केन्द्रीय बैंकमा ‘बिग डाटा’ र ‘मेसिन लर्निङ’ आवश्यक

सूचना प्रविधिमा भएको विस्तारसँगै वित्तीय क्षेत्रमा वास्तविक समयमा स-साना एकाइको तथ्यांक अर्थात् ‘बिग डाटा’ सङ्कलन गर्ने र सोको उपयोग गरी आर्थिक पूर्वानुमान गर्ने तथा नीतिगत निर्णयहरू लिने प्रचलन बढ्दै गएको छ। यस्तो तथ्यांकमा ‘डाटा प्वाइन्ट’ तथा चरहरूको संख्या धेरै हुने र यसको संरचना जटिल किसिमको हुने भएकाले यस्तो तथ्यांकले वास्तविक समयमा पूर्ण तथा व्यक्तिगत एकाइको सूचना उपलब्ध गराएर निर्णयका लागि गरिने पूर्वविश्लेषणलाई सबल बनाउन मद्दत गर्दछ।

यसले अर्थतन्त्रको वास्तविक समयको यथार्थ चित्रण प्रदान गर्दछ। यसै सन्दर्भमा तथ्यांकबाट पूर्वानुमान र निर्णय प्रक्रियालाई सहयोग गर्न ‘मेसिन लर्निङ’को प्रयोगमा समेत विस्तार हुँदै गएको छ।

परम्परागत रूपमा गरिने तथ्याङ्कीय विश्लेषणभन्दा ‘बिग डाटा’ तथा ‘मेसिन लर्निङ’ प्रणालीबाट छिटो र सूक्ष्म तहको जानकारी उपलब्ध हुने भएका कारण केन्द्रीय बैंकले ‘बिग डाटा’, ‘मेसिन लर्निङ’ तथा ‘आर्टिफिसियल इन्टेलिजेन्स’जस्ता प्रणालीमा आफूलाई केन्द्रित गरेका छन्। बासेलको ‘इर्भिङ फिसर कमिटी’ले गरेको सर्वेक्षणअनुसार ५ वर्षअघि ३० प्रतिशत केन्द्रीय बैंकले मात्र ‘बिग डाटा’ प्रयोग गर्ने गरेकोमा हाल यो आँकडा ८० प्रतिशतमा विस्तार भएको छ।

यसका साथै केन्द्रीय बैंकमा ‘मेसिन लर्निङ’ प्रणालीको उपयोगमा समेत विस्तार हुँदै गएको छ। केन्द्रीय बैंकले यस्ता पद्धतिहरू खासगरी आर्थिक अनुसन्धान, वित्तीय स्थायित्वका लागि निरीक्षण प्रविधि (सुपटेक) तथा नियायक प्रविधि (रेगटेक) जस्ता प्रविधिको उपयोग, मौद्रिक नीति, तथ्यांक सङ्कलनलगायतका क्षेत्रमा उपयोग गरिरहेका छन्।

चार्ट-१: ‘बिग डाटा’ प्रयोग गर्ने केन्द्रीय बैंकहरूको संख्या (प्रतिशतमा)

स्रोतः डोरेर एट अल (२०२१)

आवश्यकता र अवसर
‘बिग डाटा’ तथा ‘मेसिन लर्निङ’ प्रणाली मुख्यतः चार वटा कार्यमा बढी उपयोगमा आउने गरेको छ; तथ्याङ्कीय सूचनाको दायरा विस्तार गर्न, सूक्ष्म अर्थशास्त्रीय विश्लेषण गर्न, वित्तीय जोखिम मूल्याङ्कन गर्न र वित्तीय बजारका सूचकको अनुगमन गर्न। यसबाहेक ‘बिग डाटा’ विश्लेषणलाई अर्थतन्त्रमा उपभोक्ता तथा व्यवसायीको मनोबलको अवस्था थाहा पाउने, आर्थिक अनिश्चितता सूचकहरूको निर्माण गर्नेलगायतका काममा उपयोग गर्ने क्रम बढ्दै गएको छ।

उदाहरणका लागि इटालीमा मुख्य पत्रिकामा प्रकाशन भएका बीस लाख लेखको विश्लेषणबाट घरपरिवार र व्यवसायीहरूको मनोबल सूचक निकालिएको छ। सोही विश्लेषणका आधारमा अर्थतन्त्रका विभिन्न क्षेत्रको आर्थिक नीति अनिश्चतता सूचक निकालिएको छ। यस्तो सूचकका आधारमा साप्ताहिक रूपमा कुल गार्हस्थ्य उत्पादन अनुमान गर्ने गरिएको छ।

यसैगरी, ट्विटरजस्ता सामाजिक सञ्जालमा गरिने पोष्टबाट मूल्यवृद्धि अपेक्षा मापन गर्ने, घरजग्गा बिक्रीको अनलाइन विज्ञापनबाट घरजग्गाको मूल्य प्रक्षेपण गर्ने अभ्यास सुरु गरिएको छ। टर्कीमा ‘सुपर भेक्टर मेसिन, रेन्डम फरेस्ट’जस्ता ‘मेसिन लर्निङ’ पद्धतिको उपयोग गरी ‘जीडीपी नाउकास्टिङ’ गर्ने गरिएको छ। केही मुलुकमा ‘नाइटलाइफ डाटा’ तथा ‘स्याटेलाइट डाटा’का आधारमा आर्थिक गतिविधिको अनुमान गर्ने पद्धति प्रयोगमा ल्याइएको छ। यसका साथै विभिन्न मुलुकमा स्वचालित पहिचान प्रणाली (अटोमेटिक आइडेन्टिफिकेसन सिस्टम) बाट प्राप्त कार्गो सिपसम्बन्धी तथ्यांकका आधारमा व्यापार आयतन प्रक्षेपण गर्ने काम गरिएको छ।

केन्द्रीय बैंकको हकमा ‘बिग डाटा’ तथा ‘मेसिन लर्निङ’ प्रणलीले निम्न पक्षमा सहयोग गर्ने देखिन्छः

(क) आर्थिक प्रक्षेपणः हाई फ्रिक्वेन्सी ‘बिग डाटा’ एनालाइसिसले आर्थिक चरहरूको प्रक्षेपणलाई सहज बनाउन सहयोग गर्दछ। यस्ता तथ्यांकले केन्द्रीय बैंकको नाउकास्टिङ मोडलबाट गरिने आर्थिक विश्लेषण र प्रक्षेपणलाई मद्दत गर्ने तथा वास्तविक समयमा ‘हाइ फ्रिक्वेन्सी फरकास्टिङ’ गर्नमा सहयोग गर्दछन्। यस्तो प्रक्षेपणका लागि चाहिने तथ्यांकको स्रोत परम्परागत स्रोतभन्दा फरक हुन्छन र कतिपय अवस्थामा ‘अनस्ट्रक्चर्ड’समेत हुन्छन्। यसै गरी, यस्ता प्रविधिले उपभोक्ता व्यवहार, व्यावसायिक क्रियाकलाप तथा रोजगारीका लागि गरिएका विज्ञापनको संख्याका आधारमा अर्थतन्त्रको आगामी अवस्थाबारे पूर्वानुमान गर्नसक्ने हुन्छ।

(ख) नयाँ र सबल तथ्यांककको स्रोतः ‘बिग डाटा’ तथा ‘मेसिन लर्निङ’ प्रणालीको उपयोगबाट वास्तविक समयमा ठूलो मात्रामा तथ्यांक सङ्कलन गर्न सम्भव भएको छ। यसको मद्दतबाट कतिपय अवस्थामा ‘टेक्चुअल डाटा’ तथा ‘अनस्ट्रक्चर्ड डाटा’ सङ्कलन गर्न सम्भव भएको छ। यस्तो प्रविधिलाई ‘वेब स्क्रापिङ’को नामले चिनिन्छ। यसको मद्दतबाट डाटाबेस, अडियो, भिडियो, सामाजिक सञ्जाललगायतका स्रोतबाट व्यवसाय र उपभोक्ताको तथ्यांक वास्तविक समयमे सङ्कलन गर्न सम्भव भएको छ।

(ग) कार्य सञ्चालन लागतमा कमीः ‘बिग डाटा’ तथा ‘मेसिन लर्निङ’ले निरन्तर रुपमा गरिने सुपरिवेक्षकीय कार्यहरू जस्तै तरलताको अनुगमन, विभिन्न नियामकीय अनुपातको अनुपालना स्थितिको अनुगमन लगायतका कामहरू स्वतः गर्ने भएकाले कार्य सञ्चालन लागतमा उल्लेख्य कटौती हुने हुन्छ। यसबाट सम्भावित मानवीय त्रुटीसमेत न्यूनीकरण हुन जान्छ। त्यसैगरी यस्तो प्रविधिले विभिन्न निकायहरूले प्रकाशन गर्नुपर्ने रिर्पोट प्रशोधन गर्ने, आवश्यक फिडब्याक दिनेलगायतका कार्यहरूबाट नियामकीय निकायहरूको कार्य सञ्चालन दक्षतामा उल्लेख्य वृद्धि ल्याउने काम गर्दछ।

(घ) प्रभावकारी सुपरिवेक्षण तथा वित्तीय स्थायित्वः बैंक तथा वित्तीय संस्थाको सुपरीवेक्षणलाई प्रभावकारी बनाउनका निम्ति ‘बिग डाटा’ विश्लेषणले ठूलो भूमिका खेल्दछ। उदाहरणको निम्ति; उपभोक्ताका विभिन्न व्यवहारसम्बन्धी तथ्यांकका आधारमा ‘मेसिन लर्निङ’ प्रणालीले क्रेडिट स्कोर अनुमान गर्ने र सङ्कटको बेलामा कर्जाको गुणस्तर अनुमान गर्नमा सहयोग गर्न सक्छ। युरो एरिया बैंकहरूको सन्दर्भमा ‘अर्ली वार्निङ सिस्टम’का लागि यस्तो पद्धतिलाई प्रयोगमा ल्याइएको छ।

यसका साथै ग्रानुलर डाटाको विश्लेषणबाट सुपरिवेक्षकलाई बैंक तथा वित्तीय संस्थाका सूक्ष्म पक्षबारेमा समेत ज्ञान हुने भएकाले सुपरिवेक्षण कार्यलाई बढी प्रभावकारी बनाई वित्तीय स्थायित्व कायम गर्नमा मद्दत पुग्छ।

(ङ) आर्थिक अनिश्चितताको मापनः विभिन्न मुलुकमा व्यवसायसम्बन्धी प्रकाशनको ‘टेक्चुअल एनालाइसिस’ तथा ‘मेसिन रिडिङ’मार्फत आर्थिक अनिश्चितताको स्तर मापन गर्ने सूचकको विकास गर्न ‘बिग डाटा’को प्रयोग गर्ने गरिएको छ। उदाहरणका लागि फेडेरल रिजर्भमा ‘मेसिन लर्निङ’मा आधारित रहेर विभिन्न किसिमका अनिश्चितताको पहिचान गर्ने प्रणाली विकास गरिएको छ।

(च) प्रभावकारी सञ्चारः ‘टेक्चुअल एनालाइसिस’को मद्दतबाट केन्द्रीय बैंकले विभिन्न माध्यमबाट गर्ने सञ्चारसँगै त्यसमा सरोकारवालाको प्रतिक्रियाबारे विश्लेषण गर्न सकिन्छ। यसबाट केन्द्रीय बैंकले गर्ने सञ्चारको प्रभावकारिता, त्यसले जनमानसमा पार्ने प्रभाव, सम्पत्तिको मूल्यमा पार्ने प्रभाव आदिको विश्लेषण गर्न सकिन्छ। विभिन्न मुलुकमा केन्द्रीय बैंकले जारी गर्ने नीतिका सम्वन्धमा सर्वसाधारणले सामाजिक सञ्जाल तथा लेखहरूमा व्यक्त गर्ने प्रतिक्रियाबाट तथ्यांक सङ्कलन गरी ‘मेसिन लर्निङ’मार्फत् विश्लेषण गर्ने प्रणालीको विकास गरिएको छ।

(छ) वित्तीय अपराध नियन्त्रणः सम्पत्ति शुद्धीकरणका सम्बन्धमा विकास गरिएको विभिन्न नियममा आधारित प्रणालीहरूले शङ्कास्पद वित्तीय कारोबारको पहिचानमार्फत वित्तीय अपराध कम गर्नमा सहयोग गर्ने गरेको छ। यसका साथै बैंकिङ च्यानलबाट गरिने रकम ट्रान्सफर, क्रेडिट कार्ड तथा डेबिट कार्डबाट हुने कारोबारका आधारमा शङ्कास्पद कारोबारको निगरानी र वित्तीय अपराध नियन्त्रण गर्नका लागि विभिन्न ‘मेसिन लर्निङ’का मोड्युलहरू प्रयोगमा ल्याइएको छ।

(ज) कर्जा जोखिम विश्लेषण तथा स्कोरिङः विभिन्न माध्यममा प्रकाशित रिपोर्ट तथा सामाजिक सञ्जालको प्रोसेसिङमार्फत ग्राहकको कारोबारसम्बन्धी व्यवहार तथा कर्जा तिर्न सक्ने क्षमताको बारेमा महत्वपूर्ण जानकारी प्राप्त गर्न सकिने हुन्छ। यसबाट बैंकिङ प्रणालीको सम्पत्ति गुणस्तरको अनुगमन तथा पूर्वानुमान गर्न सहज हुन गएको छ।

चुनौती
माथि उल्लिखित अवसरका बाबजुद केन्द्रीय बैंकमा ‘बिग डाटा’ तथा ‘मेसिन लर्निङ’जस्ता प्रणालीको प्रयोग उति सहज भने छैन। आवश्यक सूचना प्रविधि पूर्वाधारको उपलब्धता, उच्च गतिको कम्प्युटर तथा दक्ष जनशक्ति निर्माण गर्ने कार्य अल्पविकसित र विकासोन्मुख मुलुकका लागि चुनौतीपूर्ण छ। सबल पूर्वाधार स्थापना गर्न तथा नयाँ जनशक्ति भर्ना गर्नका लागि सुरुआती लागत महँगो पर्न जान्छ।

त्यसैगरी, व्यक्तिगत आर्थिक एकाइको तथ्यांक सङ्कलन गर्दा गोपनीयता तथा कानुनी झण्झटसमेत आउनसक्ने हुन्छ। व्यक्तिगत डिजिटल भुक्तानी, सामाजिक सञ्जालमा गरिएका पोस्टलगायतका व्यक्तिगत व्यवहारका तथ्यांक सङ्कलन गर्दा सर्वसाधारणबाट त्यसको विरोध हुने सम्भावना रहन्छ।

उदाहरणका लागि सामाजिक सञ्जालबाट गरिने वेब स्क्रापिङ कतिपय मुलुकमा गैरकानुनी रहेको छ। केही वेबपेजमा ‘अटोमेटेड वेब स्क्रापिङ’गर्न नपाउने किसिमले सुरक्षित प्रविधि अपनाइएको हुन्छ। उल्लिखित चुनौतीका अतिरिक्त सङ्कलित तथ्यांकको विश्वशनीयता पनि एउटा मुख्य समस्याको रूपमा रहेको हुन्छ। यस्तो समस्या खासगरी अनस्ट्रक्चर्ड डाटाका हकमा रहने गर्दछ।

सम्भावना
नेपालको हकमा बैंक तथा वित्तीय संस्थामा रहेको निक्षेप र ती संस्थाले गरेको कर्जा प्रवाह, अन्तरबैंक कारोबार, संस्थाका अन्य कारोबारको तथ्याङ्कीय विवरण, पुँजी बजार कारोबारलगायतका तथ्यांकहरू हाइ फ्रिक्वेन्सी नेचरका हुन्छन्। आर्थिक विश्लेषण, आर्थिक चरको प्रक्षेपण तथा नीतिगत निर्णयका लागि यस्ता तथ्यांक उपयोगको प्रचुर सम्भावना रहेको भए तापनि हाल यी तथ्यांकको यथेष्ट उपयोग गर्न सकिएको छैन।

यसैगरी, इ–कमर्स कारोबार, इन्टरनेट बैंकिङ र डेबिट/क्रेडिट कार्डबाट हुने कारोबारको हकमा वास्तविक समयमा ‘स्ट्रक्चर्ड डाटा’ सङ्कलन हुने भए तापनि त्यसका आधारित रहेर ‘बिग डाटा’ विश्लेषण गर्ने कार्य अझै पनि पर्याप्त मात्रामा हुन सकेको छैन। तसर्थ आगामी दिनमा नेपालको वित्तीय क्षेत्रको नियामक संस्थाले कम्तीमा विभिन्न ‘बिग डाटा’लाई आर्थिक पूर्वानुमान र वित्तीय स्थायित्वको महत्वपूर्ण उपकरणका रूपमा विकास गर्न आवश्यक छ। यसका लागि नियमन तथा अनुसन्धान एकाइहरूमा पर्याप्त मात्रामा सूचना प्रविधि पूर्वाधारको व्यवस्था गर्न र आवश्यक जनशक्तिको विकास गर्न आवश्यक छ।

निष्कर्ष:
चौथौ औद्योगिक क्रान्तिको प्रभावस्वरूप विश्व अर्थतन्त्र विस्तारै गिग इकोनोमी तर्फ उन्मुख हुँदैछ। सोहीबमोजिम आर्थिक क्रियाकलापहरू विस्तारै भौतिक स्वरूपबाट इन्टरनेटमा आधारित हुँदै गएका छन्। यसबाट सूक्ष्म एकाइका आर्थिक क्रियाकलापको वास्तविक समयको तथ्यांक सङ्कलन गर्न सम्भव भएको छ।

सङ्कलित गरिएको तथ्यांकका आधारमा विभिन्न ‘मेसिन लर्निङ एलगोरिदम’को उपयोगबाट वास्तविक समयको आर्थिक प्रक्षेपण, आर्थिक सूचकको अनुगमन तथा नीतिगत निर्णयका लागि थप तथा सूक्ष्म जानकारी प्राप्त गर्न सहज भएको छ।

आगामी दिनमा जटिल आर्थिक कारोबारको प्रभावकारी अनुगमन गर्न र वास्तविक समयमा आर्थिक चरहरूको पूर्वानुमान गरी वित्तीय तथा समग्र आर्थिक स्थायित्व कायम गर्नका निम्ति केन्द्रीय बैंकलगायतका नियामक निकायले यस्तो पद्धतिलाई अवलम्बन गर्नुपर्ने आवश्यकता देखिन्छ।

(यो सामग्री नेपाल राष्ट्र बैंकले प्रकाशन गरेको बुलेटिनबाट लिइएको हो।)