نهادهای مالی و مجموعههای ارائهدهنده خدمات پرداخت همواره با چالش نگهداری امن دادههای کاربران دستوپنجه نرم میکنند. ارسال اطلاعات تراکنش، هویت مشتریان و گزارشهای اعتباری به مدلهای بسته هوش مصنوعی که در سرورهای خارجی پردازش میشوند، ریسکهای حقوقی و امنیتی متعددی ایجاد میکند. به همین دلیل، بخش عمدهای از بانکها و فینتکهای پیشرو به استفاده از مدلهای دارای وزن باز روی زیرساختهای پردازشی اختصاصی روی آوردهاند تا کنترل کامل دادهها را در دست داشته باشند.
حفظ حریم خصوصی و استقلال دادههای بانکی
اصلیترین انگیزه سازمانهای مالی برای بازنگری در ساختار فنی، الزامات سفتوسخت مقرراتی پیرامون حفاظت از حریم خصوصی است. زمانی که یک بانک از پلتفرمهای ابری خارجی یا مدلهای بسته استفاده میکند، ناچار است بخشی از اطلاعات را از محیط تحت کنترل خود خارج کند. در مقابل، استقرار مدلهای هوش مصنوعی باز در قالب سرورهای اختصاصی و ابرهای تحت حاکمیت ملی به مؤسسات اجازه میدهد تا عملیات تحلیل متن، مکالمات صوتی و دادههای رفتاری کاربران را بدون خروج کمترین داده از شبکه داخلی سازمان پیادهسازی کنند.
این معماری به بانکها امکان میدهد بدون نگرانی از نقض قوانین نظارتی، لایههای هوش مصنوعی اختصاصی بسازند. پردازش محلی نه تنها خطر نشت اطلاعات را خنثی میکند، بلکه سیستمهای بانکی را از نوسانات دسترسی، تحریمهای ناگهانی یا تغییر سیاستهای شرکتهای ارائهدهنده سرویسهای ابری عمومی کاملاً مستقل نگه میدارد.
کنترل هزینههای عملیاتی و مقیاسپذیری بالا
استفاده از رابطهای برنامهنویسی تجاری برای پردازش حجم سنگین تراکنشهای روزانه، بار مالی سرسامآوری به همراه دارد. بانکهای دیجیتال با میلیونها کاربر که روزانه حجم انبوهی از تراکنشها و پیامهای پشتیبانی را مدیریت میکنند، با هزینههای تصاعدی پرداخت به ازای توکن مواجه میشوند. بررسیهای عملیاتی نشان میدهد که راهاندازی مدلهای باز روی شتابدهندههای سختافزاری اختصاصی میتواند هزینه هر پاسخ را در مقایسه با مدلهای تجاری پیشرو تا چهل درصد پایین بیاورد.
علاوه بر هزینه خام پردازش، مدیریت منابع در زیرساخت سازمانی انعطاف بسیار بیشتری فراهم میسازد. سازمانها میتوانند ظرفیت پردازندههای گرافیکی را بر اساس ساعات اوج فعالیت بازار یا نیاز سیستمهای تسویه حساب تنظیم کنند. این چابکی زیرساختی سبب میشود سرویسدهی مداوم حتی در زمان افزایش سه برابری تراکنشها مختل نشود.
توسعه سیستمهای تخصصی ضدتقلب و تحلیل مالی
سیستمهای سنتی کشف تقلب معمولاً بر پایه قواعد ثابت و کند عمل میکنند، در حالی که حجم دادههای پرداختی بسیار عظیم است. فینتکها با بهرهگیری از خطوط پردازش داده مبتنی بر شتابدهندههای مدرن و مدلهای تخصصی، زمان تصمیمگیری از لحظه ثبت داده تا شناسایی تراکنش مشکوک را به حداقل رساندهاند. اجرای خطوط انتقال داده روی پردازندههای گرافیکی تا دهها برابر سریعتر انجام میشود و امکان بازآموزی پیوسته الگوهای یادگیری ماشین را بدون افزایش هزینههای زیرساخت فراهم میکند.
افزون بر شناسایی رفتار مشکوک مالی، تحلیل دادههای ثبتشده بازار در کسری از ثانیه تسهیل شده است. پژوهشگران اقتصادی و تحلیلگران سرمایهگذاری با مدلهای باز میتوانند فرضیههای پیچیده مالی را با زبان ساده به سیستم ارائه دهند و مجموعهدادههای برچسبگذاریشده و آماده آزمایش دریافت کنند. این رویکرد فاصله میان تحقیقات نظری تا تصمیمگیریهای حساس سرمایهگذاری را بسیار کوتاه میکند.
گذار مؤسسات مالی به سوی مدلهای هوش مصنوعی باز، یک تصمیم صرفاً فناورانه نیست، بلکه راهبردی حیاتی برای مهار ریسک است. قرار گرفتن مدلها در محیط داخلی بانکها سه مزیت کلیدی به همراه دارد: تضمین حفاظت از اطلاعات محرمانه مشتریان، مهار قطعی هزینههای عملیاتی، و ساخت مدلهای اختصاصی متناسب با نوع تراکنشهای بومی. با تکامل ابزارهای متنباز، استقلال دادهها به معیاری اساسی در بلوغ دیجیتال سازمانهای بزرگ تبدیل شده است.
هوش فیسیت · از این مطلب بپرس
بعد از خواندن مطلب بپرسید؛ پاسخ فقط از همین مقاله است.
این مطلب برایتان مفید بود؟
فرهاد محمدی خبرنگار فناوری و هوش مصنوعی فیسیت است. کار روزانهاش این است که خبر مدلهای زبانی، ابزارهای جدید و ادعاهای پرزرقوبرق شرکتها را به زبان قابلاستفاده برای مخاطب ایرانی برگرداند؛ بدون هیجان کاذب و بدون ترساندن بیدلیل.
میز کارش دو بخش است: هوش مصنوعی، و فناوری و تکنولوژی روز — نرمافزار، اینترنت و تغییراتی که روی کار و زندگی دیجیتال اثر میگذارند. قبل از نوشتن معمولاً میپرسد «برای کاربر چه فرقی میکند؟» و همان را محور مطلب میگذارد.
اوپنایآی و گوگل برای تقویت دفاع سایبری نامه سرگشاده منتشر کردند
gitignore را قبل از add بنویسید
سازمان ملل؛ تلگرام، پلتفرمی برای خرید و فروش اطلاعات شخصی و کالاهای قاچاق















نظرات کاربران