چگونه می توان از ابزار هوش مصنوعی برای تحلیل ریسک و سناریو در راستای ایجاد تاب آوری و استحکام سازمانی استفاده کرد

حسین نوریان، مشاور مدیریت ریسک سازمانی با رویکرد هوش مصنوعی منتشر شده در نشریه دنیای اقتصاد

ضرورت تحلیل ریسک و سناریو در دوران عدم قطعیت

تحلیل ریسک به‌عنوان یکی از ارکان اصلی مدیریت استراتژیک، در دنیای پرتلاطم کنونی اهمیتی دوچندان یافته است و اکنون به عنوان یکی از پایه های اصلی در تحلیل استراتژیک سازمانی به شمار می رود به گونه ای که شیوه هایی مانند تحلیل ریسک سازمانی و تحلیل سناریو جایگزین روش های سنتی مبتنی بر قطعیت مانند تحلیل های داخلی- محیطی و مانند آن شده اند.

هوش مصنوعی (AI) با قابلیت‌های پیشرفته در پردازش داده‌های کلان، تحلیل پیش‌بینانه، و شناسایی الگوهای پیچیده، رویکردهای سنتی تحلیل ریسک را متحول کرده و امکان پیش‌بینی، پیشگیری و مدیریت مؤثرتر ریسک‌ها را فراهم می‌کند که می تواند بینش های بسیار سودمندی را برای ایجاد استحکام و تاب آوری در سازمان ها فراهم می کند. درگذشته به رغم آگاهی مدیران از اهمیت تحلیل های مبتنی بر ریسک و سناریو، بهره گیری از آنها در دنیا و خصوصا کشور ما بسیار محدود بود و نمی توانست منشا اثرات بالقوه در بهبود اثربخشی سازمانی بشود زیرا بکارگیری این تکنیک ها مستلزم برخورداری از بینش بسیار گسترده، سازگار و عمیق از عدم قطعیت های داخلی و پیرامونی سازمان است که معمولا با روش هایی مانند طوفان فکری، دلفی و پیمایش های آماری قابل دستیابی نیست!
ریسک‌های سازمانی، از اختلالات و عدم توازن ها زنجیره تأمین گرفته تا تهدیدات سایبری و نوسانات بازار، در دهه‌های اخیر پیچیده‌تر و غیرقابل‌پیش‌بینی‌تر شده‌اند. بر اساس گزارش مجمع جهانی اقتصاد (2023) 62 درصد از مدیران ارشد معتقدند که ریسک‌های جهانی در پنج سال آینده شدت بیشتری خواهند یافت. در این میان، تحلیل ریسک به‌عنوان فرآیندی برای شناسایی، ارزیابی، و مدیریت ریسک‌ها، نقشی حیاتی در تاب‌آوری سازمانی ایفا می‌کند.

هوش مصنوعی با ارائه ابزارهای پیشرفته نظیر یادگیری ماشین، تحلیل پیش‌بینانه، و پردازش زبان طبیعی (NLP)، توانایی سازمان‌ها را برای مدیریت ریسک به‌طور چشمگیری ارتقا می‌دهد.

تحلیل ریسک و نقش تحول‌آفرین هوش مصنوعی

تحلیل ریسک شامل سه مرحله اصلی است: شناسایی عدم قطعیت ها، ارزیابی و مدیریت و کاهش ریسک ها، روش‌های سنتی تحلیل ریسک، که اغلب مبتنی بر داده‌های تاریخی و مدل‌های آماری ساده بودند، در مواجهه با پیچیدگی‌های محیط‌های مدرن محدودیت‌هایی دارند. هوش مصنوعی این محدودیت‌ها را با ارائه قابلیت‌هایی مانند پردازش داده‌های کلان (تحلیل حجم عظیمی از داده‌های ساختاریافته و غیرساختاریافته در زمان واقعی) پیش‌بینی دقیق‌تر (شناسایی الگوهای پنهان و پیش‌بینی ریسک‌های نوظهور با استفاده از یادگیری ماشین) اتوماسیون هوشمند (کاهش خطای انسانی و تسریع فرآیندهای تصمیم‌گیری) بر طرف می سازد. آنگونه که در گزارش گارتنر (2024) آمده است، سازمان‌هایی که از هوش مصنوعی در تحلیل ریسک استفاده می‌کنند، 30 درصد احتمال کمتری برای تجربه خسارات مالی عمده دارند و 25 درصد سریع‌تر به ریسک‌ها پاسخ می‌دهند.

کاربردهای هوش مصنوعی در تحلیل ریسک

تحلیل پیش‌بینانه برای شناسایی ریسک‌های بالقوه
هوش مصنوعی با استفاده از مدل‌های یادگیری ماشین و تحلیل پیش‌بینانه، امکان شناسایی ریسک‌های بالقوه را پیش از وقوع فراهم می‌کند. این مدل‌ها با تحلیل داده‌های تاریخی و بلادرنگ، الگوهای غیرعادی و روندهای محتمل را شناسایی می‌کنند برای مثال در صنعت مالی، بانک‌های جهانی مانند JPMorgan Chase از هوش مصنوعی برای پیش‌بینی تقلب و پول‌شویی استفاده می‌کنند. مدل‌های هوش مصنوعی این بانک ها با تحلیل تراکنش‌ها در زمان واقعی، دقت تشخیص تقلب را تا 40 درصد افزایش داده‌اند
ابزارها : پلتفرم‌هایی مانند SAS Advanced Analytics و IBM Watson که از الگوریتم‌های یادگیری عمیق برای پیش‌بینی ریسک‌های مالی، عملیاتی، و استراتژیک استفاده می‌کنند.
مورد مطالعاتی : شرکت جنرال الکتریک (GE) از هوش مصنوعی برای پیش‌بینی خرابی تجهیزات صنعتی استفاده می‌کند. این سیستم با تحلیل داده‌های حسگرهای IoT، احتمال خرابی را تا 85 درصد به‌درستی پیش‌بینی کرده و زمان توقف تولید را 15 درصد کاهش داده است.

تحلیل سناریو و شبیه‌سازی ریسک

هوش مصنوعی امکان مدل‌سازی سناریوهای پیچیده را برای ارزیابی تأثیر ریسک‌های بالقوه فراهم می‌کند. این قابلیت به‌ویژه در صنایعی مانند انرژی، لجستیک، و مراقبت‌های بهداشتی که با عدم‌قطعیت‌های متعدد مواجه‌اند، حیاتی است برای مثال شرکت آمازون از هوش مصنوعی برای شبیه‌سازی اختلالات زنجیره تأمین، مانند تأخیر در حمل‌ونقل یا کمبود موجودی، استفاده می‌کند. این شبیه‌سازی‌ها به آمازون کمک کرد تا در سال 2022 هزینه‌های لجستیک را 25 درصد کاهش دهد
تکنیک‌ها : الگوریتم‌های یادگیری تقویتی (Reinforcement Learning) و شبکه‌های بیزی (Bayesian Networks) برای مدل‌سازی سناریوهای چندمتغیره استفاده می‌شوند.

مزایا : شبیه‌سازی‌های مبتنی بر هوش مصنوعی می‌توانند هزاران سناریو را در کسری از ثانیه اجرا کنند، در حالی که روش‌های سنتی به زمان و منابع بیشتری نیاز دارند.

تحلیل ریسک‌های سایبری

تهدیدات سایبری یکی از مهم‌ترین ریسک‌های سازمان‌های مدرن هستند. هوش مصنوعی با شناسایی الگوهای غیرعادی در ترافیک شبکه، تشخیص حملات پیشرفته (مانند حملات روز صفر)، و پاسخ خودکار به تهدیدات، امنیت سازمانی را تقویت می‌کند طبق گزارش PwC در سال اخیر استفاده از هوش مصنوعی در امنیت سایبری می‌تواند زمان تشخیص حملات را تا 60 درصد کاهش دهد و هزینه‌های ناشی از نقض داده‌ها را 20 درصد کم کند
مثال عملی : شرکت CrowdStrike از هوش مصنوعی برای تحلیل بلادرنگ تهدیدات سایبری استفاده می‌کند. پلتفرم Falcon این شرکت با استفاده از یادگیری ماشین، حملات را در کمتر از یک ثانیه شناسایی و خنثی می‌کند (CrowdStrike, 2023). ابزارها : سیستم‌های هوش مصنوعی مانند Darktrace و Splunk از پردازش زبان طبیعی و تحلیل رفتاری برای شناسایی تهدیدات پیشرفته استفاده می‌کنند.

تحلیل ریسک‌های استراتژیک و بازار

شاید از میان همه حوزه های تحلیل ریسک و سناریو، تحلیل عدم قطعیت های مرتبط با بازار و محیط پیرامونی برای صنایع و کسب و کارهای کشور ما از اهمیت بیشتری برخوردار و بهره گیری از آن برای مدیران ملموس تر باشد! هوش مصنوعی با تحلیل داده‌های خارجی (مانند اخبار، شبکه‌های اجتماعی، و گزارش‌های بازار) و داخلی (مانند عملکرد مالی و بازخورد مشتریان)، به سازمان‌ها کمک می‌کند تا ریسک‌های استراتژیک مانند تغییرات در تقاضای بازار یا اقدامات رقبا را پیش‌بینی کنند. شرکت والمارت از هوش مصنوعی برای تحلیل رفتار مشتریان و پیش‌بینی تغییرات تقاضا استفاده می‌کند. این سیستم با شناسایی روندهای نوظهور، به آن شرکت کمک کرده است تا در سال گذشته موجودی خود را ده درصد بهینه‌تر مدیریت کند
تکنیک ها: پردازش زبان طبیعی (NLP) برای تحلیل داده‌های متنی و مدل‌های سری زمانی برای پیش‌بینی روندهای بازار استفاده می‌شوند.
مزایا : هوش مصنوعی می‌تواند داده‌های غیرساختاریافته (مانند نظرات مشتریان در شبکه‌های اجتماعی) را به بینش‌های قابل‌اجرا تبدیل کند، چیزی که در روش‌های سنتی دشوار است.

مدیریت ریسک‌های زیست‌محیطی و پایداری

با افزایش فشارهای اجتماعی و نظارتی برای پایداری و بروز بحران های زیست محیطی در همه جهان و البته کشورمان در حوزه هایی مانند آب، انرژی و آلودگی، مدیریت ریسک‌های زیست‌محیطی به یک اولویت استراتژیک تبدیل شده است. هوش مصنوعی با تحلیل داده‌های اقلیمی، پیش‌بینی بلایای طبیعی، و بهینه‌سازی مصرف منابع، به سازمان‌ها کمک می‌کند تا ریسک‌های مرتبط با تغییرات اقلیمی را کاهش دهند. شرکت BP از هوش مصنوعی برای پیش‌بینی طوفان‌ها و بهینه‌سازی عملیات سکوهای نفتی استفاده می‌کند، که منجر به کاهش 12 درصدی هزینه‌های عملیاتی در سال 2022 شده است
ابزارها : پلتفرم‌های هوش مصنوعی مانند Google Earth Engine برای تحلیل داده‌های جغرافیایی و پیش‌بینی ریسک‌های زیست‌محیطی استفاده می‌شوند.

چارچوب استراتژیک برای پیاده‌سازی هوش مصنوعی در تحلیل ریسک

برای بهره‌برداری مؤثر از هوش مصنوعی در تحلیل ریسک، سازمان‌ها باید چارچوبی استراتژیک را در سازمان نهادینه کنند که شامل مراحل زیر است

شناسایی اولویت‌های ریسک
سازمان‌ها باید ریسک‌های کلیدی خود را بر اساس تأثیر و احتمال وقوع اولویت‌بندی کنند. به‌عنوان مثال، یک شرکت فناوری ممکن است بر ریسک‌های سایبری تمرکز کند، در حالی که یک تولیدکننده بر ریسک‌های زنجیره تأمین تأکید دارد.
ابزار پیشنهادی : ماتریس ریسک مبتنی بر هوش مصنوعی (مانند آنچه در پلتفرم RiskSense ارائه می‌شود) برای ارزیابی و اولویت‌بندی ریسک‌ها.
ایجاد زیرساخت داده‌ای قوی

هوش مصنوعی به داده‌های باکیفیت و یکپارچه وابسته است. سازمان‌ها باید در پلتفرم‌های داده ابری (مانند Microsoft Azure یا AWS) و ابزارهای مدیریت داده سرمایه‌گذاری کنند. آمار کلیدی : طبق گزارش IDC (2023)، 70 درصد از سازمان‌های موفق در پیاده‌سازی هوش مصنوعی، زیرساخت داده‌ای قوی دارند (IDC, 2023). مثال عملی : شرکت Shell با ایجاد یک دریاچه داده (Data Lake) متمرکز، قابلیت‌های تحلیل ریسک خود را بهبود بخشید و زمان پردازش داده‌ها را 50 درصد کاهش داد

انتخاب مدل‌ها و الگوریتم‌های مناسب
انتخاب الگوریتم‌های مناسب برای تحلیل ریسک حیاتی است شیوه هایی مانند درخت‌های تصمیم و جنگل‌های تصادفی برای تحلیل ریسک‌های مالی، شبکه‌های عصبی عمیق برای تشخیص الگوهای پیچیده در امنیت سایبری و مدل‌های سری زمانی برای پیش‌بینی ریسک‌های بازار. توصیه می شود

یکپارچه‌سازی با فرآیندهای تصمیم‌گیری
هوش مصنوعی باید به‌طور یکپارچه با فرآیندهای تصمیم‌گیری سازمان ادغام شود. این امر نیازمند ایجاد داشبوردهای بلادرنگ و سیستم‌های هشدار خودکار است شرکت دیلویت از داشبوردهای مبتنی بر هوش مصنوعی برای ارائه بینش‌های ریسک به مدیران ارشد استفاده می‌کند، که زمان تصمیم‌گیری را در آن شرکت تا حدود 30 درصد کاهش داده است

آموزش و توسعه قابلیت‌های انسانی
موفقیت هوش مصنوعی به مهارت‌های کارکنان وابسته است. سازمان‌ها باید برنامه‌های آموزشی برای ارتقای سواد داده‌ای و مهارت‌های مرتبط با هوش مصنوعی ارائه دهند به عنوان نمونه شرکت زیمنس یک آکادمی دیجیتال راه‌اندازی کرده که بیش از ده هزار کارمند را در زمینه هوش مصنوعی آموزش داده است

رعایت اصول اخلاقی و نظارتی
استفاده از هوش مصنوعی در تحلیل ریسک باید با رعایت اصول اخلاقی و مقررات همراه باشد. سازمان‌ها باید چارچوب‌هایی برای شفافیت، پاسخگویی، و حریم خصوصی داده‌ها ایجاد کنند. گزارش کلیدی OECD (2023) تأکید می‌کند که اعتماد به هوش مصنوعی برای پذیرش گسترده آن حیاتی است از این جهت پیاده‌سازی استانداردهای جهانی مانند ISO 31000 برای مدیریت ریسک و چارچوب‌های اخلاقی هوش مصنوعی به سازمان ها توصیه می گردد.

چالش‌ها و محدودیت‌های بکارگیری هوش مصنوعی در مدیریت ریسک

با وجود پتانسیل‌های هوش مصنوعی در تحلیل ریسک، چالش‌هایی نیز وجود دارد که شامل کیفیت داده‌ها است به گونه ای که داده‌های ناقص یا نادرست می‌توانند به پیش‌بینی‌های غیرقابل‌اعتماد منجر شوند ضمن آن که هزینه‌های اولیه زیاد است و بکارگیری هوش مصنوعی نیازمند سرمایه‌گذاری قابل‌توجه در زیرساخت و استعداد است. مدل‌های هوش مصنوعی ممکن است به دلیل داده‌های آموزشی نادرست، اطلاعات سوگیرانه ای را بازتولید کنند و پیچیدگی‌های نظارتی مانند رعایت مقررات حریم خصوصی داده‌ها هم می تواند چالش‌ برانگیز باشد. از دیگر محدودیت ها کمبود متخصصان هوش مصنوعی است که می‌تواند مانع پیشرفت سریع شرکت ها از این تکنولوژی بشود.
برای غلبه بر این چالش‌ها، سازمان‌ها باید از داده‌های متنوع و باکیفیت استفاده کنند. رویکردی تدریجی برای پیاده‌سازی اتخاذ کنند و با شرکای فناوری و نهادهای نظارتی همکاری کنند.

مطالعات موردی پیشرفته: شرکت Allianz: مدیریت ریسک‌های بیمه‌ای شرکت بیمه Allianz از هوش مصنوعی برای تحلیل ریسک‌های بیمه‌ای استفاده می‌کند. مدل‌های یادگیری ماشین این شرکت با تحلیل داده‌های مشتریان و شرایط بازار، احتمال وقوع خسارات را پیش‌بینی می‌کنند. این سیستم دقت قیمت‌گذاری بیمه‌نامه‌ها را 20 درصد بهبود بخشیده و خسارات ناشی از ارزیابی نادرست را 15 درصد کاهش داده است
شرکت Maersk: مدیریت ریسک‌های لجستیک شرکت حمل‌ونقل Maersk از هوش مصنوعی برای پیش‌بینی اختلالات لجستیک، مانند تأخیرهای بندری یا طوفان‌ها، استفاده می‌کند، پلتفرم TradeLens با تحلیل داده‌های بلادرنگ، زمان پاسخ به اختلالات را 40 درصد کاهش داده و هزینه‌های عملیاتی را 10 درصد کم کرده اند

کاربردهایی از تحلیل ریسک و سناریو با هوش مصنوعی برای بهبود شاخص های اقتصادی و اجتماعی استان اصفهان

استفاده از مدل های یادگیری ماشین برای پیش بینی الگوی بارش و مصرف آب های زیر زمینی به گونه ای که با بهره گیری از داده های هواشناسی و حسگرهای اینترنت اشیا که بر مبنای آن می توان سناریوهای مختلف مانند اولویت بندی مصرف آب در حوزه های مختلف را تحلیل نمود. مثال دیگر می تواند استفاده از الگوریتم های تقویتی برای شاسایی ریسک های زنجیره تامین در صنایع بزرگ اصفهان مانند فولاد، نفت و گاز و پتروشیمی یا تولید محصولات خانگی باشد یا استفاده از مدل های زبانی بزرگ که می توانند به شناسایی ریسک های نارضایتی گردش گران از تجربه سفر و انجام شبیه سازی های هدفمند برای توسعه کمپین هایی به منظور بهبود برند شهر و استان برای جذب گردشگران باشد. ایده های بسیار زیادی از این دست وجود دارد که اجرای آنها می تواند تاثیر مهمی بر اقتصاد شهر و استان داشته باشد.

استفاده از مطالب فوق تنها با ذکر منبع مجاز است