سامانه هوش مصنوعی بانک ایرلند یک میلیارد تراکنش را بررسی کرد و از ۹٫۷ میلیون یورو کلاهبرداری جلوگیری کرد

بانک ایرلند اعلام کرده است که نقش هوش مصنوعی را در سامانه‌های مقابله با کلاهبرداری و خدمات مستقیم به مشتریان گسترش می‌دهد. آمار تازه منتشرشده نشان می‌دهد سامانه‌های یادگیری ماشین این بانک در سال ۲۰۲۵ حدود یک میلیارد تراکنش کارت را بررسی کردند و به جلوگیری از کلاهبرداری‌های احتمالی به ارزش ۹٫۷ میلیون یورو کمک کردند. این اطلاعات که روزنامه آیریش تایمز نیز به آن پرداخته است، در شرایطی منتشر می‌شود که بانک‌های ایرلندی می‌کوشند به مشتریان، نهادهای ناظر و سهام‌داران نشان دهند سرمایه‌گذاری در هوش مصنوعی نتایجی ملموس دارد و صرفاً به تبلیغات محدود نیست.

به گفته بانک، مدل‌های هوش مصنوعی و یادگیری ماشین اکنون بخش اصلی سامانه مقابله با کلاهبرداری آن را تشکیل می‌دهند. این مدل‌ها تراکنش‌ها را در لحظه ارزیابی می‌کنند و در کسری از ثانیه تصمیم می‌گیرند که پرداخت انجام شود، به تعویق بیفتد یا برای بررسی بیشتر به تأیید مشتری نیاز داشته باشد. بااین‌حال، کاربرد هوش مصنوعی به این حوزه محدود نیست. بانک ایرلند تأیید کرده است که سامانه‌هایش در سال گذشته ۱۲۷ میلیون بینش مبتنی بر هوش مصنوعی درباره مخارج مشتریان تولید کرده‌اند و ابزارهای هوش مصنوعی در مرکز تماس نیز تعداد انتقال تماس‌ها را ۴۰ درصد کاهش داده‌اند. این تغییرات بخش بسیار گسترده‌تری از فعالیت روزمره بانکداری خرد را در بر می‌گیرد.

سپر هوش مصنوعی بانک ایرلند یک میلیارد تراکنش را بررسی می‌کند

مهم‌ترین نکته در آمار منتشرشده این هفته، مقیاس فعالیت سامانه است. بررسی حدود یک میلیارد تراکنش کارت در یک سال تقویمی، پروژه‌ای آزمایشی یا تجربه‌ای محدود در محیط آزمایشگاهی نیست؛ بلکه به معنای استفاده مداوم از زیرساختی عملیاتی برای ارزیابی پرداخت‌هایی است که با حساب‌های بانک ایرلند انجام می‌شوند، از خرید با کارت و پرداخت‌های بدون تماس گرفته تا خریدهای اینترنتی. هر تراکنش از مدل‌های یادگیری ماشین عبور می‌کند و این مدل‌ها امتیازی برای احتمال کلاهبرداری اختصاص می‌دهند. سپس بر اساس این امتیاز مشخص می‌شود که پرداخت به‌طور عادی انجام شود یا به مراحل تأیید بیشتری نیاز داشته باشد.

اهمیت این موضوع به دشواری شناسایی کلاهبرداری در چنین مقیاسی بازمی‌گردد. مدلی که روی چند هزار تراکنش آزمایشی عملکرد خوبی دارد، ممکن است هنگام مواجهه با یک میلیارد تراکنش با مشکلات جدی روبه‌رو شود؛ زیرا تأخیر در پردازش، تشخیص‌های اشتباه و موارد استثنایی واقعی همگی افزایش می‌یابند. انتشار چنین آمار بزرگی از سوی بانک ایرلند نشان می‌دهد که این بانک به عملکرد عملیاتی سامانه خود اطمینان دارد و آن را صرفاً فناوری‌ای موفق در محیط آزمایشگاهی نمی‌داند. این روند با تحول گسترده‌تر بانکداری ایرلند نیز هم‌خوانی دارد؛ جایی که هوش مصنوعی از پروژه‌ای پژوهشی در پشت صحنه به بخشی از فرایند واقعی پرداخت تبدیل شده است. این وب‌سایت پیش‌تر در گزارشی درباره ارسال ۶٫۵ میلیون پیامک کلاهبرداری به تلفن‌های همراه در ایرلند و ابزارهای چت‌باتی مورد استفاده برای شناسایی این پیام‌ها پیش از انتقال پول به این موضوع پرداخته بود.

ارقام پشت جلوگیری از ۹٫۷ میلیون یورو زیان

رقم ۹٫۷ میلیون یورو زیان احتمالی ناشی از کلاهبرداری که از آن جلوگیری شده، احتمالاً بیش از سایر ارقام توجه مشتریان و رقبای بانک را جلب می‌کند. بر اساس گزارش خود بانک، این مبلغ نشان‌دهنده پولی است که اگر سامانه امتیازدهی هوش مصنوعی مداخله نمی‌کرد، ممکن بود از طریق تراکنش‌های متقلبانه از حساب مشتریان خارج شود. برای درک بهتر مقیاس این رقم، می‌توان آن را بر تعداد تراکنش‌های بررسی‌شده تقسیم کرد: متوسط زیان جلوگیری‌شده برای هر تراکنش حدود یک سنت یورو است. این نسبت نشان می‌دهد که در مقایسه با حجم بسیار زیاد فعالیت‌های مالی قانونی، تراکنش‌های متقلبانه سهم کوچکی دارند و سامانه باید آن‌ها را از میان حجم عظیمی از پرداخت‌های عادی تشخیص دهد.

اقتصاد مقابله با کلاهبرداری مجال چندانی برای خطا نمی‌گذارد. یک مدل باید آن‌قدر دقیق باشد که تراکنش‌های متقلبانه را شناسایی کند و درعین‌حال از رد کردن خریدهای قانونی و نارضایتی مشتریان جلوگیری کند. اشتباه در هر یک از این دو جهت هزینه دارد: یا بانک با زیان مستقیم ناشی از کلاهبرداری مواجه می‌شود یا مشتریان در اثر رد شدن مکرر پرداخت‌هایشان ممکن است بانک خود را تغییر دهند. انتشار هم‌زمان تعداد تراکنش‌ها و رقم زیان جلوگیری‌شده نشان می‌دهد که بانک ایرلند عملکرد و تنظیمات فعلی سامانه را قابل دفاع می‌داند. این آمار همچنین مبنایی مشخص برای تحلیل‌گران بیرونی فراهم می‌کند تا ارقام سال آینده را با آن مقایسه کنند.

مدل امتیازدهی کلاهبرداری چگونه کار می‌کند؟

بر اساس توضیحات خود بانک، این سامانه بر ارزیابی لحظه‌ای تراکنش‌ها متکی است، نه بررسی آن‌ها پس از انجام پرداخت. به‌محض آغاز هر تراکنش کارت، مدل‌های یادگیری ماشین آن را ارزیابی می‌کنند. مدل‌ها با توجه به الگوهای موجود در تراکنش، از جمله موقعیت جغرافیایی، مبلغ، نوع فروشنده و زمان انجام خرید، و با مقایسه این اطلاعات با رفتار معمول مشتری، امتیازی برای احتمال کلاهبرداری تولید می‌کنند. اگر امتیاز از آستانه تعیین‌شده برای ریسک عبور کند، از مشتری خواسته می‌شود مرحله تأیید بیشتری را انجام دهد یا تراکنش به‌طور کامل متوقف می‌شود.

نیکولا سدلیر، رئیس بخش مقابله با کلاهبرداری در بانک ایرلند، هدف این سامانه را چنین توضیح داده است: «استفاده ما از هوش مصنوعی و یادگیری ماشین به ما امکان می‌دهد تهدیدها را زودتر شناسایی کنیم، سریع‌تر واکنش نشان دهیم و در برابر تلاش‌های روزبه‌روز پیچیده‌تر برای کلاهبرداری، یک گام جلوتر بمانیم. این فناوری‌ها دفاع ما را تقویت می‌کنند و درعین‌حال آرامش خاطر بیشتری برای مشتریان فراهم می‌آورند.» این اظهارات بنا بر بیانیه مطبوعاتی بانک ایرلند منتشر شده‌اند. تأکید بر جلوتر ماندن از روش‌های پیچیده‌تر کلاهبرداری، تلویحاً نشان می‌دهد که شیوه‌های مجرمان نیز هم‌زمان با ابزارهای دفاعی در حال تحول‌اند. کلاهبرداران نیز به‌طور فزاینده از ابزارهای خودکار برای یافتن نقاط ضعف سامانه‌ها استفاده می‌کنند.

از تحلیل مخارج تا راهنمایی مالی: ۱۲۷ میلیون پیام و بینش خودکار

بانک ایرلند علاوه بر مقابله با کلاهبرداری، گزارش داده است که در طول سال ۲۰۲۵ تعداد ۱۲۷ میلیون بینش مبتنی بر هوش مصنوعی درباره مخارج در اختیار مشتریان قرار داده است. این موارد شامل پیشنهادهای خودکار، دسته‌بندی هزینه‌ها و هشدارهای بودجه‌ای است که به‌طور فزاینده در اپلیکیشن‌های بانکی دیده می‌شوند. هدف آن‌ها کمک به مشتریان برای درک محل خرج شدن پولشان است، بی‌آنکه مجبور باشند تراکنش‌ها را دستی دسته‌بندی کنند یا صفحه‌گسترده‌های شخصی بسازند. این حجم استفاده نشان می‌دهد که به‌طور متوسط، مشتریان طی سال ده‌ها مورد از این بینش‌ها دریافت می‌کنند و این قابلیت احتمالاً از یک امکان جانبی محدود فراتر رفته و به بخشی معمول از تجربه استفاده از اپلیکیشن تبدیل شده است.

بااین‌حال، گزارش‌های عمومی بانک درباره مفهوم مشخص «راهنمایی مالی» محتاطانه‌ترند. در برخی تیترها گفته می‌شود که بانک در حال گسترش نقش هوش مصنوعی در راهنمایی مالی است، اما اطلاعات تأییدشده در اسناد خود بانک محدودتر است: این اطلاعات به ارائه بینش‌های مبتنی بر هوش مصنوعی درباره مخارج اشاره دارند، نه عرضه محصول مشاوره‌ای مشخص یا ابزار راهنمایی مالی مستقلی با نام تجاری ویژه. این تفاوت برای تشخیص قابلیت‌هایی که واقعاً عرضه شده‌اند از جهت‌گیری‌های کلی آینده اهمیت دارد. ارائه بینش‌های مخارج، با ثبت ۱۲۷ میلیون مورد، قابلیتی واقعی و قابل اندازه‌گیری است؛ اما تا زمان نگارش این گزارش، عرضه رسمی محصولی مستقل و نام‌گذاری‌شده برای راهنمایی مالی مبتنی بر هوش مصنوعی تأیید نشده است.

کاهش ۴۰ درصدی انتقال تماس‌ها: هوش مصنوعی در مرکز تماس

مرکز تماس یکی دیگر از حوزه‌های آشکاری است که به گفته بانک ایرلند، هوش مصنوعی در آن عملیات را تغییر داده است. ابزارهای پشتیبانی مبتنی بر هوش مصنوعی در سال ۲۰۲۵ تعداد انتقال تماس‌ها را ۴۰ درصد کاهش دادند؛ آماری که مستقیماً به تجربه مشتری مربوط می‌شود، نه صرفاً هزینه‌های ناشی از کلاهبرداری. هر بار که تماس مشتری از همان ابتدا به بخش درست هدایت می‌شود و میان چند واحد جابه‌جا نمی‌شود، هم در وقت مشتری صرفه‌جویی می‌شود و هم در وقت کارکنان بانک. این یکی از روشن‌ترین راه‌هایی است که یک مؤسسه مالی بزرگ می‌تواند با استفاده از آن، بهبود عملیاتی و قابل اندازه‌گیری هوش مصنوعی را نشان دهد.

بهبودهایی از این نوع در هدایت تماس معمولاً به ابزارهای پردازش زبان طبیعی متکی‌اند. این ابزارها درخواست مشتری را در ابتدای تماس تفسیر می‌کنند و او را به صف انتظار یا کارشناس مناسب می‌فرستند؛ در نتیجه، لازم نیست مشتری به‌درستی از میان منوهای تلفنی عبور کند تا به بخش موردنظر برسد. کاهش ۴۰ درصدی انتقال تماس برای مرکز تماس یک بانک ملی فعال در حوزه بانکداری خرد، رقمی قابل توجه است. این نتیجه همچنین با الگویی سازگار است که در آن بانک‌ها ابتدا هوش مصنوعی را در حوزه‌هایی به کار می‌گیرند که خطر ناشی از خطا در آن‌ها پایین‌تر است؛ برای مثال، اگر تماس به بخش اشتباه هدایت شود، می‌توان آن را دوباره منتقل کرد، اما خطا در تصمیمی مالی ممکن است مستقیماً به مشتری زیان برساند.

آموزش نیروی کار: آکادمی هوش مصنوعی و همکاری با دانشگاه کالج دوبلین

این فناوری‌ها بدون نیروی انسانی آموزش‌دیده به‌خودی‌خود کارآمد نمی‌شوند. بانک ایرلند هم‌زمان با گسترش استفاده از هوش مصنوعی، بر گستردگی برنامه‌های بازآموزی کارکنان تأکید کرده است. بر اساس گزارش ThinkBusiness، حدود یک‌پنجم کارکنان بانک تاکنون در دوره‌های هوش مصنوعی یا سواد داده شرکت کرده‌اند. بیش از ۱۱۰۰ نفر از کارکنان دوره‌های سواد و مهارت‌های داده را به پایان رسانده‌اند و بیش از ۱۰۰ نفر از آن‌ها، از طریق همکاری با دانشگاه کالج دوبلین، به سطح پیشرفته تحلیل‌گر داده رسیده‌اند. در همین حال، ۱۲۰۰ کارمند دیگر در حال گذراندن دوره‌های آکادمی داخلی هوش مصنوعی بانک هستند.

این مسیر آموزشی را می‌توان به‌اندازه استقرار هر مدل هوش مصنوعی، برای راهبرد بلندمدت بانک مهم دانست. سامانه‌های امتیازدهی کلاهبرداری و ابزارهای تحلیل مخارج به افرادی نیاز دارند که بتوانند تغییر تدریجی عملکرد مدل‌ها را زیر نظر بگیرند، موارد استثنایی را بررسی کنند و در صورت بروز مشکل، تصمیم‌های سامانه را برای نهادهای ناظر و مشتریان توضیح دهند. همکاری با دانشگاه کالج دوبلین، به‌ویژه، نشان می‌دهد که بانک می‌کوشد ظرفیت تخصصی پایدار و داخلی ایجاد کند، نه اینکه تنها به فروشندگان و ارائه‌دهندگان بیرونی متکی باشد. این رویکرد در بخش خدمات مالی ایرلند نیز دیده می‌شود؛ جایی که شرکت‌ها برای جذب نیروهای متخصص علم داده رقابت می‌کنند. تلاش اخیر مرکز پژوهشی CeADAR برای گرد هم آوردن نهادهای ناظر و صنعت در زمینه توسعه شیوه‌های مسئولانه هوش مصنوعی در کروک پارک بازتاب همین دغدغه در سطح صنعت است: استقرار فناوری بدون ظرفیت کافی برای نظارت و راهبری، نه یک مزیت، بلکه یک ریسک محسوب می‌شود.

چرا اکنون؟ وضعیت کلاهبرداری در ایرلند در سال ۲۰۲۶

برای درک اهمیت این تحول، باید به شرایط موجود توجه کرد. مصرف‌کنندگان ایرلندی با موج فزاینده‌ای از تلاش‌های کلاهبرداری از طریق پیامک، تماس تلفنی و پلتفرم‌های سرمایه‌گذاری جعلی روبه‌رو بوده‌اند. این وب‌سایت پیش‌تر این روند را بررسی کرده و از برآورد ارسال ۶٫۵ میلیون پیامک کلاهبرداری به تلفن‌های همراه در ایرلند طی دوره‌ای اخیر گزارش داده است. بانک‌ها در تقریباً همه کلاهبرداری‌های موفق، در آخرین نقطه‌ای قرار دارند که می‌توان جلوی انتقال واقعی پول را گرفت. به همین دلیل، سرمایه‌گذاری بر سامانه‌های امتیازدهی ریسک که در لحظه عمل می‌کنند، به اولویتی مهم‌تر از کاربردهایی مانند دستیارهای گفت‌وگویی مولد برای خدمات مشتری تبدیل شده است.

همچنین باید توجه داشت که انتشار آمار هوش مصنوعی بانک ایرلند در شرایطی انجام می‌شود که این بانک تعهد مالی قابل توجهی برای سرمایه‌گذاری دارد. گزارش آوریل ۲۰۲۶ روزنامه آیریش تایمز حاکی از آن بود که بانک قصد دارد طی سه سال آینده ۱٫۶ میلیارد یوروی دیگر در حوزه فناوری سرمایه‌گذاری کند. این رقم تنها به هوش مصنوعی برای مقابله با کلاهبرداری اختصاص ندارد و بخش‌های گسترده‌تری از زیرساخت دیجیتال را شامل می‌شود، اما ابعاد سرمایه‌گذاری کلی بانک را نشان می‌دهد. شناسایی کلاهبرداری، تحلیل مخارج و خودکارسازی مرکز تماس از نتایج ملموس این سرمایه‌گذاری برای مشتریان‌اند، نه تمام آن.

تأثیر بر بازار: رقابت در صنعت بانکداری ایرلند

در بازار بانکداری خرد ایرلند، انتشار شاخص‌های مشخص درباره عملکرد هوش مصنوعی خود یک اقدام رقابتی است. اعتماد، اساس خدمات بانکی است و بانکی که بتواند اعلام کند با کمک هوش مصنوعی از ۹٫۷ میلیون یورو کلاهبرداری جلوگیری کرده و این نتیجه را با بررسی یک میلیارد تراکنش پشتیبانی کند، در عمل برای جلب اعتماد مشتریانی تلاش می‌کند که بیش از گذشته نگران کلاهبرداری و سوءاستفاده از داده‌هایشان هستند. احتمالاً بانک‌های رقیب در بازار ایرلند نیز برای انتشار آمار مشابه تحت فشار قرار خواهند گرفت، مگر آنکه پیش‌تر چنین اطلاعاتی را منتشر کرده باشند؛ زیرا در غیر این صورت ممکن است در موضوعی که مشتریان فعالانه درباره آن پرس‌وجو می‌کنند، عقب‌مانده به نظر برسند.

این تحول از منظر تأمین مالی نیز اهمیت دارد. سرمایه‌گذاری در حوزه هوش مصنوعی در ایرلند رو به افزایش بوده است. این وب‌سایت پیش‌تر گزارش داده بود که ارزش معاملات تأمین مالی شرکت‌های هوش مصنوعی ایرلند به ۲۵۶ میلیون یورو رسیده است و دولت ایرلند نیز صندوق سرمایه‌گذاری خطرپذیر ۱۰۰ میلیون یورویی برای استارتاپ‌های هوش مصنوعی در نظر گرفته است. تأیید عمومی بازده سرمایه‌گذاری در هوش مصنوعی برای پیشگیری از کلاهبرداری از سوی بانکی بزرگ و باسابقه مانند بانک ایرلند، نمونه‌ای واقعی در اختیار نهادهای ناظر و سرمایه‌گذاران قرار می‌دهد که نشان می‌دهد هزینه‌کرد در این حوزه برای خدمات مالی لزوماً اقدامی صرفاً speculative و مبتنی بر حدس نیست. چنین شواهدی ممکن است جذب سرمایه‌های بعدی را برای استارتاپ‌هایی که خدمات هوش مصنوعی به بخش بانکی ارائه می‌کنند، آسان‌تر کند.

پیشینه تاریخی: گذار از سامانه‌های مبتنی بر قواعد به یادگیری ماشین

استفاده از یادگیری ماشین آغازگر مقابله با کلاهبرداری در بانکداری نبوده است. برای دهه‌ها، روش متداول بر قواعد از پیش تعیین‌شده تکیه داشت: اگر تراکنشی از قاعده‌ای ثابت و نوشته‌شده، مانند خریدی بالاتر از مبلغ مشخص در کشوری که مشتری هرگز به آن سفر نکرده است، تخطی می‌کرد، سامانه آن را علامت‌گذاری می‌کرد. بررسی سامانه‌های قاعده‌محور آسان است و می‌توان منطق تصمیم‌های آن‌ها را توضیح داد، اما انعطاف‌پذیری محدودی دارند. کلاهبرداران به‌سرعت قواعد را یاد می‌گیرند و مشتریان واقعی نیز مرتب از آستانه‌هایی عبور می‌کنند که لزوماً برای شرایط آن‌ها طراحی نشده‌اند. نتیجه، تعداد زیادی هشدار اشتباه و نارضایتی مستمر مشتریان است.

امتیازدهی کلاهبرداری با یادگیری ماشین بر رویکرد متفاوتی استوار است. به‌جای تکیه بر فهرستی ثابت از قواعد، مدل با استفاده از الگوهای تاریخی تراکنش آموزش می‌بیند و یاد می‌گیرد ده‌ها یا صدها نشانه را هم‌زمان ارزیابی کند. در این روش، تعریف رفتار عادی برای هر مشتری بر اساس فعالیت معمول خود او تنظیم می‌شود، نه اینکه یک آستانه یکسان برای همه اعمال شود. گذار از قواعد ثابت به امتیازدهی سازگارشونده، مبنای توانایی بانک ایرلند برای پردازش یک میلیارد تراکنش بدون آن است که سامانه بیش از حد سخت‌گیر یا بیش از حد آسان‌گیر شود. این تحول با روند گسترده‌تری نیز ارتباط دارد که در تحلیل این وب‌سایت درباره هشدار نهادهای نظارتی اتحادیه اروپا درباره مدل‌های پیشرفته هوش مصنوعی که به‌اندازه کافی آزمایش نشده‌اند بررسی شده است؛ موضوعی که در آن تنش میان سامانه‌های سازگارشونده و مبتنی بر داده، از یک سو، و ضرورت تصمیم‌های قابل پیش‌بینی و حسابرسی‌پذیر، از سوی دیگر، در حوزه‌های مرتبط با پول و ایمنی مصرف‌کنندگان اهمیت ویژه‌ای دارد.

مقایسه رقابتی: هوش مصنوعی برای مقابله با کلاهبرداری در صنعت بانکداری

بانک ایرلند تنها بازیگر این حوزه نیست. در سطح گسترده‌تر بانکداری اروپا، امتیازدهی کلاهبرداری با یادگیری ماشین در مقیاس بزرگ به روشی تقریباً متداول تبدیل شده است. شرکت پژوهشی صنعت خدمات مالی Celent نیز در گزارشی به تحول رویکرد بانک ایرلند به سمت پیشگیری فعالانه‌تر از کلاهبرداری پرداخته است. این بررسی در گزارش منتشرشده از سوی Celent آمده است. گذار از مقابله واکنشی، یعنی شناسایی زیان پس از وقوع، به پیشگیری فعالانه، یعنی متوقف کردن کلاهبرداری پیش از تکمیل تراکنش، اکنون یکی از مهم‌ترین میدان‌های رقابت برای بانک‌های بزرگ خدمات خرد است؛ نه‌فقط در ایرلند، بلکه در بازارهای دیگر نیز.

در شرایط کنونی، تفاوت رویکرد بانک‌ها کمتر به این بستگی دارد که آیا اصلاً از هوش مصنوعی استفاده می‌کنند یا نه، زیرا بیشتر بانک‌های بزرگ به شکلی از این فناوری مجهز شده‌اند. تفاوت اصلی در شفافیت، سرعت استقرار و گستره کاربردهاست. بانک ایرلند با انتشار هم‌زمان آمار مقیاس پردازش تراکنش‌ها، آموزش کارکنان و نتایج ملموس برای مشتریان، از جمله بینش‌های مخارج و کاهش انتقال تماس‌ها، ظاهراً می‌کوشد هوش مصنوعی را به‌عنوان قابلیتی در سطح کل سازمان معرفی کند، نه صرفاً ابزاری در اختیار تیم مقابله با کلاهبرداری. این رویکرد راهبردی گسترده‌تر از آن چیزی است که بسیاری از رقبای بانک در گزارش‌های عمومی خود مطرح کرده‌اند.

اظهارات مدیران: نگاه رهبران بانک ایرلند به هوش مصنوعی

مایلز اوگرِیدی، مدیرعامل گروه بانک ایرلند، درباره نقش هوش مصنوعی با لحنی سنجیده صحبت کرده و میان اشتیاق به استفاده از این فناوری و احتیاط در برابر خطرات آن تعادل برقرار کرده است. او بنا بر گزارش آیریش تایمز گفته است: «مهم است که حتماً از مزایای هوش مصنوعی بهره ببریم، اما درعین‌حال توجه ویژه‌ای به خطرات آن داریم.» همان گزارش از قول او پیش‌بینی کرده است که «هوش مصنوعی در آینده نقش بزرگ‌تری» در عملیات بانک ایفا خواهد کرد. این اظهارات بیشتر از آنکه به ابتکاری مقطعی برای شناسایی کلاهبرداری اشاره داشته باشند، نشانه تداوم سرمایه‌گذاری بانک در این حوزه‌اند.

اوگرِیدی همچنین استفاده از هوش مصنوعی را مستقیماً به رابطه با مشتریان پیوند داده است، نه صرفاً کاهش هزینه‌ها. او در مجمع عمومی سالانه بانک در سال ۲۰۲۶ گفت: «ما از هوش مصنوعی به‌شکلی هوشمندانه استفاده می‌کنیم تا رابطه‌ای را که با مشتریانمان داریم تقویت کنیم.» متن این اظهارات در StockAnalysis منتشر شده است. در کنار اظهارات سدلیر درباره تقویت دفاع در برابر کلاهبرداری، این پیام مدیران نشان می‌دهد که بانک می‌خواهد هوش مصنوعی نه صرفاً ابزاری برای کاهش هزینه‌های داخلی، بلکه قابلیتی مؤثر در ایجاد و تقویت اعتماد مشتریان تلقی شود.

خطراتی که نباید نادیده گرفته شوند: نقاط ضعف شناسایی کلاهبرداری با هوش مصنوعی

استفاده از این فناوری بدون خطر نیست و پیام‌های عمومی خود بانک نیز به این موضوع اذعان دارند. بانک ایرلند در بیانیه‌ای درباره استفاده مسئولانه از هوش مصنوعی اعلام کرد: «در بانک ایرلند، از هوش مصنوعی استفاده می‌کنیم تا به کارکنانمان کمک کنیم مؤثرتر کار کنند، فرایندهای دستی را کاهش دهیم، فعالیت‌های معمول را ساده‌تر کنیم و زمان بیشتری برای کارهایی فراهم آوریم که به بینش و تخصص انسانی وابسته‌اند.» تأکید آگاهانه بر «بینش و تخصص انسانی» نشان می‌دهد که بانک می‌خواهد نگرانی‌ها درباره کنار گذاشته شدن قضاوت انسانی از تصمیم‌هایی را کاهش دهد که بر دسترسی مشتریان به پول خودشان تأثیر می‌گذارند.

نهادهای ناظر نیز چنین نگرانی‌هایی دارند. بانک مرکزی ایرلند مطالعات و تحلیل‌هایی درباره هوش مصنوعی و جرایم مالی منتشر کرده است. در سطح اروپا نیز جهت‌گیری کلی مقررات به‌سوی الزام بیشتر به توضیح‌پذیری و امکان حسابرسی سامانه‌های خودکار تصمیم‌گیری مالی است، نه کاهش این الزامات؛ روندی که در بررسی‌های مستمر کمیسیون اروپا درباره سامانه‌های پیشرفته هوش مصنوعی نیز دیده می‌شود. مدلی که به‌اشتباه یک تراکنش قانونی را مسدود کند یا، بدتر از آن، نتواند الگوی جدید و پیچیده‌ای از کلاهبرداری را که برای شناسایی آن آموزش ندیده است تشخیص دهد، می‌تواند هزینه‌های مالی و اعتباری واقعی ایجاد کند. هیچ گزارش عملکردی از این نوع تضمین نمی‌کند که مدل با تغییر مداوم روش‌های کلاهبرداری، در آینده نیز به همان سطح از کارایی دست یابد.

نگاهی به شاخص‌های هوش مصنوعی بانک ایرلند در سال ۲۰۲۵

مقایسه سامانه‌های قاعده‌محور با امتیازدهی لحظه‌ای مبتنی بر هوش مصنوعی

گام بعدی چیست؟ پنج پیش‌بینی درباره هوش مصنوعی در بانکداری ایرلند

• بانک‌های بیشتری در ایرلند شاخص‌های عملکرد هوش مصنوعی را منتشر خواهند کرد. وقتی یک بانک بزرگ میزان زیان جلوگیری‌شده از کلاهبرداری را به یورو اعلام می‌کند، رقبای آن نیز برای ارائه اطلاعات شفاف‌تر تحت فشار قرار می‌گیرند؛ در غیر این صورت ممکن است در موضوعی که مشتریان فعالانه درباره آن سؤال می‌کنند، عقب‌مانده به نظر برسند.
• قابلیت‌های تحلیل مخارج به راهنمایی مالی واقعی نزدیک‌تر خواهند شد. احتمال دارد فاصله میان «بینش‌های مخارج مبتنی بر هوش مصنوعی» و یک محصول مشخص برای راهنمایی مالی در چرخه بعدی توسعه محصولات کمتر شود، هرچند عرضه محصولی معین هنوز تأیید نشده است.
• برنامه‌های بازآموزی کارکنان گسترش خواهند یافت. با حضور ۱۲۰۰ کارمند در آکادمی هوش مصنوعی بانک ایرلند و تربیت تحلیل‌گران پیشرفته داده از طریق همکاری با دانشگاه کالج دوبلین، انتظار می‌رود این مسیر آموزشی گسترش یابد و متوقف نشود.
• نظارت قانونی بر توضیح‌پذیری مدل‌ها تشدید خواهد شد. با فاصله گرفتن مدل‌های شناسایی کلاهبرداری از قواعد ساده و حرکت به‌سوی امتیازدهی سازگارشونده، انتظار می‌رود نهادهای ناظر ایرلند و اتحادیه اروپا بر امکان حسابرسی مدل‌ها و آزمون سوگیری در خدمات مالی تأکید بیشتری کنند.
• پیشگیری از کلاهبرداری با هوش مصنوعی به ابزاری برای جذب مشتری تبدیل خواهد شد. بازاریابی مبتنی بر اعتماد که بر نتایج قابل اندازه‌گیری هوش مصنوعی در جلوگیری از کلاهبرداری تکیه دارد، احتمالاً به بخشی معمول از تبلیغات بانک‌های ایرلندی تبدیل می‌شود و دیگر تنها به ارتباطات با سرمایه‌گذاران محدود نخواهد ماند.

پرسش‌های متداول

سامانه هوش مصنوعی بانک ایرلند در سال ۲۰۲۵ چند تراکنش را بررسی کرد؟

مدل‌های هوش مصنوعی و یادگیری ماشین بانک ایرلند در سال ۲۰۲۵ حدود یک میلیارد تراکنش کارت را بررسی کردند و احتمال کلاهبرداری را برای هر تراکنش به‌صورت لحظه‌ای ارزیابی کردند.

این سامانه از چه میزان زیان ناشی از کلاهبرداری جلوگیری کرد؟

بانک گزارش داده است که مدل‌های هوش مصنوعی و یادگیری ماشین آن طی سال ۲۰۲۵ به جلوگیری از حدود ۹٫۷ میلیون یورو زیان احتمالی مشتریان ناشی از کلاهبرداری کمک کرده‌اند.

آیا بانک ایرلند از هوش مصنوعی برای مشاوره مالی نیز استفاده می‌کند؟

بانک تأیید کرده است که در سال ۲۰۲۵ تعداد ۱۲۷ میلیون بینش مبتنی بر هوش مصنوعی درباره مخارج به مشتریان ارائه داده است. بااین‌حال، عرضه محصول مستقل و مشخصی برای راهنمایی مالی با هوش مصنوعی، فراتر از این قابلیت، در گزارش‌های موجود تأیید نشده است.

آکادمی هوش مصنوعی بانک ایرلند چیست؟

آکادمی هوش مصنوعی یک برنامه آموزشی داخلی است که در آن ۱۲۰۰ نفر از کارکنان بانک در حال کسب مهارت‌های کاربردی هوش مصنوعی هستند. این برنامه بخشی از تلاش گسترده‌تری است که تاکنون به تکمیل دوره‌های سواد و مهارت‌های داده توسط بیش از ۱۱۰۰ نفر از کارکنان انجامیده است.

مدل امتیازدهی هوش مصنوعی چگونه تصمیم می‌گیرد کدام تراکنش را علامت‌گذاری کند؟

هر تراکنش کارت در لحظه با استفاده از مدل‌های یادگیری ماشین ارزیابی می‌شود و امتیازی برای احتمال کلاهبرداری دریافت می‌کند. بر اساس این امتیاز، پرداخت ممکن است به‌طور عادی انجام شود، به تأیید بیشتر مشتری نیاز داشته باشد یا مسدود شود.

آیا هوش مصنوعی زمان انتظار برای خدمات مشتریان بانک ایرلند را کاهش داده است؟

بانک ایرلند اعلام کرده است که ابزارهای پشتیبانی مبتنی بر هوش مصنوعی در مرکز تماس، تعداد انتقال تماس‌ها را در سال ۲۰۲۵ به میزان ۴۰ درصد کاهش داده‌اند. در نتیجه، مشتریان بیشتری در نخستین تلاش به تیم پشتیبانی مناسب هدایت می‌شوند.

آیا بانک‌های دیگر ایرلند نیز از ابزارهای مشابه برای شناسایی کلاهبرداری استفاده می‌کنند؟

امتیازدهی کلاهبرداری با یادگیری ماشین به‌طور کلی در بانکداری خرد اروپا رواج بیشتری یافته است. در زمان نگارش این گزارش، آمار مقایسه‌ای تأییدشده‌ای درباره بانک‌های مشخص دیگر ایرلند در دسترس نبود؛ بنابراین، در این مقاله هیچ رقم مشخصی درباره پیشگیری از کلاهبرداری با هوش مصنوعی به بانکی غیر از بانک ایرلند نسبت داده نشده است.

آیا هزینه‌کرد بانک ایرلند در هوش مصنوعی بخشی از بودجه فناوری گسترده‌تری است؟

بله. گزارش روزنامه آیریش تایمز حاکی از آن است که بانک ایرلند قصد دارد طی سه سال آینده ۱٫۶ میلیارد یوروی دیگر در حوزه فناوری سرمایه‌گذاری کند. این مبلغ زیرساخت دیجیتال گسترده‌تری را در بر می‌گیرد و تنها به هوش مصنوعی برای مقابله با کلاهبرداری اختصاص ندارد.