افزایش شفافیت تصمیم گیری خودکار در سیستم های بانکی با استفاده از هوش مصنوعی (XAI) قابل تبیین

سیستم های بانکی به طور فزاینده ای از الگوریتم های هوش مصنوعی برای تصمیم گیری های خودکار در حوزه هایی مانند اعطای وام، ارزیابی اعتبار، تشخیص تقلب و مدیریت ریسک استفاده می کنند. با این حال، ماهیت غیر شفاف و پیچیده بسیاری از مدل های یادگیری ماشین به ویژه روش های مبتنی بر یادگیری عمیق، چالش های مهمی در زمینه پاسخگویی، انصاف و رعایت مقررات ایجاد کرده است. این مقاله با استفاده از روش تحقیق ترکیبی (مرور سیستماتیک ادبیات و تحلیل مطالعات موردی) به بررسی نقش هوش مصنوعی قابل تبیین (XAI) در افزایش شفافیت تصمیم گیری های خودکار بانکی می پردازد. یافته ها نشان می دهد که تکنیک های XAI مانند SHAP (Lundberg & Lee, ۲۰۱۷)، IME (۲۰۱۶, Ribeiro et al) و نقشه های اهمیت سهمی می توانند تفسیرپذیری مدل های پیچیده را برای ذینفعان مختلف از جمله مشتریان، ناظران و کارشناسان بانکی بهبود بخشند. همچنین، مطالعه موردی پیاده سازی XAI در سه بانک پیشرو نشان می دهد که این روش ها نه تنها باعث افزایش اعتماد مشتریان شده، بلکه انطباق با مقرراتی مانند GDPR ماده (۲۲) و دستورالعمل های Basel III را تسهیل می کند. این تحقیق چارچوبی عملی برای ادغام XAI در گردش کار تصمیم گیری بانکی ارائه می دهد که می تواند به عنوان راهنمایی برای موسسات مالی جهت دستیابی به تعادل بهینه بین دقت و شفافیت مورد استفاده قرار گیرد.

کلیدواژه ها:

بانکداری هوشمند ، تصمیم گیری ، خودکار ، شفافیت ، هوش مصنوعی قابل تبیین ، یادگیری ماشین