شناسایی نقاط گلوگاه و آسیب پذیری زنجیره تامین بانک ها با هوش مصنوعی توضیح پذیر

زنجیره تامین خدمات بانکی شامل ارائه دهندگان، فناوری سامانه های پردازش تراکنش، خدمات امنیت سایبری و واسطه های بین بانکی است و اختلال در هر یک از این اجزا می تواند پیامدهای گسترده ای بر عملکرد، عملیاتی، اعتماد مشتریان و اعتبار بانک ها داشته باشد. پیچیدگی این زنجیره و افزایش حجم تراکنش ها شناسایی گلوگاه ها و نقاط آسیب پذیر را به یکی از چالش های اصلی مدیریت ریسک عملیاتی تبدیل کرده است. این پژوهش با هدف طراحی چارچوب توضیح پذیر مبتنی بر هوش مصنوعی (XAI) انجام شده است. روش تحقیق تحلیل مفهومی و مرور ادبیات مرتبط با زنجیره تامین بانکی، مدیریت ریسک و XAI بوده و یک چارچوب پنج مرحله ای شامل شناسایی گلوگاه ها، تحلیل علل، پیشنهاد اقدامات اصلاحی، پیاده سازی و پایش، و بازخورد توسعه یافته است. استفاده از مدل های یادگیری ماشین توضیح پذیر و ابزارهای SHAP و LIME امکان شبیه سازی اختلال ها، تحلیل اثرات زنجیره ای و افزایش شفافیت تصمیم گیری را فراهم می کند. چارچوب پیشنهادی قابلیت بومی سازی و کاربرد جهانی دارد و پایه ای برای پژوهش ها و توسعه سیاست های عملیاتی فراهم می سازد.

کلیدواژه ها:

هوش مصنوعی توضیح پذیر ، زنجیره تامین ، بانکی ، یادگیری ماشین ، مدیریت ریسک عملیاتی ، سیستم پشتیبانی تصمیم گیری