کتاب Financial AI in Practice: A Playbook for Credit, Fraud, and Investment Systems (هوش مصنوعی مالی در عمل: راهنمای کاربردی برای سیستم‌های اعتبارسنجی، کشف تقلب و سرمایه‌گذاری) به بررسی کاربردهای عملی هوش مصنوعی در صنعت مالی می‌پردازد و نشان می‌دهد چگونه می‌توان از مدل‌های هوشمند برای ارزیابی اعتبار مشتریان، شناسایی تراکنش‌های مشکوک و تقلب‌های مالی، تحلیل داده‌های بازار و بهبود تصمیم‌گیری‌های سرمایه‌گذاری استفاده کرد. این کتاب بر پیاده‌سازی سیستم‌های هوش مصنوعی در فرایندهای مالی تمرکز دارد و می‌تواند برای متخصصان فناوری مالی (فین‌تک)، تحلیلگران داده، مهندسان یادگیری ماشین و فعالان حوزه بانکداری و سرمایه‌گذاری مفید باشد.
جهت دانلود کتاب Financial AI in Practice می‌توانید از لینک زیر استفاده کنید:
faghatketab.ir/product/financial-ai-in-practice/
بانک‌ها، شرکت‌های بیمه، وام‌دهندگان حوزه وام مسکن و سایر مؤسساتی که با مبالغ هنگفت سروکار دارند، تابع قواعدی متفاوت از سایر بخش‌های صنعت نرم‌افزار هستند. نرم‌افزارهای مالی، از جمله مدل‌های یادگیری ماشین و هوش مصنوعی، باید بتوانند در مواجهه با نهادهای نظارتی، کمیته‌های مدیریت ریسک و بازارهای واقعی عملکرد قابل قبولی داشته باشند.
کتاب هوش مصنوعی مالی در عمل به شما نشان می‌دهد چگونه سیستم‌های هوش مصنوعی را طراحی، پیاده‌سازی و از عملکرد آن‌ها دفاع کنید؛ سیستم‌هایی که تصمیم‌گیری‌های اعتباری را انجام می‌دهند، تقلب را شناسایی می‌کنند، سرمایه‌گذاری را هدایت می‌کنند و به حفظ تعامل مشتریان کمک می‌کنند؛ آن هم در چارچوب محدودیت‌های یک صنعت به‌شدت تحت نظارت.
در این کتاب ارزشمند، نویسنده، ته‌هون کیم (Taehun Kim)، یک دهه تجربه خود در صنعت فین‌تک را در قالب چارچوبی چهارلایه و قابل تکرار ارائه می‌کند. این چارچوب شامل چهار لایه «دارایی‌های داده‌ای»، «مدل‌سازی»، «راهبرد و پایش» و «کاربرد» است. در طول مطالعه کتاب، سیستم‌های مالی مبتنی بر هوش مصنوعی را توسعه خواهید داد که چهار چالش واقعی را هدف قرار می‌دهند: امتیازدهی اعتباری، تشخیص تقلب، سرمایه‌گذاری و پیش‌بینی‌های شخصی‌سازی‌شده.
کار را با ساخت یک خط لوله کامل امتیازدهی اعتباری آغاز می‌کنید که در آن، یک مدل XGBoost آموزش داده شده و به محیط عملیاتی منتقل می‌شود. این فرایند شامل آماده‌سازی و اعتبارسنجی داده‌ها، هماهنگ‌سازی گردش‌کارهای تکرارشونده، مهندسی ویژگی‌ها با استفاده از معیارهای «وزن شواهد» (Weight of Evidence) و «ارزش اطلاعات» (Information Value) و ارائه توضیحات قابل راستی‌آزمایی درباره نتایج مدل است.
همچنین، با استفاده از یک طبقه‌بند تنظیم‌شده LightGBM، رمزگذارهای خودکار (Autoencoders) و شبکه‌های عصبی گرافی، به مسئله تشخیص تقلب خواهید پرداخت. رمزگذارهای خودکار با بررسی خطای بازسازی، الگوهای غیرعادی را شناسایی می‌کنند و شبکه عصبی گرافی پیاده‌سازی‌شده با PyTorch، الگوهای تقلب را در شبکه‌های تراکنش آشکار می‌سازد.
در حوزه سرمایه‌گذاری، یک راهبرد ترکیبی توسعه خواهید داد که موتور پیش‌بینی مبتنی بر جنگل تصادفی (Random Forest) را با یک تحلیلگر اخبار مبتنی بر مدل زبانی بزرگ (LLM) ترکیب می‌کند. همچنین، یک خط لوله کامل تولید تقویت‌شده با بازیابی اطلاعات (RAG) خواهید ساخت که منابع داده‌ای موردنیاز را دریافت می‌کند و از یک مشاور سبد سرمایه‌گذاری با عنوان «تحلیلگر مبتنی بر مدل زبانی بزرگ» (LLM Analyst) برای ارائه پیشنهادهای ساختاریافته استفاده می‌کند. این سیستم، گزارش کاملی از فرایند تصمیم‌گیری نیز ثبت خواهد کرد.
در نهایت، با استفاده از یک موتور شخصی‌سازی که کاربران را بر اساس «دی‌ان‌ای مالی» آن‌ها دسته‌بندی می‌کند و یک عامل خودمختار برای حفظ مشتری، پیش‌بینی‌ها را به درآمد تبدیل خواهید کرد. این عامل از قابلیت فراخوانی ابزارها (Tool Calling) و فرایند پیش‌نویس و تأیید (Draft-Approve) با مشارکت انسان در حلقه تصمیم‌گیری بهره می‌برد.
کریستوفر فوربس (Christopher Forbes)، از شرکت OneSpan و یکی از ارزیابان کتاب، از این رویکرد استقبال کرده و گفته است: «پیوند دادن چارچوب چهارلایه با چهار مسیر راهکارهای تجاری، نقشه راهی منطقی و منسجم برای هوش مصنوعی مالی فراهم می‌کند.»
در طول ۱۴ فصل کاربردی و ۶ پیوست عملی، ته‌هون کیم از پرداختن به بخش‌های دشوار موضوع اجتناب نمی‌کند. محدودیت‌های قانونی و مقرراتی، ریسک مدل، وام‌دهی منصفانه، توهمات مدل‌های هوش مصنوعی، موازنه میان هزینه و تأخیر پاسخ‌گویی و نحوه گفت‌وگو با مدیران ارشد درباره بازگشت سرمایه (ROI)، همگی به‌عنوان ملاحظات اساسی مهندسی بررسی می‌شوند.
حسن بنا (Hasan Banna)، از شرکت InfinitiLoom Tech و یکی دیگر از ارزیابان کتاب، این موضوع را به‌خوبی جمع‌بندی کرده است: «ته‌هون کیم به‌وضوح این سیستم‌ها را در محیط‌های عملیاتی واقعی توسعه داده است؛ محیط‌هایی که در آن‌ها نهادهای نظارتی پرسش‌های دشوار مطرح می‌کنند و تصمیم‌گیرندگان بودجه به دنبال بازگشت سرمایه برحسب دلار هستند، نه صرفاً مقادیر معیار AUC. این تجربه در تمام صفحات کتاب مشهود است.»
ترکیب روش‌های کلاسیک یادگیری ماشین با مدل‌های زبانی بزرگ پیشرفته.
تشخیص تقلب با استفاده از روش‌های یادگیری نظارت‌شده، بدون نظارت و مبتنی بر گراف.
توسعه مدل‌ها و خطوط لوله قابل دفاع و تبیین‌پذیر برای نظارت نهادهای قانونی و مقرراتی.
پیاده‌سازی گردش‌کارهای هوش مصنوعی عامل‌محور با سازوکارهای نظارتی مبتنی بر مشارکت انسان در تصمیم‌گیری.
این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین، مدیران محصول و تحلیلگران مالی طراحی شده است که در محیط‌های تحت نظارت قانونی و مقرراتی، سیستم‌های هوش مصنوعی توسعه می‌دهند.
ته‌هون کیم (Taehun Kim) دانشمند ارشد داده (Staff Data Scientist) در یکی از شرکت‌های بزرگ تجارت الکترونیک پذیرفته‌شده در بورس نیویورک (NYSE) است. او در این شرکت، ابتکارهای مرتبط با هوش مصنوعی مالی را در حوزه‌های تشخیص تقلب، ریسک اعتباری و سیستم‌های تصمیم‌گیری در مقیاس بزرگ هدایت می‌کند. او همچنین استاد بزرگ بخش نوت‌بوک‌های پلتفرم کگل (Kaggle Notebooks Grandmaster) و استاد مدعو در حوزه هوش مصنوعی مالی است.
