کاربرد پردازش زبان طبیعی در حوزه مالی

پیشرفت چشمگیر فناوری پردازش زبان طبیعی (Natural Language Processing) در چند سال اخیر، برای بسیاری از متخصصان علوم داده نیز قابل پیش‌بینی نبود. فراگیری NLP چنان قابل‌توجه بوده که بسیاری از شرکت‌های کوچک و بزرگ، تصمیم گرفتند سرمایه‌گذاری عظیمی بر روی این فناوری انجام دهند و پردازش زبان طبیعی را یکی از چشم‌اندازهای تأثیرگذار در آینده پیش روی خود ببینند. کاربردهای NLP را می‌توان در زمینه‌های مختلفی بررسی کرد و یکی از مهم‌ترین شاخه‌های فعالیت آن را می‌توان کاربرد پردازش زبان طبیعی در حوزه مالی دانست. مقدار زیادی از کلان‌داده‌های پردازش‌نشده ازجمله ایمیل‌ها، گفت‌وگوهای شبکه‌های اجتماعی، چت‌های آنلاین، نتایج نظرسنجی‌ها و… وجود دارد که در صورت تجزیه‌وتحلیل، می‌تواند اطلاعات بسیار مفیدی را در اختیار سازمان‌ها قرار دهد و تصمیم‌گیری‌ مالی آن‌ها را دگرگون کند. در ادامه به بررسی کاربردهای هوش مصنوعی و فناوری پردازش زبان طبیعی در امور مالی خواهیم پرداخت.

پردازش زبان طبیعی چیست؟

به‌طور خلاصه، NLP (Natural Language Processing) را می‌توان ظرفیت کامپیوترها و نرم‌افزارها در درک زبان انسانی به‌صورت گفتار و نوشتار دانست. پردازش زبان طبیعی، بخشی از فناوری هوش مصنوعی است و برای درک کلمات و جملات، از تکنیک‌های یادگیری ماشین (machine learning) استفاده می‌شود. این فناوری در سالیان گذشته بیشترین پیشرفت را نسبت به دیگر زیرشاخه‌های هوش مصنوعی داشته و توانسته با دستگاه‌های مختلفی ازجمله گوشی‌های هوشمند، Amazon Echo و Alexa ادغام شود و کاربران بی‌شماری را به خود جذب کند.

پردازش زبان طبیعی را می‌توان یکی از پرکاربرترین فناوری‌های روز دنیا دانست که علاوه‌بر متخصصان حوزه هوش مصنوعی، مخاطبان عام نیز استفاده گسترده‌ای از آن دارند. تعداد زبان‌های قابل شناسایی توسط نرم‌افزارهای مبتنی بر NLP، به‌سرعت درحال گسترش است و تنها به زبان انگلیسی محدود نمی‌شوند. وجود داده‌های منبع باز (Open-source) موجود در فضای وب، به توسعه NLP خصوصاً برای زبان‌های غیرانگلیسی کمک شایانی کرده‌است.

کاربرد پردازش زبان طبیعی در حوزه مالی چیست؟

این فناوری، پتانسیل بالایی در اختیار دپارتمان‌ها و شرکت‌های مالی قرار می‌دهد، تا علاوه‌بر داده‌های درون‌سازمانی، داده‌های رایگان موجود در سایت‌ها، شبکه‌های اجتماعی، انجمن‌ها و… را دریافت و پردازش کنند. اهمیت کاربرد پردازش زبان طبیعی در حوزه مالی زمانی بیشتر نمایان می‌شود که بدانید معمولاً بخش زیادی از زمان و انرژی کارشناسان مالی صرف جمع‌آوری داده‌ها، گزارش‌ها و اخبارمرتبط با مباحث مالی و تجزیه‌وتحلیل آنها می‌شود؛ می‌توان تصور کرد که در صورت واگذاری این وظیفه به هوش مصنوعی، تا چه حد در زمان و انرژی نیروی انسانی صرفه‌جویی می‌شود و حجم معاملات تا چه اندازه افزایش پیدا می‌کند.

از معامله‌گران، مدیران پورتفولیو و بانک‌ها گرفته تا صندوق‌های سرمایه‌گذاری، دپارتمان‌‎ها و شرکت‌های مالی، همه می‌توانند از پردازش زبان طبیعی در راستای بهبود اهداف خود در حوزه مالی بهره ببرند. به‌این‌منظور، تکنیک‌ها و ابزارهای بسیاری ازجمله آنالیز احساسات، چت‌بات‌ها، خوشه‌بندی اطلاعات و دسته‌بندی اسناد در اختیار فعالان حوزه مالی قرار دارد و می‌توانند به‌وسیله آنها، زیرساخت‌های مالی خود را توسعه دهند.

برای مثال، بانک‌ها، مؤسسات اعتباری و صندوق‌های سرمایه‌گذاری می‌توانند از NLP در راستای دستیابی به اهداف زیر بهره ببرند:

• فراهم‌آوردن تجربه مناسب و کارآمد برای مشتریان
• جلوگیری از تخلفات مالی، کلاهبرداری و پول‌شویی
• حرکت موثر در راستای سیاست‌ها و استراتژی‌های سازمانی
• بهبود اثربخش فرایندهای مالی

ارزیابی ریسک

ارزیابی ریسک را باید یکی از مهم‌ترین کاربردهای پردازش زبان طبیعی در حوزه مالی دانست. با استفاده از فناوری پردازش زبان طبیعی، ریسک بازپرداخت تسهیلات اعطاشده توسط بانک‌ها ارزیابی می‌شود و تصمیم‌گیری جهت تأیید یا رد درخواست وام با دقت بسیار بالایی صورت می‌گیرد. در گذشته، این اطلاعات از طریق بررسی سابقه بازپرداخت اقساط قبلی یا گردش مالی افراد به دست می‌آمد که راه‌حل دقیقی برای پرداخت یا عدم پرداخت وام به مشتریان نبود؛ همچنین این سوابق برای افراد فقیر به‌راحتی در دسترس نیست و باعث می‌شود این طبقه اجتماعی، نتوانند از تسهیلات بانکی استفاده کنند. خطای انسانی در مرحله جمع‌آوری داده‌ها نیز یکی از مشکلاتی است که می‌تواند دریافت تسهیلات برای متقاضیان را با چالش روبه‌رو کند.

هوش مصنوعی می‌تواند با بررسی نوع نگرش و ذهنیت کارآفرینی متقاضیان، به ارزیابی ریسک پرداخت وام بپردازد و حتی در این مسیر، رفتار و عواطف افراد را هم بررسی کند. برای مثال، ممکن است فردی که سابقه تراکنش مالی بالایی نداشته و از درآمد مناسبی برخوردار نیست، ایده کارآفرینی بسیار خوبی داشته باشد که در صورت دریافت وام، بتواند ارزش افزوده چشمگیری ایجاد کند و توان بازپرداخت اقساط را داشته باشد. در مقابل، فردی که استطاعت مالی بالایی دارد، اما نوع رفتار او نشان می‌دهد که ممکن است پس از دریافت وام، از بازپرداخت اقساط تسهیلات شانه خالی کند.

حسابداری و حسابرسی

پس از چندین دهه ثبت اسناد حسابداری روزانه، بررسی تراکنش‌ها و حسابرسی فاکتورهای بی‌شمار، بسیاری از شرکت‌ها و سازمان‌ها به فکر استفاده از NLP در انجام فعالیت‌های حسابداری و حسابرسی خود افتادند و بسیاری از امور روتین خود را به هوش مصنوعی سپردند. پردازش زبان طبیعی می‌تواند بادقت بالا و کمترین ‌خطای ممکن، معاملات روزانه را رصد و اختلالات حساب‌ها را شناسایی کند. به‌این وسیله، زمان و دلیل تمامی ناهنجاری‌های مالی مشخص می‌شود و کوچک‌ترین تخلفاتی که می‌توانست از چشم نیروی انسانی دور بماند نیز به صفر می‌رسد.

نکته قابل‌توجه این است که شرکت‌هایی که متقاضی استفاده از خدمات NLP در فرایندهای مالی خود هستند، دیگر نیازی به تأسیس دپارتمان هوش مصنوعی درون‌سازمانی با صرف زمان و هزینه گزاف ندارند و می‌توانند تمامی فعالیت‌های مالی خود را به مجموعه‌های ارائه‌دهنده خدمات مالی مبتنی بر هوش مصنوعی واگذار می‌کنند. علاوه‌بر موارد بیان‌شده، NLP می‌تواند از بسیاری از پول‌شویی‌ها و کلاهبرداری‌ها جلوگیری و هرگونه سوءاستفاده را در لحظه شناسایی و گزارش کند.

بهینه‌سازی سبد سرمایه‌گذاری (Portfolio optimization)

سرمایه‌گذاران همواره در تلاش‌اند تا سود سرمایه‌گذاری را به حداکثر و ریسک انجام معاملات را به حداقل برسانند؛ تلاشی که همواره چالش‌های بسیاری را پیش روی سرمایه‌گذاران قرار می‌دهد و چگونگی توزیع سبد سهام را به امری دشوار تبدیل می‌کند. علوم داده و یادگیری ماشین، قادر است با استفاده از فناوری NLP، آمار ناپارامتریک را تجزیه‌وتحلیل کند و با بررسی ارزش سهام و تعیین استراتژی، به کمک سرمایه‌گذاران بیاید‌. پردازش زبان طبیعی با فیلترکردن سهام‌های جذاب و ناکارآمد، بهترین پورتفولیو ممکن را به سرمایه‌گذار پیشنهاد می‌دهد و می‌تواند بیشترین سود بالقوه را از طریق بهینه‌سازی سبد سرمایه‌گذاری برای او به ارمغان بیاورد.

پیش‌بینی رفتار سهام

پیش‌بینی رفتار سهام از کاربردهای پردازش زبان طبیعی در حوزه مالی است. بررسی رفتار سهام و نوسانات مقطعی و طولانی‌مدت بازار سرمایه، حتی برای سرمایه‌گذاران حرفه‌ای و خبره نیز امری دشوار است و باعث می‌شود که نتوانند به دید درستی از روند پیش‌روی سهام مورد نظر خود برسند. به همین منظور، فعالان حوزه مالی از ترکیب فناوری یادگیری عمیق و پردازش زبان طبیعی استفاده می‌کنند، تا حجم زیادی از داده‌ها را در مدت‌زمان اندکی پردازش کنند.

 یادگیری عمیق (Deep learning) مفهوم تازه‌ای نیست و در زمینه‌های دیگری از جمله تشخیص گفتار و پردازش تصاویر پزشکی، کاربردهای زیادی برای سازمان‌ها داشته‌است. در زمینه مالی نیز با استفاده از الگوریتم‌های متنوعی ازجمله شبکه‌های عصبی مکرر (Recurrent neural networks) توانسته با درصد خطای مشخص، قیمت سهام را در بازه‌های زمانی مختلف پیش‌بینی کند. به‌دلیل دقت بالایی که فناوری NLP ارائه می‌کند، به‌سرعت جای خود را نزد سرمایه‌گذاران خرد و صندوق‌های سرمایه‌گذاری باز کرد و به ابزاری مفید برای کارشناسان و فعالان این حوزه تبدیل شد.

چت‌بات‌ها

چت‌بات‌ها برنامه‌های مبتنی بر هوش مصنوعی هستند که به‌جای اپرتور انسانی، با کاربران به گفت‌وگو می‌نشینند و به سؤالات مطرح‌شده پاسخ می‌دهند. چت‌بات‌ها کاربردهای متنوعی دارند و می‌توانند به‌صورت متنی و صوتی با مخاطب ارتباط برقرار کنند و در بیشتر مواقع نمی‌توان تشخیص داد که با یک ربات درحال صحبت هستید یا اپراتور انسانی! برای توسعه چت‌بات‌ها از یادگیری عمیق و پردازش زبان طبیعی استفاده می‌شود؛ درنتیجه، چت‌بات‌ها می‌توانند مفهوم جملات دریافتی را درک کنند و پاسخ مناسب را از میان دیتابیس خود انتخاب کنند. این ربات‌های هوشمند در طول زمان، موارد تازه‌ای می‌آموزند و با گفت‌وگوی بیشتر با کاربران، بانک داده‌های خود را مرتباً بروز می‌کنند.

مجموعه‌های مالی با استفاده از رابط هوشمند پاسخگوی آنلاین کسب‌وکارها یا همان چت‌بات‌ها، بخش روابط عمومی و کال‌سنترخود را تقویت می‌کنند و نیروی انسانی خود را به‌جای کارهای روتین و پاسخ به سؤالات متداول تکراری، به امور خلاقانه‌تری اختصاص می‌دهند.