Tóm tắt: Trí tuệ nhân tạo (Artificial Intelligence - AI) là một công cụ năng động, có tiềm năng mang lại hiệu quả cho các tổ chức sử dụng nó. Sự nổi lên của AI đã mang lại sự chuyển đổi đối với dịch vụ tài chính trong bối cảnh mới và đa chiều. Các công nghệ này giúp hệ thống ngân hàng tự động hóa các quy trình, cải thiện hiệu quả hoạt động, nâng cao trải nghiệm của khách hàng, góp phần tăng doanh thu... Bài viết đề cập đến các ứng dụng của AI trong lĩnh vực ngân hàng, cũng như các vấn đề ngân hàng cần cân nhắc khi vận dụng AI để có lộ trình và bước đi thích hợp trong thời gian tới.
Từ khóa: AI, công nghệ số, ngân hàng.
1. Tổng quan về AI
Trong lĩnh vực khoa học máy tính, AI được gọi là trí thông minh nhân tạo, trí thông minh được thể hiện bằng máy móc, trái ngược với trí thông minh tự nhiên của con người. Thông thường, thuật ngữ AI được sử dụng để mô tả các máy móc có khả năng bắt chước các chức năng, nhận thức của con người khi liên kết với tâm trí như học tập, giải quyết vấn đề (Russel & Norvig, 2013). Hay nói khác đi, AI là sự mô phỏng các quá trình suy nghĩ và học tập của con người cho máy móc, đặc biệt là hệ thống máy tính.
Với tốc độ phát triển mạnh mẽ của công nghệ, nhiều công ty đã bắt đầu chú ý đến việc áp dụng AI trong quản lý và sản xuất - kinh doanh. AI đã có những đóng góp không nhỏ trong các lĩnh vực đời sống xã hội như chăm sóc sức khỏe, kinh doanh, giáo dục, sản xuất, tài chính, ngân hàng… (Dwivedi et al., 2021). Đối với lĩnh vực ngân hàng, do sự cạnh tranh ngày càng gay gắt nên các ngân hàng đang chạy đua trong việc áp dụng các công nghệ hiện đại, đặc biệt là AI để tạo ra những sản phẩm, dịch vụ mới (Biswas et al., 2020; Fu et al., 2014; Gómez & Heredero, 2017; Joshi et al., 2010). Sử dụng các kỹ thuật AI trong việc cung cấp các dịch vụ tài chính có thể nâng cao hiệu quả, giảm chi phí, nâng cao chất lượng, nâng cao mức độ hài lòng của khách hàng nhờ các khả năng mà chúng mang lại để tự động hóa các quy trình vận hành và tăng năng lực phân tích bộ dữ liệu lớn (Biswas et al., 2020; Fernández, 2019).
Ngoài ra, việc triển khai ứng dụng AI cho phép tái cấu trúc mô hình ngân hàng truyền thống theo định hướng mới nhằm tiết kiệm chi phí, tăng hiệu quả và cạnh tranh hơn (Gallego-Gomez & De-Pablos-Heredero, 2020). Ngày nay, dữ liệu lớn và AI giúp các ngân hàng tạo ra các sản phẩm và quy trình mới hoặc cải tiến những sản phẩm và quy trình hiện có. Khi lượng dữ liệu phát triển theo cấp số nhân, chi phí lưu trữ dữ liệu và sức mạnh tính toán giảm xuống, AI được dự đoán có tiềm năng rất lớn đối với các ngân hàng (Yu & Song, 2021).
2. Một số ứng dụng của AI trong lĩnh vực ngân hàng
Đối với hệ thống ngân hàng, nguồn dữ liệu rất cần thiết cho hầu hết các lĩnh vực hoạt động, từ hình thức gửi tiền truyền thống, cho vay, đến đầu tư trong lĩnh vực ngân hàng và quản lý tài sản. Khi lượng dữ liệu phát triển theo cấp số nhân, chi phí lưu trữ dữ liệu và sức mạnh tính toán giảm xuống, AI được dự đoán có tiềm năng rất lớn đối với các ngân hàng (Yu & Song, 2021). Hiện nay, trước sự bùng nổ của cuộc Cách mạng công nghiệp lần thứ tư, các ứng dụng của AI được triển khai thực hiện nhiều hơn trong lĩnh vực ngân hàng, cụ thể:
Chatbot
Về mặt nâng cao trải nghiệm khách hàng, Chatbot hiện là hình thức AI dễ thấy nhất, đã và đang áp dụng trong lĩnh vực ngân hàng. Chatbot hỗ trợ phục vụ khách hàng 24/7 về những vấn đề đơn giản như chuyển tiền, thiết lập định kỳ thanh toán, kiểm tra bảng sao kê ngân hàng và tìm ra thói quen chi tiêu của khách hàng (Fernández, 2019; Singh et al., 2017). Với ứng dụng này, khách hàng không phải đến các ngân hàng để truy vấn thông tin và tìm hiểu các dịch vụ bổ sung khác, họ có thể thực hiện điều này qua một hệ thống nhắn tin trực tuyến, có thể sử dụng máy tính xách tay hoặc điện thoại thông minh. Việc triển khai Chatbot rất hữu ích trong lĩnh vực ngân hàng, giúp phục vụ khách hàng tốt hơn và đã được thực hiện bởi hầu hết các ngân hàng lớn (Singh et al., 2017).
Commonwealth Bank of Australia (CBA) đã giới thiệu Chatbot Ceba có thể thực hiện 200 nhiệm vụ cho hơn một triệu khách hàng, phân biệt thành công 500.000 hoạt động mà khách hàng có thể yêu cầu đối với các ngân hàng. Nina, một Chatbot của Thụy Điển, trung bình trò chuyện hơn 30.000 lượt/tháng; tiết kiệm thời gian cho 700 nhân viên trung tâm liên lạc của ngân hàng, điều này giúp họ tập trung vào các hoạt động khác (International Banker, 2018).
Tuy nhiên, việc ứng dụng Chatbot cũng có một số hạn chế nhất định. Các Chatbot thường không hiểu hết hay hiểu chưa đúng câu hỏi của người đối thoại hoặc trả lời dài dòng gây khó hiểu, việc này sẽ tạo ra sự thất vọng cho khách hàng (Adamopoulou & Moussiades, 2020). Bên cạnh đó, nội dung độc hại có thể là một nhược điểm nghiêm trọng đối với các nhà cung cấp Chatbot và người dùng: Ví dụ, việc ghi lại thông tin cá nhân bởi các dịch vụ không đáng tin cậy sẽ tạo thành nội dung độc hại và cần tránh; hoặc những phát ngôn nhằm mục đích khai thác Chatbot hoặc vi phạm tính bảo mật hoặc ăn cắp bản quyền cũng được xem là nội dung độc hại. Mặt khác, trong quá trình sử dụng Chatbot, người dùng vì lý do nào đó có thể trả lời không thành thật, che giấu thông tin thì ứng dụng này không thể phát hiện ra (Schuetzler et al., 2019).
Thu thập và phân tích dữ liệu lớn
Công nghệ AI có thể thực hiện hiệu quả quá trình thu thập và phân tích dữ liệu của người dùng, đặc biệt là bộ dữ liệu lớn đối với lĩnh vực ngân hàng (Biswas et al., 2020; Vivek Dubey, 2019). AI sẽ dựa trên cơ sở dữ liệu và các thuật toán để xử lý một khối lượng thông tin lớn mà các phương pháp phân tích truyền thống không thực hiện được, từ đó, tạo ra những sản phẩm, dịch vụ mới, sát với nhu cầu thực tế của khách hàng, mang lại cho khách hàng nhiều tiện ích, trải nghiệm mới, mỗi sản phẩm, dịch vụ được cá thể hóa để phù hợp với từng đối tượng khách hàng khác nhau (Biswas et al., 2020).
Ngân hàng Thụy Sĩ đã ứng dụng AI vào việc xây dựng hệ thống phân tích hàng loạt dữ liệu thị trường nhằm xác định các mô hình giao dịch và từ đó hình thành các chiến lược để xác định giao dịch cho khách hàng. AI được vận dụng để xác định yêu cầu chuyển tiền của khách hàng, sau đó tiến hành chia nhỏ các giao dịch lớn trước khi thực hiện chuyển tiền. Bằng cách đó, một nhiệm vụ 45 phút, giờ đây có thể được hoàn thành chỉ trong vài phút, giúp tiết kiệm thời gian cho các nhân viên ngân hàng để tập trung vào những công việc quan trọng hơn (International Banker, 2018).
Ngân hàng JP Morgan Chase (Hoa Kỳ) đã đầu tư vào COIN, một công nghệ AI giúp xem xét tài liệu và trích xuất dữ liệu trong thời gian ngắn. COIN có thể xem xét khoảng 12.000 tài liệu chỉ trong vài giây, trong khi một người sẽ dành hơn 360.000 giờ làm việc trên cùng một tài liệu này (Buchanan, 2019).
Tuy nhiên, những trở ngại của việc áp dụng kỹ thuật này trên dữ liệu lớn của ngân hàng vẫn đáng chú ý, chẳng hạn, quá trình đào tạo nhân sự tốn kém và mất thời gian hướng dẫn các biểu mẫu và tiền xử lý dữ liệu, lựa chọn biến, độ phức tạp và độ khó của đảm bảo chất lượng dữ liệu, lưu trữ và bảo trì tập dữ liệu lớn (Hassani et al., 2018). Việc phát triển các công cụ AI đòi hỏi một khối lượng lớn dữ liệu và nhiều nguồn tài nguyên (Fernández, 2019). Tuy nhiên, nguồn dữ liệu của nhiều ngân hàng bị phân tán trong liên kết nội bộ. Thêm vào đó, các ngân hàng phải đối mặt với những thách thức trong việc thu thập dữ liệu do nhiều nguyên nhân như không đủ số lượng dữ liệu công khai; độ chính xác của việc thu thập dữ liệu; việc sử dụng dữ liệu khách hàng có vi phạm quyền riêng tư; dữ liệu không có cấu trúc hoặc chất lượng kém... (Biswas et al., 2020). Do vậy, các ngân hàng không thể thực hiện phân tích dữ liệu từ các nguồn bên trong và bên ngoài trên quy mô lớn cho hàng triệu khách hàng.
Quản lý tài sản và danh mục đầu tư
Hiện nay, lĩnh vực ngân hàng đang đi sâu vào công nghệ AI, họ tận dụng trí tuệ thông minh để đưa ra quyết định đầu tư và hỗ trợ nghiên cứu vào ngân hàng đầu tư. Chẳng hạn như UBS Group AG, một ngân hàng đầu tư đa quốc gia và công ty dịch vụ tài chính của Thụy Sĩ hay Tập đoàn ING, một ngân hàng và dịch vụ tài chính đa quốc gia Hà Lan đang ứng dụng công nghệ AI rà soát thị trường và thông báo cho các hệ thống giao dịch thuật toán của họ.
Ngoài ra, nhiều công ty dịch vụ tài chính đang cung cấp các nhà tư vấn Robot nhằm giúp khách hàng quản lý dòng tiền tốt hơn. Thông qua cá nhân hóa, Chatbot và nhu cầu của từng đối tượng khách hàng, các Robot này sẽ tư vấn cho các quyết định đầu tư và sẵn sàng phục vụ bất cứ lúc nào khách hàng cần. Hiện nay, công nghệ AI trong lĩnh vực ngân hàng đang tiếp tục chuyển đổi để cung cấp mức giá trị lớn hơn cho khách hàng, giảm rủi ro, tiết kiệm chi phí và tăng lợi nhuận cho ngân hàng (Satheesh & Nagaraj, 2021).
Tuy nhiên, như đã đề cập ở trên, việc ứng dụng Chatbot trong tư vấn cho các quyết định đầu tư cũng có một số hạn chế nhất định. Nội dung phản hồi của Chatbot sẽ bị giới hạn, các Chatbot thường không hiểu đúng câu hỏi của người dùng hoặc trả lời dài dòng gây khó hiểu nên sẽ không đáp ứng được nhu cầu của khách hàng, gây cảm giác nhàm chán (Adamopoulou & Moussiades, 2020). Hơn nữa, việc ứng dụng AI vào các hoạt động ngân hàng sẽ tốn kém nhiều chi phí liên quan và phải có đội ngũ nhân viên chuyên về AI để vận hành hoạt động (Ghosh & Chanda, 2020).
Phát hiện gian lận và chống rửa tiền
Hành vi gian lận, rửa tiền, tài trợ các hoạt động khủng bố làm suy yếu tính toàn vẹn của hệ thống tài chính, dẫn đến mất quyền kiểm soát đối với các chính sách kinh tế của một quốc gia, bóp méo nền kinh tế, gây bất ổn trong đầu tư và dẫn đến giảm doanh thu thuế cho chính phủ (Aluko & Bagheri, 2012; Chen et al., 2018). Theo báo cáo của McAfee cho thấy, trong năm 2018, nhiều vụ việc gian lận trong lĩnh vực tài chính đã được phát hiện trên toàn cầu với tổng số tiền lên đến 600 tỷ USD. Do đó, các ngân hàng đã và đang ứng dụng các công nghệ hiện đại để ngăn các mối đe dọa, gian lận từ bên trong lẫn bên ngoài.
Khả năng phân tích khối lượng dữ liệu lớn và kết hợp những dữ liệu đó với các nguồn thông tin mới cho phép phát hiện những giao dịch bất thường, giúp phát hiện các hành vi gian lận nhanh hơn và chính xác hơn, đồng thời, ít gây bất tiện cho khách hàng (Fernández, 2019). Trong những năm gần đây, việc ứng dụng AI, áp dụng các thuật toán vào lĩnh vực ngân hàng nhằm phát hiện hành vi gian lận, rửa tiền hay tài trợ cho khủng bố đã được công bố trong nhiều nghiên cứu (Álvarez-Jare-o et al., 2017; Jullum et al., 2020; Martínez-Sánchez et al., 2020; Savage et al., 2016).
Tuy nhiên, để phát hiện hành vi gian lận, rửa tiền và xử lý một lượng lớn dữ liệu tài chính, các ngân hàng cần các thuật toán phân loại dựa trên học máy và mạng nơ-ron nhân tạo về độ chính xác trong phát hiện gian lận tài chính (Choi & Lee, 2018).
Nhận diện trang web lừa đảo
Hiện nay, các trang web lừa đảo xuất hiện ngày càng nhiều với đủ các hình thức, chiêu trò nhằm thu hút nhiều người sử dụng; từ đó, chúng thu thập thông tin người dùng và mật khẩu để thực hiện các giao dịch bất hợp pháp (Satheesh & Nagaraj, 2021). Về cơ bản, email được sử dụng để dụ dỗ khách hàng rơi vào bẫy, quảng bá bằng cách thường xuyên gửi email rác cho nhiều người. Kỹ thuật khai thác dữ liệu sẽ giúp các đối tượng xấu có được thông tin liên quan đến người dùng từ rất nhiều dữ liệu có sẵn.
Các thuật toán AI được sử dụng để mô tả và xác định tất cả các yếu tố và quy tắc nhằm phân loại trang web lừa đảo và mối quan hệ tương quan giữa chúng với nhau. Kết quả thử nghiệm đã chứng minh tính khả thi của việc sử dụng các thuật toán phân loại, liên kết trong các ứng dụng thực tế và hiệu suất tốt hơn so với các thuật toán phân loại truyền thống khác (Aburrous et al., 2010). Tuy nhiên, việc tìm ra một tính năng quan trọng để nhận diện trang web lừa đảo không phải lúc nào cũng dễ dàng (Aburrous et al., 2010). Hơn nữa, trong quá trình ứng dụng AI vào các hoạt động ngân hàng, chi phí liên quan rất cao, lực lượng lao động hiện có thiếu khả năng kỹ thuật để ứng dụng AI vào hoạt động (Ghosh & Chanda, 2020). Mặc dù đã chi hàng tỷ USD cho các sáng kiến công nghệ thay đổi ngân hàng mỗi năm nhưng rất ít ngân hàng đã thành công trong việc phổ biến và nhân rộng các công nghệ AI trong toàn tổ chức (Biswas et al., 2020).
Chấm điểm tín dụng
Hoạt động ngân hàng luôn tiềm ẩn nhiều rủi ro, trong đó, rủi ro tín dụng là một rủi ro lớn được ngân hàng đặc biệt quan tâm vì điều này có ảnh hưởng đến sự an toàn của toàn bộ hệ thống ngân hàng và mất mát không dễ gì bù đắp được (Ghodselahi & Amirmadhi, 2011). Bên cạnh đó, phê duyệt các khoản vay là quyết định quan trọng đối với lợi nhuận và chiến lược tiếp thị của ngân hàng. Trước đây, các nhà quản lý ngân hàng gặp không ít khó khăn trong quá trình ra quyết định vì khối lượng công việc nhiều. Nhưng giờ đây, AI đã giúp các nhà quản lý đưa ra quyết định tốt hơn và nhanh hơn (Eletter et al., 2010). Không những thế, khi năng lực phân tích tăng lên có thể cải thiện đánh giá tín dụng và làm cho việc khởi tạo khoản vay nhanh hơn.
Bảo mật thông tin
Ứng dụng công nghệ 4.0 đã mang lại cho lĩnh vực ngân hàng nhiều cơ hội như tiết giảm chi phí, gia tăng lợi nhuận, phát triển các sản phẩm, dịch vụ với nhiều tiện ích cho khách hàng… (Biswas et al., 2020). Tuy nhiên, ngày nay, việc thương mại hóa dữ liệu cá nhân chưa được kiểm soát chặt chẽ và có dấu hiệu ngày càng tăng, do đó, bảo vệ quyền riêng tư là một vấn đề chính đáng được công chúng quan tâm (Rule & Hunter, 2016). Do đó, các tổ chức tín dụng đã bắt đầu sử dụng AI nhằm tăng cường an ninh mạng, đồng thời cung cấp nhiều biện pháp bảo vệ chống lại các tin tặc. AI có thể tự động hóa các quy trình phức tạp để phát hiện các cuộc tấn công và phản ứng với các vi phạm trái phép. Các ứng dụng này ngày càng trở nên hữu dụng và an toàn hơn khi AI được triển khai để bảo mật thông tin.
Dự đoán xác suất phá sản của ngân hàng
Sự phá sản của một ngân hàng là điều rất nguy hiểm, đặc biệt là các ngân hàng lớn vì nó ảnh hưởng đến toàn bộ hệ thống tài chính. Năm 1980, các ngân hàng lớn đã không duy trì được sự an toàn trước các khoản nợ xấu, đó là một lý do khiến ngân hàng thất bại và sụp đổ hệ thống (Boyd & Gertler, 1994). Dự đoán rủi ro và đưa ra quyết định cấp tín dụng đúng đắn sẽ giúp ngân hàng tránh các tình huống tiêu cực như gian lận, thậm chí phá sản (Moro et al., 2015).
Một nghiên cứu đã áp dụng các hệ thống cảnh báo sớm bằng các phương pháp truyền thống như phân tích phân biệt, hồi quy logistic và AI nhằm giải thích và dự đoán tình trạng kiệt quệ tài chính của 618 ngân hàng châu Âu trong giai đoạn 2007 - 2011 (Messai & Gallali, 2015). Phát hiện quan trọng của nghiên cứu này chứng minh rằng, phương pháp mạng nơ-ron dựa trên công nghệ AI vượt trội hơn các mô hình khác trong dự đoán xác suất phá sản của các ngân hàng. Kết quả này rất hữu ích cho các ngân hàng trong việc hoạch định chính sách thực hiện tốt hơn trong tương lai.
3. Kết luận
AI được vận dụng trong nhiều lĩnh vực kinh tế - xã hội, trong đó có ngân hàng với các ứng dụng như Chatbot, phát hiện gian lận, chống rửa tiền, chấm điểm tín dụng... Tuy nhiên, trong quá trình triển khai thực hiện, các ngân hàng cũng đối mặt với các vấn đề như chi phí đầu tư, nguồn nhân lực, tính bảo mật dữ liệu và sự phức tạp của các thuật toán. Vì vậy, trong quá trình vận dụng AI vào hoạt động kinh doanh, các ngân hàng thương mại cần cân nhắc, căn cứ vào năng lực tài chính, khả năng đầu tư về cơ sở hạ tầng, công nghệ... để có lộ trình và bước đi thích hợp.
Tài liệu tham khảo:
1. Aburrous, M., Hossain, M. A., Dahal, K., & Thabtah, F. (2010). Associative Classification techniques for predicting e-banking phishing websites. 2010 International Conference on Multimedia Computing and Information Technology (MCIT), 9 - 12. https://doi.org/10.1109/MCIT.2010.5444840
2. Adamopoulou, E., & Moussiades, L. (2020). Chatbots: History, technology, and applications. Machine Learning with Applications,
2, 100006. https://doi.org/10.1016/j.mlwa.2020.100006
3. Aluko, A., & Bagheri, M. (2012). The impact of money laundering on economic and financial stability and on political development in developing countries: The case of Nigeria. Journal of Money Laundering Control, 15(4), 442 - 457. https://doi.org/10.1108/13685201211266024
4. Álvarez-Jare-o, J. A., Badal-Valero, E., & Pavía, J. M. (2017). Using machine learning for financial fraud detection in the accounts of companies investigated for money laundering. Et Al.
5. Atay, E., & Apak, S. (2013). An Overview of GDP and Internet Banking Relations in the European Union Versus China. Procedia - Social and Behavioral Sciences, 99, 36 - 45. https://doi.org/10.1016/j.sbspro.2013.10.469
6. Banking Today: Risk Management with AI. (2018, August 30). GiniMachine. https://ginimachine.com/blog/banking-today-risk-management-with-ai/
7. Biswas, S., Carson, B., Chung, V., Singh, S., & Thomas, R. (2020). AI-bank of the future: Can banks meet the AI challenge. New York: McKinsey & Company.
8. Boyd, J., & Gertler, M. (1994). The role of large banks in the recent U.S. banking crisis. https://doi.org/10.21034/QR.1811
9. Chen, Z., Teoh, E. N., Nazir, A., Karuppiah, E. K., & Lam, K. S. (2018). Machine learning techniques for anti-money laundering (AML) solutions in suspicious transaction detection: A review. Knowledge and Information Systems, 57(2), 245 - 285.
10. Choi, D., & Lee, K. (2018). An Artificial Intelligence Approach to Financial Fraud Detection under IoT Environment: A Survey and Implementation. Security and Communication Networks, 2018, e5483472. https://doi.org/10.1155/2018/5483472
11. Cirqueira, D., Helfert, M., & Bezbradica, M. (2021). Towards Design Principles for User-Centric Explainable AI in Fraud Detection. 21 - 40.
12. Dahari, Z., Abduh, M., & Fam, K.-S. (2015). Measuring service quality in Islamic banking: Importance-performance analysis approach. Asian Journal of Business Research ISSN, 1178, 8933.
ThS. Nguyễn Thị Ánh Ngọc
ThS. Nguyễn Thị Diễm
Đại học Kinh tế TP. Hồ Chí Minh - Phân hiệu Vĩnh Long
https://tapchinganhang.gov.vn
