هوش مصنوعی لوکال برای نهادهای مالی؛ چرا و چه زمانی؟

۷ دقیقه مطالعه
تصویر شاخص SNRTech درباره هوش مصنوعی لوکال نهادهای مالی: رک سرور و سپر قفل‌دار که حفاظت داده را نشان می‌دهند.

یک تحلیل‌گر کارگزاری ساعت ده شب، گزارش داخلی یک مشتری بزرگ را در یک چت‌بات عمومی می‌چسباند تا «خلاصه‌اش کند». کار پنج دقیقه طول می‌کشد و همه راضی‌اند. اما آن متن، حالا روی سروری است که نه شما آن را می‌شناسید و نه واحد فناوری اطلاعات شما.

این صحنه در بسیاری از نهادهای مالی بی‌صدا اتفاق می‌افتد. هوش مصنوعی مفید است و همکاران شما از آن استفاده می‌کنند، چه سازمان اجازه داده باشد و چه نه. پرسش مدیر این است: این ابزار کجا اجرا شود تا سود آن بماند و خطرش کم شود؟

در این مقاله توضیح می‌دهیم چرا برای بسیاری از کارهای کارگزاری، سبدگردانی و صندوق‌ها، هوش مصنوعی لوکال (On-Premise) یعنی مدلی که روی سرورهای خود سازمان اجرا می‌شود، انتخاب منطقی است. این مقاله توصیه سرمایه‌گذاری نیست و فقط درباره معماری و مدیریت ریسک نرم‌افزار حرف می‌زند.

هوش مصنوعی لوکال دقیقاً یعنی چه؟

در مدل لوکال، مدل زبانی بزرگ (LLM) روی سخت‌افزاری نصب می‌شود که سازمان آن را در اختیار دارد، در سالن سرور خودتان یا در مرکز داده‌ای که کنترل آن با شماست. ورودی، خروجی و گزارش‌های استفاده، از مرز شبکه شما بیرون نمی‌روند.

در مقابل، در مدل ابری شما متن را از طریق اینترنت به سرویس شخص دیگری می‌فرستید و پاسخ می‌گیرید. این مدل راحت و سریع است، اما کنترل مسیر داده کامل در دست شما نیست.

سه ویژگی مدل لوکال

  • مرز داده روشن است. می‌دانید هر درخواست کجا پردازش و کجا ذخیره شد.
  • دسترسی‌ها در اختیار شماست. همان سیستم احراز هویت و نقش‌های سازمان، به دستیار هوشمند هم اعمال می‌شود.
  • وابستگی بیرونی کمتر است. قطع یک سرویس خارجی یا تغییر شرایط استفاده آن، کار شما را متوقف نمی‌کند.

نتیجه برای مدیر: به‌جای اعتماد به قول یک ارائه‌دهنده، می‌توانید معماری را خودتان ببینید و بررسی کنید.

چرا داده بازار سرمایه حساس‌تر از داده بیشتر کسب‌وکارهاست؟

نهاد مالی با اطلاعاتی کار می‌کند که ارزش آن به محرمانه ماندنش بستگی دارد: سفارش‌ها، پرتفوی مشتریان، گزارش‌های داخلی تحلیل، مکاتبات با ناظر و داده‌های پس از معامله. نشت یکی از این‌ها فقط یک مشکل فنی نیست و می‌تواند اعتماد مشتری و رابطه شما با ناظر را هم تحت تأثیر بگذارد.

ناظر بازار هم این موضوع را جدی می‌گیرد. مرکز نظارت بر امنیت اطلاعات بازار سرمایه (مکنا) طبق گزارش روزنامه تعادل امنیت شرکت‌های بازار و پیمانکاران نرم‌افزاری آن‌ها را ارزیابی می‌کند. همین گزارش از دستورالعملی برای دسترسی به اطلاعات طبقه‌بندی‌شده، به‌ویژه داده‌های معاملاتی و پس از معامله، خبر می‌دهد و می‌گوید هر شرکت دارای مجوز پیش از بهره‌برداری باید تأیید امنیتی مکنا را برای سامانه‌هایش بگیرد.

یعنی هر نرم‌افزار جدید، از جمله یک دستیار هوشمند که به داده‌های بازار دست می‌زند، باید در همین چارچوب دیده شود. جزئیات این مسیر را در مقاله «مکنا و امنیت داده در پروژه‌های هوش مصنوعی بازار سرمایه» همین مجموعه بررسی کرده‌ایم.

چهار دلیل عملی برای انتخاب مدل لوکال

۱. کنترل مسیر داده

وقتی مدل در شبکه خودتان اجرا شود، سؤال «این داده به کجا رفت؟» جواب ساده‌ای دارد: به هیچ‌جا. حسابرس داخلی و بازرس می‌توانند مسیر را از ابتدا تا انتها دنبال کنند.

۲. هماهنگی با ضوابط ناظر

سازمان بورس به‌گفته رئیس آن در مراسم روز کارگزار در مهر ۱۴۰۵، ضوابط استفاده از هوش مصنوعی در بازار سرمایه را تصویب و ابلاغ کرده است. متن کامل این ضوابط در منابعی که ما دیدیم منتشر نشده است، پس درباره بندهای آن چیزی نمی‌نویسیم. پیشنهاد ما این است که متن رسمی را از سازمان بورس بگیرید و واحد حقوقی و انطباق شما آن را بخواند. هر چه داده در محدوده خودتان بماند، پاسخ به پرسش‌های بعدی ناظر ساده‌تر است.

۳. اتکای کمتر به سرویس بیرونی

اگر یک فرایند حیاتی، مثل دستیار پاسخ‌گویی به مشتریان یا ابزار تحلیل گزارش‌ها، به یک سرویس خارجی وابسته باشد، قطعی، تغییر قیمت یا محدودیت دسترسی آن سرویس مستقیم به کار شما می‌خورد. مدل لوکال این ریسک را کم می‌کند.

۴. امکان سفارشی‌سازی روی داده خودتان

مدل لوکال را می‌توان به اسناد داخلی، دستورالعمل‌ها و آرشیو گزارش‌های شما وصل کرد، بدون آنکه این اسناد از سازمان خارج شوند. دستیاری که قوانین و رویه‌های خود شما را می‌شناسد، از یک چت‌بات عمومی برای کار روزمره مفیدتر است.

هزینه‌ها و محدودیت‌های لوکال را صادقانه ببینید

هوش مصنوعی لوکال رایگان و بی‌دردسر نیست. اگر این بخش را از شما پنهان کنیم، به شما خدمت نکرده‌ایم.

  • سخت‌افزار: مدل‌های بزرگ به کارت‌های گرافیکی قوی نیاز دارند و تأمین و نگهداری آن‌ها هزینه دارد.
  • توان مدل: مدل‌هایی که می‌شود لوکال اجرا کرد، برای هر کار به اندازه بزرگ‌ترین مدل‌های ابری قوی نیستند. باید کار هر واحد را با آزمایش واقعی سنجید.
  • نگهداری: به‌روزرسانی، پایش، پشتیبان‌گیری و امنیت سرور بر عهده سازمان یا شریک فنی آن است.
  • زمان راه‌اندازی: نصب و آماده‌سازی زیرساخت از استفاده از یک سرویس آماده بیشتر طول می‌کشد.

برآورد دقیق این هزینه‌ها به اندازه سازمان، تعداد کاربران و نوع کار بستگی دارد. عدد کلی نمی‌دهیم، چون عدد درست از بررسی واقعی هر پروژه به دست می‌آید.

کدام کارها را حتماً لوکال نگه دارید؟

یک قاعده ساده کمک می‌کند: هر چه داده ورودی حساس‌تر است، به لوکال نزدیک‌تر شوید.

کارهایی که نزدیک لوکال‌اند

  • خلاصه‌سازی گزارش‌های داخلی تحلیل و مکاتبات محرمانه
  • دستیار پاسخ‌گویی که به اطلاعات حساب و پرتفوی مشتری دسترسی دارد
  • جست‌وجو در آرشیو مستندات انطباق و قراردادها

کارهایی که می‌توانند بیرون بمانند

  • بازنویسی متن‌های عمومی، مثل خبرنامه یا پست وب‌سایت
  • پاسخ به پرسش‌های عمومی درباره مفاهیم بازار که هیچ داده سازمان در آن نیست

ترکیب این دو دسته، موضوع مقاله بعدی ماست؛ در آن معماری ترکیبی لوکال و ابری را توضیح می‌دهیم. ابتدا ببینید در سازمان شما کدام داده کجا قرار می‌گیرد.

گام‌های شروع برای مدیر نهاد مالی

1. فهرست کنید کارکنان امروز با چه ابزارهای هوش مصنوعی کار می‌کنند. بیشتر سازمان‌ها در این فهرست غافلگیر می‌شوند.

2. داده‌ها را به سه سطح عمومی، داخلی و محرمانه تقسیم کنید.

3. یک کار کم‌ریسک اما پرتکرار انتخاب کنید و آن را به‌صورت آزمایشی، با مدل لوکال اجرا کنید.

4. خروجی را با معیار روشن بسنجید: دقت، سرعت و رضایت کاربران.

5. پیش از گسترش، متن رسمی ضوابط سازمان بورس و الزامات مکنا را با واحد انطباق مرور کنید.

اگر برای ساخت نرم‌افزار اختصاصی دودل هستید، مقاله چرا کسب‌وکار به اپلیکیشن نیاز دارد؟ نگاه مدیریتی خوبی به این تصمیم می‌دهد.

سؤالات متداول

آیا هوش مصنوعی لوکال امن‌تر از ابری است؟

لوکال کنترل بیشتری به شما می‌دهد، اما خودکار امن نیست. اگر سرور خوب محافظت نشود، خطر همچنان وجود دارد. امنیت از معماری، دسترسی‌ها و پایش می‌آید.

آیا برای شروع باید سخت‌افزار گران بخرم؟

الزاماً نه. می‌توان با یک آزمایش کوچک روی یک کار مشخص شروع کرد و بعد از دیدن نتیجه درباره سخت‌افزار تصمیم گرفت.

آیا مدل لوکال به فارسی خوب جواب می‌دهد؟

کیفیت فارسی بین مدل‌ها فرق دارد. پیش از انتخاب، مدل را با نمونه‌های واقعی از متن‌های خودتان آزمایش کنید.

آیا لوکال با الزامات مکنا و سازمان بورس سازگار است؟

معماری لوکال به کنترل داده کمک می‌کند، اما سازگاری کامل به پیاده‌سازی و متن رسمی الزامات بستگی دارد. تأیید نهایی با ناظر و واحد انطباق شماست.

جمع‌بندی

برای نهادی که با داده معاملاتی و اطلاعات مشتریان کار می‌کند، پرسش اصلی این نیست که هوش مصنوعی بیاید یا نه، پرسش این است که کجا اجرا شود. لوکال کنترل بیشتری می‌دهد و هزینه و زحمت بیشتری هم دارد. بهترین کار، سنجیدن هر کار با داده واقعی آن است.

تیم سپهر نوآوران رایکا (SNRTech) با ساخت نرم‌افزار اختصاصی و عامل‌های هوشمند، می‌تواند با شما یک سناریوی آزمایشی طراحی کند. شفاف برآورد می‌دهیم و با یک تیم ثابت از جلسه اول تا پشتیبانی پس از راه‌اندازی کنار شما می‌مانیم.

دیدگاه‌ها

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.