مدیریت ریسک اعتباری از ارکان اصلی ثبات نظام بانکی محسوب می‌شود و هدف آن شناسایی، ارزیابی و کنترل احتمال نکول مشتریان است. در شرایط اقتصادی ایران که با نوسانات کلان، نااطمینانی‌های مالی و محدودیت داده‌های اعتباری مواجه است، به‌کارگیری رویکردهای نوین تحلیلی ضرورتی اجتناب‌ناپذیر به شمار می‌رود. در این میان، هوش مصنوعی بومی به‌عنوان نسل تازه‌ای از فناوری‌های تحلیل داده، می‌تواند نقش قابل‌توجهی در ارتقای کیفیت تصمیم‌گیری اعتباری ایفا کند. منظور از هوش مصنوعی بومی، توسعه مدل‌ها و الگوریتم‌هایی است که با ملاحظات فرهنگی، اقتصادی و رفتاری مشتریان ایرانی سازگار بوده و از داده‌های داخلی بانک‌ها و متغیرهای محلی بهره می‌گیرند. این پژوهش با رویکرد توصیفی‌ـ‌تحلیلی و مبتنی بر مرور نظام‌مند منابع علمی، به بررسی ظرفیت‌های به‌کارگیری هوش مصنوعی بومی در مدیریت ریسک اعتباری بانک‌های ایران پرداخته است. یافته‌ها نشان می‌دهد استفاده از الگوریتم‌های یادگیری ماشین و کلان‌داده‌های بومی می‌تواند دقت پیش‌بینی نکول، شناسایی مشتریان پرریسک و کشف الگوهای تقلب را به‌طور معناداری افزایش دهد. همچنین، پیاده‌سازی توضیح‌پذیر و اخلاق‌محور این فناوری (Explainable AI) سبب بهبود شفافیت، انطباق با مقررات و اعتماد مشتریان خواهد شد. در نهایت، نتایج پژوهش بیانگر آن است که استقرار هوش مصنوعی بومی، ضمن کاهش مطالبات غیرجاری و افزایش دقت تخصیص منابع، می‌تواند تاب‌آوری سیستم بانکی ایران را در برابر ریسک‌های اقتصادی تقویت کند.

هوش مصنوعی بومی ریسک اعتباری بانکداری ایران یادگیری ماشین پیش‌بینی نکول.