الذكاء الاصطناعي في البنوك المركزية

هالة إيلينا غريغوريسكو

جامعة بوخارست للدراسات الاقتصادية ، رومانيا

تجريدي

 تستخدم الورقة البحث النوعي للتحقيق في الاستخدامات المحتملة للذكاء الاصطناعي في مجال البنوك المركزية. يظهر التحليل أن السياسة النقدية والإشراف الاحترازي والإشراف على المدفوعات هي المجالات التي من المرجح أن يحقق فيها استخدام الذكاء الاصطناعي فوائد. تتضمن معايرة السياسة النقدية العمل مع سلسلة زمنية طويلة من البيانات لمختلف المعلمات وإجراء التحليلات والتنبؤات اللازمة ، وهو نشاط قد تكون فيه الشبكات العصبية الاصطناعية مفيدة. يمكن أن تستفيد الرقابة المصرفية من استخدام خوارزميات معالجة اللغة الطبيعية التي يمكنها قراءة المستندات واستخراج المعلومات ذات الصلة. يمكن لهذه الخوارزميات قراءة جميع المستندات المطلوبة وليس فقط تلك التي حددها المشرف وإرجاع جميع الجمل التي تحتوي على تعبير معين محدد مسبقا. وفي مجال الرقابة على المدفوعات، فإن قدرات التعلم الآلي على تحديد الأنماط الجديدة أو الحالات الشاذة في البيانات التي يمكن أن تشير إلى الاحتيال أو غسل الأموال ستعزز الجهود المبذولة لمكافحتها . فيما يتعلق بالتحديات المرتبطة باستخدام الذكاء الاصطناعي في البنوك المركزية ، ربما يكون أكبر تحديين هما أن بعض النماذج لا تسمح بمستوى معقول من قابلية تفسير الخوارزمية (الخوارزميات) التي تصل من خلالها إلى النتيجة خاصة ذات الصلة بالإشراف المصرفي) وتوافر البيانات. وفيما يتعلق بالمسألة الأخيرة، وعلى الرغم من أن مسألة كمية البيانات يمكن استبعادها باعتبارها مسألة قصور بالنظر إلى الكميات الهائلة من البيانات المتاحة، فإن مسألة نوعية البيانات تبدو أكثر وضوحا، حيث قد يكون من الصعب تجاوز أوجه القصور مثل البيانات التي تقاس بشكل غير كامل أو غير صحيح، والندرة والحواجز التنظيمية التي تعوق تقاسم البيانات.

مقدمة

ربما أصبح الذكاء الاصطناعي (الذكاء الاصطناعي) موضوعا مثيرا للاهتمام عندما نشر تورينج (1950) ورقته ""آلات الحوسبة والذكاء"" ، والتي ربما تكون اليوم واحدة من أكثر الأبحاث شهرة في هذا المجال. دارت الورقة حول سؤال ""هل يمكن للآلات أن تفكر ؟"" الذي أجاب عليه المؤلف بطريقة إيجابية ، من خلال استنتاج أن الآلات ستكون في النهاية قادرة على منافسة البشر في جميع المجالات الفكرية.

هل كان هذا الافتراض صحيحا ؟ بعد مرور ٥٠ عاما تقريبا ، في ۱۱ مايو ۱۹۹۷ ، هزم ديب بلو ، وهو كمبيوتر يلعب الشطرنج طورته شركة IBM ، أستاذ الشطرنج الكبير غاري كاسباروف ، وهي نتيجة نوقشت على نطاق واسع في ذلك الوقت. بعد ٢٥ عاما أخرى ، تم تطوير ChatGPT ، كنظام الذكاء الاصطناعي ، والذي ، من بين أمور أخرى ، يمكنه المشاركة في محادثة ذات مغزى مع مستخدم بشري. تظهر هذه التطورات أن رؤية تورينج (1950) للآلات القادرة على التنافس مع الناس في المجالات الفكرية قد لا تكون طوباوية كما كان يمكن اعتبارها عندما تم ذكرها لأول مرة.

تثير هذه الملاحظة السؤال التالي: ما هو الذكاء الاصطناعي؟ تعريفه بطريقة بسيطة ، الذكاء الاصطناعي هو فرع من علوم الكمبيوتر يبني آلات قادرة على أداء المهام التي تتطلب عادة ذكاء بشريا ، أي الآلات التي تستخدم الذكاء الاصطناعي لمحاولة إعادة إنتاج السلوك البشري بأكبر قدر ممكن من الدقة. يتم ذلك عن طريق معالجة كميات كبيرة من البيانات من خلال خوارزميات متقدمة ، بهدف تحديد وتعلم أنماط البيانات أو الخصائص الأخرى.

يمكن تقسيم هذه العمليات إلى مجموعات مختلفة ، بعضها مذكور أدناه ، دون أن يكون تعدادا شاملا:

• التعلم الآلي (ML) ، يعني أن الآلة تتعلم اتخاذ القرارات بناء على التجارب باستخدام ما تعلمته من البيانات على سبيل المثال الأنماط). في معظم الأحيان. يقوم الخبير البشري بإعداد البيانات والهدف (الأهداف) ، من أجل توجيه الخوارزمية نحو النتيجة المرجوة. ومع ذلك ، هناك أيضا إمكانية للسماح للخوارزمية بالعمل على PICBE الخاص بها  عندما يتعلق الأمر بتحديد النماذج المطلوبة ، وبالتالي إزالة الحاجة إلى التدخل البشري المستمر لعام 1893.
• الشبكات العصبية الاصطناعية (ANN) ، وهي سلسلة من الخوارزميات التي تحاول التعرف على العلاقات في مجموعة بيانات من خلال عملية تحاكي كيفية عمل الدماغ البشري. تتشكل من الخلايا العصبية الاصطناعية ، والتي تشير إلى بعضها البعض ويتم تنظيمها في طبقات ، والتي يتم تكديسها لاحقا.
• التعلم العميق (DL) ، مما يعني أن الآلة تتعلم معالجة المدخلات من خلال طبقات متعددة من أجل تصنيف النتيجة واستنتاجها والتنبؤ بها في النهاية. تعتمد هذه الخوارزميات على شبكات ANN مع المزيد من الطبقات.
• معالجة اللغة الطبيعية (NLP) ، والتي تسمح للآلة بقراءة وتفسير اللغة ، المكتوبة والمنطوقة بمجرد أن يفهم الجهاز ما يريد المستخدم توصيله ، يمكنه الاستجابة لطلباته بدقة عالية.

• تحديد وتنفيذ السياسة النقدية وسياسة سعر الصرف؛
•  إجراء التفويض والتنظيم والإشراف الاحترازي على الائتمان المؤسسات؛
•  الإشراف على التشغيل السلس لأنظمة الدفع ؛ 
• إصدار الأوراق النقدية والعملات المعدنية لاستخدامها كعملة قانونية على أراضي رومانيا ؛
•  الإدارة الاحتياطيات الرسمية لرومانيا. 

الآن ، بناء على ما تم ذكره سابقا حول الإمكانيات التي يقدمها الذكاء الاصطناعي ومع الأخذ في الاعتبار المتطلبات المحددة اللازمة للوفاء بهذه المهام ، يمكن التكهن بأن السياسة النقدية والإشراف الاحترازي والإشراف على المدفوعات قد تكون المجالات التي يمكن أن يحقق فيها استخدام الذكاء الاصطناعي فوائد سيركز القسم التالي من الورقة على كل منها. 

استخدامات الذكاء الاصطناعي في السياسة النقدية

من القسم المخصص للبنك الوطني للبحوث على موقعه على الإنترنت ، يمكن استخلاص استنتاج مفاده أن قرارات السياسة النقدية تستند إلى تحليل البيانات. في صميم عملية اتخاذ القرار تقع توقعات التضخم والعوامل التي تؤثر عليه. يبدو أن متغيرات الاقتصاد الكلي ذات الصلة بكل قرار هي نفسها ، إلى حد ما ، (معدل التضخم ، سعر الفائدة ، سعر الصرف ، فجوة الناتج ، الوضع الدوري للاقتصاد ، ظروف سوق العمل ، إلخ) ، ولكن يمكن اعتبار أهميتها قابلة للتعديل بمرور الوقت ، مع مراعاة تطورات الاقتصاد الكلي.

بناء على تلك المذكورة أعلاه ، فإن حقيقة أن معايرة السياسة النقدية تنطوي على العمل مع سلسلة زمنية طويلة من البيانات المختلف المعلمات وإجراء التحليل اللازم ، ينطوي على درجة معينة من الصعوبة في تحديد المعلومات ذات الصلة من حيث التنبؤات والارتباطات ومساهمات كل عامل في توقعات التضخم. في هذه الحالة ، يمكن أن يكون الذكاء الاصطناعي أداة قيمة.

على سبيل المثال ، يقدم (2023) .Buckmann et al مثالا جيدا على كيفية مساعدة ANN في تحليل السياسة النقدية ، من خلال إظهار كيف يمكنها تقسيم تضخم الخدمات إلى مكونات مختلفة (الزيادات السابقة في الأسعار ، وتوقعات التضخم ، وفجوة الناتج والأسعار الدولية) ، مما يسمح بتحديد مساهمة التضخم لكل من هذه المكونات للقيام بذلك ، يستخدمون ANN لتقريب منحنى فيليبس لتضخم الخدمات في المملكة المتحدة. يتم عرض هيكلها في الرسم البياني أدناه ، حيث يمكن ملاحظة أن منحنى فيليبس يربط التضخم الفعلي بالمحركات الأربعة المذكورة سابقا.

الشكل 1. شبكة عصبية ببنية منحنى فيليبس, المصدر : بوكمان وآخرون (۲۰۲۳)

وجد المؤلفون أن هذه الخوارزمية يمكن أن تساعد في تفسير الدوافع وراء ارتفاع تضخم الخدمات في المملكة المتحدة ، ولكن لديها قدرات محدودة على التمييز بين كل محرك ، وأيضا ، مثل أي نموذج تجريبي ، لديها بعض عدم اليقين حول توقعاتها.

استخدامات الذكاء الاصطناعي في الإشراف الاحترازي

يتكون نشاط الإشراف الاحترازي من ثلاثة عناصر : تحديد المخاطر وتقييم المخاطر وتخفيف المخاطر. من الواضح أنه ينطوي على التعامل مع كميات كبيرة من البيانات. يتعامل المشرف مع العديد من البيانات الرقمية ، سواء كانت المحفظة الائتمانية للجهة الخاضعة للإشراف أو غيرها من المؤشرات التي تحتاج إلى تلبية قيم معينة ، من أجل الامتثال للمتطلبات القانونية المعمول بها. إن تحليل مثل هذه الكميات الضخمة من البيانات يستغرق وقتا طويلا وعرضة للخطأ التشغيلي ، بالنظر إلى أن المشرف لن يكون قادرا في النهاية على تغطية جميع المعلومات ، وبالتالي يواجه شكوكا في إجراء التقييم النهائي. بمعنى آخر ، قد يكون المشرفون عرضة للتحيز عندما يتعلق الأمر باتخاذ القرارات القائمة على الحكم ، مما قد يؤدي إلى عدم كفاية تحديد المخاطر و / أو اتخاذ القرارات دون المستوى الأمثل بشأن تدابير التخفيف من المخاطر.

دعونا نفكر في كيفية تنفيذ ممارسة الإشراف التقليدية. يطلب المشرف ويتلقى المستندات من الجهة الخاضعة للإشراف. معظم هذه التقارير هي تقارير ومحاضر اجتماعات مجلس الإدارة وما إلى ذلك بأطوال وأشكال مختلفة. دعونا نتذكر أيضا أنه بعد الأزمة المالية الكبرى في ۲۰۰۸- ۲۰۰۹ ، تم التركيز بشكل كبير على حاجة البنوك إلى الكشف عن البيانات العامة أكثر من ذي قبل ، وهو ما يعني في الأساس تقديم المزيد من التقارير بعد تقديم البيانات المطلوبة من قبل الجهة الخاضعة للإشراف ، سينتهي المشرف بمجلد سيبدو ، إلى حد ما ، مثل المجلد الموجود في الصورة أدناه:

الشكل 2. الوثائق الإشرافية الواردة من قبل المشرفين على البنك, المصدر: الإنترنت

سيتعين على المشرف فرز كل هذه المستندات بطريقة ما واختيار المستندات التي سيتعين عليه قراءتها. ومما يزيد الأمور صعوبة أن تكون تلك الوثائق بأشكال مختلفة، تتراوح بين النصوص والرسوم البيانية والجداول. أخيرا ، عندما يبدأ المشرف في قراءة المستندات المحددة ، يجب استخراج جميع المعلومات ذات الصلة يدويا ، على سبيل المثال ، حفظها في ملف منفصل. ستتكرر هذه العملية لكل مستند ، حتى ينتهي المشرف من قراءة المستندات المحددة.

في هذه اللحظة ، دعونا نتذكر من قسم المقدمة أنه يمكن استبدال الوظائف ذات العمليات المتكررة والروتين الواضح إلى حد ما بآلة وأيضا أن بعض الآلات يمكنها قراءة اللغات وتفسيرها. وبالتالي ، يبدو أن خوارزمية البرمجة اللغوية العصبية تتناسب تماما مع هذا الجزء من وظيفة المشرف الذي يتطلب قراءة المستندات واستخراج المعلومات ذات الصلة. على سبيل المثال ، إذا كان المشرف مهتما بمعرفة مخاطر الائتمان المرتبطة بمحفظة القروض ، فيمكن لهذه الخوارزميات قراءة جميع المستندات وليس فقط تلك التي اختارها المشرف وإرجاع جميع الجمل التي تحتوي على تعبير مخاطر الائتمان علاوة على ذلك ، يمكن لخوارزمية البرمجة اللغوية العصبية أيضا إرجاع تفاصيل مكان العثور على كل جملة اسم المستند والصفحة وما إلى ذلك. يمكن ملاحظة أنه بصرف النظر عن حقيقة أن هذه الخوارزمية يمكن أن تغطي جميع المستندات أو ، على الأقل ، أكثر مما يستطيع المشرف ، يمكنها أيضا العثور على تلك الجمل التي فاتتها المشرف. علاوة على ذلك ، حتى إذا أعادت الخوارزمية بعض النتائج غير المفيدة ، فإن المشرف لن يضيع سوى القليل جدا من وقته في تحليلها ورفضها.

ومن الأمثلة العملية على ذلك استخدام مصرف ماليزيا المركزي الذكاء الاصطناعي من أجل تحسين الاتصالات الإشرافية مع المصارف التجارية. وفقا ل (2022) .Tan et al ، لدى البنك المركزي الماليزي أكثر من ۱۲۰ مؤسسة تحت الإشراف ، مما يعني أن كتابة ومراجعة الرسائل الإشرافية تتطلب قدرا كبيرا من الوقت والعمل. لذلك ، يقترح المؤلفون ، في محاولة لتحسين الكفاءة في عملية الكتابة وكذلك الاتساق في نغمة الاتصال للرسائل الإشرافية ، تطبيقا يسمح بتحليل النغمة والبحث عن الجملة تسمح الميزة الأولى بمعايرة أفضل للنغمة المستخدمة في الرسائل الإشرافية ، على مقياس من محايد"" إلى ""قوي"" ، مع قيمتين وسيطتين ""حذر"" و ""معني بالأمر"". الميزة الثانية تسمح بالبحث عن جمل مماثلة من الحروف السابقة ، بهدف تسريع عملية كتابة الحروف الحالية.

استخدامات الذكاء الاصطناعي في الرقابة على المدفوعات

اثنتان من المشاكل الرئيسية في المدفوعات هما الاحتيال وغسل الأموال. إذا أظهرت في حالة الإشراف فوائد استخدام خوارزميات القروض المتعثرة ، في هذه الحالة سيركز الاهتمام على التعلم الآلي ، نظرا لقدرته على التعلم من البيانات التاريخية وتحديد الأنماط أو الحالات الشاذة الجديدة التي يمكن أن تشير إلى الاحتيال. تذكر أن هذه الخوارزميات جيدة جدا في العثور على الأنماط التي لديها فرصة كبيرة للمرور دون أن يلاحظها أحد من قبل محلل بشري.

الآن ، يمكن للمرء أن يجادل بأنه لا يوجد عدد هائل من عمليات الاحتيال التي تحدث ، وأن البنوك لديها بالفعل تدابير أمنية مختلفة ، ولكن مع ذلك ، لا يمكن الطعن في الحاجة إلى تقليل حدوث هذه المشكلة. القضية الثانية ، غسل الأموال ، هي مشكلة عالمية وتصل إلى ما يقدر بنحو ٢ إلى 5% من الناتج المحلي الإجمالي العالمي ، أو ما بين ۲ تریلیون دولار و ٥ تريليونات دولار ، مع معدل اكتشاف أقل من 1% من تلك التقديرات (2024، BIS).

دور مهم هنا هو معايرة الخوارزمية ، بالنظر إلى أن التحديد يجب أن يكون مصنوعة من جميع البيانات المتاحة حول المعاملة من أجل تقييم ما إذا كان يمكن اعتبارها مشبوهة أم لا. عادة ما تبرز العديد من السمات ، مثل الحجم والموقع الذي تم منه الدفع والتكرار والوقت وما إلى ذلك. تستخدم الخوارزمية هذه السمات للتنبؤ بما إذا كانت المعاملة تنطوي علی درجة معقولة من الشك المرتبط بها ، بالنظر إلى السلوك المعتاد لهذا العميل المعين.

مثال جيد في هذا المجال في مشروع Aurora ، الذي طوره مركز الابتكار التابع لبنك التسويات الدولية (۲۰۲۳) ، والذي يستكشف استخدام التعلم الآلي وتحليل الشبكة للكشف عن أنشطة غسيل الأموال. وفقا لمنشئيه ، يوضح المشروع مزايا وإمكانات استخدام بيانات المدفوعات جنبا إلى جنب مع خوارزميات الذكاء الاصطناعي من أجل اكتشاف مخططات غسيل الأموال (المعقدة).

ويمكن الاطلاع على مزيد من الأمثلة على أدوات الذكاء الاصطناعي التي تستخدمها المصارف المركزية في المرفق الإلكتروني إلى عمل (2024) .Araujo et al ، وكذلك في عملهم السابق المخصص لتطبيقات التعلم الآلي في البنوك المركزية (Araujo et al ، ۲۰۲۲). ويكتسي هذا الأخير أهمية خاصة، لأنه يظهر اهتمام البنوك المركزية بالتعلم الآلي، وهو ما يسلط الضوء على الإمكانات التي قد تتمتع بها هذه التطبيقات في مساعدة البنوك المركزية على معايرة قراراتها.

التحديات المرتبطة باستخدام الذكاء الاصطناعي في البنوك المركزية

ولعل التحدي الأكبر المرتبط باستخدام الذكاء الاصطناعي في البنوك المركزية ينبع من حقيقة أن بعض النماذج لا تسمح بمستوى معقول من قابلية تفسير الخوارزمية التي تتوصل من خلالها إلى النتيجة، مقارنة بتقنيات الاقتصاد القياسي التقليدية المفهومة جيدا. وفي نهاية المطاف يتعين على البنك المركزي أن يشرح كيف تم حساب هذه النتيجة، من خلال تحديد المعايير التي أخذت في الاعتبار وشرح الأساس المنطقي وراء تفسيرها بطريقة مفهومة. عندما يتعلق الأمر بالإشراف المصرفي ، فإن هذه القضية أكثر إلحاحا ، حيث أن هذا النشاط عرضة لبعض التحديات عندما تستخدم البنوك التجارية نماذج الذكاء الاصطناعي لتقييم مخاطر الائتمان للعملاء المحتملين أو المحافظ (مولين ، ۲۰۲۳). في الحالة الثانية ، قد تكون النتائج غير المواتية أكثر خطورة. إذا لم يكن المشرف قادرا على فهم النماذج ، نظرا لخصائصها ، فسيكون من المستحيل تقريبا تقييم ما إذا كان النموذج يديم أي عدم دقة مقدم في البيانات التي تم تدريبه عليها أو امتثاله للوائح المعمول بها. بمعنى أوسع ، تتعلق هذه الملاحظة بالمفاضلة بين قدرة النموذج على تقريب الوظائف المختلفة وإمكانية تفسيره. تم البحث في هذه المشكلة بواسطة (2019) .Guidotti et al ووجدوا أنه يمكن تحديد مستويات مختلفة من قابلية التفسير ، اعتمادا على مرحلة النمذجة. ولكن على الرغم من ذلك ، خلص تحليلهم الشامل للأدبيات المتاحة إلى أن بعض الأسئلة المهمة حول هذه المسألة لا تزال دون إجابة. والأكثر تحديدا هم (2021) .Boukheroua et al ، الذين حددوا عدة طرق يمكن من خلالها تعزيز قابلية التفسير: (i) حسب التصميم ، مما يعني أن بعض النماذج قد تكون أسهل في التفسير ، نظرا لنوعها والخوارزمية المستخدمة. (ii) عن طريق التحكم ، مما يعني أنه أثناء تطوير النماذج ، يمكن نشر اختبارات مختلفة لتقييم صلاحية النماذج ؛ (iii) باستخدام نماذج أخرى ، أبسط أو معقدة ، لشرح سلوك النماذج الأكثر تعقيدا التحدي الآخر يأتي من البيانات نفسها. يعتمد نجاح أي نموذج على كل من كمية ونوعية البيانات. يمكن رفض مسألة كمية البيانات باعتبارها عيبا بالنظر إلى الكميات الهائلة من البيانات المتاحة ولأنه حتى البيانات الشخصية تميل إلى أن تكون متاحة أكثر فأكثر ، حيث يمنح الناس موافقتهم على استخدامها. ومع ذلك ، فإن الطريقة التي تعمل بها هذه النماذج ، أي باستخدام البيانات من مصادر متعددة ، تثير بعض الأسئلة فيما يتعلق بحماية البيانات والخصوصية. في حين أن البيانات التي تجمعها المؤسسات العامة تتمتع بإطار محدد بوضوح من حيث الوصول والحماية فإن جمع البيانات من مصادر خاصة، مثل وسائل التواصل الاجتماعي عرضة لسوء جودة البيانات وعدم اليقين من حيث كيفية ومدى استخدام هذه البيانات. تتفاقم هذه الأسئلة بسبب حقيقة أن الخوارزميات تحتاج الذكاء الاصطناعي المزيد والمزيد من البيانات الشخصية) المعايرة أفضل لخوارزمياتها وأيضا لأنها يمكن أن : تخصم بعض المعلومات الحساسة عن شخص معين المعلومات الشخصية ،. مثل العادات والتفضيلات وما إلى ذلك ، بناء على تلك البيانات. ستتطلب معالجة هذه المخاوف جهدا مشتركا من قبل صانعي السياسات ، وذلك أساسا من خلال مراجعة القوانين ووضع تدابير وقائية الذكاء الاصطناعي المطورين وشركات التكنولوجيا ، الذين يحتاجون إلى الانخراط في التنظيم الذاتي من خلال إنشاء نماذج تحترم خصوصية المستخدم. يمكن القيام بذلك عن طريق تنفيذ تدابير قوية لحماية البيانات أو عن طريق تقليل كمية البيانات المطلوبة / المستخدمة ، على الرغم من أن الأخيرة قد تعتبر ذات نتائج عكسية ، نظرا لأنها قد تؤثر على قدرات النماذج. أخيرا ، تجدر الإشارة هنا أيضا إلى خطر الهجمات الإلكترونية. يطلق (2019) Comiter على هذه المخاطر ""هجمات الذكاء الاصطناعي"" وهي تنطوي بشكل أساسي على تغيير سلوك النموذج لخدمة هدف نهائي ضار. في حالة القطاع المالي ، يمكن لمثل هذا الهجوم أن يقوض قدرات بعض المشاركين على تقييم وإدارة المخاطر ، مما قد يؤدي إلى تراكم المخاطر (النظامية) غير الملحوظة. ونتيجة لذلك، ونظرا لتأثيرها المحتمل على مؤسسات القطاع المالي، يلزم وجود إطار تنظيمي مناسب كتدبير للتخفيف. ويمكن أن يتضمن هذا الإطار أحكاما إلزامية تتعلق بنظم واستراتيجيات الكشف والإبلاغ لضمان خصوصية النموذج والبيانات. وتجدر الإشارة إلى أن مثل هذا الإطار يجب أن ينطبق أيضا على مزودي تكنولوجيا المعلومات لهذه النماذج، حيث يمكن أن يكونوا أيضا عرضة للهجمات السيبرانية.

ويتعلق التحدي الثالث بالاحتياجات من حيث الاستثمارات والموارد البشرية التي يمكن أن تتطلبها زيادة استخدام الذكاء الاصطناعي. في حين أن البنوك المركزية هي في وضع يمكنها من القيام بالاستثمارات اللازمة من حيث كل من الأجهزة والبرامج ، مقارنة بكيانات الدولة الأخرى على سبيل المثال ، قد يكون من الصعب شرح التكاليف الكبيرة للجمهور. سيثبت العثور على الموظفين المناسبين ، على الأرجح ، أنه أكثر صعوبة نظرا لطبيعة نشاط البنوك المركزية ، يجب أن يكون الموظف المثالي مبرمجا وخبيرا اقتصاديا ، وهي مجموعة من المهارات التي قد يكون من الصعب العثور عليها أو الاحتفاظ بها ، في حالة الموظفين الحاليين (2024، .Araujo et al). قد تكون الرواتب مشكلة أيضا ، حيث لا تستطيع المؤسسات العامة عادة التنافس مع القطاع الخاص عندما يتعلق الأمر بالمستويات القصوى التي يمكن أن تقدمها.

استنتاج

وفي مجال أنشطة البنوك المركزية، فإن السياسة النقدية والإشراف الاحترازي والرقابة على المدفوعات هي المجالات التي يمكن أن يحقق فيها استخدام الذكاء الاصطناعي فوائد. تتضمن معايرة السياسة النقدية العمل مع سلسلة زمنية طويلة من البيانات لمختلف المعلمات وإجراء التحليل اللازم ، مما يعني درجة معينة من الصعوبة في تحديد المعلومات ذات الصلة من حيث التنبؤات والارتباطات ومساهمات كل عامل في توقعات التضخم. هنا قد تكون الشبكات العصبية الاصطناعية مفيدة. يمكن أن تستفيد الرقابة المصرفية من استخدام خوارزميات معالجة اللغة الطبيعية التي يمكنها قراءة المستندات واستخراج المعلومات ذات الصلة. يمكن لهذه الخوارزميات قراءة جميع المستندات المطلوبة وليس فقط تلك التي حددها المشرف وإرجاع جميع الجمل التي تحتوي على تعبير معين محدد مسبقا من قبل المشرف. وفي مجال الرقابة على المدفوعات، فإن قدرات التعلم الآلي على تحديد الأنماط الجديدة أو الحالات الشاذة في البيانات التي يمكن أن تشير إلى الاحتيال أو غسل الأموال ستعزز الجهود المبذولة لمكافحتها.

فيما يتعلق بالتحديات المرتبطة باستخدام الذكاء الاصطناعي في البنوك المركزية ، ربما يكون التحدي الأكبر هو أن بعض النماذج لا تسمح بمستوى معقول من قابلية تفسير الخوارزمية (الخوارزميات التي تصل من خلالها إلى النتيجة. عندما يتعلق الأمر بالإشراف المصرفي ، فإن هذه القضية أكثر إلحاحا ، لأنه إذا لم يكن المشرف قادرا على فهم النماذج ، فسيكون من المستحيل تقريبا تقييم ما إذا كان النموذج يديم أي عدم دقة موجود في البيانات التي تم تدريبه عليها أو إذا كان يتوافق مع اللوائح المعمول بها التحدي الآخر يأتي من توافر البيانات. على الرغم من أن مسألة كمية البيانات يمكن رفضها باعتبارها قصورا نظرا للكميات الهائلة من البيانات المتاحة ، إلا أن مسألة جودة البيانات تبدو أكثر وضوحا. قد يكون من الصعب تجاوز بعض أوجه القصور مثل البيانات المقاسة بشكل غير كامل أو غير صحيح ، وندرة البيانات ، والحواجز التنظيمية التي تعيق مشاركة البيانات. ويتعلق التحدي الثالث بالاحتياجات من حيث الاستثمارات والموارد البشرية التي يمكن أن تتطلبها زيادة استخدام الذكاء الاصطناعي. ونظرا لطبيعة نشاط البنوك المركزية، سيحتاج الموظف المثالي إلى مجموعة من المهارات التي قد يكون من الصعب العثور عليها، وقد تكون الرواتب مشكلة أيضا، حيث لا تستطيع المؤسسات العامة عادة التنافس مع القطاع الخاص عندما يتعلق الأمر بالمستويات القصوى التي يمكن أن تقدمها.

أخيرا ، تجدر الإشارة إلى أن الذكاء الاصطناعي يتفوق في المواقف التي يكون فيها كل من المهمة والقواعد التي يجب تطبيقها من أجل الوفاء بتلك المهمة واضحة. في المقابل ، إذا أصبحت القواعد أو المهام أكثر دقة ، فإن ميزة استخدام الذكاء الاصطناعي بدلا من الحكم البشري تبدأ في التلاشي. قد يكون هذا هو الحال عندما تكون معرفة كيفية إنجاز المهمة واضحة ، ولكن من خلال القيام بذلك ، هناك خطر التأثير على أهداف أخرى (المثال الكلاسيكي هو رفع سعر الفائدة لمكافحة التضخم ، بافتراض التكلفة المحتملة للتأثير على النمو الاقتصادي). وبالتالي ، لا يبدو أن الذكاء الاصطناعي سيكون قادرا على استبدال الحكم البشري بالكامل.

الذكاء الاصطناعي في البنوك المركزية