای متقاضیان تحصیل در خارج از کشور را برای آنها فراهم سازد و مبادلات آموزشی میان چین و آمریکا را افزایش دهد.
انتهای پیام

https://www.isna.ir/news/97012006083...86%DB%8C%D9%86

ورود هوش مصنوعی به تجارت رمزنگاری

همزمان با هجوم صندوق های سرمایه گذاری (Hedge Funds: صندوق هایی جهت جمع اوری پول از سرمایه گذاران و سپس سرمایه گذاری طبق یک استراتژی از پیش تعریف شده توسط مدیریت صندوق) برای ورود به فضای رمزارز، دیدگاه ما نیز نسبت به دورنمای سرمایه گذاری خرد در رمزارز بطور اساسی تغییر می کند.
Marcel Chuo از News.Bitcoin.com، به گفتگو با Guy Zyskind مدیرعامل Enigmaدرباره چگونگی کمک تیم او به این صندوق ها با بکار گیریِ هوش مصنوعی و ربات های (bot) خودکار تجارت (Trading) برای ورود به فضای رمزنگاری، نشسته است. Guy به تشریح این ابتکاراساسی و بحث پیرامون نحوه آمادگی جامعه برای ظهور AI (هوش مصنوعی) در تجارت رمزنگاری شده پرداخت.

هجوم صندوق های سرمایه گذاری به رمزنگاری
برای درک وسعت بکارگیری هوش مصنوعی در صندوق های سرمایه گذاری، فقط کافیست تا به آمارها نگاه کنیم. AI برای جایگزینی 90.000 شغل مدیریتی و 45.000 شغل فروش و تجارت تا سال 2025 برنامه ریزی شده است. برخی از این صندوق های معروف که شروع به بکارگیری هوش مصنوعی در تجارت خود کرده اند، Renaissance Technologies، Two Sigmaو Bridgewater Associates می باشند.
صندوق های سرمایه گذاری که کارکنان انسانی خود را با هوش مصنوعی جایگزین کرده اند، از همتایان سنتی خود بسیار بهتر عمل می کنند. در واقع، Renaissance Technologies، یکی از صندوق های با بیشترین وابستگی به AI، یک Medallion Fund دارد که در سالهای 2002 تا 2016 بازده مثبتی بین 20 تا 98 درصد داشته است. در طول بحران مالی سال های2007-2008، Medallion Fund بازده سالیانه بترتیب 85.8 و 98.2 درصدی را به خود اختصاص داد. این ها بازده چشمگیر و قابل توجهی برای بازار مالی با خواب سرمایه (legacy financial market) هستند.
از آنجاییکه AI بر صنعت صندوق های سرمایه گذاری درسیستم legacy financial در حال تسلط است، هجوم این صندوق ها به سمت فضای رمزارز، ورود فناوری تجارت AI در بازار های رمزنگاری را غیر قابل اجتناب کرد. برای درک هرچه بیشتر این پدیده، من مصاحبه ای با Guy Zyskind داشته ام.

مصاحبه با Guy Zyskind
Marcel: News.Bitcoin.com به تازگی مقاله ای را منتشر کرده که در آن به تفصیل شرح داده است که درحال حاضر 124 صندوق سرمایه گذاری جدید به طور اختصاصی به رمزارزها پرداخته اند. تنها دو ماه پیش، Business Insider نیز مقاله ای با نگاه به 50 صندوق فعال در این نوع ارز را منتشر کرد، اما توسعه Catalyst (عامل واسطه یک توسعه و پیشرفت) نشان می دهد که این صندوق ها نمی توانند یکباره وارد این تجارت بشوند، و آنها باید پیش از ورود به این عرصه، راهبرد شرایط تجارت را شبیه سازی کرده و آن را مورد آزمایش قرار دهند. آیا می توانید کمی این موضوع را برای ما روشن کنید؟
Guy: درک پیشینه بازارهای سهام برای فهمیدن اینکه چگونه بازارهای رمزنگاری تکامل خواهند یافت، مهم است. پانزده سال پیش، بازارهای مالی دارای پیچیدگی کمتری بودند و شما شاهد سوداگرانی از هر طیف بودید. معامله گران، سهام را می خریدند وبا خرید وفروش آن در بازه های زمانی به سود می رسیدند که این امر تا حدی زیادی رایج بود. اما اکنون دادوستد توسط کامپیوترها و فرآیند داده های ماشین و نه توسط سوداگران اجرا می شود. صندوق های سرمایه گذاری در بازارهای مالی امروز عمدتا از الگوریتم ها و تجارت کمیتی استفاده می کنند. ما می خواهیم شاهد تکامل بازارهای رمزنگاری در همین جهت باشیم، اما باید بدانیم که رمزنگاری 10 برابر سریعتر از آنچه که در بازارهای سهام سنتی شاهدش بودیم، تکامل خواهد یافت.
Marcel: چه چهارچوب زمانی را برای یک صندوق سرمایه گذاری که در تلاش برای ورود به تجارت رمزنگاری شده با استفاده از AI و روبات می باشد را متصور هستید؟
Guy: بستگی دارد. اگر این صندوق ها بخواهند پیش از ورود به این عرصه با ساخت پلتفرم خود، به آزمایش راهبرد های تجاری بپردازند، 3 ماه زمان می برد تا به نتیجه برسند. اگر این صندوق ها، رمزنگاری را همانند آنچه که 15 سال قبل در بازارهای سنتی مالی انجام می دادند مبادله کنند، وقوع این امر بلادرنگ و آنی خواهد بود. اما بیشتر آنها با این روش قدیمی کار نمی کنند. هدف پلتفرم ما یعنی Catalyst، کمک به این صندوق ها در صرفه جویی در زمان جمع آوری داده ها است. بنابراین صندوقهای سرمایه گذاری، Catalyst را دانلود، آن را نصب، تجارت را شبیه سازی، و پس از دریافت نتایج درعرض چند دقیقه، بلافاصله می توانند تجارت آنلاین خود را به راه بیاندازند. زمانبرترین بخش این فرآیند، توسعه راهبردهای تجاری خواهد بود، البته شناسایی این راهبردهای مؤثر، ماهیت وجودی این شرکتها ست.
Marcel: به امروز برگردیم، یعنی زمانی که شما قادر به داوری و ارزیابی کوین ها در میان صرافی های مختلف هستید. زمانی که تجارت خودکار روبات پا به عرصه گذاشت، تقریبا انجام این کار برای سرمایه گذاران خرد غیرممکن شد. فکر می کنید AI وتجارت خودکار ربات ها چطور و چگونه بازارهای رمزنگاری شده را برای این سرمایه گذاران تغییر خواهند داد؟
Guy: این هم خوب است و هم بد. قسمت خوب آن در این است که تجارت خرد و متوالی، شگفتی هایی را در ارائه نقدینگی (تبدیل به پول شدن) به بازارهای سهام انجام داده است. امروزه یکی از بزرگترین مشکلات موجود در بازار رمزنگاری، نقد نشدن آن، به ویژه برای کوین های کم سرمایه است. باب کردن ربات ها موجب افزایش نقد پذیری می شود. سرمایه گذاران خرد قادربه دادوستد راحت تر بوده و بازار نیز متاثر از معاملات کوچک (وابسته به بازارهای سهام) نخواهد بود.
نکته بد این است که سرمایه گذاران خرد برای باقی ماندن در این رقابت باید هرچه بیشتر خبره و ماهر باشند، به ویژه زمانی که در حال رقابت با یک AI دادوستد می کنند. آنها می بایست خود را با شرایط تطبیق بدهند، و یا باید عقب نشینی کرده و از میان بروند. آنها باید کمی بیشتر در این بازی تجارت شرکت کنند و تصمیم های بیشتری بر اساس داده ها بگیرند.
Marcel: به نظر می رسد که AI و این ربات ها، نوسانات روزانه کوین ها را نیز کاهش می دهند.
Guy: بسیاری از نوسانات روزانه از سفته بازی ها ناشی می شود و کاهش آن چیز خوبی است.

انسان دربرابر ماشین
Marcel: Makoto، یکی از توسعه دهندگان هسته اولیه NEM به من گفت، “مردم همیشه فکر می کنند چون AI یک انسان را در چیزی مثل Go ( نام یک بازی استراتژیک دونفره به منظور اشغال قلمروهای وسیعتر) یا در بازارهای تجارت رمزنگاری شده شکست میدهد، پس ماشینی است که انسان را نیز به شکست می کشاند. اما اینطور نیست، این تقریبا کل تیم توسعه نرم افزار است که یک ذات انسانی را از دور خارج می کند.” به عنوان یک شرکتی که AI خودتان را توسعه می دهید، شما چه نظری در این رابطه دارید؟
Guy: من این گفته را می پسندم، تفکر بسیار جالبی است و اضافه می کنم، در مقایسه یک هوش مصنوعی با یک انسان، AI ترکیب مجموع تمام تجربیات بسیاری از انسانهای متفاوت و نه فقط تیم توسعه دهنده آن است. داده ها، تجربه، و خرد جمعیِ انبوهی از مردم، بسیار راحت توسط ماشین فراگیری شده و پس از آن در گود مبارزه با یک متخصص انسانی قرار می گیرد. از این رو نیمی از گفته های Makoto درست است، این ماشین است که انسان را شکست می دهد، اما ماشینی که از خرد جمعی آحاد مردم بهره برده و آموخته است.

https://coiniran.com/%D9%88%D8%B1%D9...7%D8%B1%DB%8C/

رشد سرمایه‌گذاری جهانی در اپلیکیشن‌های مالی

https://startupforum.ir/images/cdn/2018/04/4831.jpg
تجربه موفق و استقبال کاربران از خدمات بانکداری الکترونیکی منجر به ایجاد پدیده نوظهورتری به نام «فین‌تک» یا ادغام خدمات مالی با اپلیکیشن‌های موبایلی در سیستم پرداخت شده است. دستاورد فین‌تک‌ها برای صنعت بانکداری تغییر شکل امور مالی با کاهش هزینه‌ها و بهبود کیفیت خدمات مالی و ایجاد یک چشم‌انداز مالی متنوع‌تر و با ثبات‌تر در امور خدمات بانکی است. تقویت خدمات بانکی از سوی این استارت‌آپ‌ها باعث شده در...

تجربه موفق و استقبال کاربران از خدمات بانکداری الکترونیکی منجر به ایجاد پدیده نوظهورتری به نام «فین‌تک» یا ادغام خدمات مالی با اپلیکیشن‌های موبایلی در سیستم پرداخت شده است. دستاورد فین‌تک‌ها برای صنعت بانکداری تغییر شکل امور مالی با کاهش هزینه‌ها و بهبود کیفیت خدمات مالی و ایجاد یک چشم‌انداز مالی متنوع‌تر و با ثبات‌تر در امور خدمات بانکی است. تقویت خدمات بانکی از سوی این استارت‌آپ‌ها باعث شده در سه ماه دوم سال 2017 بیش از 5 میلیارد دلار سرمایه‌گذاری برای حمایت از فین‌تک‌ها صورت بگیرد که نسبت به سه ماه نخست سال 2017 حدود 83 درصد و نسبت به مدت مشابه در سال گذشته 38 درصد افزایش یافته است. همچنین تعداد معاملات در این مدت 251 فقره بود که 6 فقره بیشتر از سه ماه نخست سال 2017 و چهار فقره بیشتر از مدت مشابه در سال گذشته است. همچنین آمار به نقل از سایت تحلیلی CBinsights نشان می‌دهد بزرگ‌ترین معامله برای جذب سرمایه‌گذاری روی فین‌تک‌ها در سه ماه دوم سال 2017 به ارزش 4/ 1 میلیارد دلار برای حمایت از یک استارت‌آپ هندی بوده که توسط شرکت سرمایه‌گذاری ژاپنی SoftBank Group انجام گرفته است. با حمایت مالی، مبلغ کل بودجه این فین‌تک تا 8/ 2 میلیارد دلار و ارزش‌گذاری آن را به 7 میلیارد دلار افزایش یافت. در واقع، این بزرگ‌ترین سرمایه‌گذاری در یک شرکت فین‌تک از سال 2012 بوده است.
کل سرمایه‌گذاری VC آمریکا روی فین‌تک‌ها در طول سه ماه دوم سال 2017 بیش از 5/ 1میلیارد دلار برای انجام 104 معامله بوده که نسب به دوره‌های قبل افزایش قابل توجهی داشته چرا که میزان سرمایه‌گذاری VC در سه ماه اول بالغ بر 1/ 1میلیارد دلار برای انجام 90 معامله بود. ارزش سرمایه‌گذاریVC در 10 معامله بزرگ آمریکا در سه ماه اول سال 2017 بیش از 750 میلیون دلار بود. میزان سرمایه‌گذاری انجام گرفته برای استارت‌آپ‌های فین‌تکی اروپایی در سه ماه نخست سال 2017 از 667 میلیون دلار فراتر نرفت که برای انجام 73 معامله بود. این در حالی بوده که مجموع سرمایه‌گذاری VC انجام گرفته در 10 معامله بزرگ اروپا بیش از 450 میلیون دلار است. مجموع سرمایه‌گذاری برای حمایت از 42 فین‌تک آسیایی در سه ماه نخست سال جاری 826 میلیون دلار بوده و مجموع سرمایه‌گذاری VC روی 10 معامله بزرگ آسیا در این مدت بیش از 340 میلیون بوده است. آمار CBinsights از یونیکورن‌های(استارت‌آپ‌ با ارزش بالای یک میلیارد دلار) حوزه فین‌تک‌ها نشان می‌دهد در حال حاضر 22 یونیکورن وجود دارد که مجموع ارزش آنها 77 میلیارد دلار است. باارزش ترین فین تک جهان، شرکت 5/ 18میلیارد دلاری چینی به نام lu.com است.
همکاری بانک‌ها با فین‌تک‌ها
تجربه موفق و کم‌هزینه مشتریان برای استفاده از این نوع اپلیکیشن‌های مالی برای انجام امور مالی باعث شد شركت‌های فین‌تک بتوانند در کانون توجه کاربران قرار بگیرند. با این حال، توسعه آنها مستلزم همراهی زیرساخت‌های سنتی بانك‌ها برای انتقال پول تعریف می‌شد. برخی از بانک‌های بزرگ به تدریج استراتژی خود در زمینه سرمایه‌گذاری، خرید و حتی مشارکت در فعالیت‌های تجاری با فین‌تک‌ها را در جهت بهبود کیفیت خدمات تغییر دادند که این موضوع منجر به شکوفایی بازار فین‌تک و افزایش تعداد آنها شد. ایجاد و حفظ یک تجربه عالی برای مشتری، معامله سریع، اطمینان از پرداخت آسان، سریع و بی‌درنگ و کاهش هزینه مبادله یکی از دلایل اصلی شکل‌گیری و توسعه این فضا بود. البته رشد بازار فین‌تک‌ها دیگر به استارت‌آپ جدید و بانک‌ها خلاصه نمی‌شود، بلکه غول‌های آی‌تی مانند ApplePay یا Android Pay گوگل نیز به دنبال سهم از این بازار هستند.
هم‌اکنون همکاری بین بانک‌ها و شرکت‌های مالی و فین‌تک‌ها در حال گسترش است، به‌طوری‌که سرمایه‌گذاری بانک‌ها در استارت‌آپ‌های فین‌تکی به یک پدیده جهانی تبدیل شده است. بانک‌ها از طریق مشارکت با فین‌تک به دنبال راهکارهایی هستند که بتوانند به کاهش ریسک و بهبود مشارکت مشتری کمک کنند. در اصل، شرکت‌های فین‌تک و رقبای سنتی همدیگر را درک می‌کنند تا بدانند چگونه بهتر از این تکنولوژی بهره ببرند. در بانکداری خرده‌فروشی، از تکنولوژی‌هایی مانند هوش مصنوعی، هوش کسب و کار و یادگیری عمیق استفاده می‌شود تا ضمن شناسایی و درک بهتر مشتری، سفارش وی بی‌درنگ و با قیمت مناسب ارائه شود. 10بانک برتر آمریکا با دارایی‌های تحت مدیریت (دارایی‌ که یک صندوق سرمایه‌گذاری مشترک یا شرکت سرمایه‌گذاری خطرپذیر، از طرف سرمایه‌گذاران اداره می‌کند) از سال 2012در مجموع 6/ 3 میلیارد دلار برای 56 شرکت فین‌تک سرمایه‌گذاری کرده‌اند. هلدینگ بانک Capitec آفریقای جنوبی که نقش مهمی در انقلاب این کشور داشته، در همان مراحل ابتدایی رشد Creamfinance (سریع‌ترین فین‌تک در حال رشد اروپا)، 21میلیون یورو سرمایه‌گذاری کرده است.
بازی برد- برد بانک‌ها و فین‌تک‌ها
انقلاب دیجیتالی در حال پیشروی است و دیر یا زود تمام بخش‌های اقتصاد به ویژه خدمات بانکی را درگیر خواهد کرد. به عبارت دیگر، فین‌تک‌ها که توانایی استفاده از هوش مصنوعی و یادگیری ماشین را برای ایجاد خدمات مالی بهتر فراهم می‌کنند، محبوب‌تر از همیشه می‌شوند. در حالي که ظهور فین‌تک‌ها مي‌تواند اخبار بدي براي بانک‌هاي سنتي باشد، ولی همکاری با آنها و سرمایه‌گذاری برای توسعه آنها می‌تواند برای بانک‌ها با سه مزیت مهم برای کسب درآمد همراه باشد. در وهله نخست، در صورت همکاری با فین‌تک‌ها، دستیابی به نوآوری‌های حوزه مالی با سرعت بیشتری برای بانک‌ها محقق می‌شود. بانک‌ها در حال حاضر یا باید انطباق با انقلاب دیجیتال را انتخاب کنند یا با از دست دادن سهم بازار مواجه شوند. بانک‌ها به اندازه سرعت و چابکی فین‌تک‌ها قادر به انطباق و به‌روزرسانی نیستند. به این ترتیب، همکاری با این شرکت‌ها باعث می‌شود تا بانک‌ها رشد و سرعت بیشتری داشته باشند. برای نمونه، بانک Capitec تحت تاثیر تمرکز Creamfinance روی داده هوشمند(داده معتبر و دقیق است که می‌تواند پردازش اطلاعات را سریع‌تر کند) قرار گرفته است.
به‌کارگیری داده هوشمند امکانی برای بانک فراهم کرده تا برای مشتری وام هوشمند (وامی متناسب با نیاز و قدرت پرداخت مشتری) سریع ارائه دهد. در واقع داده هوشمند به صنعت خدمات مالی سرعت می‌بخشد. مزیت دوم، حصول اطمینان از اتخاذ تصمیمات دقیق‌تر است. پذیرش تکنولوژی یادگیری ماشین، یکی دیگر از دلایل لزوم همکاری بانک‌ها با فین‌تک‌ها است. الگوریتم‌های یادگیری ماشین اغلب برای کمک به تصمیم‌گیری سریع‌تر، بهتر و دقیق‌تر مشتریان مثل درخواست وام استفاده می‌شوند. برای مثال، ممکن است مشتری بانک که می‌خواهد وام بگیرد مانند هر فرد عادی خطا کند. در همان زمان، فین‌تک‌ها اجرای الگوریتم‌های یادگیری ماشین را که در آن داده‌ها جمع‌آوری و تصمیم‌گیری بدون دخالت و خطای انسان اتخاذ شده، آغاز کرده‌اند و به دنبال آن بهترین گزینه ممکن برای اعطای وام را پیش روی بانک و مشتری قرار می‌دهند. مزیت سوم به حل مشکلات صنعت خاص برمی‌گردد، به‌طوری که فین‌تک‌ها با رصد داده‌های مالی آنها می‌توانند به بانک‌های سنتی در اعطا یا پردازش کارت اعتباری کمک کنند. به هر حال، همکاری بانک‌های سنتی و فین‌تک‌ها یک بازی برد-برد است. فین‌تک‌ها به بانک‌ها برای بهره‌برداری از نوآوری در جهت تصمیم‌گیری سریع و دقیق کمک می‌کنند، از طرفی آنها به سرمایه، اطلاعات و حمایت‌های مقرراتی بانک‌ها متکی هستند.



رشد سرمایه‌گذاری جهانی در اپلیکیشن‌های مالی

استفاده از هوش مصنوعی در کسب و کار برای پیش گرفتن در رقابت

https://startupforum.ir/images/cdn/2018/04/4830.jpg

استفاده از هوش مصنوعی

کسب و کارهای کوچک نمی توانند هوش مصنوعی را نادیده بگیرند. و آن را منحصر به شرکت ها و دانشگاه ها بدانند. آنها می بایست استفاده از هوش مصنوعی را آفاز کنند. در هوش مصنوعی ، استراتژی های مقرون به صرفه ای برای صرفه جویی در پول، ایجاد تجربه و به دست آوردن مزایایی برای پیش افتادن در رقابت وجود دارد.
هنگامی که عبارت هوش مصنوعی (AI) را می شنوید، ممکن است به چیزهایی مانند، دانشگاه های برتر تحقیقاتی یا شرکت های بزرگ فناوری مانند گوگل، آمازون و مایکروسافت فکر کنید. برای کسب و کارهای کوچک، موضوع ممکن است بسیار پیچیده و یا بیش از حد گران باشد، و طبیعتا ممکن است آن را نادیده بگیرند. و استفاده از هوش مصنوعی را دور از تصور بدانند.
اما شما نمی توانید از پس هزینه چشم پوشی از هوش مصنوعی برآیید. هوش مصنوعی می تواند سریعتر حرکت کند و بیشتر از سایر تکنولوژی ها تغییر کند. کامپیوترها و اینترنت برای روش های نوآورانه و سریعتر انجام دادن کارهاست، که بسیاری از کسب و کارها و مشاغل را مختل کرده است. شرکت های بزرگ از جمله آمازون، اپل، گوگل، مایکروسافت و بسیاری دیگر، میلیون ها دلار برای هوش مصنوعی سرمایه گذاری می کنند. کسب و کارهای کوچک نیز می توانند از مزایای هوش مصنوعی از طریق بهره برداری از محصولات آن، استفاده کنند. به این ترتیب استفاده از هوش مصنوعی ممکن می گردد.
هوش مصنوعی چیست؟

هوش مصنوعی به عنوان چتری برای تکنولوژی ها تبدیل شده است. با این حال، این تعریف دقیق AI نیست. هوش مصنوعی، به نرم افزارهایی اشاره می کند که تفکر مستقل را تقلید می کند و هنوز هم عمدتا در آزمایشگاه های تحقیقاتی روی آن تحقیق می شود.
برای مطالعه بیشتر:
نقش هوش مصنوعی در بهبود خدمات مشتری چیست؟
۴ راه استفاده از هوش مصنوعی در استخدام و نیروی انسانی
فن آوری های مرتبط با هوش مصنوعی عبارتند از:

یادگیری ماشینی:

یادگیری ماشینی چیزی است که مردم اغلب هنگام صحبت در مورد برنامه های کاربردی هوش مصنوعی مد نظر دارند. یادگیری ماشینی نرم افزاری است که توسط دستورالعمل های خاص کامپیوتری که برنامه نویس آن را نوشته، محدود نمی شود. این نرم افزار انعطاف پذیر است و نیاز به برنامه نویسی کمتری نسبت به نرم افزار سنتی دارد. یادگیری ماشینی نحوه رفتار نرم افزار را بر اساس داده یا نتایج تغییر می دهد.
روبات های هوشمند:

روبات های هوشمند به یادگیری ماشینی و فن آوری های دیگر افزوده می شوند تا وظایف را خودکار کرده و کار را کاهش دهند. آمازون دارای بیش از ۴۵۰۰۰ روبات است که در مراکز تحویل به مشتری آن کار می کنند.
منشی مجازی (AV):

منشی های مجازی بسیار پیشرفته تر شده و عملکرد سرویس و فروش را متحول می کنند. در وب سایت ها، اینها شروع به انجام معاملات برای مشتریان می کنند و منوها و فرم ها را جایگزین می کنند.
تشخیص گفتار:

این راهی برای برنامه های کامپیوتری است که به سخنان انسانی گوش فرا دهند و آن را درک کنند. گاهی تشخیص مطالب IVR های مرکز تماس دشوار است اما باید بگویم که فن آوری به سرعت در حال بهبود است و یادگیری ماشینی کمک می کند تا سیستم های تشخیص گفتار در انجام وظایف بسیار دقیق تر و موفق تر عمل کنند.
(IVR کوتاه شده ی Interactive Voice Response که ترجمه ی فارسی آن “پاسخ صوتی تعاملی” است. در اصطلاح به سیستم هایی اطلاق می شود که با گرفتن شماره‌ای یک قطعه‌ی ضبط شده‌ی صوتی فعال می‌شود و از شنونده می‌خواهد با استفاده از صفحه کلید تلفن خود، شماره‌ای یا کاراکتری (# یا *) را وارد کند تا سیستم از پایگاه داده، داده‌ای را برای شنونده بخواند. نمونه بارز آن سیستم های پاسخگوی خودکار در بانک‌ها می‌باشد که به سیستم‌های تلفنبانک و فاکسیبانک مشهور هستند).
تولید متن در زبان طبیعی (NLG):

NLG داده ها را تجزیه و تحلیل کرده و سپس متن قابل خواندن برای انسان را از روی آن می نویسد. این باعث تغییر هوش تجاری و گزارش دهی کسب و کار می شود. Narrative Wave داده های خام را از برنامه های کاربردی صنعتی مصرف می کند و سپس بینش ها را به وجود می آورد یا فرآیندها را بهینه می کند. محیط زیست کانادا با استفاده از NLG به طور خودکار گزارشات آب و هوا را به هر دو زبان فرانسه و انگلیسی ارسال می کند. فوربز از NLG برای جمع آوری و توضیح گزارش درآمد شرکت استفاده می کند.
مدیریت تصمیم گیری:

اصطلاحات “مدیریت تصمیم گیری سازمانی” و “مدیریت تصمیم گیری کسب و کار” هر دو برای توصیف تصمیم گیری خودکار استفاده می شود. آنها اغلب با یک یا چند فن آوری دیگر که برای تجزیه و تحلیل اطلاعات تعریف شده اند و تقریبا تصمیم گیری خودکار دارند، ترکیب شده اند.
کسب و کار شما برای استفاده از هوش مصنوعی چه باید بکند؟

• شروع به آشنا شدن با این فناوری ها کنید. شما می توانید این کار را به راحتی انجام دهید. آمازون اکو و Google Home نقطه دسترسی به هوش مصنوعی برای مصرف کننده، و نمونه خوبی از فناوری های تبدیل صدا به متن و داده هستند.
• درباره کسب و کار خود دوباره فکر کنید. از خودتان بپرسید که در کدام بخش از صنعت تان می توانید از طریق حل مشکلات جدید و یا خودکار سازی وظایف، مزیت رقابتی را ایجاد کنید. اینها را در شرایط تجاری با اهداف قابل اندازه گیری بیان کنید و سپس از توصیه های متخصصان در مورد نحوه اجرای آنها استفاده کنید.
• اگر وب سایت شما با سوالات بسیاری سروکار دارد یا تماس های تلفنی زیادی از طرف مشتری دریافت می کند، یک chatbot اضافه کنید و شروع به جستجوی محصولاتی کنید که از تشخیص صدا استفاده می کنند. Chatbots هزینه های پشتیبانی را تا ۳۰ درصد کاهش می دهند.
• اگر در استفاده از هوش مصنوعی دچار مشکل شدید اصلا ناامید نشوید. این نوک یک کوه یخی است و به این فکر کنید که اگر از این تکنولوژی استفاده نکنید در اینصورت به مرور زمان نمی توانید در مقابل رقبایی که هزینه های خود را از طریق اتوماسیون و بهینه سازی روند با استفاده از تجزیه و تحلیل داده ها، یادگیری ماشینی و مدیریت تصمیم گیری کاهش می دهند، مقاومت کنید.

سخن آخر

به سوی پیشرفت و به روز کردن کسب و کار خود حرکت کنید. از شکست هایی که در طول مسیر با آنها مواجه می شوید نترسید. در بخشی از کسب و کار خود انقلاب ایجاد کنید. فکر کنید که چگونه می توانید از رقبای خود در یک فرآیند کسب و کار جلو بزنید. فقط مطمئن شوید که تاثیر تصمیمات جدید بر کسب و کارتان مربوط به یک تغییر عمده در کیفیت، خدمات یا هزینه است. شما لازم نیست که از شرکت های فن آوری بزرگ پیشی گیرید، اما باید از رقبای هم تراز خود پیشی بگیرید. با استفاده از هوش مصنوعی می توانید به این هدف دستیابید.

استفاده از هوش مصنوعی در کسب و کار برای پیش گرفتن در رقابت

http://www.hooshsaz.com/wp-content/uploads/logo-2.png
هوش ساز

مشاور هوشمندسازی کسب و کار



Telegram
LinkedIn
Mendeley

Google Gmail

اشتراک گذاری

ارزش پولی که ما در همه عمرمان استفاده کرده‌ایم، از طرف یک دولت یا نهادهای بزرگ و مسوول مشابه آن حمایت شده است. در واقع موجودیت ملموس و فیزیکی پول‌ها همیشه به همین شکل بوده است. بیت‌کوین اما نه قابل لمس است و نه تحت حمایت و پشتیبانی؛ با این حال اما هنوز در انجام معاملات برای بعضی افراد ارزش دارد. این ارز دیجیتالی از سال ۲۰۰۹ در اینترنت رایج شد و در آن زمان ارزش هر بیت‌کوین کمی کمتر از ارزش پول‌های واقعی بود. حالا اما هر بیت‌کوین ارزشی بیش از ۲۰۰۰ دلار دارد. هر چند بیت‌کوین در عصر دیجیتال و اینترنت جالب و مفید به نظر می‌رسد، اما ساختار ناشناخته و مرموز آن بستر مناسبی برای جرائم و حملات اینترنتی فراهم آورده است.
بیت‌کوین چیست؟
در دنیای مدرن امروزی که ارز دیجیتالی و مجازی رایج شده است، شاید بسیاری از ما هنوز اهمیت استفاده از بیت‌کوین و حتی چگونگی کارکرد آن را به خوبی ندانیم. بیت‌کوین در حقیقت به‌عنوان ارز رمزنگاری‌شده شناخته می‌شود؛ یک دارایی دیجیتالی که فقط به‌عنوان داده وجود دارد. ساختار نوآورانه بیت‌کوین باعث شده است این ایده در مدت کوتاهی به یک واقعیت اثرگذار بر دنیای اقتصاد و مراکز سیاست جهانی تبدیل شود. پولی که در بانک دارید و به‌صورت یک عدد اعتباری میزان آن را می‌دانید، می‌تواند به یک ارز فیزیکی و ملموس تبدیل شود. بیت‌کوین اما هرگز شکل و صورت فیزیکی نداشته و همیشه به همان شکل داده وجود خواهد داشت. همچنین بیت‌کوین هیچ مقررات خاص و چارچوب قانونی معمولی ندارد. از طرفی ارزش بیت‌کوین به‌طور کلی و همیشه از سوی بازار تعیین می‌شود و این بازار ظاهرا این روزها حسابی داغ است.
بیت‌کوین در یک کیف پول دیجیتالی ذخیره می‌شود و می‌توان این کیف پول را روی یک هارددرایو یا موبایل هوشمند نگه داشت. پس‌انداز کردن بیت‌کوین شبیه به این است که تمام پول‌ها را بدون نگرانی و دغدغه در محلی امن نگه داریم. اگر اتفاقی برای کیف پول دیجیتالی بیفتد، احتمالا اطلاعات مربوط به پول‌ها در خطر قرار می‌گیرند. ارسال و دریافت پول با مشخص کردن مشتری یا طرف مقابل با یک آدرس بیت‌کوینی معین که هر کیف پول دیجیتالی دارد، انجام می‌شود. چند دقیقه بعد بیت‌کوین‌ها کیف پول دیجیتالی شما را ترک کرده و در کیف پول دیجیتالی طرف مقابل نمایان می‌شوند. بیت‌کوین به کاربران این امکان را می‌دهد که بدون هیچ واسطه‌ای، انتقال پول غیرقابل بازگشت انجام دهند. بیت‌کوین امکان پرداخت‌های بسیار کم‌هزینه را هم فراهم می‌کند. شبکه بیت‌کوین سیستم کنترلی متمرکز ندارد و از طریق هیچ سازمان، موسسه یا نهاد دولتی اداره نمی‌شود. زمان متوسط تایید هر انتقال بیت‌کوین، تقریبا ۱۰ دقیقه است. انتقال پول از یک نقطه به نقطه دیگر در تمام شبکه اطلاع‌رسانی شده و تمام طرف‌های معامله از آن آگاه خواهند شد. وب‌سایت‌های بسیار کمی بیت‌کوین را می‌پذیرند، اما به هر حال وجود دارند. مبادلات پولی در دنیای واقعی به طرز قابل توجهی آسیب‌پذیر است، اما به هر حال نباید فراموش کرد که استفاده از بیت‌کوین در یک فضای مجازی انجام می‌شود و احتمال حملات و سوء‌استفاده‌های اینترنتی هم همیشه وجود دارد.
آیا بیت‌کوین واقعا ناشناخته است؟
تراکنش‌های مالی در قلب بیت‌کوین هستند و بیت‌کوین قدرتش را از بلاک‌چین‌ها (نوعی دفاتر حسابرسی دیجیتال یا دیتابیسی که تراکنش‌های مالی انجام‌شده با ارزهای دیجیتال و رمزنگاری‌شده مانند بیت‌کوین، در آنها ثبت و نگهداری می‌شوند) می‌گیرد. شما می‌توانید اطلاعات بلا‌چین را برای هر آدرس کیف پول دیجیتالی هم نمایش بدهید. حتما لازم نیست بدانید که آن کیف پول دیجیتالی متعلق به کیست، اما به خوبی می‌دانید که درون بلاک‌چین‌ها چه چیزهایی هست، چون بلاک‌چین‌ها در واقع یک دفتر کل عمومی هستند. شاید درباره «بیت‌کوین ماینینگ» شنیده باشید؛ این اتفاق زمانی رخ می‌دهد که از یک کامپیوتر برای خرد کردن اعداد و ارقام برای استفاده در بلاک‌چین استفاده می‌کنید. این همان شیوه‌ای است که تراکنش‌ها از طریق آن تایید می‌شوند و در مقابل شما مقداری بیت‌کوین به‌دست می‌آورید. این شیوه بسیار راحتی برای به‌دست آوردن بیت‌کوین است، اما مشکل اینجاست که این شیوه نیاز به صرف زمان نسبتا زیادی دارد. بنابراین حالا شما به یک مزرعه سرور نیاز دارید تا از این روش بیت‌کوین‌های بیشتری به‌دست بیاورید.
مدل و الگوی «اثبات کاری» برای بلاک‌چین‌ها معمولا مورد توجه سازمان‌هایی است که نمی‌خواهند کار خاصی با بیت‌کوین‌ها انجام بدهند. ساختار دیتابیس یک بلاک‌چین در برابر دستکاری و سوءاستفاده بسیار مقاوم است و به همین دلیل می‌تواند به شیوه‌های مختلف مدیریت شود. کشورهای سنگال و تونس در حال حاضر از ارزهای ملی مبتنی بر بلاک‌چین استفاده می‌کنند. بنیاد بیل و ملیندا گیتس هم امیدوار است استفاده از تکنولوژی بلاک‌چین به مردم فقیری که برای پس‌انداز و استفاده از پول‌هایشان به هیچ بانکی دسترسی ندارند، کمک کند.
معنای بیت‌کوین برای اقتصاد چیست؟
ارزش بیت‌کوین در حال افزایش است، چون افراد بیشتری از آن استفاده می‌کنند. طرفداران بیت‌کوین معتقدند که بی‌تردید آینده مبادلات مالی و اقتصادی در اختیار بیت‌کوین خواهد بود. مردم عادی به ارزهای رمزنگاری شده علاقه‌مند می‌شوند، اما این تکنولوژی هنوز برای استفاده و پذیرش عمومی بسیار پیچیده است. اقتصاد جهانی مثل همیشه روندهای صعودی و نزولی دارد، همان‌طور که ارزش بیت‌کوین هم چنین روندهایی را تجربه می‌کند. اگر در سال ۲۰۱۰ هزار بیت‌کوین می‌خریدید، حالا این مقدار ارزشی برابر ۳۵ میلیون دلار داشت. اگرچه در صورتی که هزار بیت‌کوین را در اوایل سال ۲۰۱۴ می‌خریدید، حالا تنها یک‌چهارم این مبلغ ارزش داشت. تصور کنید بر مبنای بیت‌کوین حقوق می‌گرفتید و تنها چند روز بعد از آن ارزش حقوق‌تان به نصف کاهش پیدا می‌کرد. اقتصادی با چنین نرخ تورمی اصلا با ثبات نیست، اما بیت‌کوین مزیت بهره‌برداری در کنار پول رایج تحت حمایت دولت را دارد. تقریبا هیچ فردی همه دارایی‌هایش را به بیت‌کوین تبدیل نمی‌کند.
آیا بیت‌کوین دوام دارد؟
برنامه‌نویسان همچنان درباره بهترین شیوه‌های مدیریت بیت‌کوین برای آینده بحث می‌کنند. با این اوصاف بیت‌کوین به سرعت در حال رشد و رواج یافتن است. این در حالی است که گویا قرار است ارز رمزنگاری شده دیگری هم ایجاد شود تا بازار این نوع ارزهای مجازی شکل رقابتی‌تری به خودش بگیرد. در حال حاضر تعداد کشورها و وب‌سایت‌های پذیرنده بیت‌کوین رو به افزایش است. ارزش بیت‌کوین در سال ۲۰۱۶ از ارزش تمام ارزهای بانکی فراتر رفت. این ارز مجازی از ماه فوریه تاکنون رکورد ارزش‌گذاری بازار را شکسته و حتی ارزش آن در ماه مارس برای مدتی از طلا هم بالاتر رفت. در کنار تمام رکورد‌هایی که به نام این واحد پولی ثبت شده‌ است، رکورد دیگری هم در فضای مجازی به آن اختصاص یافته ‌است. بیت‌کوین حالا در میان پنج جست‌وجوی برتر موتور جست‌وجوی گوگل در آمریکا قرار دارد.

http://www.hooshsaz.com/wp-content/u...n-hooshsaz.jpg

http://www.hooshsaz.com/2017/05/29/%...6%DB%8C%DA%A9/

تکنیکهای هوش مصنوعی در کسب وکار

این دوابزاری نیرومنددرحل مسائلی كه به روش های سنتی گذشته قابل حل نبودند،شناخته شده اند
توجه به كاربرد تكنیك های هوش مصنوعی و ابزارهای مدل سازی در حوزه كسب و كار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبكه های عصبی و الگوریتم های ژنتیك از موضوعاتی بوده اند كه توجه بسیاری از دانشگاهیان را به خود جلب كرده اند . این دو به عنوان ابزاری نیرومند در حل مسائلی كه دیگر توسط متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی اجتماعی ما نیز تسری یافته تا جایی كه كاربرد آنها در تصمیم گیری ها نقش حیاتی یافته است . این مقاله شواهدی را مبتنی برامكان استفاده اخلاقی از شبكه های عصبی و الگوریتم ها ی ژنتیك كه به منجر به تصمیم گیریهای موفقیت آمیز در ارتباط با مسائل مرتبط با كسب و كار می شود ارائه می كند . برای این منظور لازم است كه بررسی تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد . به همین دلیل ، در تحقیق ما بر نقش محققان عملیاتی در حوزه كاربرد شبكه های عصبی و الگوریتم های ژنتیك تأكید شده است . همچنین در كنار ایجاد چنین پایگاهی برای محققان ، به سوالات اساسی زیر نیز پاسخ داده شده است :
-1آیا كاربردهای سیستم های مبتنی بر هوش مصنوعی می تواند از فرایندهای تصمیم گیری شركت شما پشتیبانی كند ؟
-2آیا اسناد ودلایل و مدارك معتبری برای اثبات این ادعا وجود دارد ؟
-3آیا اینها تنها یك تئوری و ایده دانشگاهی است یا دارای قابلیت كاربرد و تعمیم نیز هست؟
به عبارت دیگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سیستم های خبره در كسب و كار، نویسندگان و محققان در آرزوی دستیابی به فرصتی جهت بحث مقایسه ای در باره این سه متدلوژی هوشمند هستند (متاكسیوس و پساراس 2003 ) . یكی از مهم ترین و بحث‌برانگیزترین تحقیقات ، بررسی صورت گرفته توسط لایبوتز (2001) است كه نتیجه آن تحت عنوان «سیستمهای خبره و كاربرد آنها» مطرح شد.
ساختار این مقاله به صورت زیر است‌: در ابتدا مروری بر پایه و اساس شبكه های عصبی و الگوریتم های ژنتیك خواهیم داشت و سپس به بازنگری جامعی بر كاربرد شبكه های عصبی و الگوریتم های ژنتیك در حوزه كسب و كار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات كاربردی آینده به پایان خواهیم رساند .
فناوری شبكه عصبی
شبكه های عصبی یك تكنیك پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیكی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبكه های عصبی ، ساختار سیستم پردازش اطلاعات است كه از تعداد زیادی واحدهای پردازشی (نورون‌) مرتبط با شبكه ها تشكیل شده اند‌. سلول عصبی بیولوژیكی یا نورون، واحد سازنده سیستم عصبی در انسان است. یك نورون ازبخشهای اصلی زیر تشكیل شده است :
1) بدنه سلولی كه هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است.
2) هسته
3) آكسون كه وظیفه آن انتقال اطلاعات از سلول عصبی است.
4) دندریت كه وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است
یك سیستم شبكه عصبی از تكنیك‌های مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده می‌كند (هایكین ،1994 ) . هر نورون ورودیهای متعددی را پذیراست كه با یكدیگر به طریقی جمع می شوند .اگر در یك لحظه تعداد ورودی های فعال نرون به حد كفایت برسد نرون نیز فعال شده و آتش می كند . در غیر این‌صورت نورون به صورت غیر فعال و آرام باقی می ماند .فعالیت هر نورون از مجموعه ای از یك یا چند ورودی ، عملیات و وظیفه خروجی برای محاسبه خروجیهایش تشكیل شده است . عملكرد اساسی این مدل مبتنی بر جمع كردن ورودیها و به دنبال آن به وجود آمدن یك خروجی است . ورودیهای نورون از طریق دندریت ها كه به خروجی نورون های دیگر از طریق سیناپس متصل شده اند وارد می شوند . بدنه سلولی كلیه این ورودیها را دریافت می كند و چنانچه جمع این مقادیراز مقداری كه به آن آستانه گفته می شود بیشتر شود در اصطلاح بر انگیخته شده یا آتش می كند و درغیر این صورت خروجی نورون روشن یا خاموش خواهد شد.
امروزه شبكه های عصبی در كاربردهای مختلفی از قبیل طبقه بندی داده ها و تشخیص الگو از طریق فرایند یادگیری كه خود شامل مسائلی مانند تشخیص خط و شناسایی گفتار وپردازش تصویر است به كار می روند .به مثابه سیستم های بیولوژیكی ، آموزش شامل تنظیم پیوندهای بین سیناپس‌ها كه درهر نورون وجود دارند است. به عبارت دیگر‌، اطلاعات آموخته شده به شكل ارزشهای عددی به‌نام «وزن» كه به هر واحد پردازش شبكه اختصاص داده می‌شود ،ذخیره می شوند .به طور كلی ، شبكه های عصبی می توانند بین :روشهای اتصال نورون ها، انواع روشهای ویژه محاسبه عملیات نورون ها، روش انتقال الگوی عملیات از خلال شبكه و روشهای یادگیری آنها كه شامل نرخ یادگیری است، تمایز قائل شوند . با در نظر گرفتن ارتباطات بین نورون ها ، می توان بین شبكه های لایه دار و بدون لایه تمایز قایل شد . شبكه های لایه دار گروهی ازنورون ها هستند كه در لایه هایی مجتمع گردیده اند كه بین لایه ورودی و خروجی – كه تنها پیوند خارجی دارند – یك یا چند لایه پنهان وجود دارد . داده های ورودی از لایه ورودی به وسیله لایه های پنهان (لایه میانی ) به لایه خروجی منتقل می‌شوند . سیگنالها ی جاری در شبكه های لایه دار به سمت جلو حركت می كنند كه در اصطلاح فنی به آنها پیش خور گفته می شود در حالی كه شبكه های بدون لایه دارای گره های اضافی بازخور هستند كه از تقسیمات درست لایه ها جلوگیری می كنند .
ساختار پیوندها و تماسها و تعداد لایه‌ها و نورون ها تعیین كننده معماری شبكه است كه بایستی قبل از استفاده از شبكه‌های عصبی تنظیم شود .اگرچه در موارد مشخصی می توان با موفقیت از شبكه های عصبی تك لایه استفاده كرد اما رسم بر این است كه شبكه های عصبی حداقل دارای 3 لایه باشند ( لایه ورودی ،لایه پنهان یا لایه میانی و لایه خروجی .
قبل از آنكه شبكه آموزش داده شود‌، اوزان اختصاصی كوچك و به صورت تصادفی ارزش گذاری می شوند . در خلال روند آموزش ، اوزان شبكه به شكل تدریجی تعدیل می شود تا جایی كه محرز شود كه كاملاً روابط فرا گرفته شده است . این شكل از یادگیری ، یادگیری با سرپرست نامیده می شود . وقتی یك الگو در لایه ورودی به‌كار گرفته می شود تا آن جا جلو می رود كه ستانده نهایی در لایه خروجی محاسبه شود . ستانده شبكه با نتایج مطلوب مورد انتظار مدل مقایسه و خطاهای موجود محاسبه می‌شود .این خطاها مجدداً به عنوان بازخورد به شبكه بازمی گردد تا تغییرات لازم در اوزان پیوندها برای كاهش خطا صورت گیرد .مجموعه ای از مثالهای آموزشی داده _ ستانده مكرراً ارائه می شود. تا جایی كه مجموع امتیازات خطا به سطح قابل قبولی كاهش یابد . در این جایگاه م‌ توان آن شبكه را به عنوان شبكه ای آموزش دیده در نظر گرفت . اما در روش دیگری كه یادگیری بدون سرپرست نامیده می شود‌، شبكه عصبی باید بدون كمك گرفتن از جهان ، بتوانند كار آموزش را انجام دهد . واقعیت آن است كه در عمل ازروش یادگیری باسرپرست و یا حداكثر از روشهای تركیبی استفاده می شود و فرایند آموزش بدون سرپرست به شكل خالص تنها وعده‌ای است كه شاید بتواند در آینده تحقق یابد . در حال حاضر و در كاربردهای پیشرفته ، از روش آموزش بدون سرپرست برای ایجاد تنظیمات اولیه برروی سیگنال های ورودی شبكه های عصبی استفاده می شود و باقی مراحل آموزش به روش با سرپرست ادامه می یابد .
حوزه های كاربردی شبكه های عصبی در موضوعات زیر است:
_ همبستگی ناشناخته بین ویژگیهای مطلوب و ارزش متغیرهای مسائل تصمیم گیری (‌جایی كه راه حل مسائل ناشناخته است.
_ مسائلی كه دارای راه حل الگوریتم نیستند.
_ جایی كه داده های ناقص وجود دارد.
مزیت اصلی شبكه های عصبی ، قابلیت فوق العاده آنها در یادگیری و نیز پایداری شان در مقابل اغتشاشات ناچیز ورودی است ( فاوست ، 1994) .به عنوان مثال اگر از روشهای عادی برای تشخیص دستخط یك انسان استفاده كنیم ممكن است در اثر كمی لرزش دست ، این روشها به تشخیص غلطی برسند در حالی كه یك شبكه عصبی كه به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی نیز به پاسخ درست خواهد رسید .درنتیجه ، تاكید ما بر این حقیقت است كه انتخاب شبكه درست با محاسبات صحیح، عامل اصلی در تضمین موفقیت عملكرد است .
فناوری الگوریتم ژنتیك
الگوریتم های ژنتیك روش قدرتمندی را برای توسعه اكتشافی مسائل بهینه سازی تركیبی مقیاس بزرگ فراهم آورده است . انگیزه اصلی مطرح كردن الگوریتم ژنتیك می تواند این گونه عنوان شودكه «تكامل تدریجی» به شكل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مكانیزم های نسبتاً ساده تكمیلی نمود یافته است . حال سوال اساسی این است : پذیرش كدام ایده از تئوری تكامل تدریجی می تواند به ما در حل مسائل این قلمرو كمك كند ؟ این سوال با توجه به غنای پدیده تكامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (1975) از نخستین كسانی هستندكه با معرفی مفهوم الگوریتم ژنتیك به عنوان یك تكنیك جستجوی عمومی – كه از تكامل تدریجی بیولوژیك در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات الگوبرداری می كند- درصدد پاسخگویی به این سوال برآمدند .
یك الگوریتم ژنتیك مسئله را به صورت مجموعه ای از رشته ها كه شامل ذرات ریزهستند كد گذاری می كند ، سپس برای تحریك فرایند تكامل تدریجی ،تغییراتی را بر روی رشته ها ا عمال می‌دارد. در مقایسه با الگوریتم های جستجوی محلی ، در جستجوی عمومی كه تنها یك راه حل قابل قبول وجود دارد ، الگوریتم های ژنتیك جامعه ای از افراد را در نظر می‌گیرند . كـــار با مجموعه ای از افراد، امكان مطالعه ساختارها و ویژگیهای اصلی افراد متفاوت را كه منجر به شناسایی و كشف راه حلهای كارآمد تر می شود، فراهم می‌سازد . در طی مطالعه ، الگوریتم ژنتیك رشته های متناسب با ارزش را برمی گزیند و آن دسته از رشته‌هایی را كه تنــاسب كمتری با جمعیت مورد بررسی دارند حذف می‌كنند .
مروری بر كاربردهای تجاری
بعد از مروری بر پیشینه شبكه های عصبی و الگوریتم های ژنتیك و پیشرفتهای آنها ، می توان حوزه های كاربردی آنها را در كسب و كار شناسایی كرد. بنابر این در این قسمت به بررسی انواع مسائل تجاری كه به شكلی مناسب به‌وسیله شبكه های عصبی و الگوریتم های ژنتیك قابل حل خواهند بود ، می پردازیم . اما قبل از آن توضیحی مختصر در ارتباط با موضوعات مرتبط با این حوزه خواهیم داد .
بازاریابی
«انجمن بازاریابی آمریكا» از دیدگاه مدیریتی، بازاریابی را بدین گونه تعریف می كند : بازاریابی یك فرایند اجتماعی و مدیریتی است كه به‌وسیله آن، افراد و گروهها ، نیازها و خواسته ها ی خود را از طریق تولید ، عرضه و مبادله كالاهای مفید و با ارزش با دیگران ، تأمین می كنند . به طور كلی ، بازاریابی دانشی ناشناخته است كه با ویژگیهایی از قبیل عدم اطمینان بالا ، ساختار گمشده علّـی ودانشی ناكامل و گسترده قابل شناسایی است .بسیاری از وظایف تصمیم گیری و حل مسـئله به صورت بدون ساختار یا نیمه ساختار یافته انجام می شود . به همین دلایل توسعه كاربرد شبكه های عصبی و الگوریتم های ژنتیك در بازاریابی نسبت به سایر حوزه های علم دشوارتر است .
در سال 1991 ، كاری و ماتین هو به بحث در رابطه با نقش هوش مصنوعی در بازاریابی پرداختند و جایگاه یابی رقابتی را به‌وسیله متدلوژی هدف گرا مورد تجزیه و تحلیل قرار دادند . الیس و همكارانش در سال 1991 گزارشی از پیشرفتهای كاربرد مدل های شبكه عصبی در مواجهه با استراتژی قیمت گذاری كششی ارائه كردند در حالی‌كه پراكتر در سال 1992 چگونگی كاربرد تكنولوژی شبكه های عصبی در یادگیری مدل های داده بازاریابی و نقش آنها را در ساختن سیستم های پشتیبانی از تصمیمات بازاریابی به نمایش گذاشت . در سال 1993 كاری و ماتین هو از تكنولوژی شبكه های عصبی در مدل سازی واكنش مصرف كننده به محرك تبلیغات استفاده كردند . رای و همكارانش در سال 1994 شبكه های عصبی را در كمّی سازی فاكتورهای موثر در كیفیت روابط خریدارو فروشنده مورد استفاده قرار دادند . برای این منظور شبكه ای با دو عنصر خروجی كیفیت روابط (رضایت از روابط و اعتماد ) و پنج ورودی ( گرایش فروش فروشنده ، مشتری گرایی ، تخصص، اخلاقیات ، و دوام روابط ) شكل گرفت . در مقایسه با رگرسیون های چند متغیره، تكنیك شبكه های عصبی به نتایج آماری قابل قبول تری دست یافت .
از سوی دیگر ، هارلی و همكاران (1994) استفاده از الگوریتم های ژنتیك را در حل مسائل بهینه سازی بازاریابی مورد آزمایش قرار دادند . بر اساس مطالعه آنها ، كاربردهای بالقوه الگوریتم های ژنتیك در بازاریابی می تواند شامل موارد زیر باشد :
1- رفتار مصرف كننده
_ یادگیری مدل های انتخاب مصرف كننده
_ پردازش اطلاعات مصرف كننده
_ تاثیر گروههای مرجع
2- بخش بندی،انتخاب بازار هدف، جایگاه یابی
_ بهینه سازی ساختارهای محصول – بازار
_ تجزیه و تحلیل فاكتورهای كلیدی خرید
_ جایگاه یابی محصول
3-مدیریت عناصر آمیخته بازاریابی
_ بهینه سازی چرخه حیات محصول
_ طراحی محصول
_ استراتژی تبلیغات و برنامه ریزی رسانه‌ای
_ مدیریت فروش
گرین و اسمیت (1987) یك سیستم ژنتیك را برای یادگیری مدل های انتخاب مصرف كننده مطرح ساختند و تنگ و هولاك (1992 ) چارچوبی مفهومی را در پیوند مفاهیم بازاریابی با مكانیزم تكامل تدریجی داروین ارائه كردند . در سال 1992 بالاك ریشمن و جاكوب یك الگوریتم ژنتیك مبتنی بر سیستم پشتیبانی از تصمیم گیری برای طراحی محصول ارائه كردند . از سوی دیگرو در حركتی نوین وناگوپال و بیتز (1994) ازاشتراك شبكه های عصبی و تكنیكهای آماری در تحقیقات بازاریابی استفاده كردند. درنهایت ، می توان گزارشی از پیشرفتهای موجود در این زمینه رابه شكل زیر ارائه كرد :
_ STRATEX _ یك سیستم دانشی با هدف پشتیبانی از انتخاب بخشهای بازار (بورچ و هارتویگسن ، 1991))
_ ADDUCE _ سیستمی در توجیه واكنش مصرف كننده به تبلیغات (بارك ، 1991))
_ COMSTRAT _ سیستمی برای تصمیمات استراتژیك بازاریابی با تاكید ویژه بر جایگـاه یابی رقابتی ( ماتین هو و همكاران 1993‌(
_ MARSTRA _ سیستم هوش شبكه ای برای توسعه استراتژی های بازاریابی و ارزیابی فاكتورهای بازاریابی استراتژیك
_ GLOSTRA _ سیستم هوش شبكه ای برای توسعه و بهبود استراتژی های بازاریابی جهانی و بازاریابی اینترنتی ( لی و دیویس‌، 2001 (
بانكداری و حوزه های مالی
از كاربردهای مهم و مطرح شبكه های عصبی و الگوریتم های ژنتیك در بانكداری و حوزه مسائل مالی می توان به این موارد اشاره كرد : كاربردهای اعتباری ، تجزیه و تحلیل های مالی ، سرمایه گذاری مالی ، و تجزیه و تحلیل بازار مبادله سهام . محققان بسیاری به بررسی كاربردهای شبكه های عصبی و الگوریتم های ژنتیك در بانكداری و مالی پرداخته اند . ازآن جمله ، در سال 1993 ، تفتی و نیكبخت به بحث در ارتباط با استفاده از شبكه های عصبی توسط سازمانها وشركتهای مالی در جهت اهداف متفاوت امتیازبندی اعتباری پرداختند .تان و دی هاردجو (2001) از طریق افزایش زمان و دوره پیش بینی مدل به توسعه یك تحقیق ابتدایی در استفاده از شبكه های عصبی برای پیش بینی استرس های مالی در اتحادیه های اعتباری استرالیا پرداختند . دستاورد حاصل شده در مقایسه با نتایج به دست آمده از متوسط انحراف از میانگین، نتایج قابل قبولی بود . همچنین دیویس و همكاران نیز در 1996 به بررسی نگرشهای سیستم‌های خودپرداز براساس تجزیه و تحلیل شبكه‌های عصبی پرداختند
.ازسوی دیگر، شناسایی كاربردهای متنوع الگوریتم های ژنتیك از سوی افراد مختلف به صورت زیر ارائه شده است :
انتخاب استراتژی های بازار انحصاری چند جانبه ( ماركز ، 1989 ) ، توسعه استراتژی‌های سرمایه گذاری مالی(باور‌‌،1994 ) ،جستجو برای یافتن قوانین تكنیكی برای اعمال آنها در بازارسرمایه ( كارجالایننن‌، 1994 ) ، تجزیه و تحلیل ریسك در بانكداری ( وارتو ،1998 ) . علاوه بر این، در سال 1999 كارجالایننن و آلن از الگوریتم‌های ژنتیك در پیدا كردن قوانین تكنیكی تجاری استفاده كردند. در همین زمان نیز آندرا و همكارانش (1999) از الگوریتم های ژنتیك در تجــزیه و تحلیل فنی در بازار سهام مادرید استفاده كردند .از دیگر سیستمهای مالی مبتنی بر شبكه‌های عصبی و الگوریتم های ژنتیك می توان به موارد زیر اشاره كرد :
_ KABAL _ سیستم دانشی برای تجزیه و تحلیل مالی در بانكداری (هارت ویگسن ، 1990 (
_ CREDEX _ سیستمی برای ارزیابی اعتبارات ( پینسون ، 1990 )
_ FINEVA _ سیستم دانشی چند معیاری پشتیبانی از تصمیم گیری برای ارزیابی عملكرد و قابلیت حیات شركت ( زوپونی دیس ، 1996 )
پیش بینی
پیش بینی یكی از قدیمی ترین فعالیتها و وظایف مدیریت وتجارت بوده است . درروزگاران قدیم نمونه هایی از پیشگوییها و پیش بینی ها وجود دارد . به طور كلی ، مدیری را می توان موفق دانست كه از قوه تجسم بالایی در تصمیم گیری و قضاوت برخوردار باشد . تجربه ، به انسان در پیش بینی آینده وانتخاب تصمیم درست و دادن رأی صحیح كمك می كند.روش های هوش مصنوعی توانایی بالایی را درپیش بینی و ارائه عملكرد بهتر در مواجهه بامسائل غیرخطی و سایر مشكلات مدل سازی سری های زمانی نشان داده اند .رحمان و بهتنگار (1998 ) یك سیستم خبره را برای پیش بینی كوتاه مدت طراحی كردند‌، این درحالی است كه چیو (1997) یك شبكه عصبی را در تركیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد . همچنین تحقیقات كانلن و جیمز (1998) نشان دادكه می توان بین خصیصه های داراییهای اقتصادی و ارزش داراییهای تجاری در یك بازار خاص پیوند برقرار كرد و به مدل ارزش گذاری ای رسید كه به پیش بینی كوتاه مدت نوسانات ارزش گذاری دراستفاده از شبكه‌های عصبی می‌پردازد‌. درنهایت بررسیهای انجام شده نشان می‌دهد كه در این حوزه بیشتر بر كاربرد شبكه های عصبی كار شده است تا الگوریتم های ژنتیك‌.
سایر حوزه های تجاری
تا اینجا درباره كاربردهای مختلف شبكه های عصبی و الگوریتم های ژنتیك در بخشهای كلیدی تجارت صحبت كردیم :
بازاریابی ، بانكداری و مالی ، پیش بینی . قطعاً حوزه های دیگری از تجارت و كسب و كارنیز وجود دارد كه در اندازه های متفاوت می توانند از مزایای استفاده از شبكه های عصبی و الگوریتم های ژنتیك منتفع شوند . به عنوان مثال می توان به كاربرد شبكه های عصبی در صنعت هتلداری ( لاو ، 1998) ، ارزیابی داراییها (لنك و همكاران 1997 ) و پیش بینی تورم (آیكن ، 1999) اشاره كرد. علاوه بر این ، كاملاً مشهود است كه بخشهایی ( مانند تولید ، صنایع سنگین ، انرژی ، ساخت و ساز ) وجود دارند كه از نظر ما دور مانده اند .
مزایای استفاده از این فناوریهای هوش مصنوعی
با بررسی اجماعی نظریات و تحقیقات موجود می توان مزایای استفاده از فناوریهای هوش مصنوعی و الگوریتم های ژنتیك را در قالب گزاره های زیر خلاصه كرد :
_ ارائه خدمات بهتر به مشتری
_ تقلیل زمان انجام وتكمیل وظایف
_ افزایش تولید
_ استفاده اثربخش تر از منابع
_ سازگاری و ثبات بیشتر در تصمیم گیری
نتایج
در این مقاله سعی كردیم با معرفی كاربردهای شبكه های عصبی و الگوریتم های ژنتیك در حوزه تجارت و بازرگانی به‌ویژه در محدودة بازاریابی، مالی و بانكداری و پیش بینی ، بعدی جدید از حوزه تجارت وكسب و كار را نمایان كنیم.
نتیجه نهایی این مباحث به تنوع حوزه های كاربردی كه بر مزایا و منافع شبكه های عصبی و الگوریتم های ژنتیك اشاره دارد منتهی می شود . این دو تكنولوژی امروزه بیش از بیش به عنوان ابزار تصمیم گیری سازمانها مورد استفاده قرار می گیرند كه البته نتایج حاصل از كاربرد آنها ( همچون تصمیمات صحیح ، صرفه جوییهای زمانی ، انعطاف پذیری ،كیفیت بهبود یافته ، آموزش موثر‌) بر محبوبیت آنها افزوده است . اعتقاد ما بر این است كه در صورت ادغام مناسب این دو فناوری با سایر فناوریهای هوشمند (‌مانند سیستم های خبره ، عوامل هوشمند ، منطق فازی) و تكنیكهای تحقیق درعملیات به‌ویژه شبیه سازی می توان روز به روز بر موارد استفاده آنها در حوزه های مختلف افزود و از مزایای آنها بهره مند شد. بر اساس تحقیق كتابخانه ای انجام شده موارد زیر برای تحقیقات آینده پیشنهاد می شود:
-بررسی مزایای استفاده از الگوریتم های ژنتیك در بهینه سازی مسائل بازاریابی
_مقایسه كاربرد شبكه های عصبی و الگوریتم های ژنتیك و سیستم های خبره برای شناسایی مزایا و ضررهای هر كدام از این فناوریها.
منابع
-1 جكسون . تی و بیل . آر . آشنایی با شبكه‌های عصبی ، ترجمه دكتر محمود البرزی – تهران : موسسة انتشارات علمی دانشگاه صنعتی شریف ، چاپ دوم ، 1383
2-كاتلر ، فیلیپ . مدیریت بازاریابی ، ترجمه بهمن فروزنده – تهران : آتروپات ،1382
3- قمی ، علیرضا ” شبكه های عصبی مصنوعی “‌، نشریه دنیای كامپیوتر و ارتباطات – شماره 12 ، صفحات 66 تا 69
4- سعیدی ، مسعود ” شبكه های عصبی (2) ” ، نشریه شبكه _ شماره 52 ، اسفند 1383 ، صفحه 210 تا 211
5 -ممانی ، حامد ، نرگس پور اصغری حقی و ساعد علی ضمیر ، ” شبكه های عصبی و كاربرد آن در بهینه سازی ” ، نشریه صنایع _ شماره 30
6- نورزاد ، غلامرضا ” بیولوژی سلولی مولکولی ” ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول

7- Metaxiotis , Kostas & John Psarras (2004) “The Contribution of Neural networks and genetic algoritms to business decision support “Management decision , vol 42 ,no .2, Emerald group publishing limited , pp.
229.242
8- Curry , B & L. Moutinho (1993) “Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli “European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20
9- Wray , B , A. palmer & D. Bejou (1994) ” Using Neural Network Analysis to evaluate Buyer – Seller Relationships ” European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48
10- Venugopal .V & W. Beats ( 1994 ) ” Neural networks and Statistical Techniques in marketing research ” Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38
11- Davies , F , L . Moutinho & B . Curry (‌‌1996 ) ” ATM user attitudes : a neural network analysis ” , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32
عنوان : تکنیکهای هوش مصنوعی و ابزارهای مدلسازی درحوزه کسب وکار
دكتر حمیدرضا جعفریه، نگار معتمدی، الهه ملایی

منبع : مديريت بازاريابي

دفتر مشاوره و پژوهش بصیر

چگونه هوش مصنوعی بانک‌ها را متاثر خواهد کرد؟

به گزارش بانک برتر
مجتبی مظفری فرد؛بدون شک امروزه رایانه‌ها و ماشین‌های الکترونیکی بخش جدایی ناپذیر فعالیت‌های روزمره انسان‌ها و خدمات را تشکیل داده‌اند به طوری که دنیای بدون رایانه‌ها تقریبا غیر‌قابل تصور است. در این بین رشد نمایی سرعت پردازش رایانه‌ها و حرکت صنعت فناوری اطلاعات به سمت تعریف خدمات مبتنی بر یادگیری ماشینی (Machine Learning) موج جدیدی از تحولات را ایجاد کرده که به شکلی ساختارشکن نه تنها نحوه‌ی ارائه خدمات را متحول کرده، بلکه خدمات و محصولاتی را پدید خواهد آورد که پیش از این اصلا وجود نداشته‌اند.
هوش مصنوعی به شکل: “هر عاملی است که نسبت به محیط اطراف خود آگاهی داشته و حداکثر تلاش خود را برای انجام موفق عملیات محوله به کار می بندد” تعریف خواهد شد. کاربردهای بی‌شماری را می توان برای عاملی که دارای مشخصات “آگاهی از محیط” و “خود بهبود دهندگی” باشد متصور بود. با این حال به نظر می رسد برخی از این کاربردها در شکل دادن آینده‌ خدمات بانکداری نقش پر رنگ‌تری خواهند داشت.
۱- مشاوره هوشمند(Robo-Advisor): به لطف دسترسی باز به اطلاعات و حجم بالای داده‌های وب،روبات‌های هوشمند قابلیت شناسایی فرصت‌های ویژه را پیدا کرده‌اند. اکنون روبات‌های هوشمند به دنبال بهترین فرصت‌های سپرده پذیری گشته و آنها را به کاربران خود ارائه خواهند کرد. این روبات‌ها خواهند بود که مدیریت حساب‌های مشتریان را در دست خواهند گرفت و بهترین سبد حساب‌های بانکی را با توجه به رفتارهای مالی مشتریان طراحی و پیشنهاد خواهند کرد. ربات‌های هوشمند خواهند توانست بوسیله الگوریتم‌های یادگیری حرکت سرمایه در بازارهای مختلف را شناسایی و بهترین فرصت‌های سرمایه گذاری را پیشنهاد دهند.
۲- شناسایی مشتریان بالقوه: استفاده از الگوریتم‌های تشخیصی در هوش مصنوعی در کنار استفاده از داده‌های دریافتی از مشتریان شامل؛ اطلاعات جست و جوهای اینترنتی، محتوای تولیدی در شبکه، مکان‌هایی که مشتری از آن بازدید می کند، همه و همه داده‌هایی است که به بانک‌ها کمک خواهد کرد تا رفتارهای مشتریان و نیازهای آنها را پیش بینی کنند. از این رو بانک‌ها می توانند زمان مناسب برای پیشنهاد اعطای تسهیلات به مشتریان را شناسایی کرده و یا مشتریان نیازمند به خدمات بانکی را مشخص کنند.

۳-اعتبارسنجی مشتریان: استفاده از الگوریتم‌های هوشمند برای برآورد اعتبار مشتریان مبتنی بر رفتارهای مالی و عمومی آنها یکی از کاربردهای تازه هوش مصنوعی در زمینه بانکداری است. امروزه بانک‌ها با استفاده از الگوریتم‌های یادگیری برخط (online learning) میزان ریسک اعتباری مشتریان مختلف را حتی قبل از افتتاح حساب در بانک برآورد می کنند. با استفاده از این روش میزان صحت و دقت اعتبارسنجی مشتریان به شدت بالا خواهد رفت.
۴- دستیاران هوشمند: ظهور دستیاران هوشمندی چون cortana,Siri,Google assistant دنیای جدیدی را پیش روی بازیگران فناوری اطلاعات باز کرده است.

این دستیاران هوشمند می‌توانند به عنوان حد واسط بین بانک و مشتریان به عنوان کانالی برای ارائه خدمات بانکی رفتار کنند. این فرصت در کنار الزامات ایجاد شده برای بانکداری باز و دسترسی به اطلاعات مشتریان باعث شده تا غول‌های تکنولوژی همچون اپل و گوگل برای ایفای نقش‌های جدید خود در زمینه پرداخت الکترونیک و بانکداری به تکاپو بیافتند.
۵-داده‌کاوی و برآوردهای اقتصادی: بدون شک تحلیل‌های اقتصادی به هنگام برای تعیین میزان اعتبارات اعطایی و امور بانکداری در بانک‌های خصوصی اهمیت بسیار زیادی دارد. استفاده از هوش مصنوعی به عنوان بخشی از سیستم هوش تجاری در بانک‌ها در برآورد اهداف تجاری بانک‌ها نقشی اساسی و تاثیر گذار خواهد داشت. شناسایی فرصت‌های سرمایه‌گذاری و بازارهای ممکن به همراه تعیین نرخ‌های مناسب برای خدمات از کاربردهای هوش مصنوعی در این بخش است.
۶-قیمت گذاری خدمات و اعتبارات: موفقیت در بازار وام‌ها و تسهیلات متکی بر ارائه نرخ‌های بهتر در ارائه خدمات و شناسایی فرصت‌های بهتر ارائه تسهیلات می باشد. این موضوع در کنار برآورد صحیح و پایای اعتبار مشتریان کمک خواهد کرد تا بانکها در بازار رقابت برای اعطای تسهیلات مزیت رقابتی خود را با در نظر داشتن ریسک مشتریان بهبود دهند.
۷-خدمات پشتیبانی: رباتهای پاسخگو یکی از روندهایی است که در ایجاد تجربه جدید کاربری در مشتریان تاثیر به سزایی خواهد داشت. میزان دقت و کیفیت ارائه خدمات در این دسته از عوامل اجرایی نسبت به کاربران انسانی به شدت بالاتر است. حال آنکه کاربردهای ربات‌های پشتیبان در حال توسعه از ارائه پیشنهاد به سوی دستیاران پشتیبان با توانایی رفع مشکل یا ارائه خدمات بانکی تغییر کرده است. در آینده نه چندان دور ربات پشتیبان بانک خدمات پیشخوان بانک را ارائه خواهد داد.
۸-شناسایی حس مشتری و ایجاد تجربه منحصر به فرد: ارائه خدمات اختصاصی یکی از دستاوردهای ویژه‌ای است که بهره‌گیری از هوش مصنوعی آن را ممکن خواهد ساخت. بدون تردید هر فرد با علایق، خواسته ها و حالات روحی خاصی در مقاطع زمانی گوناگون روبروست. این مشخصات در کنار عادات رفتاری مشتری به الگوریتم‌های یادگیرنده هوش مصنوعی اجازه خواهد داد تا به تناسب وضعیت مشتری محصولات و خدمات منحصر به فرد مشتری را پیشنهاد و ارائه دهد. این اختصاصی سازی در تمامی سطوح از نوع و رابط کاربری خدمات تا زمان ارائه خدمت گسترده خواهد بود.
۹-احراز هویت مشتریان: روند رو به رشد بهره‌گیری از روش‌های بیومتریک و رفتاری برای شناسایی مشتریان باعث شده تا بانک‌ها نیز به سمت بهره گیری از این فناوری حرکت کنند. این روشها به بانک‌ها کمک خواهد کرد تا روند احراز هویت مشتریان را از طرق جدید به انجام رسانده و سطح دقت و کیفیت روش‌های شناسایی را تا حد زیادی بهبود دهند. این روش‌ها نه تنها به مشخصات مشتری بلکه به رفتارهای ایشان متکی بوده و احتمال سو استفاده از هویت مشتریان را به حداقل خواهند رساند.
۱۰-کشف تقلب و جلوگیری از پولشویی: روش‌های کشف تقلب مبتنی بر هوش مصنوعی با استفاده از الگوریتم‌های شناسایی رفتار مشتریان و الگوهای رفتاری کمک خواهد کرد تا شناسایی رفتارهای مشکوک مشتریان به سادگی صورت گیرد. هوش مصنوعی با استفاده از ابزارهای اطلاعاتی و بانک‌های اطلاعاتی در دسترس امکان جست و جو و پیگری منابع مالی و گردش مالی را در اختبار بانک‌ها و نظام مالی قرار خواهد داد تا از فرآیندهای غیر قانونی چون پولشویی جلوگیری نمایند.
صنعت بانکداری همواره از صنایع پیشرو در بهره‌برداری از فناوری‌های نو بوده و در این بین استفاده از هوش مصنوعی یکی از بدیهیات و فرضیات اصلی در آینده بانکداری خواهد بود. بانکداری باز به عنوان تسهیل‌گر این روند الزاماتی را برای بانک‌ها فراهم نموده که سرعت بهره‌برداری از هوش مصنوعی در صنعت بانکداری را به شدت بالا خواهد برد. آنچه قطعی است حضور هوش مصنوعی در بانکداری قطعی و حتمی است و بانک‌ها می‌بایست خود را برای بهره‌برداری از این فرصت آماده کنند. این تغییرات تدریجی خواهد بود ولی قطعا انتهای این مسیر به بانکداری کاملا هوشمند مبتنی بر ماشین‌ها ختم خواهد شد.

چگونه هوش مصنوعی بانک‌ها را متاثر خواهد کرد؟ - پایگاه خبری تحلیلی بانک برتر

کاربرد هوش مصنوعی در بازارهای مالی

در حال حاضر هوش مصنوعی در بازارهای مالی نقش مهمی ایفا می‌کند. بسیاری از فعالین بازارهای مالی شفاف و کارا در سطح جهان نظیر بازارهای بزرگ بورس دنیا، از متخصصین علوم کامپیوتر و ریاضی هستند که با ایجاد برنامه‌های کامپیوتری، فضایی را در این بازارهای مالی ایجاد کرده‌اند که رقابت اصلی میان تحلیل و دانش ریاضیدانان و دانشمندان علوم کامپیوتر باشد. بدین صورت که برنامه‌های کامپیوتری که این تحلیل‌گران الگوریتم‌های آن‌ها‌ را پیاده‌سازی کرده‌اند، به صورت اتوماتیک به خرید و فروش سهام، کالا یا ابزارهای مشتقه مالی پرداخته و شهود و احساس معامله‌گران در آن دخالتی ندارد. در واقع تمامی رقابت نیز میان الگوریتم‌ها و بهبود آن‌هاست.

علوم تخصصی حوزه‌ی کامپیوتر، نظیر داده‌کاوی، پردازش زبان‌های طبیعی، یادگیری ماشین و مشتقات آن نظیر الگوشناسی آماری، شبکه‌های عصبی همگی می‌توانند در حوزه‌ی پیش‌بینی روند آتی بازارهای مالی نقش تعیین کننده‌ای ایفا کنند.
https://startupforum.ir/images/cdn/2018/04/57.gif
الگوشناسی آماری یا بازشناخت الگو نیز حوزه‌ای از هوش مصنوعی و یادگیری ماشین است که به دنبال طبقه‌بندی الگوهاست، برای مثال اگر ورودی‌های یک برنامه‌ی الگوشناسی آماری، تصاویر انسان و درخت باشند، چنین برنامه‌ای می‌تواند با مشاهده‌ی تعدادی داده‌ی یادگیری، در ادامه تصاویر مختلفی که به عنوان ورودی به آن داده می‌شود را تحت عنوان انسان یا درخت تشخیص داده و برچسب گذاری کند. در مثال دیگر اینکه چنین برنامه‌هایی می‌توانند با مشاهده‌ی تعداد زیادی از ایمیل‌های هرزنامه و غیر هرزنامه به ایمیل‌هایی که به عنوان ورودی به برنامه داده می‌شود، برچسب هرزنامه یا عادی را بزنند. طبقه‌بندی، خوشه‌بندی، رگرسیون و دیگر الگوریتم‌های حوزه‌ی الگوشناسی آماری همگی در راستای ایجاد هوش‌مندی بدون دخالت انسان ایجاد شده‌اند. چنین الگوریتم‌هایی در بازارهای مالی نیز می‌توانند به ایفای نقش پرداخته و الگوهای بالارونده را از الگوهای پایین رونده تشخیص داده و برچسب گذاری کرده و یا به محاسبات احتمالی برای آن‌ها بپردازند.
https://startupforum.ir/images/cdn/2018/04/285.png
سایت تحلیلی آموزشی طلانگر که فعالیت آزمایشی خود را در زمینه معاملات بازار آتی سکه بهار آزادی به تازگی آغاز کرده است نیز در راستای چنین فعالیت‌هایی بوجود آمده است. به گفته‌ی سرپرست این گروه، این سایت که حاصل تلاش فارغ التحصیلان و نخبگان دانشگاه صنعتی شریف است در پی پیوند فناوری هوش مصنوعی و به طور خاص الگوشناسی آماری و بازارهای مالی در ایران است. گردانندگان این سایت قصد دارند تا در جهت ایجاد هوشمندی در بازارهای مالی بکوشند. آن‌ها می‌خواهند تا فضایی را فراهم کنند که متخصصین کامپیوتر، هوش مصنوعی و ریاضی به بازارهای مالی ایران ورود کرده و بازارهای مالی ایران نیز چون بازارهای کارای موجود در سطح جهان، فضای رقابت میان متخصصین شود و سوداگران و دارندگان رانت‌های اطلاعاتی نقش تعیین کننده‌ای نداشته باشند.

کاربرد هوش مصنوعی در بازارهای مالی - جديدترين اخبار ايران و جهان ممتاز نیوز

بازار یابی و هوش مصنوعی

بازاريابي
«انجمن بازاريابي آمريكا» از ديدگاه مديريتي، بازاريابي را بدين گونه تعريف مي كند : بازاريابي يك فرايند اجتماعي و مديريتي است كه به‌وسيله آن، افراد و گروهها ، نيازها و خواسته ها ي خود را از طريق توليد ، عرضه و مبادله كالاهاي مفيد و با ارزش با ديگران ، تأمين مي كنند . به طور كلي ، بازاريابي دانشي ناشناخته است كه با ويژگيهايي از قبيل عدم اطمينان بالا ، ساختار گمشده علّـي ودانشي ناكامل و گسترده قابل شناسايي است .بسياري از وظايف تصميم گيري و حل مسـئله به صورت بدون ساختار يا نيمه ساختار يافته انجام مي شود . به همين دلايل توسعه كاربرد شبكه هاي عصبي و الگوريتم هاي ژنتيك در بازاريابي نسبت به ساير حوزه هاي علم دشوارتر است .
در سال 1991 ، كاري و ماتين هو به بحث در رابطه با نقش هوش مصنوعي در بازاريابي پرداختند و جايگاه يابي رقابتي را به‌وسيله متدلوژي هدف گرا مورد تجزيه و تحليل قرار دادند . اليس و همكارانش در سال 1991 گزارشي از پيشرفتهاي كاربرد مدل هاي شبكه عصبي در مواجهه با استراتژي قيمت گذاري كششي ارائه كردند در حالي‌كه پراكتر در سال 1992 چگونگي كاربرد تكنولوژي شبكه هاي عصبي در يادگيري مدل هاي داده بازاريابي و نقش آنها را در ساختن سيستم هاي پشتيباني از تصميمات بازاريابي به نمايش گذاشت . در سال 1993 كاري و ماتين هو از تكنولوژي شبكه هاي عصبي در مدل سازي واكنش مصرف كننده به محرك تبليغات استفاده كردند . راي و همكارانش در سال 1994 شبكه هاي عصبي را در كمّي سازي فاكتورهاي موثر در كيفيت روابط خريدارو فروشنده مورد استفاده قرار دادند . براي اين منظور شبكه اي با دو عنصر خروجي كيفيت روابط (رضايت از روابط و اعتماد ) و پنج ورودي ( گرايش فروش فروشنده ، مشتري گرايي ، تخصص، اخلاقيات ، و دوام روابط ) شكل گرفت . در مقايسه با رگرسيون هاي چند متغيره، تكنيك شبكه هاي عصبي به نتايج آماري قابل قبول تري دست يافت .
از سوي ديگر ، هارلي و همكاران (1994) استفاده از الگوريتم هاي ژنتيك را در حل مسائل بهينه سازي بازاريابي مورد آزمايش قرار دادند . بر اساس مطالعه آنها ، كاربردهاي بالقوه الگوريتم هاي ژنتيك در بازاريابي مي تواند شامل موارد زير باشد :
1) رفتار مصرف كننده
_ يادگيري مدل هاي انتخاب مصرف كننده
_ پردازش اطلاعات مصرف كننده
_ تاثير گروههاي مرجع
2) بخش بندي،انتخاب بازار هدف، جايگاه يابي
_ بهينه سازي ساختارهاي محصول – بازار
_ تجزيه و تحليل فاكتورهاي كليدي خريد
_ جايگاه يابي محصول
3) مديريت عناصر آميخته بازاريابي
_ بهينه سازي چرخه حيات محصول
_ طراحي محصول
_ استراتژي تبليغات و برنامه ريزي رسانه‌اي
_ مديريت فروش
گرين و اسميت (1987) يك سيستم ژنتيك را براي يادگيري مدل هاي انتخاب مصرف كننده مطرح ساختند و تنگ و هولاك (1992 ) چارچوبي مفهومي را در پيوند مفاهيم بازاريابي با مكانيزم تكامل تدريجي داروين ارائه كردند . در سال 1992 بالاك ريشمن و جاكوب يك الگوريتم ژنتيك مبتني بر سيستم پشتيباني از تصميم گيري براي طراحي محصول ارائه كردند . از سوي ديگرو در حركتي نوين وناگوپال و بيتز (1994) ازاشتراك شبكه هاي عصبي و تكنيكهاي آماري در تحقيقات بازاريابي استفاده كردند. درنهايت ، مي توان گزارشي از پيشرفتهاي موجود در اين زمينه رابه شكل زير ارائه كرد :
_ STRATEX _ يك سيستم دانشي با هدف پشتيباني از انتخاب بخشهاي بازار (بورچ و هارتويگسن ، 1991)
_ ADDUCE _ سيستمي در توجيه واكنش مصرف كننده به تبليغات (بارك ، 1991)
_ COMSTRAT _ سيستمي براي تصميمات استراتژيك بازاريابي با تاكيد ويژه بر جايگـاه يابي رقابتي ( ماتين هو و همكاران 1993‌)
_ MARSTRA _ سيستم هوش شبكه اي براي توسعه استراتژي هاي بازاريابي و ارزيابي فاكتورهاي بازاريابي استراتژيك (‌لي، 2000)
_ GLOSTRA _ سيستم هوش شبكه اي براي توسعه و بهبود استراتژي هاي بازاريابي جهاني و بازاريابي اينترنتي ( لي و ديويس‌، 2001 )

بانكداري و حوزه هاي مالي
از كاربردهاي مهم و مطرح شبكه هاي عصبي و الگوريتم هاي ژنتيك در بانكداري و حوزه مسائل مالي مي توان به اين موارد اشاره كرد : كاربردهاي اعتباري ، تجزيه و تحليل هاي مالي ، سرمايه گذاري مالي ، و تجزيه و تحليل بازار مبادله سهام . محققان بسياري به بررسي كاربردهاي شبكه هاي عصبي و الگوريتم هاي ژنتيك در بانكداري و مالي پرداخته اند . ازآن جمله ، در سال 1993 ، تفتي و نيكبخت به بحث در ارتباط با استفاده از شبكه هاي عصبي توسط سازمانها وشركتهاي مالي در جهت اهداف متفاوت امتيازبندي اعتباري پرداختند .تان و دي هاردجو (2001) از طريق افزايش زمان و دوره پيش بيني مدل به توسعه يك تحقيق ابتدايي در استفاده از شبكه هاي عصبي براي پيش بيني استرس هاي مالي در اتحاديه هاي اعتباري استراليا پرداختند . دستاورد حاصل شده در مقايسه با نتايج به دست آمده از متوسط انحراف از ميانگين، نتايج قابل قبولي بود . همچنين ديويس و همكاران نيز در 1996 به بررسي نگرشهاي سيستم‌هاي خودپرداز براساس تجزيه و تحليل شبكه‌هاي عصبي پرداختند .
ازسوي ديگر، شناسايي كاربردهاي متنوع الگوريتم هاي ژنتيك از سوي افراد مختلف به صورت زير ارائه شده است : انتخاب استراتژي هاي بازار انحصاري چند جانبه ( ماركز ، 1989 ) ، توسعه استراتژي‌هاي سرمايه گذاري مالي (باور‌‌، 1994 ) ،جستجو براي يافتن قوانين تكنيكي براي اعمال آنها در بازارسرمايه ( كارجالايننن‌، 1994 ) ، تجزيه و تحليل ريسك در بانكداري ( وارتو ،1998 ) . علاوه بر اين، در سال 1999 كارجالايننن و آلن از الگوريتم‌هاي ژنتيك در پيدا كردن قوانين تكنيكي تجاري استفاده كردند. در همين زمان نيز آندرا و همكارانش (1999) از الگوريتم هاي ژنتيك در تجــزيه و تحليل فني در بازار سهام مادريد استفاده كردند .
از ديگر سيستمهاي مالي مبتني بر شبكه‌هاي عصبي و الگوريتم هاي ژنتيك مي توان به موارد زير اشاره كرد :
_ KABAL _ سيستم دانشي براي تجزيه و تحليل مالي در بانكداري (هارت ويگسن ، 1990 )
_ CREDEX _ سيستمي براي ارزيابي اعتبارات ( پينسون ، 1990 )
_ FINEVA _ سيستم دانشي چند معياري پشتيباني از تصميم گيري براي ارزيابي عملكرد و قابليت حيات شركت ( زوپوني ديس ، 1996 )
پيش بيني
پيش بيني يكي از قديمي ترين فعاليتها و وظايف مديريت وتجارت بوده است . درروزگاران قديم نمونه هايي از پيشگوييها و پيش بيني ها وجود دارد . به طور كلي ، مديري را مي توان موفق دانست كه از قوه تجسم بالايي در تصميم گيري و قضاوت برخوردار باشد . تجربه ، به انسان در پيش بيني آينده وانتخاب تصميم درست و دادن رأي صحيح كمك مي كند. روش هاي هوش مصنوعي توانايي بالايي را درپيش بيني و ارائه عملكرد بهتر در مواجهه بامسائل غيرخطي و ساير مشكلات مدل سازي سري هاي زماني نشان داده اند .رحمان و بهتنگار (1998 ) يك سيستم خبره را براي پيش بيني كوتاه مدت طراحي كردند‌، اين درحالي است كه چيو (1997) يك شبكه عصبي را در تركيب با سيستم خبره قانونمند براي همين منظور در تايوان مورد استفاده قرار داد . همچنين تحقيقات كانلن و جيمز (1998) نشان دادكه مي توان بين خصيصه هاي داراييهاي اقتصادي و ارزش داراييهاي تجاري در يك بازار خاص پيوند برقرار كرد و به مدل ارزش گذاري اي رسيد كه به پيش بيني كوتاه مدت نوسانات ارزش گذاري دراستفاده از شبكه‌هاي عصبي مي‌پردازد‌. درنهايت بررسيهاي انجام شده نشان مي‌دهد كه در اين حوزه بيشتر بر كاربرد شبكه هاي عصبي كار شده است تا الگوريتم هاي ژنتيك‌.
ساير حوزه هاي تجاري
تا اينجا درباره كاربردهاي مختلف شبكه هاي عصبي و الگوريتم هاي ژنتيك در بخشهاي كليدي تجارت صحبت كرديم : بازاريابي ، بانكداري و مالي ، پيش بيني . قطعاً حوزه هاي ديگري از تجارت و كسب و كارنيز وجود دارد كه در اندازه هاي متفاوت مي توانند از مزاياي استفاده از شبكه هاي عصبي و الگوريتم هاي ژنتيك منتفع شوند . به عنوان مثال مي توان به كاربرد شبكه هاي عصبي در صنعت هتلداري ( لاو ، 1998) ، ارزيابي داراييها (لنك و همكاران 1997 ) و پيش بيني تورم (آيكن ، 1999) اشاره كرد. علاوه بر اين ، كاملاً مشهود است كه بخشهايي ( مانند توليد ، صنايع سنگين ، انرژي ، ساخت و ساز ) وجود دارند كه از نظر ما دور مانده اند .
مزاياي استفاده از اين فناوريهاي هوش مصنوعي
با بررسي اجماعي نظريات و تحقيقات موجود مي توان مزاياي استفاده از فناوريهاي هوش مصنوعي و الگوريتم هاي ژنتيك را در قالب گزاره هاي زير خلاصه كرد :
_ ارائه خدمات بهتر به مشتري
_ تقليل زمان انجام وتكميل وظايف
_ افزايش توليد
_ استفاده اثربخش تر از منابع
_ سازگاري و ثبات بيشتر در تصميم گيري

No body is perfect...i'm nobody - بازار یابی و هوش مصنوعی

تکنیک های هوش مصنوعی و ابزارهای مدلسازی درحوزه کسب وکار

مقدمه
توجه به کاربرد تکنیک های هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبکه های عصبی و الگوریتم های ژنتیک از موضوعاتی بوده اند که توجه بسیاری از دانشگاهیان را به خود جلب کرده اند . این دو به عنوان ابزاری نیرومند در حل مسائلی که دیگر توسط متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی اجتماعی ما نیز تسری یافته تا جایی که کاربرد آنها در تصمیم گیری ها نقش حیاتی یافته است . این مقاله شواهدی را مبتنی برامکان استفاده اخلاقی از شبکه های عصبی و الگوریتم ها ی ژنتیک که به منجر به تصمیم گیریهای موفقیت آمیز در ارتباط با مسائل مرتبط با کسب و کار می شود ارائه می کند . برای این منظور لازم است که بررسی تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد . به همین دلیل ، در تحقیق ما بر نقش محققان عملیاتی در حوزه کاربرد شبکه های عصبی و الگوریتم های ژنتیک تأکید شده است . همچنین در کنار ایجاد چنین پایگاهی برای محققان ، به سوالات اساسی زیر نیز پاسخ داده شده است :
-1آیا کاربردهای سیستم های مبتنی بر هوش مصنوعی می تواند از فرایندهای تصمیم گیری شرکت شما پشتیبانی کند ؟
-2آیا اسناد ودلایل و مدارک معتبری برای اثبات این ادعا وجود دارد ؟
-3آیا اینها تنها یک تئوری و ایده دانشگاهی است یا دارای قابلیت کاربرد و تعمیم نیز هست؟
به عبارت دیگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سیستم های خبره در کسب و کار، نویسندگان و محققان در آرزوی دستیابی به فرصتی جهت بحث مقایسه ای در باره این سه متدلوژی هوشمند هستند (متاکسیوس و پساراس 2003 ) . یکی از مهم ترین و بحث‌برانگیزترین تحقیقات ، بررسی صورت گرفته توسط لایبوتز (2001) است که نتیجه آن تحت عنوان «سیستمهای خبره و کاربرد آنها» مطرح شد .
ساختار این مقاله به صورت زیر است‌: در ابتدا مروری بر پایه و اساس شبکه های عصبی و الگوریتم های ژنتیک خواهیم داشت و سپس به بازنگری جامعی بر کاربرد شبکه های عصبی و الگوریتم های ژنتیک در حوزه کسب و کار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات کاربردی آینده به پایان خواهیم رساند .
فناوری شبکه عصبی
شبکه های عصبی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی ، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحدهای پردازشی (نورون‌ ) مرتبط با شبکه ها تشکیل شده اند‌. سلول عصبی بیولوژیکی یا نورون، واحد سازنده سیستم عصبی در انسان است. یک نورون ازبخشهای اصلی زیر تشکیل شده است :
1) بدنه سلولی که هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است .
2) هسته
3) آکسون که وظیفه آن انتقال اطلاعات از سلول عصبی است .
4) دندریت که وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است
یک سیستم شبکه عصبی از تکنیک‌های مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده می‌کند (هایکین ،1994 ) . هر نورون ورودیهای متعددی را پذیراست که با یکدیگر به طریقی جمع می شوند .اگر در یک لحظه تعداد ورودی های فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش می کند . در غیر این‌صورت نورون به صورت غیر فعال و آرام باقی می ماند .فعالیت هر نورون از مجموعه ای از یک یا چند ورودی ، عملیات و وظیفه خروجی برای محاسبه خروجیهایش تشکیل شده است . عملکرد اساسی این مدل مبتنی بر جمع کردن ورودیها و به دنبال آن به وجود آمدن یک خروجی است . ورودیهای نورون از طریق دندریت ها که به خروجی نورون های دیگر از طریق سیناپس متصل شده اند وارد می شوند . بدنه سلولی کلیه این ورودیها را دریافت می کند و چنانچه جمع این مقادیراز مقداری که به آن آستانه گفته می شود بیشتر شود در اصطلاح بر انگیخته شده یا آتش می کند و درغیر این صورت خروجی نورون روشن یا خاموش خواهد شد.
امروزه شبکه های عصبی در کاربردهای مختلفی از قبیل طبقه بندی داده ها و تشخیص الگو از طریق فرایند یادگیری که خود شامل مسائلی مانند تشخیص خط و شناسایی گفتار وپردازش تصویر است به کار می روند .به مثابه سیستم های بیولوژیکی ، آموزش شامل تنظیم پیوندهای بین سیناپس‌ها که درهر نورون وجود دارند است. به عبارت دیگر‌، اطلاعات آموخته شده به شکل ارزشهای عددی به‌نام «وزن» که به هر واحد پردازش شبکه اختصاص داده می‌شود ،ذخیره می شوند .به طور کلی ، شبکه های عصبی می توانند بین :روشهای اتصال نورون ها، انواع روشهای ویژه محاسبه عملیات نورون ها، روش انتقال الگوی عملیات از خلال شبکه و روشهای یادگیری آنها که شامل نرخ یادگیری است، تمایز قائل شوند . با در نظر گرفتن ارتباطات بین نورون ها ، می توان بین شبکه های لایه دار و بدون لایه تمایز قایل شد . شبکه های لایه دار گروهی ازنورون ها هستند که در لایه هایی مجتمع گردیده اند که بین لایه ورودی و خروجی - که تنها پیوند خارجی دارند - یک یا چند لایه پنهان وجود دارد . داده های ورودی از لایه ورودی به وسیله لایه های پنهان (لایه میانی ) به لایه خروجی منتقل می‌شوند . سیگنالها ی جاری در شبکه های لایه دار به سمت جلو حرکت می کنند که در اصطلاح فنی به آنها پیش خور گفته می شود در حالی که شبکه های بدون لایه دارای گره های اضافی بازخور هستند که از تقسیمات درست لایه ها جلوگیری می کنند .
ساختار پیوندها و تماسها و تعداد لایه‌ها و نورون ها تعیین کننده معماری شبکه است که بایستی قبل از استفاده از شبکه‌های عصبی تنظیم شود .اگرچه در موارد مشخصی می توان با موفقیت از شبکه های عصبی تک لایه استفاده کرد اما رسم بر این است که شبکه های عصبی حداقل دارای 3 لایه باشند ( لایه ورودی ،لایه پنهان یا لایه میانی و لایه خروجی .
قبل از آنکه شبکه آموزش داده شود‌، اوزان اختصاصی کوچک و به صورت تصادفی ارزش گذاری می شوند . در خلال روند آموزش ، اوزان شبکه به شکل تدریجی تعدیل می شود تا جایی که محرز شود که کاملاً روابط فرا گرفته شده است . این شکل از یادگیری ، یادگیری با سرپرست نامیده می شود . وقتی یک الگو در لایه ورودی به‌کار گرفته می شود تا آن جا جلو می رود که ستانده نهایی در لایه خروجی محاسبه شود . ستانده شبکه با نتایج مطلوب مورد انتظار مدل مقایسه و خطاهای موجود محاسبه می‌شود .این خطاها مجدداً به عنوان بازخورد به شبکه بازمی گردد تا تغییرات لازم در اوزان پیوندها برای کاهش خطا صورت گیرد .مجموعه ای از مثالهای آموزشی داده _ ستانده مکرراً ارائه می شود. تا جایی که مجموع امتیازات خطا به سطح قابل قبولی کاهش یابد . در این جایگاه م‌ توان آن شبکه را به عنوان شبکه ای آموزش دیده در نظر گرفت . اما در روش دیگری که یادگیری بدون سرپرست نامیده می شود‌، شبکه عصبی باید بدون کمک گرفتن از جهان ، بتوانند کار آموزش را انجام دهد . واقعیت آن است که در عمل ازروش یادگیری باسرپرست و یا حداکثر از روشهای ترکیبی استفاده می شود و فرایند آموزش بدون سرپرست به شکل خالص تنها وعده‌ای است که شاید بتواند در آینده تحقق یابد . در حال حاضر و در کاربردهای پیشرفته ، از روش آموزش بدون سرپرست برای ایجاد تنظیمات اولیه برروی سیگنال های ورودی شبکه های عصبی استفاده می شود و باقی مراحل آموزش به روش با سرپرست ادامه می یابد .
حوزه های کاربردی شبکه های عصبی در موضوعات زیر است :
_ همبستگی ناشناخته بین ویژگیهای مطلوب و ارزش متغیرهای مسائل تصمیم گیری (‌جایی که راه حل مسائل ناشناخته است.
_ مسائلی که دارای راه حل الگوریتم نیستند.
_ جایی که داده های ناقص وجود دارد.
مزیت اصلی شبکه های عصبی ، قابلیت فوق العاده آنها در یادگیری و نیز پایداری شان در مقابل اغتشاشات ناچیز ورودی است ( فاوست ، 1994) .به عنوان مثال اگر از روشهای عادی برای تشخیص دستخط یک انسان استفاده کنیم ممکن است در اثر کمی لرزش دست ، این روشها به تشخیص غلطی برسند در حالی که یک شبکه عصبی که به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی نیز به پاسخ درست خواهد رسید .درنتیجه ، تاکید ما بر این حقیقت است که انتخاب شبکه درست با محاسبات صحیح، عامل اصلی در تضمین موفقیت عملکرد است .

فناوری الگوریتم ژنتیک
الگوریتم های ژنتیک روش قدرتمندی را برای توسعه اکتشافی مسائل بهینه سازی ترکیبی مقیاس بزرگ فراهم آورده است . انگیزه اصلی مطرح کردن الگوریتم ژنتیک می تواند این گونه عنوان شودکه «تکامل تدریجی» به شکل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مکانیزم های نسبتاً ساده تکمیلی نمود یافته است . حال سوال اساسی این است : پذیرش کدام ایده از تئوری تکامل تدریجی می تواند به ما در حل مسائل این قلمرو کمک کند ؟ این سوال با توجه به غنای پدیده تکامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (1975 ) از نخستین کسانی هستندکه با معرفی مفهوم الگوریتم ژنتیک به عنوان یک تکنیک جستجوی عمومی - که از تکامل تدریجی بیولوژیک در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات الگوبرداری می کند - درصدد پاسخگویی به این سوال برآمدند .
یک الگوریتم ژنتیک مسئله را به صورت مجموعه ای از رشته ها که شامل ذرات ریزهستند کد گذاری می کند ، سپس برای تحریک فرایند تکامل تدریجی ،تغییراتی را بر روی رشته ها ا عمال می‌دارد. در مقایسه با الگوریتم های جستجوی محلی ، در جستجوی عمومی که تنها یک راه حل قابل قبول وجود دارد ، الگوریتم های ژنتیک جامعه ای از افراد را در نظر می‌گیرند . کـــار با مجموعه ای از افراد، امکان مطالعه ساختارها و ویژگیهای اصلی افراد متفاوت را که منجر به شناسایی و کشف راه حلهای کارآمد تر می شود، فراهم می‌سازد . در طی مطالعه ، الگوریتم ژنتیک رشته های متناسب با ارزش را برمی گزیند و آن دسته از رشته‌هایی را که تنــاسب کمتری با جمعیت مورد بررسی دارند حذف می‌کنند .

مروری بر کاربردهای تجاری
بعد از مروری بر پیشینه شبکه های عصبی و الگوریتم های ژنتیک و پیشرفتهای آنها ، می توان حوزه های کاربردی آنها را در کسب و کار شناسایی کرد . بنابر این در این قسمت به بررسی انواع مسائل تجاری که به شکلی مناسب به‌وسیله شبکه های عصبی و الگوریتم های ژنتیک قابل حل خواهند بود ، می پردازیم . اما قبل از آن توضیحی مختصر در ارتباط با موضوعات مرتبط با این حوزه خواهیم داد .

بازاریابی
«انجمن بازاریابی آمریکا» از دیدگاه مدیریتی، بازاریابی را بدین گونه تعریف می کند : بازاریابی یک فرایند اجتماعی و مدیریتی است که به‌وسیله آن، افراد و گروهها ، نیازها و خواسته ها ی خود را از طریق تولید ، عرضه و مبادله کالاهای مفید و با ارزش با دیگران ، تأمین می کنند . به طور کلی ، بازاریابی دانشی ناشناخته است که با ویژگیهایی از قبیل عدم اطمینان بالا ، ساختار گمشده علّـی ودانشی ناکامل و گسترده قابل شناسایی است .بسیاری از وظایف تصمیم گیری و حل مسـئله به صورت بدون ساختار یا نیمه ساختار یافته انجام می شود . به همین دلایل توسعه کاربرد شبکه های عصبی و الگوریتم های ژنتیک در بازاریابی نسبت به سایر حوزه های علم دشوارتر است .
در سال 1991 ، کاری و ماتین هو به بحث در رابطه با نقش هوش مصنوعی در بازاریابی پرداختند و جایگاه یابی رقابتی را به‌وسیله متدلوژی هدف گرا مورد تجزیه و تحلیل قرار دادند . الیس و همکارانش در سال 1991 گزارشی از پیشرفتهای کاربرد مدل های شبکه عصبی در مواجهه با استراتژی قیمت گذاری کششی ارائه کردند در حالی‌که پراکتر در سال 1992 چگونگی کاربرد تکنولوژی شبکه های عصبی در یادگیری مدل های داده بازاریابی و نقش آنها را در ساختن سیستم های پشتیبانی از تصمیمات بازاریابی به نمایش گذاشت . در سال 1993 کاری و ماتین هو از تکنولوژی شبکه های عصبی در مدل سازی واکنش مصرف کننده به محرک تبلیغات استفاده کردند . رای و همکارانش در سال 1994 شبکه های عصبی را در کمّی سازی فاکتورهای موثر در کیفیت روابط خریدارو فروشنده مورد استفاده قرار دادند . برای این منظور شبکه ای با دو عنصر خروجی کیفیت روابط (رضایت از روابط و اعتماد ) و پنج ورودی ( گرایش فروش فروشنده ، مشتری گرایی ، تخصص، اخلاقیات ، و دوام روابط ) شکل گرفت . در مقایسه با رگرسیون های چند متغیره، تکنیک شبکه های عصبی به نتایج آماری قابل قبول تری دست یافت .
از سوی دیگر ، هارلی و همکاران (1994) استفاده از الگوریتم های ژنتیک را در حل مسائل بهینه سازی بازاریابی مورد آزمایش قرار دادند . بر اساس مطالعه آنها ، کاربردهای بالقوه الگوریتم های ژنتیک در بازاریابی می تواند شامل موارد زیر باشد :
1- رفتار مصرف کننده
_ یادگیری مدل های انتخاب مصرف کننده
_ پردازش اطلاعات مصرف کننده
_ تاثیر گروههای مرجع
2- بخش بندی،انتخاب بازار هدف، جایگاه یابی
_ بهینه سازی ساختارهای محصول – بازار
_ تجزیه و تحلیل فاکتورهای کلیدی خرید
_ جایگاه یابی محصول
3-مدیریت عناصر آمیخته بازاریابی
_ بهینه سازی چرخه حیات محصول
_ طراحی محصول
_ استراتژی تبلیغات و برنامه ریزی رسانه‌ای
_ مدیریت فروش
گرین و اسمیت (1987) یک سیستم ژنتیک را برای یادگیری مدل های انتخاب مصرف کننده مطرح ساختند و تنگ و هولاک (1992 ) چارچوبی مفهومی را در پیوند مفاهیم بازاریابی با مکانیزم تکامل تدریجی داروین ارائه کردند . در سال 1992 بالاک ریشمن و جاکوب یک الگوریتم ژنتیک مبتنی بر سیستم پشتیبانی از تصمیم گیری برای طراحی محصول ارائه کردند . از سوی دیگرو در حرکتی نوین وناگوپال و بیتز (1994) ازاشتراک شبکه های عصبی و تکنیکهای آماری در تحقیقات بازاریابی استفاده کردند. درنهایت ، می توان گزارشی از پیشرفتهای موجود در این زمینه رابه شکل زیر ارائه کرد :
_ STRATEX _ یک سیستم دانشی با هدف پشتیبانی از انتخاب بخشهای بازار (بورچ و هارتویگسن ، 1991) )
_ ADDUCE _ سیستمی در توجیه واکنش مصرف کننده به تبلیغات (بارک ، 1991) )
_ COMSTRAT _ سیستمی برای تصمیمات استراتژیک بازاریابی با تاکید ویژه بر جایگـاه یابی رقابتی ( ماتین هو و همکاران 1993‌ (
_ MARSTRA _ سیستم هوش شبکه ای برای توسعه استراتژی های بازاریابی و ارزیابی فاکتورهای بازاریابی استراتژیک
_ GLOSTRA _ سیستم هوش شبکه ای برای توسعه و بهبود استراتژی های بازاریابی جهانی و بازاریابی اینترنتی ( لی و دیویس‌، 2001 (

بانکداری و حوزه های مالی
از کاربردهای مهم و مطرح شبکه های عصبی و الگوریتم های ژنتیک در بانکداری و حوزه مسائل مالی می توان به این موارد اشاره کرد : کاربردهای اعتباری ، تجزیه و تحلیل های مالی ، سرمایه گذاری مالی ، و تجزیه و تحلیل بازار مبادله سهام . محققان بسیاری به بررسی کاربردهای شبکه های عصبی و الگوریتم های ژنتیک در بانکداری و مالی پرداخته اند . ازآن جمله ، در سال 1993 ، تفتی و نیکبخت به بحث در ارتباط با استفاده از شبکه های عصبی توسط سازمانها وشرکتهای مالی در جهت اهداف متفاوت امتیازبندی اعتباری پرداختند .تان و دی هاردجو (2001) از طریق افزایش زمان و دوره پیش بینی مدل به توسعه یک تحقیق ابتدایی در استفاده از شبکه های عصبی برای پیش بینی استرس های مالی در اتحادیه های اعتباری استرالیا پرداختند . دستاورد حاصل شده در مقایسه با نتایج به دست آمده از متوسط انحراف از میانگین، نتایج قابل قبولی بود . همچنین دیویس و همکاران نیز در 1996 به بررسی نگرشهای سیستم‌های خودپرداز براساس تجزیه و تحلیل شبکه‌های عصبی پرداختند
.ازسوی دیگر، شناسایی کاربردهای متنوع الگوریتم های ژنتیک از سوی افراد مختلف به صورت زیر ارائه شده است :
انتخاب استراتژی های بازار انحصاری چند جانبه ( مارکز ، 1989 ) ، توسعه استراتژی‌های سرمایه گذاری مالی(باور‌‌،1994 ) ،جستجو برای یافتن قوانین تکنیکی برای اعمال آنها در بازارسرمایه ( کارجالایننن‌، 1994 ) ، تجزیه و تحلیل ریسک در بانکداری ( وارتو ،1998 ) . علاوه بر این، در سال 1999 کارجالایننن و آلن از الگوریتم‌های ژنتیک در پیدا کردن قوانین تکنیکی تجاری استفاده کردند. در همین زمان نیز آندرا و همکارانش (1999) از الگوریتم های ژنتیک در تجــزیه و تحلیل فنی در بازار سهام مادرید استفاده کردند .از دیگر سیستمهای مالی مبتنی بر شبکه‌های عصبی و الگوریتم های ژنتیک می توان به موارد زیر اشاره کرد :
_ KABAL _ سیستم دانشی برای تجزیه و تحلیل مالی در بانکداری (هارت ویگسن ، 1990 (
_ CREDEX _ سیستمی برای ارزیابی اعتبارات ( پینسون ، 1990 )
_ FINEVA _ سیستم دانشی چند معیاری پشتیبانی از تصمیم گیری برای ارزیابی عملکرد و قابلیت حیات شرکت ( زوپونی دیس ، 1996 )

پیش بینی
پیش بینی یکی از قدیمی ترین فعالیتها و وظایف مدیریت وتجارت بوده است . درروزگاران قدیم نمونه هایی از پیشگوییها و پیش بینی ها وجود دارد . به طور کلی ، مدیری را می توان موفق دانست که از قوه تجسم بالایی در تصمیم گیری و قضاوت برخوردار باشد . تجربه ، به انسان در پیش بینی آینده وانتخاب تصمیم درست و دادن رأی صحیح کمک می کند.روش های هوش مصنوعی توانایی بالایی را درپیش بینی و ارائه عملکرد بهتر در مواجهه بامسائل غیرخطی و سایر مشکلات مدل سازی سری های زمانی نشان داده اند .رحمان و بهتنگار (1998 ) یک سیستم خبره را برای پیش بینی کوتاه مدت طراحی کردند‌، این درحالی است که چیو (1997) یک شبکه عصبی را در ترکیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد . همچنین تحقیقات کانلن و جیمز (1998) نشان دادکه می توان بین خصیصه های داراییهای اقتصادی و ارزش داراییهای تجاری در یک بازار خاص پیوند برقرار کرد و به مدل ارزش گذاری ای رسید که به پیش بینی کوتاه مدت نوسانات ارزش گذاری دراستفاده از شبکه‌های عصبی می‌پردازد‌. درنهایت بررسیهای انجام شده نشان می‌دهد که در این حوزه بیشتر بر کاربرد شبکه های عصبی کار شده است تا الگوریتم های ژنتیک‌ .

سایر حوزه های تجاری
تا اینجا درباره کاربردهای مختلف شبکه های عصبی و الگوریتم های ژنتیک در بخشهای کلیدی تجارت صحبت کردیم :
بازاریابی ، بانکداری و مالی ، پیش بینی . قطعاً حوزه های دیگری از تجارت و کسب و کارنیز وجود دارد که در اندازه های متفاوت می توانند از مزایای استفاده از شبکه های عصبی و الگوریتم های ژنتیک منتفع شوند . به عنوان مثال می توان به کاربرد شبکه های عصبی در صنعت هتلداری ( لاو ، 1998 ) ، ارزیابی داراییها (لنک و همکاران 1997 ) و پیش بینی تورم (آیکن ، 1999) اشاره کرد . علاوه بر این ، کاملاً مشهود است که بخشهایی ( مانند تولید ، صنایع سنگین ، انرژی ، ساخت و ساز ) وجود دارند که از نظر ما دور مانده اند .

مزایای استفاده از این فناوریهای هوش مصنوعی
با بررسی اجماعی نظریات و تحقیقات موجود می توان مزایای استفاده از فناوریهای هوش مصنوعی و الگوریتم های ژنتیک را در قالب گزاره های زیر خلاصه کرد :
_ ارائه خدمات بهتر به مشتری
_ تقلیل زمان انجام وتکمیل وظایف
_ افزایش تولید
_ استفاده اثربخش تر از منابع
_ سازگاری و ثبات بیشتر در تصمیم گیری

نتایج
در این مقاله سعی کردیم با معرفی کاربردهای شبکه های عصبی و الگوریتم های ژنتیک در حوزه تجارت و بازرگانی به‌ویژه در محدوده بازاریابی، مالی و بانکداری و پیش بینی ، بعدی جدید از حوزه تجارت وکسب و کار را نمایان کنیم.
نتیجه نهایی این مباحث به تنوع حوزه های کاربردی که بر مزایا و منافع شبکه های عصبی و الگوریتم های ژنتیک اشاره دارد منتهی می شود . این دو تکنولوژی امروزه بیش از بیش به عنوان ابزار تصمیم گیری سازمانها مورد استفاده قرار می گیرند که البته نتایج حاصل از کاربرد آنها ( همچون تصمیمات صحیح ، صرفه جوییهای زمانی ، انعطاف پذیری ،کیفیت بهبود یافته ، آموزش موثر‌) بر محبوبیت آنها افزوده است . اعتقاد ما بر این است که در صورت ادغام مناسب این دو فناوری با سایر فناوریهای هوشمند (‌مانند سیستم های خبره ، عوامل هوشمند ، منطق فازی) و تکنیکهای تحقیق درعملیات به‌ویژه شبیه سازی می توان روز به روز بر موارد استفاده آنها در حوزه های مختلف افزود و از مزایای آنها بهره مند شد. بر اساس تحقیق کتابخانه ای انجام شده موارد زیر برای تحقیقات آینده پیشنهاد می شود :
-بررسی مزایای استفاده از الگوریتم های ژنتیک در بهینه سازی مسائل بازاریابی
_مقایسه کاربرد شبکه های عصبی و الگوریتم های ژنتیک و سیستم های خبره برای شناسایی مزایا و ضررهای هر کدام از این فناوریها .

منابع
-1 جکسون . تی و بیل . آر . آشنایی با شبکه‌های عصبی ، ترجمه دکتر محمود البرزی – تهران : موسسه انتشارات علمی دانشگاه صنعتی شریف ، چاپ دوم ، 1383
-2کاتلر ، فیلیپ . مدیریت بازاریابی ، ترجمه بهمن فروزنده – تهران : آتروپات ، 1382
3- قمی ، علیرضا " شبکه های عصبی مصنوعی "‌ ، نشریه دنیای کامپیوتر و ارتباطات – شماره 12 ، صفحات 66 تا 69
-4 سعیدی ، مسعود " شبکه های عصبی (2) " ، نشریه شبکه _ شماره 52 ، اسفند 1383 ، صفحه 210 تا 211
-5 ممانی ، حامد ، نرگس پور اصغری حقی و ساعد علی ضمیر ، " شبکه های عصبی و کاربرد آن در بهینه سازی " ، نشریه صنایع _ شماره 30
-6 نورزاد ، غلامرضا " بیولوژی سلولی مولکولی " ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول

7- Metaxiotis , Kostas & John Psarras (2004) "The Contribution of Neural networks and genetic algoritms to business decision support "Management decision , vol 42 ,no .2, Emerald group publishing limited , pp.
229.242
8- Curry , B & L. Moutinho (1993) "Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli "European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20
9- Wray , B , A. palmer & D. Bejou (1994) " Using Neural Network Analysis to evaluate Buyer – Seller Relationships " European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48
10- Venugopal .V & W. Beats ( 1994 ) " Neural networks and Statistical Techniques in marketing research " Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38
11- Davies , F , L . Moutinho & B . Curry (‌‌1996 ) " ATM user attitudes : a neural network analysis " , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32


دکتر حمیدرضا جعفریه، نگار معتمدی، الهه ملایی

تکنیک های هوش مصنوعی و ابزارهای مدلسازی درحوزه کسب وکار