Tìm ImageNet trong lĩnh vực tài chính｜Ghi chép trực tiếp buổi livestream của Kỳ Phú Công Nghệ: AI Đa phương thức Tín dụng như thế nào định tiêu chuẩn?

Gần đây, Qifu Technology phối hợp cùng các nhà nghiên cứu của Đại học Phục Dân và Đại học Khoa học và Công nghệ miền Nam Trung Quốc đã tổ chức một buổi thảo luận trực tiếp với chủ đề “Tiêu chuẩn hóa AI đa mô hình trong tín dụng”. Buổi phát sóng đã phân tích sâu về FCMBench-V1.0, tiêu chuẩn đánh giá đa mô hình đầu tiên hướng tới lĩnh vực tín dụng — tiêu chuẩn này thiết kế các nhiệm vụ đánh giá xoay quanh các khía cạnh cảm nhận đa mô hình, suy luận và ra quyết định, đồng thời mở mã nguồn dữ liệu và công cụ đánh giá, nhằm xây dựng một “thước đo” được ngành tài chính công nhận rộng rãi. Chương trình kéo dài 1 giờ, kết hợp giữa các kiến thức tiên tiến trong học thuật và thực tiễn ngành, cung cấp các tham khảo chuyên môn và hướng phát triển cho các tổ chức tài chính, các trường đại học nghiên cứu và các nhà hoạt động trong ngành. Dưới đây là tóm tắt nội dung chính của buổi phát sóng này.

Góc nhìn thực tiễn ngành: FCMBench giúp chuẩn hóa khả năng của các mô hình AI tài chính

Ông Yang Yehui, trưởng bộ phận đa mô hình của Qifu Technology, bắt đầu từ góc độ thực tiễn ngành, phân tích các điểm đau của sự phát triển AI tài chính và lý do cũng như logic cốt lõi đằng sau việc phát triển FCMBench-V1.0. Ông ví AI như một công cụ “bừa”, còn các ngành có hàng rào cao như tài chính, y tế là những “mảnh đất màu mỡ” có tiềm năng phát triển. Các yêu cầu cao về quyền riêng tư, an toàn và tuân thủ trong lĩnh vực tài chính quyết định rằng việc xác nhận năng lực của mô hình không thể dựa vào “tự nói tự làm”, mà phải xây dựng một hệ thống đánh giá khách quan, thống nhất.

Sự ra đời của FCMBench-V1.0 chính là để giải quyết những băn khoăn cốt lõi của các tổ chức tài chính khi lựa chọn mô hình. Ông Yang chỉ ra rằng, hiện nay ngành tài chính tồn tại tình trạng các mô hình khác nhau tự xưng đạt điểm cao mà không có tiêu chuẩn so sánh thống nhất, đồng thời mô hình dễ bị giảm hiệu suất rõ rệt khi chuyển từ môi trường phòng thí nghiệm sang môi trường thực tế. Giá trị cốt lõi của FCMBench là xây dựng một “thước đo” thống nhất để đánh giá năng lực mô hình, đưa các mô hình về cùng một điểm xuất phát, để khả năng của chúng được kiểm chứng trong điều kiện thực tế của doanh nghiệp.

Về thiết kế của “thước đo” này, ông Yang đề xuất ba nguyên tắc cốt lõi: công bằng, khoa học và thực chiến. Nguyên tắc công bằng nhằm loại bỏ “tự nói tự làm”, thiết lập một tiêu chuẩn đánh giá chung; tính khoa học thể hiện qua phân bố dữ liệu, thiết lập nhiệm vụ và độ khó hợp lý, giúp phân biệt rõ ràng các thuật toán; còn tính thực chiến là trung tâm, đảm bảo rằng khả năng vượt trội của mô hình trên tiêu chuẩn có thể trực tiếp phù hợp với các tình huống thực tế của doanh nghiệp.

Để đánh giá sát thực tế hơn, FCMBench mô phỏng hơn mười loại nhiễu trong quay phim thực, thiết lập các nhiệm vụ như đánh giá tính hợp lý của thông tin giấy tờ, so sánh nhiều giấy tờ, và các nhiệm vụ suy luận khác, nhằm tái hiện các rủi ro trong hoạt động tín dụng. Ông Yang ví dụ, nếu người dùng cung cấp tổng thu nhập hàng năm vượt 50 vạn nhưng tỷ lệ nộp thuế dưới 10%, điểm rủi ro rõ ràng này sẽ được FCMBench đưa vào các bài toán suy luận để kiểm tra khả năng nhận diện rủi ro và phòng chống gian lận của mô hình, đảm bảo các nhiệm vụ đánh giá có giá trị thực tiễn.

Theo ông Yang, FCMBench không phải “làm để làm”, mà mục tiêu chính là hỗ trợ ngành và doanh nghiệp, định vị như một nguồn tài nguyên chung của ngành tài chính, nhằm thực hiện sự liên kết chặt chẽ giữa năng lực AI và giá trị kinh doanh thông qua tiêu chuẩn thống nhất. Đồng thời, FCMBench còn là cầu nối giữa nghiên cứu học thuật về các mô hình lớn trong tài chính và ứng dụng thực tiễn, sẽ liên tục mở rộng các nhiệm vụ, loại dữ liệu, ngôn ngữ và mô hình để bao phủ toàn diện các kịch bản tín dụng; về mặt ngành, sẽ phối hợp với các trường đại học để giải quyết các khó khăn công nghệ, mời các ngân hàng và tổ chức tài chính tham gia xây dựng, làm phong phú dữ liệu và các tình huống thực tế, thúc đẩy tiêu chuẩn này trở thành tiêu chuẩn đánh giá chung của ngành hoặc thậm chí tiêu chuẩn nhóm, trở thành rào cản thực chiến trong việc lựa chọn và hợp tác mô hình của các tổ chức tài chính.

Góc nhìn học thuật: Thời điểm “ImageNet” của AI tài chính đang đến gần

Nếu ngành công nghiệp quan tâm đến cách sử dụng “thước đo” thì giới học thuật lại chú trọng đến việc tại sao “thước đo” lại thiếu hụt, và làm thế nào để tạo ra một “thước đo” thực sự có uy tín.

Giáo sư Chen Tao của Đại học Phục Dân bắt đầu từ lịch sử phát triển của AI, chỉ rõ bản chất vấn đề: “Sự phát triển của các mô hình lớn trong AI phụ thuộc rất nhiều vào hệ sinh thái mã nguồn mở, còn lĩnh vực tài chính hiện thiếu các bộ dữ liệu và tiêu chuẩn đánh giá thống nhất được công nhận trong và ngoài nước. Không có ‘thước đo’ thống nhất, các doanh nghiệp và học thuật khó hợp tác nghiên cứu, không thể hình thành một hệ sinh thái phát triển mạnh mẽ, từ đó hạn chế sự ra đời của các mô hình lớn trong tài chính.”

Ông hướng ánh nhìn về mốc quan trọng của học sâu — bộ dữ liệu ImageNet. “Bộ dữ liệu ImageNet đã thúc đẩy sự bùng nổ của học sâu, trở thành tiêu chuẩn đánh giá thống nhất trong lĩnh vực nhận diện hình ảnh, và các tiêu chuẩn đánh giá tương tự chính là chìa khóa đột phá của ngành AI.” Ông Tao cho rằng, hiện tại lĩnh vực tài chính thiếu một bộ dữ liệu đánh giá toàn diện, thống nhất, đủ sức tạo ra hệ sinh thái phát triển hợp tác, và cần xây dựng bộ dữ liệu “ImageNet” riêng cho mình.

Về FCMBench-V1.0 do Qifu Technology phát hành, ông Tao đánh giá đây là một trong những tiêu chuẩn đánh giá thống nhất quy mô lớn, có uy tín cao nhất trong lĩnh vực tín dụng tài chính trong và ngoài nước hiện nay. So với các bộ dữ liệu đánh giá rời rạc khác trong ngành, FCMBench-V1.0 lần đầu tiên đạt được sự thống nhất về mô hình, bao phủ các nhiệm vụ cốt lõi như tín dụng, quản lý rủi ro, đồng thời thiết kế hướng tới các tình huống thực tế, do chính Qifu Technology và các ngành công nghiệp phát hành, có đặc điểm toàn diện và thực tiễn, trở thành một bước quan trọng trong việc xây dựng “ImageNet” riêng cho lĩnh vực tài chính.

Góc nhìn liên ngành: Lợi thế thực tiễn của AI tài chính rõ ràng, FCMBench kết nối nhu cầu ngành và đào tạo nhân lực

Giáo sư Xu Yanwu của Đại học Khoa học và Công nghệ miền Nam Trung Quốc từ góc độ liên ngành, phân tích thực trạng ứng dụng AI tài chính, lợi thế thực tiễn của việc triển khai, và nhấn mạnh vai trò quan trọng của FCMBench trong đào tạo nhân lực ngành.

Ông đầu tiên làm rõ một hiểu lầm phổ biến: “Nhiều người cảm thấy AI trong lĩnh vực tài chính ‘không có cảm giác rõ ràng’, nhưng thực ra không đúng. AI đã tham gia sâu vào các hoạt động cốt lõi như định giá bảo hiểm, đánh giá tài sản và giao dịch định lượng, chỉ là những giá trị này không trực tiếp thể hiện trong các sản phẩm tiêu dùng (ToC), nên ‘không nhìn thấy’ rõ ràng.”

Ông cũng chỉ ra rằng, so với các ngành có hàng rào cao như y tế, AI tài chính có lợi thế rõ rệt về hiệu quả triển khai, có thể đạt gấp hàng chục, thậm chí trăm lần. Đằng sau lợi thế này là khả năng sử dụng dữ liệu lịch sử để thử nghiệm, kiểm tra song song hai mô hình, nhanh chóng xác nhận hiệu quả thực tế của mô hình, giúp rút ngắn chu kỳ điều chỉnh mô hình. Trong khi đó, ngành y tế khi thay đổi thuật toán phải thực hiện toàn bộ quy trình xác nhận như thử nghiệm lâm sàng, mất tới 3-5 năm, chi phí cao gấp nhiều lần.

Về xây dựng bộ dữ liệu tài chính, ông Xu đề xuất ba yếu tố cốt lõi: định hướng giá trị, toàn diện và tinh xảo, công bằng và phổ quát. Ông cho rằng, bộ dữ liệu tài chính chất lượng cao cần có chủ đề có giá trị, sáng tạo, thực sự giải quyết các vấn đề thực tế của ngành; thiết kế phải toàn diện, phù hợp với đa dạng nhu cầu ứng dụng của ngành; cuối cùng, phương pháp đánh giá phải công bằng, dựa trên giá trị chung của ngành, không vì lợi ích riêng.

Việc ra mắt FCMBench-V1.0 phù hợp với ba yếu tố này, đồng thời còn đóng vai trò quan trọng trong đào tạo nhân lực ngành tài chính. Ông Xu nhấn mạnh, FCMBench là cầu nối giữa đào tạo nhân lực và nhu cầu ngành, hoàn thiện đội ngũ nhân lực ngành, vừa giúp sinh viên học AI kết hợp tài chính có thể thực hành thực tế, nâng cao năng lực cạnh tranh tuyển dụng, vừa cung cấp các tình huống thực tế phù hợp với ngành cho sinh viên chuyên về thuật toán, giúp họ nhanh chóng thích nghi với các vị trí trong lĩnh vực tài chính, từ đó liên tục bổ sung nhân lực chất lượng cao cho ngành, hoàn thiện hệ thống nhân lực ngành.

Trong buổi phát sóng này, ba khách mời đã từ ba góc độ khác nhau là thực tiễn ngành, nghiên cứu học thuật và liên ngành, thảo luận sâu về xây dựng tiêu chuẩn AI đa mô hình trong tín dụng, giúp ngành hiểu rõ hơn về thực trạng, điểm đau và hướng đi tương lai của AI tài chính. Trong tương lai, khi FCMBench-V1.0 tiếp tục vận hành và mở rộng, cùng với sự tham gia của nhiều tổ chức tài chính, các trường đại học nghiên cứu, lĩnh vực tài chính có khả năng hình thành một hệ sinh thái mã nguồn mở tương tự ImageNet, giúp công nghệ AI và hoạt động tài chính ngày càng gắn kết sâu sắc hơn, thúc đẩy AI tài chính hướng tới tiêu chuẩn hóa, quy chuẩn hóa, cuối cùng đạt được đột phá công nghệ và ứng dụng thực tế song hành, tạo đà cho sự phát triển bền vững của ngành.