Bài viết này chỉ mang tính chất cung cấp thông tin chung, không cấu thành tư vấn pháp lý hay tư vấn quy định. Nội dung dựa trên các nguồn công khai tại thời điểm đăng bài. Kỳ vọng và lộ trình của cơ quan quản lý có thể thay đổi; hãy xác nhận quan điểm của riêng bạn với bộ phận tuân thủ và cơ quan có thẩm quyền liên quan.
Hầu như bất kỳ ngân hàng, công ty bảo hiểm hay doanh nghiệp thanh toán nào hiện nay cũng có thể làm ra một bản demo AI ấn tượng trong hai tuần. Ít hơn nhiều doanh nghiệp đưa được một sản phẩm AI đến tay khách hàng trong vòng một quý. Khoảng cách giữa hai sự thật này mới là chủ đề thực sự của hầu hết các chương trình AI trong dịch vụ tài chính, và đó không phải là khoảng cách về chất lượng mô hình.
AI trong tài chính hiệu quả khi nó cải thiện một workflow xác định bên trong một mô hình vận hành có kiểm soát. Nó chững lại khi đội ngũ bắt đầu từ mô hình, coi dữ liệu và tích hợp là điều kiện tiên quyết thay vì chính là dự án, hoặc để việc phân công trách nhiệm đến sau khi đã chọn xong công nghệ. Ba sai lầm này giải thích phần lớn các trường hợp ứng dụng AI trong ngành tài chính bị đình trệ, và không sai lầm nào là vấn đề về mô hình hóa.
Phần dưới đây trình bày chi tiết mẫu hình đó: những điều kiện để các hệ thống này đứng vững, và những điều kiện khiến chúng dừng lại một cách có thể dự đoán, rút ra từ công việc kỹ thuật trong lĩnh vực ngân hàng, bảo hiểm và thanh toán.
Một use case sống sót qua va chạm với môi trường production có bốn thứ bạn có thể chỉ ra: đầu vào rõ ràng, người dùng được nêu tên, hành động xác định và điểm rà soát. Những ứng viên liên tục đạt phép thử này đều không hào nhoáng:
Giúp nhân viên truy xuất thông tin chính sách và sản phẩm, kèm trích dẫn nguồn;
Trích xuất các trường dữ liệu có cấu trúc từ tài liệu được nộp;
Xếp hạng các vụ việc hoặc cảnh báo để con người rà soát;
Tóm tắt hồ sơ khách hàng kèm liên kết tới các bản ghi nguồn;
Phát hiện các mẫu hình bất thường để điều tra; và
Soạn thông điệp gửi khách hàng để một người duyệt trước khi gửi.
Mục đầu tiên là điểm khởi đầu phổ biến nhất, và là hình dạng đằng sau một trợ lý AI doanh nghiệp (enterprise AI assistant) (https://gct-solutions.net/solutions/e-inna-enterprise-ai-assistant): truy xuất trên các nguồn nội bộ đã được phê duyệt, câu trả lời dẫn nguồn gốc, và một con người vẫn chịu trách nhiệm cho bước tiếp theo.
Điểm chung của những việc này là con người vẫn nằm trong quyết định, còn nhiệm vụ của hệ thống là rút ngắn thời gian người đó dành để tập hợp ngữ cảnh. Cách đặt vấn đề này cũng giữ cái giá của sai sót ở mức tổ chức có thể chịu được. Khi kết quả càng trọng yếu, như định giá, điều kiện đủ hưởng, hay bất cứ điều gì khách hàng trực tiếp cảm nhận, yêu cầu về kiểm soát và bằng chứng tăng rất dốc, và trình tự hợp lý là từng bước giành lấy phạm vi đó thay vì bắt đầu từ đó.
Hiệu năng trên production phụ thuộc vào dữ liệu xung quanh mô hình nhiều hơn là việc chọn mô hình nào, và các điểm nghẽn lặp lại rất nhất quán giữa các tổ chức:
Mã định danh không khớp giữa các hệ thống;
Tài liệu không có người sở hữu và không có ngày rà soát;
Quy tắc truy cập tồn tại ở hệ thống nguồn nhưng không được mang sang khâu truy xuất;
Dữ liệu nhạy cảm bị sao chép sang các môi trường có kiểm soát yếu hơn;
Không có quy trình sửa hoặc rút một nguồn khi nó được chứng minh là sai; và
Không có baseline đo lường cho quy trình thủ công mà hệ thống định cải thiện.
Tuy nhiên, thủ phạm âm thầm nguy hiểm nhất là việc thiếu baseline. Nếu không ai đo quy trình thủ công hiện mất bao lâu, mắc lỗi bao nhiêu lần hay để lại bao nhiêu vụ việc chưa giải quyết, thì pilot không thể chứng minh sự cải thiện, chỉ chứng minh được hoạt động. Mọi business case xây trên đó đều sụp đổ trước câu hỏi nghiêm túc đầu tiên của giám đốc tài chính, và đội ngũ cuối cùng cãi nhau về chất lượng mô hình trong khi vấn đề là không có gì được đo trước khi mô hình xuất hiện.
Hướng xử lý thực tế là coi mức sẵn sàng của dữ liệu (data readiness) là một yêu cầu sản phẩm với ngân sách, người chịu trách nhiệm và tiêu chí nghiệm thu riêng, thay vì một giả định mà dự án được phép tự cho là có. Đây thường là hạng mục dài nhất trong kế hoạch, và giấu nó đi không làm nó ngắn lại. Vì vậy công việc AI Consulting (https://gct-solutions.net/services/ai-consulting) của chúng tôi bắt đầu bằng đánh giá mức sẵn sàng thay vì một danh sách rút gọn mô hình.
Một bộ câu hỏi benchmark không phải là một đợt đánh giá. Bộ kiểm thử phải tái hiện các điều kiện mà người dùng thực sự gặp:
Hồ sơ đăng ký không đầy đủ;
Bản ghi mâu thuẫn giữa các hệ thống;