اعتباری درخور اعتبار: نگاهی به درون چارچوب هوش مصنوعی اکسپریان که دسترسی مالی را تغییر می‌دهد

در حالی که بسیاری از شرکت‌ها اکنون در حال رقابت برای پذیرش و پیاده‌سازی هوش مصنوعی هستند، غول آژانس اعتبارسنجی اکسپریان (Experian) رویکردی بسیار سنجیده را در پیش گرفته است.

اکسپریان فرآیندها، چارچوب‌ها و مدل‌های حاکمیتی داخلی خود را توسعه داده است که به آن کمک کرده تا هوش مصنوعی مولد را آزمایش کند، آن را در مقیاس بزرگ پیاده‌سازی کند و تأثیرگذار باشد. سفر این شرکت به تحول عملیات از یک آژانس اعتبارسنجی سنتی به یک شرکت پلتفرمی پیشرفته مبتنی بر هوش مصنوعی کمک کرده است. رویکرد آن - ترکیبی از یادگیری ماشین (ML) پیشرفته، معماری‌های هوش مصنوعی عامل‌گرا (agentic AI) و نوآوری مردمی - عملیات تجاری را بهبود بخشیده و دسترسی مالی را برای حدود ۲۶ میلیون آمریکایی گسترش داده است.

سفر هوش مصنوعی اکسپریان تضاد آشکاری با شرکت‌هایی دارد که تنها پس از ظهور ChatGPT در سال ۲۰۲۲ شروع به کاوش در یادگیری ماشین کردند. این غول اعتبارسنجی نزدیک به دو دهه است که به طور روشمند در حال توسعه قابلیت‌های هوش مصنوعی بوده و بنیادی را ایجاد کرده که به آن اجازه می‌دهد به سرعت از پیشرفت‌های هوش مصنوعی مولد بهره‌برداری کند.

شری سانتانام، معاون اجرایی و مدیر کل نرم‌افزار، پلتفرم‌ها و محصولات هوش مصنوعی در اکسپریان، در مصاحبه‌ای اختصاصی با VentureBeat گفت: «هوش مصنوعی بخشی از بافت اکسپریان بوده، بسیار پیش از آنکه بودن در حوزه هوش مصنوعی جذاب شود.» «ما در دو دهه گذشته از هوش مصنوعی برای گشودن قدرت داده‌هایمان جهت ایجاد تأثیر بهتر برای کسب‌وکارها و مصرف‌کنندگان استفاده کرده‌ایم.»

پیش از دوران مدرن هوش مصنوعی مولد، اکسپریان پیشتر از یادگیری ماشین استفاده می‌کرد و در آن نوآوری داشت.

سانتانام توضیح داد که اکسپریان به جای اتکا به مدل‌های آماری سنتی و پایه، در استفاده از درخت‌های تصمیم‌گیری تقویت‌شده با گرادیان (Gradient-Boosted Decision Trees) در کنار سایر تکنیک‌های یادگیری ماشین برای اعتبارسنجی پیشگام بود. این شرکت همچنین سیستم‌های هوش مصنوعی قابل توضیح (explainable AI) - که برای انطباق با مقررات در خدمات مالی حیاتی است - را توسعه داد که می‌توانستند منطق پشت تصمیمات خودکار وام‌دهی را بیان کنند.

مهم‌تر از همه، آزمایشگاه نوآوری اکسپریان (که قبلاً آزمایشگاه داده نام داشت) مدل‌های زبانی و شبکه‌های ترانسفورمر را بسیار پیش از انتشار ChatGPT آزمایش کرد. این کار اولیه، شرکت را در موقعیتی قرار داد که به جای شروع از صفر، به سرعت از پیشرفت‌های هوش مصنوعی مولد استفاده کند.

سانتانام توضیح داد: «زمانی که شهاب‌سنگ ChatGPT برخورد کرد، این یک نقطه شتاب نسبتاً مستقیم برای ما بود، زیرا ما فناوری را درک می‌کردیم، کاربردهایی در ذهن داشتیم و فقط پدال را فشار دادیم.»

این بنیاد فناوری به اکسپریان امکان داد تا مرحله آزمایشی را که بسیاری از شرکت‌ها هنوز در حال پیمایش آن هستند، دور بزند و مستقیماً به پیاده‌سازی تولیدی برود. در حالی که سازمان‌های دیگر تازه شروع به درک قابلیت‌های مدل‌های زبانی بزرگ (LLM) کرده بودند، اکسپریان پیشتر آنها را در چارچوب هوش مصنوعی موجود خود مستقر می‌کرد و آنها را برای مشکلات تجاری خاصی که قبلاً شناسایی کرده بود، به کار می‌گرفت.

هنگامی که هوش مصنوعی مولد ظهور کرد، اکسپریان دچار وحشت یا چرخش نشد؛ بلکه در مسیری که قبلاً ترسیم شده بود، شتاب گرفت. این شرکت رویکرد خود را حول چهار ستون استراتژیک سازماندهی کرد که به رهبران فنی چارچوبی جامع برای پذیرش هوش مصنوعی ارائه می‌دهد:

1. بهبود محصول: اکسپریان پیشنهادات موجود رو به مشتری را بررسی می‌کند تا فرصت‌هایی برای بهبودهای مبتنی بر هوش مصنوعی و تجربیات کاملاً جدید مشتری شناسایی کند. به جای ایجاد ویژگی‌های هوش مصنوعی مستقل، اکسپریان قابلیت‌های مولد را در مجموعه محصولات اصلی خود ادغام می‌کند.
2. بهینه‌سازی بهره‌وری: ستون دوم به بهینه‌سازی بهره‌وری با پیاده‌سازی هوش مصنوعی در تیم‌های مهندسی، عملیات خدمات مشتری و فرآیندهای نوآوری داخلی پرداخت. این شامل ارائه کمک کدنویسی هوش مصنوعی به توسعه‌دهندگان و ساده‌سازی عملیات خدمات مشتری بود.
3. توسعه پلتفرم: ستون سوم - شاید حیاتی‌ترین برای موفقیت اکسپریان - بر توسعه پلتفرم متمرکز بود. اکسپریان زودتر متوجه شد که بسیاری از سازمان‌ها برای فراتر رفتن از پیاده‌سازی‌های اثبات مفهوم (proof-of-concept) با مشکل مواجه خواهند شد، بنابراین در ساخت زیرساخت پلتفرمی سرمایه‌گذاری کرد که به طور خاص برای مقیاس‌بندی مسئولانه ابتکارات هوش مصنوعی در سراسر شرکت طراحی شده است.
4. آموزش و توانمندسازی: ستون چهارم به آموزش، توانمندسازی و ارتباطات پرداخت - ایجاد سیستم‌های ساختاریافته برای پیشبرد نوآوری در سراسر سازمان به جای محدود کردن تخصص هوش مصنوعی به تیم‌های تخصصی.

این رویکرد ساختاریافته، طرحی را برای شرکت‌هایی ارائه می‌دهد که به دنبال فراتر رفتن از آزمایش‌های پراکنده هوش مصنوعی به سمت پیاده‌سازی سیستماتیک با تأثیر تجاری قابل اندازه‌گیری هستند.

برای تصمیم‌گیرندگان فنی، معماری پلتفرم اکسپریان نشان می‌دهد که چگونه می‌توان سیستم‌های هوش مصنوعی سازمانی ساخت که نوآوری را با حاکمیت، انعطاف‌پذیری و امنیت متعادل می‌کنند.

این شرکت یک پشته فنی چند لایه با اصول طراحی اصلی ساخت که سازگاری را در اولویت قرار می‌دهد:

سانتانام توضیح داد: «ما از ورود به درهای یک‌طرفه اجتناب می‌کنیم.» «اگر در حال انتخاب فناوری یا چارچوب هستیم، می‌خواهیم اطمینان حاصل کنیم که در اکثر موارد… انتخاب‌هایی انجام می‌دهیم که در صورت نیاز بتوانیم از آنها چرخش کنیم.»

این معماری شامل موارد زیر است:

• لایه مدل: گزینه‌های متعدد مدل زبان بزرگ، از جمله APIهای OpenAI از طریق Azure، مدل‌های AWS Bedrock، شامل Claude از Anthropic، و مدل‌های اختصاصی تنظیم‌شده (fine-tuned).
• لایه کاربرد: ابزارهای خدماتی و کتابخانه‌های مؤلفه که مهندسان را قادر می‌سازد معماری‌های عامل‌گرا بسازند.
• لایه امنیتی: مشارکت زودهنگام با Dynamo AI برای امنیت، حاکمیت خط‌مشی و تست نفوذ که به طور خاص برای سیستم‌های هوش مصنوعی طراحی شده است.
• ساختار حاکمیتی: یک شورای جهانی ریسک هوش مصنوعی با مشارکت مستقیم مدیران اجرایی.

این رویکرد با شرکت‌هایی که به راه‌حل‌های تک‌فروشنده یا مدل‌های اختصاصی متعهد شده‌اند، در تضاد است و با ادامه تکامل قابلیت‌های هوش مصنوعی، انعطاف‌پذیری بیشتری را برای اکسپریان فراهم می‌کند. این شرکت اکنون شاهد تغییر معماری خود به سمت چیزی است که سانتانام آن را «سیستم‌های هوش مصنوعی که بیشتر به عنوان ترکیبی از متخصصان و عامل‌های (agents) مجهز به مدل‌های زبانی کوچک یا متخصص‌تر طراحی شده‌اند» توصیف می‌کند.

فراتر از پیچیدگی معماری، پیاده‌سازی هوش مصنوعی اکسپریان تأثیر ملموس تجاری و اجتماعی را نشان می‌دهد، به ویژه در پرداختن به چالش «نامرئی‌های اعتباری» (credit invisibles).

در صنعت خدمات مالی، «نامرئی‌های اعتباری» به حدود ۲۶ میلیون آمریکایی اطلاق می‌شود که فاقد سابقه اعتباری کافی برای ایجاد امتیاز اعتباری سنتی هستند. این افراد، که اغلب مصرف‌کنندگان جوان‌تر، مهاجران اخیر، یا افرادی از جوامع کم‌برخوردار تاریخی هستند، با موانع قابل توجهی برای دسترسی به محصولات مالی مواجه‌اند، علی‌رغم اینکه ممکن است اعتبارپذیر باشند.

مدل‌های امتیازدهی اعتباری سنتی عمدتاً به داده‌های استاندارد آژانس اعتبارسنجی مانند سابقه پرداخت وام، استفاده از کارت اعتباری و سطح بدهی متکی هستند. بدون این سابقه متعارف، وام‌دهندگان از نظر تاریخی این مصرف‌کنندگان را پرریسک تلقی می‌کردند یا به طور کلی از ارائه خدمات به آنها خودداری می‌کردند. این یک دور باطل (catch-22) ایجاد می‌کند که در آن افراد نمی‌توانند اعتبار بسازند زیرا در وهله اول نمی‌توانند به محصولات اعتباری دسترسی پیدا کنند.

اکسپریان از طریق چهار نوآوری خاص هوش مصنوعی با این مشکل مقابله کرد:

1. مدل‌های داده جایگزین: سیستم‌های یادگیری ماشین که منابع داده غیرسنتی (پرداخت اجاره‌بها، قبوض آب و برق، پرداخت‌های مخابراتی) را در ارزیابی‌های اعتبارپذیری گنجانده‌اند و صدها متغیر را به جای عوامل محدود در مدل‌های متعارف تجزیه و تحلیل می‌کنند.
2. هوش مصنوعی قابل توضیح برای انطباق: چارچوب‌هایی که با بیان چرایی اتخاذ تصمیمات امتیازدهی خاص، انطباق با مقررات را حفظ می‌کنند و امکان استفاده از مدل‌های پیچیده را در محیط وام‌دهی بسیار قانون‌مند فراهم می‌کنند.
3. تجزیه و تحلیل داده‌های روندی: سیستم‌های هوش مصنوعی که نحوه تکامل رفتارهای مالی در طول زمان را بررسی می‌کنند به جای ارائه تصاویر ثابت، و الگوهایی را در مسیرهای مانده حساب و رفتارهای پرداخت شناسایی می‌کنند که اعتبارپذیری آینده را بهتر پیش‌بینی می‌کنند.
4. معماری‌های ویژه بخش‌ها: طراحی مدل‌های سفارشی که بخش‌های مختلف نامرئی‌های اعتباری را هدف قرار می‌دهند - آنهایی که فایل‌های نازک دارند در مقابل آنهایی که هیچ سابقه سنتی ندارند.

نتایج قابل توجه بوده‌اند: موسسات مالی که از این سیستم‌های هوش مصنوعی استفاده می‌کنند، می‌توانند ۵۰٪ بیشتر متقاضیان از جمعیت‌های قبلاً نامرئی را تأیید کنند در حالی که عملکرد ریسک خود را حفظ کرده یا بهبود می‌بخشند.

برای شرکت‌هایی که به دنبال پیشگامی در پذیرش هوش مصنوعی هستند، تجربه اکسپریان چندین بینش عملی ارائه می‌دهد:

ساخت معماری سازگار: پلتفرم‌های هوش مصنوعی بسازید که به جای شرط‌بندی انحصاری بر روی ارائه‌دهندگان یا رویکردهای واحد، انعطاف‌پذیری مدل را امکان‌پذیر سازد.

ادغام زودهنگام حاکمیت: تیم‌های چندوظیفه‌ای ایجاد کنید که در آن امنیت، انطباق و توسعه‌دهندگان هوش مصنوعی از ابتدا با هم همکاری کنند به جای اینکه در سیلوهای جداگانه فعالیت کنند.

تمرکز بر تأثیر قابل اندازه‌گیری: کاربردهای هوش مصنوعی مانند گسترش اعتبار اکسپریان را که ارزش تجاری ملموسی ارائه می‌دهند و در عین حال به چالش‌های گسترده‌تر اجتماعی نیز می‌پردازند، در اولویت قرار دهید.

در نظر گرفتن معماری‌های عامل‌گرا: فراتر از چت‌بات‌های ساده حرکت کنید و به سمت سیستم‌های هماهنگ و چندعاملی بروید که می‌توانند وظایف پیچیده و خاص دامنه را به طور مؤثرتری مدیریت کنند.

برای رهبران فنی در خدمات مالی و سایر صنایع قانون‌مند، سفر اکسپریان نشان می‌دهد که حاکمیت مسئولانه هوش مصنوعی مانعی برای نوآوری نیست، بلکه امکان‌دهنده رشد پایدار و قابل اعتماد است.

با ترکیب توسعه روشمند فناوری با طراحی کاربردی آینده‌نگر، اکسپریان طرحی را برای چگونگی تبدیل شرکت‌های داده سنتی به پلتفرم‌های مبتنی بر هوش مصنوعی با تأثیر قابل توجه تجاری و اجتماعی ایجاد کرده است.