Trong những năm gần đây, các cụm từ “Trí tuệ nhân tạo” (Artificial Intelligence) hay “Học máy” (Machine learning) càng ngày càng được nhắc đến nhiều hơn trong nhiều lĩnh vực khác nhau. Khối lượng dữ liệu ngày một tăng kết hợp với các đột phá về công nghệ lưu trữ, tính toán của phần cứng giúp cho các ứng dụng của AI càng ngày càng lớn và hiệu quả hơn. Đặc biệt trong ngành Tài chính ngân hàng trong khoảng 3 năm gần đây chứng kiến sự phát triển rõ rệt của công nghệ mới mẻ này. Sau đây là những điểm cơ bản mà những người làm việc trong ngành Tài chính, Ngân hàng cần biết về AI:

 

Thuật toán là một dãy các quy tắc chặt chẽ của các chỉ thị, phương cách hay một trình tự để giải quyết một bài toán cụ thể, đối với những người phi công nghệ (non-tech) thì có thể hiểu thuật toán là một chuỗi các bước hoặc nhiệm vụ cần phải thực hiện, hoặc là một hướng dẫn nấu ăn.
 

Trí tuệ nhân tạo (AI) là công nghệ mà con người lập trình nên với mục tiêu giúp máy tính có thể tự động hóa các hành vi thông minh như con người, theo nghĩa đơn giản thì AI là quá trình áp dụng các thuật toán đã được huấn luyện trước đó lên dữ liệu, và sử dụng các kết quả từ đó để ra quyết định hoặc khuyến cáo.
 

Học máy (Machine learning - ML) là lĩnh vực nghiên cứu và xây dựng các kỹ thuật cho phép các hệ thống học tự động từ dữ liệu để giải quyết những vấn đề cụ thể. Cụ thể là sử dụng các thuật toán và mô hình phân tích để thực hiện các phân tích cụ thể trên tập dữ liệu. ML rất gần với lĩnh vực thống kê ứng dụng.  
 

Khai phá dữ liệu (Data mining - DM) là quá trình tính toán để tìm ra các mẫu bên trong bộ dữ liệu. Mục đích của quá trình khai phá dữ liệu là trích xuất thông tin từ dữ liệu đầu vào để chuyển nó thành một cấu trúc dễ hiểu để sử dụng tiếp. Kết quả đầu ra của quá trình này thường được sử dụng để làm đầu vào cho các quá trình ra quyết định.
 

Những điều cần hiểu về AI:
 

1. Ngân hàng và tổ chức tài chính có thể ứng dụng sức mạnh của công nghệ mới này ngay bây giờ mà không cần thiết phải chờ đợi một phát minh khoa học đột phá nào khác. Các ngân hàng lớn và các công ty công nghệ tài chính (fintech) đã và đang ứng dụng AI vào trong các hoạt động truyền thông, giao vận, sản xuất, niêm yết giá và rất nhiều việc khác. Tận dụng khối lượng dữ liệu mà tổ chức của mình đang sở hữu và thực hiện khai phá các tri thức từ nó, xây dựng các mô hình “học” từ lượng dữ liệu đó, chắc chắn tổ chức của bạn sẽ đạt được những thành tựu tốt hơn bây giờ rất nhiều lần.
 

2. Thành công của việc ứng dụng AI sẽ không đến ngay lập tức. Đó là cả một quá trình từ xây dựng chiến lược, thu thập và chuẩn hóa dữ liệu, huấn luyện máy học cho đến sử dụng các kiến thức thu được từ dữ liệu để ra quyết định. Điều này đòi hỏi sự nhận thức rõ ràng từ các cấp lãnh đạo quản lý về tầm quan trọng và lợi ích của việc ứng dụng AI trong tổ chức của mình.
 

3. Phần lớn tri thức nằm bên trong nội bộ tổ chức của bạn. Các ngân hàng hiện nay sở hữu lượng dữ liệu cực lớn, không chỉ bao gồm dữ liệu cấu trúc thu thập được trong quá trình hoạt động kinh doanh của tổ chức mà còn các dữ liệu phi cấu trúc đến từ các hệ thống như điện thoại, camera, các cảm biến,… Tận dụng các dữ liệu hiện có, tăng cường thêm các điểm thu thập dữ liệu trong phạm vi tổ chức của mình và áp dụng các thuật toán khai phá dữ liệu có thể giúp các ngân hàng phát hiện ra những hiểu biết mới mang tính đột phá mà trước đây chưa từng chú ý đến. Từ đó bổ sung thêm các quyết định tối ưu hóa quy trình hay sản phẩm của mình.
 

4. Tránh việc không có định hướng cụ thể. Việc triển khai ứng dụng AI vào quy trình nghiệp vụ chỉ để xem có đạt được một kết quả gì đó không là vô nghĩa. Tất cả các thuật toán AI cần được xây dựng với một mục đích cụ thể, rõ rệt. Tổ chức tài chính cần xác định các bài toán cụ thể, ví dụ như xây dựng mô hình dự đoán rủi ro cho các khoản vay thương mại. Bắt đầu từ việc xác định các loại dữ liệu nào cần thu thập, có tác động đến mô hình nhiều hay ít và các kết quả đầu ra sẽ bao gồm những gì. Điều này được gọi là “AI hướng giả thuyết”. Việc xác định thông tin đầu ra mà tổ chức mình mong muốn nhận được sẽ giúp cho việc xây dựng chiến lược ứng dụng AI rõ ràng, tiết kiệm chi phí và hiệu quả hơn.
 

5. Cẩn trọng với các thuật toán Hộp đen. Có rất nhiều sản phẩm, công cụ trên thị trường được quảng cáo là có thể thu thập được tri thức từ bất cứ nguồn dữ liệu nào. Điều này có thể đúng với các thông tin cơ bản như trên mạng xã hội, tuy nhiên, đối với các bài toán, yêu cầu phức tạp hơn thì chưa chắc đã đúng. Đối với lĩnh vực đặc thù như ngành tài chính - ngân hàng, cách tiếp cận của các thuật toán Hộp đen như vậy sẽ không đạt được nhiều hiệu quả do độ rộng và phức tạp của các dữ liệu liên quan. Ví dụ chỉ sử dụng dữ liệu thu thập trên mạng xã hội sẽ không đủ để xác định được độ tin cậy của một cá nhân, từ đó xác định được rủi ro tín dụng. Các bài toán đặc thù cần các cách tiếp cận cụ thể, chi tiết hơn.
 

 

6. Các tổ chức cần khoa học gia dữ liệu. Nếu một tổ chức tài chính, ngân hàng muốn theo đuổi việc xây dựng chiến lược AI cho tổ chức mình thì họ sẽ cần phải có một khoa học gia dữ liệu. Khoa học gia dữ liệu là người hiểu biết về công nghệ xây dựng AI và các lĩnh vực như mô hình hóa dữ liệu, phân tích thống kê. Kết hợp với hiểu biết hoặc yêu cầu về nghiệp vụ, người này có thể xây dựng các chiến lược AI cụ thể và hiệu quả cho tổ chức. Các tổ chức sẽ không thể thuê ngoài đối tượng này vì sự cần thiết phải chia sẻ dữ liệu và các bí mật kinh doanh của mình. 
 

7. Cần thiết phải xây dựng sơ đồ cho chiến lược AI. Thách thức của việc triển khai AI trong ngành ngân hàng cũng giống như đối với các công nghệ mới khác - sự phức tạp và mức độ hiểu biết, chấp nhận của nội bộ tổ chức. Để đạt được thành công như mong muốn, các ngân hàng cần xác định rõ sơ đồ cho chiến lược AI của mình, bao gồm việc xác định các mảng dịch vụ/ nghiệp vụ và đánh giá tiềm năng ứng dụng của AI từ thấp đến cao. Ví dụ có thể kể đến các dịch vụ/ nghiệp vụ như đánh giá rủi ro, khai thác khách hàng sẽ có tiềm năng ứng dụng rất cao, so với các nghiệp vụ như quản lý tài sản cố định sẽ có tiềm năng thấp. 
 

8. AI sẽ đem đến sự thay đổi lớn về tổ chức, nhân sự. Bằng việc ứng dụng công nghệ tự động hóa quy trình bằng robot (Robotic Process Automation - RPA) kết hợp với AI, một số các quy trình nghiệp vụ truyền thống sẽ được tối ưu hóa hoặc thay thế bằng robot tự động hóa. Các vị trí cần nhiều nhân sự xử lý như tiếp tân, giao dịch viên, nhân viên đánh giá tín dụng,… sẽ bị giảm bớt hoặc thay thế. Một số phòng giao dịch được phát triển theo xu hướng Bank 3.0 đang hướng tới mục tiêu phòng giao dịch tự động hoàn toàn, không có nhân viên hỗ trợ. Tuy nhiên, điều này không có nghĩa AI sẽ làm giảm số lượng việc làm trong ngành ngân hàng. Việc ứng dụng AI trong quy trình nghiệp vụ có nghĩa là thời gian thực hiện các quy trình được giảm bớt đáng kể, cho phép nhân sự phụ trách có thể tập trung xử lý các vấn đề sâu hơn bên trong. Ngoài ra, khi AI và khoa học dữ liệu đã trở thành phổ biến, các ngân hàng cũng nên cân nhắc bổ sung các kiến thức mới này vào yêu cầu tuyển dụng của mình để tránh rủi ro tụt hậu trong công việc. 
 

Một số ví dụ về AI có thể ứng dụng cho ngành Ngân hàng:
 

- Mô hình dự báo tài chính: Bằng việc thu thập dữ liệu kinh doanh, dữ liệu giá cả lịch sử và một số dữ liệu liên quan trên thị trường, một tổ chức tài chính hay ngân hàng có thể xây dựng mô hình dự báo giá cổ phiếu của tổ chức mình trên thị trường chứng khoán, từ đó đưa ra các quyết định, chính sách kinh doanh phù hợp với nhu cầu phát triển. Việc dự báo được xu thế lên xuống của thị trường cũng sẽ giúp cho các tổ chức sử dụng tốt hơn các khoản đầu tư của mình.
 

- Mô hình khuyến nghị khuyến cáo: Hiện nay các tổ chức tài chính, ngân hàng có thể thu thập dữ liệu của khách hàng từ nhiều nguồn, nhiều cách khác nhau như từ ứng dụng điện thoại, Internet banking hay các sản phẩm tài chính cá nhân. Việc huấn luyện AI trên các dữ liệu này có thể giúp tổ chức hiểu rõ hơn và dự đoán được hành vi của khách hàng, từ đó đưa ra các khuyến nghị, khuyến cáo sản phẩm dịch vụ phù hợp hơn. Điều này cũng giúp làm tăng trải nghiệm cá nhân của khách hàng. Một ứng dụng nữa của loại mô hình này là phát hiện ra các hành vi, thói quen thao tác của khách hàng trên ứng dụng, sản phẩm của mình, từ đó đưa ra các chỉnh sửa, tối ưu đối với sản phẩm. 
 

- Nhận dạng giọng nói: Một ứng dụng mà được ít các tổ chức chú ý đến là việc nhận dạng giọng nói của khách hàng thu thập được qua kênh điện thoại hỗ trợ. Việc nhận biết được giọng nói khách hàng sẽ giúp tăng cường bảo mật khi áp dụng công nghệ phát sinh giao dịch/ xác thực giao dịch thông qua giọng nói hay xây dựng các bot trên điện thoại thông minh có khả năng tương tác, tư vấn và giải quyết các vấn đề cho khách hàng thông qua giọng nói.
 

- Phân tích chữ: Các tổ chức tài chính, ngân hàng hiện nay sở hữu một số lượng giấy tờ rất lớn do mô hình hoạt động truyền thống đòi hỏi các nghiệp vụ phải có văn bản. Ứng dụng AI vào nhận diện và phân tích văn bản có thể giúp các tổ chức đào được các kiến thức ẩn bên trong khối lượng văn bản, từ đó đưa ra các quyết định như tối ưu hóa quy trình nghiệp vụ, tự động phản hồi email và các khiếu nại, yêu cầu hỗ trợ của khách hàng. Điều này giúp làm giảm đáng kể chi phí vận hành và hoạt động của các tổ chức. 
 

- Phân tích hình ảnh: Với hệ thống camera cài đặt trong các phòng giao dịch, điểm tiếp đón khách hàng hay sử dụng camera điện thoại, AI có thể được ứng dụng để nhận diện khuôn mặt, định danh khách hàng. Kết hợp với công nghệ nhận diện giọng nói và dữ liệu giọng nói, ngân hàng có thể phát triển các dịch vụ thanh toán, phát sinh giao dịch bằng hình ảnh hay âm thanh thông qua điện thoại thông minh. Ngoài ra, việc sử dụng AI nhận diện con người cũng có thể dùng để đo lường, đánh giá hoạt động của nhân viên ngân hàng.
 

- Tăng cường tuân thủ: Đi kèm với tiến bộ công nghệ là các hoạt động tội phạm trong giới tài chính, ngân hàng ngày một tăng cao. Các tổ chức tài chính cũng phải tập trung nguồn lực, công nghệ ngày một nhiều vào việc phòng chống các hoạt động phi pháp trong ngành của mình như rửa tiền hay tài trợ khủng bố. Kết hợp cùng với các kỹ thuật như Học máy, Học sâu (Deep learning), Đào dữ liệu (data mining) và phân tích sẽ giúp các nhà quản trị ngân hàng phát hiện sớm và ngăn chặn tốt hơn các giao dịch bất hợp pháp phát sinh trong hệ thống của mình, từ đó tránh được nguy cơ bị phạt từ phía Ngân hàng Trung ương.
 

- Đánh giá rủi ro: Sử dụng nguồn dữ liệu lớn kết hợp với các thuật toán Học máy, AI, các ngân hàng có thể cải thiện quy trình ra quyết định, tăng cường việc phòng ngừa và đánh giá rủi ro trong hoạt động của mình. Với xu thế phát triển của ngành Ngân hàng ngày nay, rất khó để các chuyên gia dự đoán được các xu hướng rủi ro của Ngành. Thêm nữa, thị trường tài chính, công nghệ cũng như khách hàng ngày nay cũng bị tác động bởi chính các thuận toán Học máy và AI, điều này khiến cho việc đánh giá rủi ro trở nên khó khăn hơn trước rất nhiều. Tuy nhiên, điều các ngân hàng có thể tập trung vào bây giờ là phát triển và cải thiện các mô hình để đối mặt với các rủi ro mới.

ThS. Nguyễn Trung Anh

Nguồn: TCNH chuyên đề THNH số 3/2019