هوش مصنوعی در حال تغییر نقشی است که محصولات مالی در زندگی کاربران دارند.
تا چند سال پیش، بیشتر محصولات بانکداری دیجیتال و فینتک وظیفهای مشخص داشتند: دسترسی به اطلاعات و انجام کارهای از پیش تعریفشده. کاربر موجودی حسابش را میدید، تراکنشها را بررسی میکرد، انتقال وجه انجام میداد، قبض پرداخت میکرد یا کارت خود را مدیریت میکرد.
اما حالا شرایط متفاوت است.
یک محصول مالی میتواند الگوهای هزینهکرد کاربر را شناسایی کند، فعالیتهای مالی او را خلاصه کند، به سؤالها به زبان طبیعی پاسخ دهد، رفتارهای غیرعادی را تشخیص دهد، نتایج احتمالی را پیشبینی کند و حتی پیشنهاد دهد قدم بعدی چه باشد.
با این حال، اضافهکردن هوش مصنوعی به یک محصول فینتک فقط به معنی ساختن یک چتبات یا اضافهکردن یک قابلیت هوشمند نیست.
تغییر اصلی در تجربه کاربر اتفاق میافتد.
وقتی یک محصول میتواند شرایط را درک کند، دادهها را تفسیر کند، پیشنهاد بدهد و حتی بخشی از کار را انجام دهد، نقش تجربه کاربری هم تغییر میکند. دیگر قرار نیست فقط رابطی طراحی کنیم که قابلیتهای محصول را در اختیار کاربر بگذارد؛ باید تجربهای طراحی کنیم که به او کمک کند بهتر بفهمد، بهتر تصمیم بگیرد و راحتتر عمل کند.
اینجا یک سؤال مهم برای طراحی محصول شکل میگیرد:
وقتی یک محصول مالی میتواند بیشتر از چیزی که کاربر به طور مستقیم میپرسد را درک کند، باید چه کاری برای او انجام دهد؟
پاسخ این سؤال فقط به توانایی هوش مصنوعی بستگی ندارد. باید درباره موضوعاتی مثل زمینه استفاده، شخصیسازی، میزان اتوماسیون، عدم قطعیت و مهمتر از همه، میزان کنترلی که همچنان باید در دست کاربر باقی بماند، تصمیمهای دقیق و آگاهانه گرفت.
از رابطهای دیجیتال تا تجربههای مالی هوشمند
محصولات مالی سنتی معمولا بر اساس فرایندهای از پیش تعریفشده طراحی شدهاند.
کاربر میخواهد پول انتقال دهد؛ وارد بخش انتقال وجه میشود. میخواهد هزینههایش را بررسی کند؛ سراغ تاریخچه تراکنشها میرود. میخواهد موجودی حسابش را ببیند؛ صفحه حساب را باز میکند.
در این مدل، محصول به اقدام مستقیم کاربر پاسخ میدهد.
هوش مصنوعی امکان نوع دیگری از تعامل را فراهم میکند.
بهجای اینکه کاربر مجبور باشد بین چند صفحه جستوجو کند، محصول میتواند اطلاعات را بررسی کند و زمانی که نکتهای مرتبط وجود دارد، آن را در اختیار کاربر بگذارد:
هزینههای شما این ماه ۱۸٪ بیشتر شده که بیشتر آن به سفر و رستوران مربوط است.
یا:
این تراکنش با فعالیتهای اخیر شما متفاوت است.
در اینجا محصول دیگر فقط اطلاعات مالی را نمایش نمیدهد؛ آنها را تفسیر میکند.
این تغییر را میتوان در یک مسیر چهارمرحلهای دید:
دیجیتالیشدن ← اتوماسیون ← شخصیسازی ← هوشمندی
دیجیتالیشدن باعث شد خدمات مالی در فضای دیجیتال در دسترس قرار بگیرند. اتوماسیون، کارهای تکراری را کاهش داد. شخصیسازی، تجربه را با نیازهای هر کاربر هماهنگ کرد. و هوشمندی به محصول امکان میدهد زمینه را درک کند، از دادهها، بینش به دست آورد، پیشبینی کند و در تصمیمگیری به کاربر کمک کند.
در هر مرحله، چالش طراحی تجربه کاربری هم تغییر میکند.
در یک رابط معمولی، طراح میپرسد:
«کاربر چطور میتواند این کار را انجام دهد؟»
اما در یک رابط هوشمند، سؤالها گستردهتر میشوند:
«کاربر در این لحظه چه چیزی را باید بفهمد؟»
«سیستم چه کاری میتواند بهصورت پیشدستانه انجام دهد؟»
«چه زمانی باید پیشنهاد بدهد؟»
«و چه زمانی بهتر است دخالت نکند؟»
اینجاست که هوش مصنوعی در در طراجی تجربه کاربری محصولات مالی دیگر فقط یک مسئله تکنولوژیک نیست؛ به یک مسئله واقعی در طراحی محصول و تجربه کاربر تبدیل میشود.
هوش مصنوعی کجا تجربه کاربری فینتک را تغییر میدهد؟
هوش مصنوعی میتواند تقریبا روی تمام بخشهای یک محصول مالی تأثیر بگذارد؛ اما بعضی از این حوزهها اهمیت بیشتری دارند.
شخصیسازی
محصولات مالی به حجم زیادی از دادههای رفتاری و تراکنشی کاربران دسترسی دارند. هوش مصنوعی میتواند از این اطلاعات استفاده کند تا تجربه را برای هر کاربر مرتبطتر کند.بهجای اینکه همه کاربران یک داشبورد مشابه را ببینند، محصول میتواند اطلاعات را بر اساس شرایط مالی فعلی هر فرد در اولویت قرار دهد.
مثلا کاربری که زیاد سفر میکند، میتواند بینشهای مرتبط با هزینههای سفرش را ببیند. کسی که چند پرداخت دورهای دارد، میتواند یادآوری پرداختهای پیشرو را دریافت کند. یا اگر هزینههای یک کاربر به شکل محسوسی تغییر کرده باشد، محصول میتواند دلیل این تغییر را برای او توضیح دهد.
اما شخصیسازی به این معنی نیست که هر چیزی را که سیستم درباره کاربر میداند، جلوی او بگذاریم.
شخصیسازی خوب باید بار ذهنی کاربر را کمتر کند.
محصول باید مرتبطتر شود، نه پیچیدهتر.
بینشهای مالی
یکی از روشنترین فرصتهای هوش مصنوعی، تبدیل دادههای مالی به بینشهایی قابلفهم است.بیشتر محصولات مالی همین حالا هم داده زیادی در اختیار دارند. مشکل اینجاست که داده خام، لزوما به درک بهتر منجر نمیشود.
یک فهرست تراکنش ممکن است به کاربر نشان دهد:
رستوران — ۲٬۰۰۰٬۳۰۰ تومان خرید روزانه — ۳٬۲۴۰٬۳۰۹ تومان حملونقل — ۱٬۰۰۰٬۰۰۰ تومان
اما هوش مصنوعی میتواند الگوی بزرگتری را از دل این دادهها پیدا کند:
هزینههای شما برای غذا و رستوران، نسبت به میانگین اخیرتان ۲۴٪ بیشتر شده است.
اینجا تجربه از داده ← اطلاعات ← بینش حرکت میکند.
چالش تجربه کاربری این است که مشخص کنیم کدام بینش واقعا ارزش توجه کاربر را دارد.
یک محصول هوشمند نباید فقط مشاهدات بیشتری تولید کند. باید اطلاعاتی را پیدا کند که مرتبط، قابلفهم و در صورت نیاز، قابل تبدیل به اقدام باشند.
رابطهای مکالمهای
تعامل با زبان طبیعی، تغییر مهم دیگری در تجربه کاربری ایجاد میکند.بهجای اینکه کاربر برای پیدا کردن اطلاعات بین چند صفحه جابهجا شود، میتواند به طور مستقیم سؤالش را بپرسد:
«ماه گذشته چقدر برای غذا هزینه کردم؟»
یا:
«چرا این ماه بیشتر از معمول هزینه کردم؟»
یا:
«بیشترین هزینههای دورهای من کداماند؟»
یک دستیار مالی مبتنی بر هوش مصنوعی میتواند دسترسی به اطلاعات پیچیده را سادهتر کند.
اما تجربه مکالمهای یک چالش جدید هم ایجاد میکند: کاربر ممکن است به طور دقیق نداند سیستم چه کارهایی میتواند انجام دهد.
به همین دلیل، یک دستیار مالی خوب باید حد و مرز مشخصی داشته باشد.
تجربه باید بین این چهار سطح تفاوت بگذارد:
پاسخ به سؤال توضیح اطلاعات ارائه پیشنهاد انجام یک اقدام
هرچه از سطح اول به سطح آخر میرویم، پیامد تعامل هم بیشتر میشود.
توضیح یک تراکنش توسط دستیار، با انتقال پول توسط همان دستیار یکسان نیست.
از داده تا بینش
فرصت اصلی در فینتکهای مبتنی بر هوش مصنوعی، فقط تولید اطلاعات مالی بیشتر نیست؛ بلکه کمک به کاربران برای درک معنای این اطلاعات است.
تفاوت بین این دو تجربه را در نظر بگیرید.
حالت سنتی
هزینه ماهانه: ۳۰٬۲۴۰٬۳۰۹ تومانکاربر فقط یک عدد دریافت میکند.
حالت هوشمند
هزینه ماهانه: ۳۰٬۲۴۰٬۳۰۹ تومان ۱۲٪ بیشتر از میانگین سه ماه اخیر. بیشتر این افزایش مربوط به سفر و رستوران است.حالا محصول به کاربر کمک میکند این عدد را تفسیر کند.
قدم بعدی میتواند این باشد:
بررسی هزینهها
این تجربه مسیر مفیدتری ایجاد میکند:
داده ← الگو ← زمینه ← بینش ← اقدام
هوش مصنوعی میتواند بهخصوص در بخش میانی این مسیر، ارزش ایجاد کند؛ جایی که دادهها را بررسی میکند و به درکی قابلاستفاده برای کاربر میرسد.
اما یک اصل مهم در طراحی وجود دارد:
هوش مصنوعی باید تلاش لازم برای درک اطلاعات مالی را کاهش دهد، نه اینکه فقط اطلاعات بیشتری تولید کند.
سیستمی که هر هفته دهها بینش تولید میکند، ممکن است از نظر فنی هوشمند باشد؛ اما اگر استفاده از محصول را سختتر کند، تجربه بهتری ایجاد نکرده است.
تجربه کاربری خوب در محصولات مالی همچنان به اولویتبندی نیاز دارد.
از بینش تا اقدام
وقتی هوش مصنوعی میتواند دادههای مالی را تفسیر کند، فرصت بعدی کمک به کاربر برای اقدام بر اساس این اطلاعات است.
فرض کنید محصول تشخیص دهد:
هزینه اشتراکهای دورهای شما این ماه ۱ میلیون تومان افزایش پیدا کرده است.
این اطلاعات مفید است.
اما تجربه میتواند ادامه پیدا کند:
سه اشتراک دلیل اصلی این افزایش هستند.
و بعد:
بررسی اشتراکها
در اینجا محصول از اطلاعات به سمت اقدام حرکت میکند.
این مسیر را میتوان اینطور دید:
درک ← تصمیمگیری ← اقدام
هوش مصنوعی میتواند از هر سه مرحله پشتیبانی کند. میتواند توضیح دهد چه اتفاقی افتاده، دلایل احتمالی را شناسایی کند، گزینهها را با هم مقایسه کند و قدم بعدی را پیشنهاد دهد.
اما سیستم همیشه لازم نیست تصمیم نهایی را خودش بگیرد.
در بسیاری از فرایندهای مالی، مدل مناسبتر این است:
AI شناسایی میکند ← AI توضیح میدهد ← AI پیشنهاد میدهد ← کاربر تصمیم میگیرد ← سیستم اقدام میکند
به این ترتیب، هوشمندی در جریان تجربه باقی میماند، بدون اینکه اختیار تصمیمگیری از کاربر گرفته شود.
طراحی دستیارهای مالی مبتنی بر هوش مصنوعی
یک دستیار مالی مبتنی بر هوش مصنوعی نباید فقط یک چتبات باشد که به یک اپلیکیشن بانکی اضافه شده است.
ارزش آن به این بستگی دارد که محصول و زمینه مالی کاربر را تا چه اندازه درک میکند.
یک دستیار کاربردی میتواند به کاربران کمک کند:
- تراکنشهای ناآشنا را درک کنند
- فعالیتهای مالی خود را خلاصه کنند
- اطلاعات مشخصی را پیدا کنند
- الگوهای هزینهکرد را شناسایی کنند
- تغییرات در رفتار مالی را توضیح دهند
- گزینههای مالی را با هم مقایسه کنند
- برای تصمیمگیری آماده شوند
- کارهای روزمره و تکراری را انجام دهند
برای مثال:
«ماه گذشته چقدر هزینه کردم؟»
این سؤال در درجه اول یک درخواست برای دریافت اطلاعات است.
«چرا هزینههای من افزایش پیدا کرده؟»
اینجا سیستم باید اطلاعات را تفسیر کند.
«چطور میتوانم هزینههایم را کاهش دهم؟»
اینجا مسئله به ارائه یک پیشنهاد تبدیل میشود.
«۱۰ میلیون تومان به حساب پساندازم منتقل کن.»
این یک اقدام با پیامد مالی است.
در نظر گرفتن هر چهار مورد بهعنوان یک نوع تعامل، یک اشتباه تجربه کاربری است.
هرچه پیامد یک تعامل بیشتر باشد، تجربه هم ممکن است به توضیح، تأیید و کنترل بیشتری نیاز داشته باشد.
طراحی برای عدم قطعیت هوش مصنوعی
سیستمهای هوش مصنوعی همیشه درست عمل نمیکنند.
ممکن است زمینه را اشتباه درک کنند، با اطلاعات ناقص کار کنند یا به نتیجهای برسند که در ظاهر منطقی است، اما درست نیست.
محصولات مالی نمیتوانند این مسئله را فقط یک جزئیات کوچک در رابط کاربری در نظر بگیرند.
فرض کنید یک سیستم هوش مصنوعی میگوید:
شما باید این ماه ۵ میلیون تومان پسانداز کنید.
این پیشنهاد دقیق به نظر میرسد؛ اما کاربر نمیداند این عدد چطور محاسبه شده یا تا چه اندازه میتواند به آن اعتماد کند.
یک تجربه کاربردیتر میتواند اینطور باشد:
بر اساس هزینههای اخیر شما، پسانداز حدود ۴ تا ۵ میلیون در این ماه میتواند واقعبینانه باشد.
و سپس:
ببینید این عدد چطور محاسبه شده است
تفاوت این دو تجربه فقط در نحوه بیان نیست.
تجربه دوم نشان میدهد که این پیشنهاد بر اساس یکسری فرضیات شکل گرفته و باید آن را بهعنوان راهنمایی در نظر گرفت، نه یک نتیجه قطعی.
بسته به شرایط، ممکن است کاربر لازم باشد بداند:
- چه دادههایی در نظر گرفته شدهاند
- دادهها مربوط به چه زمانی هستند
- چه فرضیاتی در نظر گرفته شدهاند
- هوش مصنوعی چه چیزهایی را نمیداند
- میزان اطمینان سیستم چقدر است
- این پیشنهاد در چه شرایطی ممکن است دیگر قابل استفاده نباشد
اصل تجربه کاربری در اینجا ساده است:
رابط کاربری نباید سیستم را مطمئنتر از چیزی نشان دهد که در واقع هست.
کنترل انسانی در امور مالی مبتنی بر هوش مصنوعی
اتوماسیون جذاب است؛ چون میتواند کارهای تکراری را از دوش کاربر بردارد.
اما در محصولات مالی، اتوماسیون باید مرزهای مشخصی داشته باشد.
سه تجربه متفاوت را در نظر بگیرید:
هوش مصنوعی پیشنهاد میدهد
«ممکن است بخواهید ۲۰۰ دلار به پساندازتان منتقل کنید.»هوش مصنوعی آماده میکند
«یک انتقال ۲۰۰ دلاری آماده کردهایم تا آن را بررسی کنید.»هوش مصنوعی اجرا میکند
«۲۰۰ دلار به حساب پسانداز شما منتقل شد.»این سه، تجربههای کاملا متفاوتی هستند.
سطح مناسب اتوماسیون به پیامد اقدام، امکان بازگشت آن و انتظارات کاربر بستگی دارد.
اقدامهای کمریسک و تکراری را میتوان با حداقل اصطکاک خودکار کرد.
اما اقدامهایی که تأثیر بیشتری دارند یا بهراحتی قابل بازگشت نیستند، ممکن است به تأیید صریح کاربر نیاز داشته باشند.
به همین دلیل، طراحی تجربه کاربری برای هوش مصنوعی نباید با این سؤال شروع شود:
«چه چیزی را میتوانیم خودکار کنیم؟»
سؤال بهتر این است:
«چه چیزی را باید خودکار کنیم؟»
این تفاوت مهم است.
بهترین محصولات مالی مبتنی بر هوش مصنوعی، کاربر را از تمام تصمیمها کنار نمیگذارند. آنها تلاش غیرضروری را کم میکنند و در عین حال، کنترل معنادار را در اختیار کاربر نگه میدارند.
کاربردهای مختلف هوش مصنوعی، چالشهای متفاوت تجربه کاربری
هوش مصنوعی در فینتک فقط یک کاربرد ندارد. هر نوع استفاده از هوش مصنوعی، ملاحظات متفاوتی را برای محصول و تجربه کاربری ایجاد میکند.یک دستیار مالی مبتنی بر هوش مصنوعی باید با موضوعاتی مثل دقت، زمینه و ارجاع کاربر به مسیر مناسب کنار بیاید. یک سیستم ارائهدهنده بینشهای مالی باید تشخیص دهد کدام الگوها واقعا به کاربر مرتبط هستند. سیستم تشخیص تقلب هم باید احتمال خطای مثبت کاذب را در نظر بگیرد و وقتی تراکنشی به اشتباه علامتگذاری میشود، راهی برای اصلاح و بازگشت کاربر به وضعیت عادی فراهم کند.
هوش مصنوعی در حوزه اعتبار و وام، پرسشهایی درباره توضیحپذیری و پاسخگویی ایجاد میکند. تجربههای مالی شخصیسازیشده هم باید بین ارتباط و تناسب با کاربر و حریم خصوصی تعادل برقرار کنند.
اقدامهای خودکار نیز به تصمیمهای دقیقتری درباره تأیید کاربر، امکان بازگشت از اقدام و انتظارات او نیاز دارند.
به همین دلیل، یک الگوی واحد برای طراحی تجربه کاربری هوش مصنوعی در فینتک وجود ندارد.
دستیار هوش مصنوعی که به سؤال کاربر درباره یک تراکنش پاسخ میدهد، به همان مدل تعاملیای نیاز ندارد که یک سیستم هوش مصنوعی در تصمیمگیری اعتباری نقش دارد.
هرچه پیامد یک نتیجه بیشتر باشد، تجربه باید با دقت بیشتری به کاربر نشان دهد چه اتفاقی در حال رخ دادن است و او در برابر آن چه کاری میتواند انجام دهد.
یک تجربه خوب از هوش مصنوعی میداند کِی متوقف شود
یکی از جنبههای مهم تجربه کاربری برای هوش مصنوعی که اغلب نادیده گرفته میشود، این است که بدانیم کجا نباید از هوش مصنوعی استفاده کنیم.بعضی از موقعیتهای مالی به قضاوت، درک زمینه یا پاسخگوییای نیاز دارند که یک سیستم خودکار نمیتواند بهخوبی از عهده آن برآید.
برای مثال:
- تراکنشی که کاربر نسبت به آن اعتراض دارد
- احتمال تقلب یا کلاهبرداری
- مشکل در دسترسی به حساب
- تصمیمهای پیچیده اعتباری
- تراکنشهای با مبلغ بالا
- شرایط مالی حساس
یک تجربه بهتر میتواند اینطور باشد:
هوش مصنوعی موضوع را درک میکند → هوش مصنوعی توضیح میدهد → هوش مصنوعی محدودیت خودش را تشخیص میدهد → انسان وارد میشود
این انتقال هم باید همراه با حفظ اطلاعات و سابقه تعامل باشد.
اگر کاربر مشکلش را قبلا برای هوش مصنوعی توضیح داده است، نباید مجبور شود تمام ماجرا را دوباره برای کارشناس انسانی تعریف کند.
هوش مصنوعی باید خدمات را توانمندتر کند؛ نه اینکه یک مانع دیگر بین کاربر و کمکی که به آن نیاز دارد ایجاد کند.
از قابلیتهای هوش مصنوعی تا فرایندهای هوشمند
یکی از بزرگترین اشتباهاتی که تیمها میتوانند مرتکب شوند، این است که هوش مصنوعی را بهعنوان یک قابلیت جداگانه در نظر بگیرند.اضافهکردن یک چتبات هوش مصنوعی به اپلیکیشن بانکی، بهخودیخود یک محصول مالی هوشمند ایجاد نمیکند.
فرصت جذابتر، ادغام هوشمندی در فرایندهای موجود است.
برای مثال، یک فرایند معمول برای بررسی تراکنش میتواند اینطور باشد:
تراکنش ← جزئیات ← تفسیر توسط کاربر
اما در یک تجربه هوش مصنوعی میتواند به این شکل تغییر کند:
تراکنش ← شناسایی الگوی غیرعادی توسط AI ← توضیح ← بررسی توسط کاربر ← اقدام
یا در مدیریت امور مالی شخصی:
تراکنشها ← دستهبندی ← داشبورد
در مقابل:
تراکنشها ← شناسایی الگو ← بینش ← پیشنهاد ← اقدام کاربر
تفاوت الزاما در اضافهشدن یک صفحه جدید نیست.
تفاوت در نقشی است که محصول در فرایند تصمیمگیری کاربر ایفا میکند.
اینجاست که طراحی محصول مبتنی بر هوش مصنوعی اهمیت ویژهای پیدا میکند. سؤال دیگر فقط این نیست:
«هوش مصنوعی را کجا میتوانیم قرار دهیم؟»
سؤال مهمتر این است:
«هوشمندی کجا میتواند واقعا فرایند کاربر را بهتر کند؟»
برای نگاهی گستردهتر به نحوه کار تیمهای محصول AI در تحقیق، فرایندهای کاری، ریسکها و اجرای واقعی، میتوانید راهنمای طراحی محصول AI: ابزارها، فرایندها، ریسکها و اجرای واقعی را ببینید.
طتست تجربههای مالی مبتنی بر هوش مصنوعی پیش از ساخت
محصولات مبتنی بر هوش مصنوعی معمولا با فرضیات جدیدی همراهاند؛ فرضیاتی که با برنامهریزی معمول برای قابلیتهای محصول، بهراحتی قابل اعتبارسنجی نیستند.
آیا کاربران به یک بینش تولیدشده توسط هوش مصنوعی به اندازهای اعتماد میکنند که بر اساس آن اقدامی انجام دهند؟ آیا متوجه میشوند چرا چنین پیشنهادی به آنها داده شده است؟ آیا این مسئله آنقدر برایشان مهم است که رفتارشان را تغییر دهند؟ آیا هوش مصنوعی واقعا تلاش کاربر را کمتر میکند یا فقط یک لایه پیچیدگی دیگر به تجربه اضافه میکند؟
بسیاری از این سؤالها را میتوان پیش از ساخت محصول کامل آزمایش کرد.
یک پروتوتایپ میتواند به تست یک تعامل مبتنی بر هوش مصنوعی کمک کند. یک فرایند واقعی و قابلاجرا میتواند نشان دهد که آیا کاربران نقش سیستم را بهدرستی درک میکنند یا نه. یک آزمایش کوچک هم میتواند مشخص کند که یک بینش یا پیشنهاد خاص، واقعا باعث تغییر معناداری در رفتار کاربران میشود یا خیر.
این موضوع اهمیت بیشتری پیدا میکند؛ چون محصولات هوش مصنوعی میتوانند به سرمایهگذاری فنی قابلتوجهی نیاز داشته باشند.
پیش از ساخت کل سیستم، تیمها میتوانند پرریسکترین فرضیات خود را شناسایی کنند و آنها را با کوچکترین آزمایش قابلاعتماد ممکن بسنجند.
راهنمای ما درباره اعتبارسنجی MVP: چگونه پیش از ساخت محصول آن را آزمایش کنیم این رویکرد را با جزئیات بیشتری بررسی میکند.
اصل ماجرا ساده است:
قبل از ساختن چیزی که تغییر دادنش پرهزینه است، چیزهایی را که واقعا اهمیت دارند یاد بگیرید.
یک چارچوب تجربه کاربری برای فینتکهای مبتنی بر هوش مصنوعی
یک روش کاربردی برای فکرکردن به تجربههای مالی مبتنی بر هوش مصنوعی این است:
درک ← تفسیر ← پیشنهاد ← کمک ← اقدام ← یادگیری
درک: سیستم، هدف کاربر، زمینه و اطلاعات مالی مرتبط را درک میکند.تفسیر: دادههای خام را به الگوها و بینشهای معنادار تبدیل میکند.
پیشنهاد: بر اساس اطلاعات و زمینه موجود، قدم بعدی مرتبطی را پیشنهاد میدهد.
کمک: به کاربر برای انجام کار کمک میکند، بدون اینکه بیدلیل کنترل کار را به دست بگیرد.
اقدام: در صورت مناسببودن، سیستم اقدام موردنظر را انجام میدهد.
یادگیری: محصول از بازخورد و رفتار کاربر استفاده میکند تا تعاملات بعدی را بهتر کند.
البته هر تجربهای به هر شش مرحله نیاز ندارد.
یک سؤال ساده درباره یک تراکنش ممکن است فقط به درک ← تفسیر نیاز داشته باشد.
یک پیشنهاد مالی میتواند از درک ← تفسیر ← پیشنهاد ← کمک استفاده کند.
یک فرایند خودکار هم ممکن است تا مرحله اقدام پیش برود.
این چارچوب کمک میکند نگاه ما از «اضافهکردن هوش مصنوعی» به این سؤال تغییر کند که هوشمندی در کجای تجربه محصول میتواند واقعا ارزش ایجاد کند.
آینده تجربه کاربری فینتک، استفاده بیشتر از هوش مصنوعی نیست
ورود هوش مصنوعی یک وسوسه واضح ایجاد میکند: اگر یک محصول میتواند از هوش مصنوعی استفاده کند، پس شاید باید از آن استفاده کند.اما طراحی یک محصول هوشمند به خویشتنداری بیشتری نیاز دارد.
هر مسئلهای به یک رابط مکالمهای نیاز ندارد. هر پیشنهادی به اتوماسیون نیاز ندارد. هر دادهای به یک بینش تولیدشده توسط هوش مصنوعی نیاز ندارد. و اضافهکردن هوش مصنوعی لزوما هر فرایندی را بهتر نمیکند.
بهترین محصولات مالی مبتنی بر هوش مصنوعی، هوشمندی را جایی به کار میگیرند که واقعا ارزش ایجاد کند:
کاهش پیچیدگی، کشف الگوها، کمک به تصمیمگیری و حذف تلاشهای غیرضروری.
تکنولوژی باید همچنان در خدمت تجربه باشد.
به همین دلیل، هوش مصنوعی در فینتک را نباید فقط یک مسئله تکنولوژیک دانست. این موضوع در اصل یک چالش در طراحی محصول است.
فرصت واقعی زمانی شکل میگیرد که نیازهای کاربر، فرایندهای مالی، اهداف کسبوکار، دادهها و قابلیتهای هوش مصنوعی در کنار هم قرار بگیرند و تجربهای را بسازند که بهعنوان یک کل، منطقی و کاربردی باشد.
از استراتژی هوش مصنوعی تا طراحی تجربه محصول
تبدیل یک فرصت مبتنی بر هوش مصنوعی به یک محصول مالی کاربردی، فقط به انتخاب یک مدل یا اضافهکردن یک رابط هوش مصنوعی محدود نمیشود.این کار با درک مسئله شروع میشود؛ سپس باید مشخص شود هوشمندی دقیقا کجا میتواند تجربه را بهتر کند، پرریسکترین فرضیات آزمایش شوند، تعامل مناسب طراحی شود و تعادل درستی بین اتوماسیون و کنترل کاربر شکل بگیرد.
این فرایند، استراتژی محصول، تحقیق تجربه کاربری، طراحی محصول و فناوری را به هم متصل میکند.
برای تیمهای فینتک و در طراحی تجربه محصولات مالی، هدف این نیست که محصول هوشمندتر به نظر برسد.
هدف این است که محصول بهخاطر هوشمندبودنش، کاربردیتر باشد.
اگر در حال بررسی یک محصول مالی مبتنی بر هوش مصنوعی هستید یا میخواهید هوش مصنوعی را به یک تجربه فینتک موجود اضافه کنید، استودیو youx میتواند به تبدیل این فرصت به یک تجربه دیجیتال شفاف، کاربردی و قابلساخت کمک کند.
