دنیای فینتک به مرحله‌ای رسیده که دیگر نمی‌شود بدون استفاده از فناوری در هر مرحله و عملیاتی در آن فعالیت کرد. در یک کلام، بدون تکنولوژی در فینتک نمی‌توان قدم از قدم برداشت. در این میان تنظیم‌کننده‌های خدمات مالی یا همان رگولاتورها هم باید در این فرایند فناوری‌محور شدن درگیر شوند. در بسیاری از کشورها، رگولاتورها فناوری‌های جدیدی را برای نظارت بر بازارهای مالی، بانک‌ها، کارگزاری‌ها و سایر موسسات مالی تنظیم کرده‌اند. روند ساخت فناوری‌های هدفمند در زمینه رگولاتوری، منجر به ظهور فناوری‌های نظارتی یا همان چیزی که ما به عنوان suptech می‌شناسیم، شده است. در این یادداشت درباره اینکه SupTech چیست و چه تاثیری در فرایند رگولاتوری دارد، صحبت خواهیم کرد.

بانک‌های مرکزی در سراسر جهان مانند بانک انگلستان، بانک ملی آفریفای رواندا و FDIC ایالات متحده  توانسته‌اند Suptech را توسعه دهند. این روند تا حدی پیش رفته که بسیاری از نهادهای قدرتمند بین‌المللی مانند بانک جهانی و بانک تسویه‌حساب‌های بین‌المللی هم به suptech پیوسته‌اند. 

بحران مالی سال ۲۰۰۸ منجر به این شد که نهادهای مالی به فکر وضع قوانین و مقررات مالی سختگیرانه جدید بیافتند. این روند باعث شد که شرکت‌های فینتکی زمان بیشتری را صرف انطباق با ساختارهای نظارتی کنند و از طرفی دیگر، خطر جریمه آن‌ها را تهدید می‌کرد.

در اینجاست که RegTech وارد می‌شود تا این مشکلات را برطرف و به صورت جامع و خودکار داده‌ها را جمع‌آوری کند تا روندهای موجود را اصلاح کند. 

در همین حال SupTech به رگولاتورها کمک می‌کند که کارآمدتر شوند و در عین حال خطاها و هزینه‌های خود را از طریق خودکارسازی امور کاهش دهند. 

پیشنهاد می‌کنیم یادداشت «RegTech چیست؟» را هم بخوانید.

SupTech چیست؟

به گفته بانک جهانی، SupTech  به استفاده از فناوری برای تسهیل و ارتقای فرآیندهای نظارتی از دیدگاه نهادهای ناظر گفته می‌شود. بانک تسویه حساب‌های بین‌المللی SupTech را به معنی استفاده از فناوری برای اهداف نظارتی، رگولاتوری و فرایندهای پایش خطاها می‌داند. SupTech  به معنی پذیرش فناوری نوآورانه مانند هوش مصنوعی و یادگیری ماشین از سوی قانون‌گذار یا سازمان‌های رگولاتور برای حمایت از نظارت است. SupTech  به RegTech کمک می‌کند که کارایی را از طریق اتوماسیون و بهینه‌سازی عملیات اجرایی و اداری و دیجیتالی کردن ابزارها و داده‌ها به حداکثر رساند. 

هدف اصلی کاهش بار تحمیل شده به شرکت‌ها و ارتقای گزارش‌دهی بهتر، نظارت سریع‌تر و انطباق کلی بهتر از سوی تنظیم‌کننده است که به نوبه‌ی خود منجر به کاهش هزینه‌ها و بهبود تخصیص منابع نظارتی است. 

به عنوان مثال، برنامه‌های suptech از فناوری‌هایی مانند یادگیری ماشین برای تشخیص شکاف‌ها و تفاوت‌های کیفیت و همچنین برای خودکارسازی فرایند تجمیع داده‌ها، تمیز کردن، اعتبارسنجی و همچنین تضمین کیفیت استفاده می‌کنند. در مورد تجزیه و تحلیل داده‌ها، راه‌حل‌های پیشرفته می‌توانند با خودکار کردن داده‌ها، دردسر خرد کردن داده‌ها را به حداقل برسانند و امکان تجزیه و تحلیل بهتر را فراهم کنند. 

در اواخر دسامبر ۲۰۲۰ بانک مرکزی هند اعلام کرد که این بانک استفاده از فناوری‌های Suptech و RegTech را برای پیگیری نهادهای تحت نظارت خود آغاز کرده است. 

فناوری SupeTech حول دو جنبه اصلی نظارت مالی متمرکز شده است، یعنی جمع‌آوری داده‌ها و تجزیه و تحلیل داده‌ها. این‌ها مواردی است که توسط بانک تسویه حساب‌های بین‌المللی شناسایی . معرفی شده است. 

در زیر مجموعه جمع‌آوری داده، جنبه‌هایی مانند استفاده از برنامه‌های SupTech برای گزارش‌دهی خودکار، مدیریت داده‌ها و دستیار مجازی به چشم می‌خورد. در سناریو حاضر، تاریخچه داده‌های تراکنش در قالب‌های گزارش‌گیری مختلف ارسال می‌شود که منجر به فرایندهای سنگین تجزیه و تحلیل داده‌ها و جمع‌آوری داده‌ها می‌شود. 

• گزارش‌دهی خودکار، فعالیت‌ها شامل دیتاپوش در مقابل دیتاپول است که در آن نهادهای تحت نظارت، داده‌ها را از طریق M2M API ارسال می‌کنند یا تنظیم‌کننده‌ها می‌توانند به روش عملگرایانه‌ای داده‌ها را از نهادها و شرکت‌های مختلف فینتکی دریافت کنند. گزارش‌دهی خودکار علاوه‌بر این‌ها شامل مانیتورینگ در لحظه هم می‌شود. 
• مدیریت داده‌ها نیز شامل فعالیت‌هایی مانند اعتبارسنجی داده‌ها، تلفیق داده‌ها (که در آن منابع مختلف داده‌های ساختاریافته و بدون ساختار برای تجزیه و تحلیل ترکیب می‌شوند) و گزارش‌‌های مصور بر اساس داده‌ها می‌شود. 
• دستیار مجازی به معنای استفاده از ربات چت هوشمند برای رسیدگی به شکایات مصرف‌کنندگان و در جهت کمک به نهادهای تحت نظارت است. 

تحت عنوان آنالیز داده‌ها به جنبه‌هایی مانند نظارت بر بازار، تجزیه و تحلیل رفتار سوء و نظارت محتاطانه (prudential supervision) کلان و خرد توجه شده است. 

• در قالب نظارت بر بازار، تکنولوژی های SupTech به بخش‌های عظیمی از داده‌ها اجازه می‌دهند که به منظور نظارت بر بازار و شناسایی معاملات مشکوک که شامل دستکاری بازار و بازار داخلی می‌شود، اقدامات تحلیلی انجام شوند. 
• در قالب تجزیه و تحلیل رفتار سوء، بسیاری از SupTechها بر شناسایی پتانسیل‌های هرگونه تهاجم CFT یا AML تمرکز دارند. در همین حال، الگوریتم‌های یادگیری ماشین می‌توانند به شناسایی هرگونه احتمال تقلب و همچنین پیش‌بینی فروش (mis-selling: روش فروشی که در آن محصول یا خدمات عمدا به اشتباه معرفی می‌شود یا مشتری در مورد مناسب بودن آن دچار توهم می‌شود) نادرست کمک کنند. 
• در زمینه نظارت کلان و خرد، یادگیری ماشین می‌تواند برای ارزیابی ریسک‌های اعتباری استفاده شود و شبکه‌های عصبی به کمک فرایندهای شناسایی ریسک‌های نقدینگی می‌آیند.

 فناوری‌های SupTech می‌توانند در تجزیه و تحلیل احساسات عمومی و ثبات مالی، برای شناسایی هر گونه دامنه ریسک‌های نوظهور در سیستم مالی و در ارزیابی سیاست‌ها موثر باشند. در عین حال استفاده از SupTech می‌تواند مخاطراتی را در پی داشته باشد که در ادامه به بررسی آن می‌پردازیم.  

ریسک‌های استفاده از  SupTech چیست؟

در حالی که SupTech در واقع مجموعه‌ای از راه‌های جدید را برای دقیق‌تر و سریع‌تر کردن عملیات رگولاتوری ارائه می‌کند، چالش‌هایی را هم به وجود می‌آورد. برخی از این چالش‌ها عبارتند از: 

۱- ریسک سایبری

با رایج‌تر شدن حملات سایبری و آسیب‌پذیری قانون‌گذاران در برابر آن‌ها به دلیل انتقال فرایندهای نظارتی به پلتفرم‌های دیجیتال، هر چه فناوری‌ها و راه‌حل‌های دیجیتال بیشتر به کار گرفته شوند، دامنه و نقاط ورود حملات سایبری بیشتر می‌شود. 

۲- مسائل جعبه سیاه 

 در حالی که فناوری هوش مصنوعی و یادگیری ماشین قادر است در صورت دریافت ورودی دقیق از ساده‌ترین پیش‌بینی‌ها تا پیچیده‌ترین آن‌ها را ارائه کند، ممکن است مشکلات جعبه سیاهی ایجاد کند. 

در مورد جعبه سیاه، تصمیمات به صورت خودکار و بر اساس تعاملات الگوریتمی طولانی و غیرقابل پیش‌بینی انجام می‌پذیرد و همین باعث می‌شود که سرپرستان نتوانند به راحتی تصمیم بگیرند که چگونه تصمیم نهایی و قطعی را بگیرند و در نتیجه خودش می‌تواند به مانعی برای تصمیم‌گیری مساعد تبدیل شود.

۳- ریسک قانونی

این خطرات در رابطه با حفاظت از داده‌ها یا سوگیری‌های ذاتی سیستم به احتمال زیاد زمانی به وجود می‌آیند که تنظیم‌کننده‌ها شروع به مدیریت تعداد زیادی از مجموعه داده‌های حساس می‌کنند. استفاده از SupTech مسائل مختلفی را در رابطه با مسئولیت‌پذیری ایجاد می‌کند. 

۴- ریسک عملیاتی

در این دنیای اتوماسیون و دیجیتالی شدن، هر گونه مغایرت در سیستم‌ها، رویه‌ها یا سیاست‌های داخلی  به دلیل تقلب یا تخلف می‌تواند تاثیر بسیار نامطلوبی بر فعالیت‌های رگولاتور داشته باشد. 

با توجه به درجه بالایی از وابستگی متقابل بین سیستم‌ها و ماهیت به هم پیوسته آن‌ها، هر گونه نقص در یک سیستم واحد می‌تواند به یک اثر دومینو‌وار منجر شود که مهار آن دشوار است. 

۵- ریسک فناوری اطلاعات 

سیستم‌های قدیمی متعددی وجود دارند که رگولاتورها به آن دسترسی دارند و ممکن است اطلاعات آن به‌روز نشده باشد. انتخاب راه‌حل‌های جدید به دلیل نیاز به اطمینان از اتصال مناسب آن‌ها به سیستم‌های موجود و از دست ندادن داده‌ها، بسیار پیچیده است. 

مثال‌هایی از استفاده از SupTech

همانطور که در سند بانک جهانی مشخص شده، SupTech موارد استفاده زیادی دارد. چند نمونه از آن‌ها عبارتند از: 

۱- گزارش داده‌های خودکار 

در حال حاضر بانک ملی رواندا از data pull استفاده می‌کند تا از پولشویی جلوگیری کند. این رویکرد به بانک اجازه می‌دهد که به سیستم‌های IT اشخاص شناسایی شده دسترسی پیدا کند. 

۲- ارزیابی ریسک اعتباری

کشورهایی که راه حل‌های SupTech  را برای ارزیابی ریسک اعتباری اجرا کرده‌اند، شامل بانک ایتالیا، بانک هلند، بانک مرکزی فدراسیون روسیه، کمیسیون تنظیم مقررات بانکی و بیمه چین هستند. 

به عنوان مثال، بانک ایتالیا در مورد چگونگی ارائه وام می‌تواند با استفاده از الگوریتم‌های یادگیری ماشین و به کمک اتصال به منابع مختلف داده‌ای پیش‌بینی‌های لازم برای اعطای وام را انجام دهد. 

۳- مدیریت گردش کار 

راه حل‌های SupTech که در زمینه گردش کار فعالیت می‌کنند، به عنوان سیستم‌های مدیریت نظارتی و سیستم مدیریت گردش کار (RIS) نامیده می‌شوند. 

گردش کار RIS می‌تواند برای اتوماسیون بسیاری از عملیات نظارتی اولیه مانند نظارت داخل و خارج سایت، صدور مجوز، مانیتورینگ موسسات مالی، تولید داده و مدیریت و پشتیبانی استفاده شود. 

نتیجه‌گیری

در یک کلام، در سال‌های آینده مشاهده‌ی اینکه چگونه راه‌حل‌های SupTech می‌تواند سازمان‌های نظارتی را متحول کنند، و این دنیای نظارتی را دگرگون کنند، بدون شک جذاب خواهد بود.