Việc sử dụng khoa học dữ liệu và AI trong dịch vụ tài chính không còn là điều mới mẻ. Từ các ngân hàng cấp khoản vay dựa trên điểm tín dụng, công ty bảo hiểm định giá hợp đồng dựa trên rủi ro, đến quỹ đầu tư đưa ra tư vấn dựa trên rủi ro và lợi nhuận dự phóng, dữ liệu từ lâu đã là trụ cột của lĩnh vực tài chính. Tuy nhiên, để thành công với khoa học dữ liệu và AI, các tổ chức dịch vụ tài chính cần đào sâu hơn việc ứng dụng học máy và AI. Trong một hội thảo trực tuyến gần đây, Shameek Kundu, cựu Giám đốc Dữ liệu Tập đoàn của Standard Chartered và hiện là Giám đốc Chiến lược tại TruEra, đã phác thảo cách thúc đẩy việc ứng dụng AI trong dịch vụ tài chính.
Ứng dụng AI rộng nhưng còn nông
Shameek giải thích rằng hiện nay có rất nhiều trường hợp sử dụng AI và học máy trong dịch vụ tài chính. Dưới đây là một số ví dụ thực tế đáng chú ý.
- AXA dùng học máy để thẩm định dự đoán, tinh gọn quy trình mua hợp đồng
- Nhận dạng ký tự quang học (OCR) giúp Citibank tăng tốc xử lý tài liệu thủ công
- Điều tra viên tại Ngân hàng OCBC tận dụng học máy để phát hiện giao dịch gian lận
Tuy nhiên, điều đó không có nghĩa là các tổ chức dịch vụ tài chính đang khai thác tối đa khoa học dữ liệu và AI, vì cần có sự ứng dụng sâu các công nghệ này. Temasek báo cáo rằng hầu như tất cả các đơn vị dịch vụ tài chính đều sử dụng AI trong quy trình ở một mức độ nhất định. Thế nhưng, chỉ 13% thực sự dùng AI trong phần lớn quy trình của họ do các rào cản trên toàn ngành.
Nhiều dự án AI vẫn ở giai đoạn sơ khai, chưa thể đạt mục tiêu triển khai hoàn chỉnh, theo Khảo sát Học máy của Ngân hàng AnhCác rào cản đối với việc ứng dụng AI rộng rãi
Chất lượng và khả năng sẵn có của dữ liệu còn hạn chế
Ngày càng có nhiều cơ quan quản lý giám sát cách các công ty xử lý dữ liệu, thể hiện qua việc ban hành các luật về quyền riêng tư dữ liệu cấp bang tại Hoa Kỳ và EU. Hơn nữa, việc chia sẻ dữ liệu xuyên biên giới vẫn bị hạn chế do sự khác biệt theo khu vực về luật bảo mật dữ liệu. Những quy định như vậy dẫn đến dữ liệu hạn chế cho mô hình học máy huấn luyện và đưa ra dự đoán.
Hệ sinh thái công nghệ còn non trẻ và phân mảnh
Khi lĩnh vực học máy còn non trẻ tiếp tục phát triển, nó gặp phải những “cơn đau tăng trưởng” dưới dạng một hệ sinh thái công nghệ tương đối non và phân mảnh.
Hiện nay, theo khảo sát của Algorithima, các tổ chức mất khoảng một đến ba tháng để đưa một mô hình học máy vào môi trường sản xuất. Thời gian chờ dài là hệ quả của việc thiếu các công cụ vận hành hóa học máy (MLOps) trưởng thành. Tuy vậy, chỉ là vấn đề thời gian trước khi các công cụ MLOps phát triển mạnh mẽ hơn, xét tốc độ phát triển nhanh hiện tại.
Thiếu niềm tin vào học máy
Các mô hình học máy phức tạp không dễ diễn giải hay giải thích dự đoán của chúng. Thiếu hiểu biết về các mô hình “hộp đen”, người dùng cuối khó có thể tin tưởng kết quả đầu ra.
Một ví dụ điển hình là IBM Watson. Từng được ca ngợi là tương lai của chăm sóc sức khỏe, mô hình hộp đen của hệ thống này đã không giành được niềm tin từ người dùng cuối. Các bác sĩ có lý do chính đáng để không giao phó các quyết định sống còn cho một hộp đen AI.
Tương tự, các nhà quản lý dịch vụ tài chính và giới ngân hàng khi ra quyết định có tính hệ trọng như phát hiện gian lận cũng khó đặt niềm tin vào mô hình hộp đen. Điều này càng đúng khi tính minh bạch là yếu tố cốt lõi để ngăn ngừa phân biệt đối xử, kết quả không công bằng và đáp ứng nghĩa vụ công bố thông tin. Nhận thấy điều này, Thống đốc Cục Dự trữ Liên bang Brainard đã phát biểu vào tháng 11/2018 rằng “thách thức về khả năng giải thích có thể chuyển thành mức độ bất định cao hơn về mức độ phù hợp của cách tiếp cận AI”, và kêu gọi các công ty dịch vụ tài chính thận trọng khi áp dụng mô hình hộp đen.
Vận hành hóa chặng cuối
Các dự án học máy cũng gặp phải bài toán chặng cuối – thách thức đưa kết quả đến đúng người, vào đúng thời điểm. Chẳng hạn, người dùng ứng dụng di động mong đợi phản hồi tức thì sẽ không hài lòng nếu biết một gợi ý nào đó mất mười phút để tải.
Giải quyết vấn đề vận hành hóa chặng cuối không chỉ cần hệ sinh thái công cụ MLOps trưởng thành hơn mà còn đòi hỏi những người làm học máy chú trọng đến trải nghiệm của người dùng.
Thiếu nhân tài dữ liệu
Triển khai AI ở quy mô đầy đủ đòi hỏi một đội ngũ chuyên gia dữ liệu – bao gồm nhà khoa học dữ liệu, nhà phân tích, kỹ sư và nhà khoa học học máy. Vì vậy, thiếu hụt nhân tài dữ liệu vẫn là rào cản đối với việc ứng dụng học máy trên nhiều ngành, bao gồm dịch vụ tài chính.
Một khảo sát của Deloitte cho thấy 23% các đơn vị ứng dụng AI trưởng thành nhất báo cáo tồn tại khoảng cách kỹ năng đáng kể cho triển khai AI. Thu hẹp khoảng cách này đòi hỏi chiến lược đào tạo lại và nâng cấp kỹ năng có trọng tâm cho các nhóm nhân sự cụ thể.
Kết luận
Các rào cản nêu trên cho thấy chúng có thể được giải quyết nếu có đủ thời gian và nỗ lực. Khắc phục những vấn đề này sẽ giúp ngành dịch vụ tài chính tiến gần hơn một bước tới việc khai mở tiềm năng to lớn của AI.
Nếu bạn quan tâm đến việc ứng dụng AI trong dịch vụ tài chính, đừng bỏ lỡ hội thảo theo yêu cầu của Shameek về “Mở rộng ứng dụng AI trong dịch vụ tài chính”.
