Tóm tắt: Generative AI và các mô hình ngôn ngữ lớn, đang tạo ra nhiều thay đổi trong lĩnh vực tài chính nhờ khả năng hiểu, tổng hợp và sáng tạo nội dung từ dữ liệu phi cấu trúc. Những công nghệ này được ứng dụng rộng rãi trong chăm sóc khách hàng, tự động hóa nghiệp vụ, phân tích dữ liệu và hỗ trợ ra quyết định. Bài viết này trình bày tổng quan các ứng dụng, phương thức triển khai, thực tiễn áp dụng và những thách thức của Generative AI trong lĩnh vực tài chính; qua đó, cung cấp cái nhìn tổng quan về xu hướng phát triển của Generative AI, đồng thời làm rõ các cơ hội và thách thức khi triển khai công nghệ này trong quá trình chuyển đổi số của các tổ chức tài chính.
Từ khóa: Trí tuệ nhân tạo tạo sinh; tài chính, ngân hàng; chuyển đổi số.
GENERATIVE ARTIFICIAL INTELLIGENCE IN FINANCE:
OPPORTUNITIES, APPLICATIONS, DEPLOYMENT, AND CHALLENGES
Abstract: Generative Artificial Intelligence (Generative AI) and Large Language Models (LLMs) are transforming the financial sector through its ability to understand, summarize, and generate content from unstructured data. These technologies has been widely applied in customer service, business process automation, data analysis, and decision support. This article provides a comprehensive review of the applications, deployment approaches, practical implementations, and challenges of Generative AI in finance. Furthermore, it offers an overview of current development trends while highlighting both the opportunities and challenges associated with adopting this technology in the digital transformation of financial institutions.
Keywords: Generative AI; finance, banking; digital transformation.
 |
| Ảnh minh họa (Nguồn: PT và AI) |
1. Giới thiệu
Trong những năm gần đây, Generative AI và các mô hình ngôn ngữ lớn như GPT, đã trở thành một trong những hướng phát triển nổi bật của AI. Với khả năng hiểu, tổng hợp và sáng tạo văn bản, hình ảnh, mã nguồn và nhiều loại dữ liệu khác, Generative AI hỗ trợ hiệu quả các tác vụ như tóm tắt tài liệu, trả lời câu hỏi, suy luận và tạo nội dung tự động. Những tiến bộ này đã thúc đẩy việc ứng dụng Generative AI trong nhiều lĩnh vực, đặc biệt là tài chính, ngân hàng, nơi dữ liệu phi cấu trúc và tri thức chuyên ngành đóng vai trò quan trọng.
Khác với các mô hình học máy truyền thống chủ yếu phục vụ các bài toán phân loại hoặc dự đoán, Generative AI có khả năng hiểu ngữ cảnh, tổng hợp thông tin từ nhiều nguồn và tạo sinh nội dung mới. Nhờ đó, công nghệ này không chỉ hỗ trợ tự động hóa quy trình nghiệp vụ mà còn nâng cao hiệu quả phân tích dữ liệu, chất lượng ra quyết định và trải nghiệm người dùng trong các dịch vụ tài chính, ngân hàng (Huang, 2024).
Lĩnh vực tài chính, ngân hàng đang đẩy mạnh chuyển đổi số và sở hữu lượng lớn dữ liệu như báo cáo tài chính, hợp đồng, hồ sơ tín dụng và dữ liệu giao dịch. Tuy nhiên, phần lớn dữ liệu này tồn tại dưới dạng văn bản hoặc dữ liệu phi cấu trúc, gây nhiều khó khăn cho các phương pháp phân tích truyền thống. Với khả năng xử lý ngôn ngữ tự nhiên, Generative AI mở ra nhiều cơ hội trong xử lý tài liệu, phân tích thông tin tài chính, tư vấn đầu tư, chăm sóc khách hàng và tự động hóa quy trình nghiệp vụ (Schick, 2023). Đồng thời, công nghệ này còn hỗ trợ tổng hợp và phân tích thông tin từ nhiều nguồn dữ liệu, giúp các chuyên gia tài chính, ngân hàng đưa ra quyết định nhanh chóng và chính xác hơn.
Bài viết tập trung tổng quan bốn nội dung chính gồm: (i) Các ứng dụng của Generative AI trong lĩnh vực tài chính, ngân hàng; (ii) Phương thức triển khai Generative AI; (iii) Thực tiễn triển khai thông qua một số giải pháp tiêu biểu; (iv) Những thách thức trong quá trình ứng dụng công nghệ này. Qua đó, bài viết cung cấp cái nhìn tổng quan về xu hướng ứng dụng Generative AI trong lĩnh vực tài chính, ngân hàng góp phần hỗ trợ các tổ chức tài chính trong quá trình chuyển đổi số và triển khai các giải pháp AI phù hợp.
2. Ứng dụng của Generative AI trong lĩnh vực tài chính, ngân hàng
Generative AI đang được ứng dụng rộng rãi trong lĩnh vực tài chính, ngân hàng nhờ khả năng hiểu và tạo sinh nội dung từ dữ liệu phi cấu trúc. So với các mô hình AI truyền thống chủ yếu phục vụ dự đoán hoặc phân loại, Generative AI hỗ trợ hiệu quả các tác vụ như giao tiếp với khách hàng, xử lý tài liệu, phân tích dữ liệu và hỗ trợ ra quyết định. Nhờ đó, các tổ chức tài chính, ngân hàng có thể nâng cao chất lượng dịch vụ, giảm chi phí vận hành và cải thiện hiệu quả hoạt động.
2.1. Nâng cao trải nghiệm và hỗ trợ khách hàng
Một trong những ứng dụng phổ biến của Generative AI là xây dựng các trợ lý tài chính thông minh và chatbot có khả năng hiểu ngôn ngữ tự nhiên, duy trì hội thoại theo ngữ cảnh và cung cấp phản hồi phù hợp với từng khách hàng (Sabharwal, 2021). Bên cạnh việc giải đáp thắc mắc về sản phẩm và dịch vụ, các hệ thống này còn hỗ trợ tư vấn quản lý tài chính cá nhân, giải thích các thuật ngữ chuyên môn và hướng dẫn sử dụng dịch vụ ngân hàng. Nhờ khả năng cá nhân hóa nội dung và tương tác liên tục, Generative AI góp phần nâng cao trải nghiệm khách hàng và giảm tải cho bộ phận chăm sóc khách hàng (Qin, 2023).
2.2. Hỗ trợ tự động hóa và xử lý nghiệp vụ
Generative AI giúp tự động hóa nhiều quy trình nghiệp vụ thông qua khả năng đọc hiểu và xử lý tài liệu tài chính như báo cáo, hợp đồng và hồ sơ khách hàng. Công nghệ này có thể tóm tắt tài liệu, trích xuất thông tin quan trọng, tạo báo cáo, hỗ trợ xử lý biểu mẫu và sinh nội dung cho các tài liệu nghiệp vụ (Mou, 2019). Việc tự động hóa các tác vụ lặp lại giúp rút ngắn thời gian xử lý, giảm chi phí vận hành và cho phép nhân viên tập trung vào các công việc có giá trị cao hơn.
Ngoài việc xử lý tài liệu, Generative AI còn hỗ trợ tự động hóa nhiều quy trình nghiệp vụ khác như tạo báo cáo phân tích, giải thích nguyên nhân từ chối khoản vay, hỗ trợ chuẩn bị hồ sơ và sinh nội dung cho các tài liệu nội bộ. Khả năng tạo sinh nội dung một cách linh hoạt giúp giảm đáng kể khối lượng công việc lặp đi lặp lại, đồng thời cho phép nhân viên tập trung vào các hoạt động có giá trị cao hơn như tư vấn và ra quyết định.
2.3. Hỗ trợ phân tích và ra quyết định
Generative AI hỗ trợ các chuyên gia tài chính, ngân hàng tổng hợp và phân tích thông tin từ nhiều nguồn dữ liệu để đánh giá thị trường, phân tích xu hướng đầu tư và xây dựng báo cáo. Trong quản trị rủi ro, công nghệ này được ứng dụng để hỗ trợ đánh giá tín dụng, phát hiện giao dịch bất thường và phân tích các yếu tố rủi ro (Raghavan và El Gayar, 2019). Ngoài ra, Generative AI còn được sử dụng trong tối ưu hóa danh mục đầu tư, dự báo thị trường và tạo dữ liệu tổng hợp phục vụ huấn luyện các mô hình học máy, góp phần nâng cao chất lượng và tốc độ ra quyết định (Wei và cộng sự, 2022).
3. Các phương thức triển khai Generative AI trong lĩnh vực tài chính, ngân hàng
Việc lựa chọn phương thức triển khai phù hợp có ảnh hưởng trực tiếp đến hiệu quả ứng dụng Generative AI trong lĩnh vực tài chính, ngân hàng. Tùy thuộc vào mục tiêu sử dụng, quy mô dữ liệu và yêu cầu của từng tổ chức, Generative AI có thể được triển khai theo nhiều cách khác nhau, từ sử dụng trực tiếp các mô hình ngôn ngữ lớn cho đến tinh chỉnh mô hình hoặc tích hợp với các hệ thống và công cụ chuyên biệt. Mỗi phương thức đều có những ưu điểm và hạn chế riêng về chi phí, khả năng mở rộng, mức độ tùy biến cũng như yêu cầu về hạ tầng tính toán.
3.1. Sử dụng trực tiếp các mô hình ngôn ngữ lớn
Mô hình ngôn ngữ lớn là phương thức triển khai đơn giản và phổ biến nhất hiện nay. Thay vì xây dựng hoặc huấn luyện mô hình từ đầu, các tổ chức tài chính, ngân hàng có thể khai thác trực tiếp các mô hình ngôn ngữ lớn thông qua giao diện lập trình ứng dụng (API) hoặc các nền tảng điện toán đám mây. Với cách tiếp cận này, mô hình được cung cấp các hướng dẫn (prompt) để thực hiện các tác vụ như trả lời câu hỏi, tóm tắt tài liệu, phân tích báo cáo hoặc sinh nội dung phục vụ nghiệp vụ tài chính, ngân hàng (Brown, 2020).
Ưu điểm của phương thức này là thời gian triển khai nhanh, chi phí đầu tư ban đầu thấp và không yêu cầu nguồn lực tính toán lớn. Tuy nhiên, chất lượng kết quả phụ thuộc nhiều vào cách xây dựng prompt cũng như khả năng hiểu ngữ cảnh của mô hình. Ngoài ra, các mô hình tổng quát thường chưa được tối ưu cho các hoạt động chuyên ngành tài chính, ngân hàng nên có thể tạo ra các thông tin chưa chính xác hoặc chưa phù hợp với bối cảnh nghiệp vụ.
3.2. Tinh chỉnh mô hình ngôn ngữ lớn cho các tác vụ tài chính, ngân hàng
Để nâng cao hiệu quả xử lý các tác vụ chuyên ngành, nhiều tổ chức lựa chọn tinh chỉnh (fine-tuning) các mô hình ngôn ngữ lớn bằng dữ liệu tài chính. Quá trình này giúp mô hình học thêm các thuật ngữ chuyên môn, quy trình nghiệp vụ và đặc điểm của dữ liệu trong lĩnh vực tài chính, từ đó cải thiện chất lượng dự đoán và khả năng tạo sinh nội dung.
Tùy theo mục tiêu của từng ứng dụng, việc tinh chỉnh có thể được thực hiện ở nhiều mức độ khác nhau. Một số phương pháp sử dụng dữ liệu hướng dẫn nhằm cải thiện khả năng thực hiện các yêu cầu cụ thể (Zhang và cộng sự, 2024), trong khi các phương pháp khác tập trung tinh chỉnh mô hình cho từng nhiệm vụ chuyên biệt như phân tích báo cáo tài chính, trả lời câu hỏi hoặc hỗ trợ tư vấn đầu tư (Karimi Mahabadi, Ruder, Dehghani và Henderson, 2021). Bên cạnh đó, các kỹ thuật tinh chỉnh theo hướng hiệu quả tham số như LoRA (là kỹ thuật chỉ huấn luyện một số lượng rất nhỏ các tham số bổ sung, giúp giảm đáng kể chi phí tính toán và bộ nhớ) hoặc Soft Prompt (là kỹ thuật không thay đổi các tham số của mô hình ngôn ngữ lớn mà chỉ học một tập nhỏ các vector nhúng (embedding vectors) được thêm vào đầu câu lệnh) cũng được áp dụng nhằm giảm số lượng tham số cần cập nhật, qua đó tiết kiệm chi phí tính toán nhưng vẫn duy trì hiệu quả của mô hình.
3.3. Tích hợp với các hệ thống và công cụ hỗ trợ
Trong nhiều ứng dụng thực tế, Generative AI không hoạt động độc lập mà thường được kết hợp với các nguồn dữ liệu và công cụ bên ngoài nhằm nâng cao khả năng xử lý thông tin. Mô hình có thể khai thác dữ liệu từ cơ sở dữ liệu nội bộ, công cụ tìm kiếm hoặc các dịch vụ thông qua API để bổ sung thông tin cần thiết trước khi tạo ra câu trả lời hoặc thực hiện một tác vụ cụ thể. Cách này giúp mô hình tiếp cận được các dữ liệu cập nhật thay vì chỉ dựa trên tri thức đã được học trong quá trình huấn luyện.
Ngoài ra, các hệ thống Generative AI còn có thể được tích hợp với nhiều công cụ hỗ trợ như bộ tính toán, hệ thống truy vấn dữ liệu hoặc các phần mềm nghiệp vụ để xử lý những tác vụ yêu cầu độ chính xác cao. Việc kết hợp giữa mô hình ngôn ngữ lớn và các công cụ chuyên biệt giúp mở rộng phạm vi ứng dụng của Generative AI trong nhiều hoạt động tài chính, ngân hàng như phân tích dữ liệu, hỗ trợ giao dịch và tư vấn khách hàng.
Bên cạnh việc tích hợp các công cụ hỗ trợ, quá trình triển khai cũng cần quan tâm đến hiệu quả vận hành của mô hình. Các kỹ thuật tối ưu như lượng tử hóa (quantization) được sử dụng nhằm giảm kích thước mô hình, tiết kiệm bộ nhớ và rút ngắn thời gian suy luận, từ đó giúp Generative AI có thể được triển khai trên các hạ tầng tính toán với chi phí thấp hơn nhưng vẫn đảm bảo hiệu năng cần thiết cho các ứng dụng thực tế (Nagel và cộng sự, 2021).
4. Thực tiễn triển khai Generative AI trong lĩnh vực tài chính, ngân hàng và những thách thức đặt ra
Sự phát triển của Generative AI đã thúc đẩy nhiều tổ chức tài chính, ngân hàng và triển khai các giải pháp ứng dụng trong thực tiễn. Từ các mô hình ngôn ngữ chuyên biệt cho lĩnh vực tài chính, ngân hàng đến các trợ lý ảo hỗ trợ khách hàng và nhân viên, Generative AI đang từng bước được tích hợp vào nhiều hoạt động nghiệp vụ khác nhau. Tuy nhiên, bên cạnh những lợi ích mang lại, việc triển khai công nghệ này cũng đặt ra nhiều thách thức liên quan đến dữ liệu, độ tin cậy của mô hình, chi phí tính toán và các yêu cầu về bảo mật cũng như tuân thủ pháp lý.
4.1. Thực tiễn triển khai Generative AI trong lĩnh vực tài chính, ngân hàng
Trong những năm gần đây, Generative AI đã chuyển từ giai đoạn nghiên cứu sang triển khai thực tế tại nhiều tổ chức tài chính, ngân hàng lớn trên thế giới. Thay vì sử dụng các mô hình ngôn ngữ đa mục đích, xu hướng hiện nay là phát triển các mô hình ngôn ngữ chuyên biệt theo miền (Domain-specific Large Language Models) được huấn luyện trên khối lượng lớn dữ liệu tài chính, bao gồm báo cáo doanh nghiệp, tin tức thị trường, tài liệu pháp lý, dữ liệu giao dịch và các tài liệu nghiên cứu chuyên ngành. Việc sử dụng dữ liệu chuyên biệt giúp mô hình hiểu tốt hơn các thuật ngữ, khái niệm và ngữ cảnh tài chính, từ đó cải thiện đáng kể hiệu quả trên các tác vụ như hỏi đáp tài chính, phân tích báo cáo, phân tích cảm xúc thị trường và hỗ trợ ra quyết định đầu tư.
Một trong những đại diện tiêu biểu cho xu hướng này là BloombergGPT (Wu và cộng sự, 2023), mô hình ngôn ngữ quy mô 50 tỉ tham số được huấn luyện trên hàng trăm tỉ token dữ liệu tài chính kết hợp với dữ liệu công khai. Nhờ khai thác trực tiếp nguồn dữ liệu phong phú từ hệ thống Bloomberg Terminal, BloombergGPT có thể thực hiện hiệu quả nhiều tác vụ xử lý ngôn ngữ tự nhiên như nhận dạng thực thể, phân tích cảm xúc, trả lời câu hỏi tài chính và khai thác thông tin từ các báo cáo doanh nghiệp. Đây được xem là một trong những mô hình ngôn ngữ đầu tiên được phát triển chuyên biệt cho lĩnh vực tài chính, ngân hàng và mở ra xu hướng xây dựng các mô hình ngôn ngữ chuyên biệt theo miền cho từng lĩnh vực ứng dụng.
Bên cạnh BloombergGPT, FinanceGPT (GPT-F) cũng là một ví dụ điển hình về mô hình ngôn ngữ được tối ưu hóa cho các nghiệp vụ tài chính. Khác với các mô hình GPT đa năng, FinanceGPT được huấn luyện trên các bài báo khoa học, báo cáo tài chính, tin tức thị trường và tài liệu chuyên môn nhằm nâng cao khả năng hiểu kiến thức tài chính chuyên sâu. Nhờ đó, mô hình có thể hỗ trợ nhiều nghiệp vụ như nghiên cứu và phân tích tài chính, quản lý tài sản, lập kế hoạch tài chính cá nhân, phân tích tâm lý thị trường, đề xuất đầu tư được cá nhân hóa, tự động tóm tắt báo cáo, hỗ trợ chăm sóc khách hàng, đánh giá rủi ro và phát hiện gian lận. Ngoài ra, FinanceGPT còn hỗ trợ doanh nghiệp trong việc phân tích các kịch bản tài chính, kiểm tra tuân thủ quy định và hỗ trợ ra quyết định dựa trên dữ liệu.
Song song với việc phát triển các mô hình chuyên biệt, nhiều doanh nghiệp và nền tảng tài chính cũng tích hợp Generative AI trực tiếp vào các sản phẩm, quy trình nghiệp vụ. Chẳng hạn, AlphaSense - công ty chuyên cung cấp nền tảng tìm kiếm và phân tích thông tin thị trường cho các tổ chức tài chính, doanh nghiệp và công ty tư vấn đã phát triển tính năng SmartSummaries, sử dụng các mô hình ngôn ngữ lớn được tinh chỉnh trên dữ liệu tài chính để tự động tổng hợp nội dung từ báo cáo doanh nghiệp, hồ sơ pháp lý, tin tức và các tài liệu nghiên cứu thành các bản tóm tắt ngắn gọn nhưng vẫn đảm bảo đầy đủ các thông tin quan trọng. Công cụ này giúp các nhà phân tích và tổ chức đầu tư nhanh chóng nắm bắt những thay đổi của thị trường mà không cần đọc toàn bộ tài liệu gốc, qua đó rút ngắn đáng kể thời gian phân tích.
Trong lĩnh vực tư vấn đầu tư, Tập đoàn JPMorgan Chase đang phát triển IndexGPT, một trợ lý đầu tư thông minh dựa trên kiến trúc GPT nhằm hỗ trợ khách hàng tìm kiếm thông tin, so sánh các sản phẩm đầu tư và đưa ra các khuyến nghị phù hợp với mục tiêu tài chính cũng như mức độ chấp nhận rủi ro của từng cá nhân. Đây là một trong những nỗ lực đầu tiên của các ngân hàng lớn trong việc đưa Generative AI vào các dịch vụ tư vấn đầu tư dành cho khách hàng cuối, mặc dù vẫn còn nhiều thách thức liên quan đến độ tin cậy của mô hình, bảo mật dữ liệu và tuân thủ các quy định pháp lý.
Bên cạnh các sản phẩm chuyên biệt, nhiều tổ chức tài chính, ngân hàng cũng khai thác Generative AI như một trợ lý số (AI Copilot) nhằm hỗ trợ nhân viên và khách hàng trong các hoạt động thường ngày. Các ứng dụng phổ biến bao gồm Chatbot chăm sóc khách hàng, hỗ trợ giải đáp các sản phẩm tài chính, tự động lập báo cáo, trích xuất thông tin từ hồ sơ, xử lý tài liệu pháp lý, phân tích báo cáo tài chính, đánh giá rủi ro tín dụng và phát hiện các giao dịch bất thường. Việc kết hợp khả năng hiểu ngôn ngữ của các mô hình Generative AI với dữ liệu tài chính chuyên ngành và các hệ thống nghiệp vụ hiện có giúp nâng cao hiệu quả xử lý công việc, giảm chi phí vận hành và cải thiện trải nghiệm người dùng.
Nhìn chung, thực tiễn triển khai hiện nay cho thấy Generative AI không còn chỉ đóng vai trò là công cụ tạo sinh văn bản mà đang dần trở thành hạ tầng trí tuệ của các hệ thống tài chính, ngân hàng hiện đại. Xu hướng phát triển các mô hình ngôn ngữ chuyên biệt kết hợp với dữ liệu tài chính, hệ thống tri thức nội bộ và các nền tảng nghiệp vụ đang mở rộng đáng kể phạm vi ứng dụng của Generative AI, từ hỗ trợ khách hàng, phân tích và nghiên cứu tài chính đến quản trị rủi ro, đầu tư và ra quyết định trong các tổ chức tài chính, ngân hàng. Đây được xem là nền tảng quan trọng thúc đẩy quá trình chuyển đổi số và xây dựng các dịch vụ tài chính thông minh trong tương lai.
4.2. Những thách thức khi triển khai Generative AI
Mặc dù mang lại nhiều lợi ích, việc ứng dụng Generative AI trong lĩnh vực tài chính, ngân hàng vẫn phải đối mặt với nhiều thách thức. Trước hết, chất lượng của mô hình phụ thuộc lớn vào dữ liệu huấn luyện. Dữ liệu tài chính, ngân hàng thường chứa nhiều thông tin nhạy cảm, chịu sự quản lý chặt chẽ và khó chia sẻ giữa các tổ chức. Đồng thời, việc thiếu các bộ dữ liệu chất lượng cao và được gán nhãn đầy đủ cũng làm hạn chế khả năng tinh chỉnh các mô hình cho từng bài toán cụ thể (Maple và cộng sự, 2023).
Một thách thức quan trọng khác là độ tin cậy của mô hình. Generative AI có thể tạo ra các thông tin không chính xác hoặc không có căn cứ, hiện tượng thường được gọi là hallucination (ảo giác) (Srivastava, 2024). Trong lĩnh vực tài chính, ngân hàng những sai sót này có thể ảnh hưởng trực tiếp đến các quyết định đầu tư, đánh giá tín dụng hoặc tư vấn khách hàng. Bên cạnh đó, khả năng giải thích kết quả của các mô hình ngôn ngữ lớn còn hạn chế, gây khó khăn cho việc kiểm chứng và đánh giá tính hợp lý của các khuyến nghị do mô hình đưa ra (Lakkaraju và cộng sự, 2023).
Ngoài các vấn đề về dữ liệu và độ tin cậy, chi phí triển khai cũng là một rào cản đáng kể. Các mô hình ngôn ngữ lớn thường đòi hỏi hạ tầng tính toán hiệu năng cao cùng với dung lượng bộ nhớ và tài nguyên tính toán lớn trong cả quá trình huấn luyện và suy luận. Khi triển khai ở quy mô lớn, chi phí vận hành có thể tăng lên đáng kể, đặc biệt đối với các dịch vụ phục vụ lượng lớn người dùng hoặc xử lý khối lượng giao dịch cao (Xia và cộng sự, 2024).
Bên cạnh đó, việc ứng dụng Generative AI trong lĩnh vực tài chính, ngân hàng cũng cần đáp ứng các yêu cầu nghiêm ngặt về bảo mật, quyền riêng tư và tuân thủ pháp lý (Zhang và cộng sự, 2025). Các tổ chức tài chính, ngân hàng phải đảm bảo rằng dữ liệu khách hàng được bảo vệ trong suốt quá trình lưu trữ và xử lý, đồng thời các kết quả do mô hình tạo ra phải phù hợp với các quy định hiện hành. Đây là những yếu tố quan trọng quyết định khả năng triển khai Generative AI một cách an toàn và bền vững trong thực tiễn.
5. Một số giải pháp triển khai Generative AI hiệu quả trong lĩnh vực tài chính, ngân hàng
Để khai thác hiệu quả tiềm năng của Generative AI, đồng thời giảm thiểu các rủi ro phát sinh trong quá trình triển khai, các tổ chức tài chính, ngân hàng cần xây dựng chiến lược ứng dụng toàn diện, kết hợp giữa đầu tư công nghệ, quản trị dữ liệu và hoàn thiện cơ chế quản lý.
Thứ nhất, nâng cao chất lượng và quản trị dữ liệu. Chất lượng dữ liệu là yếu tố quyết định hiệu quả của các mô hình Generative AI. Do đó, các tổ chức tài chính, ngân hàng cần xây dựng hệ thống quản trị dữ liệu thống nhất, chuẩn hóa quy trình thu thập, làm sạch và gán nhãn dữ liệu nhằm bảo đảm tính đầy đủ, chính xác và nhất quán. Bên cạnh đó, cần tăng cường chia sẻ dữ liệu nội bộ thông qua các kho dữ liệu tập trung (data warehouse), hồ dữ liệu (data lake) hoặc nền tảng dữ liệu hiện đại, đồng thời áp dụng các kỹ thuật ẩn danh hóa và dữ liệu tổng hợp để vừa mở rộng nguồn dữ liệu huấn luyện, vừa bảo vệ thông tin khách hàng và đáp ứng các yêu cầu về quyền riêng tư.
Thứ hai, nâng cao độ tin cậy và khả năng giải thích của mô hình. Để hạn chế hiện tượng mô hình tạo sinh thông tin không chính xác, các tổ chức tài chính, ngân hàng nên kết hợp mô hình ngôn ngữ lớn với các cơ sở tri thức nội bộ và hệ thống truy xuất thông tin (Retrieval-Augmented Generation - RAG), giúp mô hình sử dụng các nguồn dữ liệu đã được kiểm chứng thay vì chỉ dựa vào tri thức được học trong quá trình huấn luyện. Đồng thời, cần xây dựng cơ chế kiểm chứng kết quả, đánh giá chất lượng đầu ra và duy trì quy trình “human-in-the-loop” (là cơ chế mà con người tham gia vào quá trình ra quyết định hoặc kiểm duyệt kết quả của hệ thống AI, đặc biệt đối với các tác vụ quan trọng hoặc có rủi ro cao đối với các quyết định quan trọng như tư vấn đầu tư, phê duyệt tín dụng hoặc quản trị rủi ro). Việc áp dụng các kỹ thuật AI có khả năng giải thích (Explainable AI - XAI) cũng góp phần nâng cao tính minh bạch và khả năng kiểm toán của hệ thống.
Thứ ba, tối ưu chi phí triển khai và hạ tầng tính toán. Để giảm chi phí đầu tư, các tổ chức có thể ưu tiên sử dụng các mô hình mã nguồn mở hoặc triển khai Generative AI trên nền tảng điện toán đám mây theo nhu cầu sử dụng. Đồng thời, nên áp dụng các kỹ thuật tinh chỉnh hiệu quả tham số như LoRA, Soft Prompt… thay cho việc tinh chỉnh toàn bộ mô hình, kết hợp với các kỹ thuật tối ưu như lượng tử hóa, cắt tỉa mô hình (pruning) và chưng cất tri thức (knowledge distillation) nhằm giảm yêu cầu về bộ nhớ và tài nguyên tính toán nhưng vẫn duy trì hiệu năng.
Thứ tư, tăng cường bảo mật dữ liệu và bảo đảm tuân thủ pháp lý. Các tổ chức tài chính, ngân hàng cần xây dựng khung quản trị AI gắn với các quy định về bảo vệ dữ liệu cá nhân, an toàn thông tin và quản trị rủi ro. Dữ liệu khách hàng cần được mã hóa trong quá trình lưu trữ và truyền tải, đồng thời áp dụng cơ chế phân quyền truy cập, giám sát nhật ký hoạt động và kiểm soát việc sử dụng dữ liệu trong suốt vòng đời của mô hình. Bên cạnh đó, cần thiết lập quy trình đánh giá rủi ro, kiểm toán mô hình và giám sát sau triển khai nhằm bảo đảm các hệ thống Generative AI hoạt động minh bạch, công bằng và phù hợp với các quy định pháp luật cũng như yêu cầu quản trị của ngành tài chính, ngân hàng.
Nhìn chung, việc triển khai Generative AI trong lĩnh vực tài chính, ngân hàng không chỉ là vấn đề lựa chọn công nghệ mà còn đòi hỏi sự kết hợp đồng bộ giữa quản trị dữ liệu, hạ tầng tính toán, quản trị rủi ro và khung pháp lý. Chỉ khi giải quyết đồng thời các thách thức về dữ liệu, độ tin cậy, chi phí và tuân thủ, Generative AI mới có thể được ứng dụng một cách an toàn, hiệu quả và bền vững, qua đó góp phần thúc đẩy quá trình chuyển đổi số của các tổ chức tài chính, ngân hàng.
6. Kết luận
Generative AI đang trở thành một công nghệ quan trọng thúc đẩy quá trình chuyển đổi số trong lĩnh vực tài chính, ngân hàng nhờ khả năng hiểu, tổng hợp và tạo sinh nội dung từ dữ liệu ngôn ngữ tự nhiên. Công nghệ này đã được ứng dụng trong nhiều bài toán như chăm sóc khách hàng, phân tích và xử lý tài liệu tài chính, quản trị rủi ro, phát hiện gian lận, hỗ trợ đầu tư và tư vấn tài chính. Bài viết đã tổng hợp các giá trị, phương thức triển khai và những ứng dụng tiêu biểu của Generative AI, đồng thời phân tích một số mô hình và hệ thống đang được triển khai trong thực tiễn.
Bên cạnh những lợi ích mang lại, việc ứng dụng Generative AI trong lĩnh vực tài chính, ngân hàng vẫn còn đối mặt với nhiều thách thức cần phải giải quyết như chất lượng dữ liệu, hiện tượng tạo sinh thông tin không chính xác, khả năng giải thích kết quả, chi phí tính toán, bảo mật dữ liệu và tuân thủ các quy định pháp lý. Trong tương lai, cùng với sự phát triển của các mô hình ngôn ngữ lớn, dữ liệu chuyên ngành và các kỹ thuật tối ưu hóa mô hình, Generative AI được kỳ vọng sẽ tiếp tục mở rộng phạm vi ứng dụng, góp phần nâng cao hiệu quả hoạt động, chất lượng dịch vụ và năng lực cạnh tranh của các tổ chức tài chính, ngân hàng.
Tài liệu tham khảo
1. Brown, T. B. (2020), Language Models Are Few-Shot Learners. Advances in Neural Information Processing Systems (p. 33). Curran Associates, Inc.
2. Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., Chen, W. (2022), LoRA: Low-Rank Adaptation of Large Language Models. International Conference on Learning Representations (ICLR 2022). International Conference on Learning Representations (ICLR).
3. Huang, F. a. (2024), Harnessing the green frontier: The impact of green finance reform and digitalization on corporate green innovation. Finance Research Letters, 105554.
4. Karimi Mahabadi, R., Ruder, S., Dehghani, M., & Henderson, J. (2021), Parameter-efficient Multi-task Fine-tuning for Transformers via Shared Hypernetworks. Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers) (pp. 565–576), Association for Computational Linguistics.
5. Lakkaraju, K., Jones, S. E., Vuruma, S. K., Pallagani, V., Muppasani, B. C., & Srivastava, B. (2023), LLMs for Financial Advisement: A Fairness and Efficacy Study in Personal Decision Making. Proceedings of the Fourth ACM International Conference on AI in Finance (ICAIF '23), (pp. 100-107).
6. Lee, J., Stevens, N., & Han, S. C. (2025), Large Language Models in Finance (FinLLMs), Neural Computing and Applications.
7. Lester, B., Al-Rfou, R., & Constant, N. (2021), The Power of Scale for Parameter-Efficient Prompt Tuning. Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics.
8. Maple, C., Szpruch, L., Epiphaniou, G., Staykova, K., Singh, S., Penwarden, W., Avramovic, P. (2023), The AI Revolution: Opportunities and Challenges for the Finance Sector.
9. Mou, X. (2019), Artificial Intelligence: Investment Trends and Selected Industry Uses.
10. Nagel, M., Fournarakis, M., Amjad, R. A., Bondarenko, Y., van Baalen, M., & Blankevoort, T. (2021), A White Paper on Neural Network Quantization.
11. Qin., L. e. (2023), End-to-end Task-oriented Dialogue: A Survey of Tasks, Methods, and Future Directions. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP 2023) (pp. 5925–5941). Association for Computational Linguistics.
12. Raghavan, P., & El Gayar, N. (2019), Fraud Detection Using Machine Learning and Deep Learning. 2019 International Conference on Computational Intelligence and Knowledge Economy (ICCIKE) (pp. 334–339). IEEE.
13. Sabharwal, N. A. (2021), Introduction to Natural Language Processing. In Hands-on Question Answering Systems with BERT: Applications in Neural Networks and Natural Language Processing (pp. 1–14). Berkeley, CA: Apress.
14. Schick, T. D.-Y. (2023), Toolformer: Language models can teach themselves to use tools. Advances in Neural Information Processing Systems (NeurIPS 2023). Curran Associates, Inc. (hoặc Neural Information Processing Systems Foundation).
15. Srivastava, V. (2024), BAI-Arg LLM at the FinLLM Challenge Task: Earn While You Argue – Financial Argument Identification. Proceedings of the Eighth Financial Technology and Natural Language Processing and the 1st Agent AI for Scenario Planning, (pp. 165-173).
16. Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Zhou, D. (2022), Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (pp. 24824–24837). Neural Information Processing Systems Foundation.
17. Wu, S., Irsoy, O., Lu, S., Dabravolski, V., Dredze, M., Gehrmann, S., Mann, G. (2023), BloombergGPT: A Large Language Model for Finance.
18. Xia, Y., Kim, J., Chen, Y., Ye, H., Kundu, S., Hao, C., & Talati, N. (2024), Understanding the Performance and Estimating the Cost of LLM Fine-Tuning. Proceedings of the IEEE International Symposium on Workload Characterization (IISWC 2024) (pp. 210–223). IEEE.
19. Zhang, D., Finckenberg-Broman, P., Hoang, T., Pan, S., Xing, Z., Staples, M., & Xu, X. (2025), Right to Be Forgotten in the Era of Large Language Models: Implications, Challenges, and Solutions. AI and Ethics.
20. Zhang, R., Han, J., Liu, C., Zhou, A., Lu, P., Qiao, Y., Gao, P. (2024), LLaMA-Adapter: Efficient Fine-Tuning of Large Language Models with Zero-Initialized Attention. Proceedings of the Twelfth International Conference on Learning Representations (ICLR 2024). International Conference on Learning Representations (ICLR).
