English
日本語
한국어
简体中文
Mọi tổ chức tài chính có đội ngũ dữ liệu chuyên trách đều hiểu rằng việc để một AI đa dụng tự do xử lý hàng nghìn cơ sở dữ liệu thô, chưa được tổ chức là công thức dẫn đến thảm họa. Trong khi các giám đốc điều hành ngân hàng đối mặt với áp lực ngày càng tăng trong việc đưa ra các thông tin chuyên sâu do AI thúc đẩy, nhiều sáng kiến vẫn bị mắc kẹt trong giai đoạn thử nghiệm (sandbox). Các nhà phân tích thị trường hàng đầu xác nhận một xu hướng chung: các nguyên mẫu AI phát triển mạnh mẽ trong môi trường thử nghiệm được kiểm soát nhưng lại sụp đổ khi tiếp xúc với dữ liệu doanh nghiệp thực tế, phức tạp ở quy mô lớn.
Mắt xích còn thiếu: Ngữ cảnh quan trọng hơn sức mạnh thô
Rào cản hiếm khi nằm ở chính mô hình AI. Thay vào đó, đó là sự thiếu vắng một lớp cấu trúc nằm giữa AI và cơ sở dữ liệu. Các hệ thống doanh nghiệp truyền thống được thiết kế để con người diễn giải. Chúng dựa vào những nhân viên vốn đã hiểu rõ các sắc thái đặc thù của từng phòng ban — ví dụ như cách định nghĩa “doanh thu” của Giám đốc Tài chính (CFO) so với bộ phận cho vay bán lẻ.
Một tác nhân AI thường thiếu kiến thức nền tảng này. Nếu không có một lớp ngữ cảnh được quản trị, AI sẽ coi mỗi truy vấn là một thử nghiệm mới tinh và vô cùng tốn kém, thường mang lại kết quả không nhất quán và mâu thuẫn giữa các phòng ban khác nhau.
Ảo tưởng về độ chính xác: Tại sao AI chung chung thất bại
Sự phổ biến của các chatbot hướng đến người tiêu dùng đã tạo ra những kỳ vọng phi thực tế đối với AI dành cho doanh nghiệp. Khi các ngân hàng kết nối trực tiếp các mô hình AI chung chung với dữ liệu thô, rủi ro tài chính và vận hành là rất lớn.
Để minh họa mức độ nghiêm trọng của vấn đề này, hãy xem xét trải nghiệm của một tổ chức tài chính đã thử nghiệm cả hai phương pháp:
- Phương pháp tiếp cận dữ liệu thô: Việc hướng một AI chung chung vào dữ liệu thô chỉ mang lại tỷ lệ chính xác vỏn vẹn 7%. Điều đáng nói là AI vẫn duy trì mức độ tự tin 21% đối với các câu trả lời sai của nó. Sự “ảo tưởng tự tin” này gây ra mối đe dọa lớn cho công tác quản trị rủi ro.
- Phương pháp tiếp cận ngữ cảnh có cấu trúc: Bằng cách đưa vào một lớp dữ liệu được quản trị, độ chính xác đã tăng vọt lên 90%. Dù vẫn cần đến sự giám sát của con người, thiết lập này đã giảm 90% thời gian các nhà phân tích dành cho việc lập báo cáo, thay đổi hoàn toàn tính hiệu quả kinh tế trong chương trình tự động hóa của ngân hàng chỉ trong bốn tuần.
Đào tạo nhập môn cho các tác nhân AI như nhân viên mới
Để tích hợp thành công AI vào các hoạt động ngân hàng, các tổ chức nên đối xử với các tác nhân AI như những nhân sự mới thay vì coi chúng là các giải pháp vạn năng. Điều này có nghĩa là phải cung cấp quy trình đào tạo nhập môn có cấu trúc, giải thích các quy tắc kinh doanh và vạch rõ các ranh giới tuân thủ.
Trong các môi trường bị kiểm soát chặt chẽ bởi các quy định, tính giải trình là yếu tố không thể thương lượng. Khi các cơ quan quản lý hỏi một con số cụ thể được tính toán như thế nào, câu trả lời “do AI tự tính” là không thể chấp nhận được. Mọi tính toán tài chính phải hoàn toàn có thể kiểm toán, truy xuất nguồn gốc và lặp lại được từ hệ thống nguồn cho đến báo cáo cuối cùng.
Giải pháp đệ quy: Sử dụng AI để xây dựng nền tảng
Để mở rộng quy mô chuẩn bị dữ liệu một cách hiệu quả, các ngân hàng có thể sử dụng AI theo phương thức đệ quy. Một nhóm công cụ AI có thể phân tích các cơ sở dữ liệu cũ, trích xuất các định nghĩa kinh doanh và thiết lập bản đồ các mối quan hệ phức tạp. Kiến thức này sau đó được củng cố vào một lớp quản trị mà máy móc có thể đọc được.
Từ đó, việc tự động hóa mã xác định (deterministic code automation) sẽ đảm bảo kết quả đầu ra nhất quán và đáng tin cậy. Cách tiếp cận này không thay thế các đội ngũ dữ liệu là con người; thay vào đó, nó đóng vai trò như một công cụ nhân bội năng suất, cung cấp cho các tác nhân AI ở hạ nguồn ngữ cảnh chính xác cần thiết để ngừng đoán mò và bắt đầu mang lại kết quả thực tế.
Chiến lược vững vàng trước tương lai cho các tổ chức tài chính
Giải quyết hàng thập kỷ nợ kỹ thuật tồn đọng và các đường ống dữ liệu không được ghi chép đầy đủ có thể mang lại cảm giác quá tải. Tuy nhiên, việc thiết lập một nền tảng dữ liệu có cấu trúc không đòi hỏi một cuộc đại tu kéo dài nhiều năm.
Bằng cách đầu tư vào một nền tảng dữ liệu được quản trị ngay từ hôm nay, các ngân hàng có thể đảm bảo dữ liệu của họ tương thích với bất kỳ mô hình AI, nền tảng hoặc thay đổi quy định nào trong tương lai. Nền tảng này vẫn là một bước đi đáng tin cậy, “không gây hối tiếc”, giúp cuối cùng giải phóng được tỷ suất hoàn vốn (ROI) thực tế từ các khoản đầu tư vào trí tuệ nhân tạo.
Nguồn: thefinancialbrand.com