FinTech và AI thúc đẩy làn sóng đổi mới tiếp theo

Anna Schoff – Tốt nghiệp Thạc sĩ Ngôn ngữ học và Xử lý Ngôn ngữ Tự nhiên với chuyên môn về học sâu, khoa học dữ liệu và máy học. Nghiên cứu của cô tập trung vào giải mã thần kinh các ngôn ngữ cổ đại, dịch máy ít tài nguyên, và nhận diện ngôn ngữ. Cô có kinh nghiệm rộng rãi trong lĩnh vực ngôn ngữ học tính toán, trí tuệ nhân tạo và nghiên cứu NLP cả trong học thuật lẫn công nghiệp.

Bhushan Joshi – Trưởng nhóm Năng lực cho Ngân hàng ISV, Thị trường Tài chính và Quản lý Tài sản với kinh nghiệm sâu rộng về ngân hàng số, thị trường vốn và chuyển đổi đám mây. Ông đã dẫn dắt chiến lược kinh doanh, tư vấn và triển khai công nghệ tài chính quy mô lớn cho các ngân hàng toàn cầu, tập trung vào vi dịch vụ, tối ưu hóa quy trình và hệ thống giao dịch.

Kenneth Schoff – Chuyên gia kỹ thuật xuất sắc của Nhóm Mở tại IBM AI Applications với hơn 20 năm kinh nghiệm trong lĩnh vực ngân hàng, thị trường tài chính và fintech. Ông chuyên về giải pháp IBM Sterling, bán hàng kỹ thuật và tư vấn cho các lãnh đạo cấp cao về chuyển đổi dựa trên AI trong chuỗi cung ứng và dịch vụ tài chính.

Raja Basu – Nhà lãnh đạo quản lý sản phẩm và đổi mới với chuyên môn về AI, tự động hóa và bền vững trong thị trường tài chính. Với nền tảng vững chắc trong chuyển đổi công nghệ ngân hàng, ông đã dẫn dắt các dự án tư vấn và triển khai toàn cầu tại Mỹ, Canada, châu Âu và châu Á. Hiện là nghiên cứu sinh tiến sĩ tại XLRI, ông tập trung vào tác động của AI đối với hệ thống tài chính và bền vững.

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin FinTech Weekly

Được đọc bởi các lãnh đạo tại JP Morgan, Coinbase, Blackrock, Klarna và nhiều hơn nữa

Phát triển công nghệ AI cho FinTech đang ngày càng lớn mạnh với tiềm năng lớn, nhưng tốc độ tăng trưởng có thể chậm hơn so với các ứng dụng khác do tính phức tạp của vấn đề.

AI có thể phát hiện các mẫu và bất thường mà con người thường bỏ lỡ nhờ khả năng tiêu thụ khối lượng dữ liệu rất lớn dưới nhiều dạng cấu trúc và phi cấu trúc.

Tuy nhiên, não người với hơn 600 nghìn tỷ kết nối synapse đã được gọi là vật thể phức tạp nhất mà chúng ta biết đến – trên trái đất, hệ mặt trời và xa hơn nữa. AI có thể hỗ trợ phân tích của con người qua khả năng xử lý nhiều chi tiết cùng lúc, nhưng nó không thể suy nghĩ.

Trong các lớp học về AI tại Yale nhiều năm trước, họ định nghĩa AI là “nghiên cứu các quá trình nhận thức bằng các mô hình tính toán”. Định nghĩa này vẫn còn phù hợp. Thường thì các mô hình tính toán này có thể hữu ích riêng biệt, và khả năng của chúng đã tiến xa từ Hệ Thống Chuyên Gia và các Mạng Nơ-ron Nhân tạo nhỏ đến các kỹ thuật Học Sâu dùng để xây dựng Các Mô Hình Ngôn Ngữ Lớn (LLMs) và Các Mô Hình Nền tảng trong AI Sinh Tạo.

Các tiến bộ về phần cứng đã làm cho phần lớn điều này khả thi, và chắc chắn còn nhiều điều nữa sẽ đến.

Trong thập niên 1990, chúng ta đã nhận thức rõ rằng thiếu kiến thức chung trong các hệ thống AI là một hạn chế lớn, và giờ đây chúng ta đã có thể cung cấp điều đó trong các mô hình AI lớn. Công nghệ AI ban đầu chỉ giới hạn trong các nhiệm vụ rất cụ thể, giống như các thiên tài đặc biệt – có thể làm tốt một nhiệm vụ rất cụ thể, nhưng vô dụng cho các nhiệm vụ khác.

Dù vậy, chúng vẫn có thể mang lại giá trị cho các nhiệm vụ đặc thù với chi phí tính toán thấp hơn nhiều. Vì lý do bền vững, các công nghệ này vẫn có thể đảm nhận vai trò của mình trong cảnh quan AI.

Khả năng Xử lý Ngôn ngữ Tự nhiên (NLP) và Xử lý Giọng nói do các mô hình LLM cung cấp hiện có thể nắm bắt chính xác khoảng 90% nội dung của một cuộc trao đổi ngôn ngữ tự nhiên, điều này rất có giá trị cho tương tác người-máy.

Trong trạng thái hiện tại của công nghệ, các mô hình NLP tiêu tốn chi phí tính toán rất cao (đọc là hóa đơn điện năng rất lớn), điều này đi ngược lại các cân nhắc về bền vững. Hãy nhớ rằng một thủ thư hoặc chuyên gia tương tự có thể cung cấp kết quả chính xác 100% chỉ cần bữa trưa. Chúng ta nên sử dụng nguồn lực phù hợp vào thời điểm phù hợp.

Gần đây, với các phát triển như DeepSeek, chúng ta thấy các tối ưu hóa bằng cách xây dựng các ứng dụng nhỏ hơn, chuyên biệt cho từng lĩnh vực sử dụng cùng công nghệ như các mô hình lớn tổng thể. Đây là chiến thắng đôi bên, cung cấp công nghệ AI mạnh mẽ để giải quyết một lĩnh vực cụ thể trong khi giảm chi phí tính toán. Ví dụ, một hệ thống AI trong fintech hỗ trợ quản lý tài sản không cần phải có kiến thức về văn học Anh.

Tư vấn Quản lý Tài sản Hỗ trợ Bởi AI

Hãy lấy quản lý tài sản làm ví dụ về ứng dụng.

Một cuộc phỏng vấn khách hàng để tạo hồ sơ khách hàng có thể được thúc đẩy bởi các kỹ thuật AI cơ bản như cây quyết định hoặc Hệ Thống Chuyên Gia. Tuy nhiên, dựa trên kinh nghiệm trước đây với một số cuộc phỏng vấn dựa trên Hệ Thống Chuyên Gia, một cố vấn có trình độ sẽ đạt kết quả tốt hơn chỉ qua cuộc trò chuyện. Không có gì thay thế được những người biết rõ công việc của mình. AI nên hỗ trợ chứ không nên điều khiển.

Phân tích Danh mục Đầu tư

Nếu khách hàng đã có danh mục đầu tư hiện tại, cần phân tích, và AI có thể hỗ trợ ở đây nữa. Các khoản đầu tư đã hoạt động ra sao theo thời gian? Khách hàng có xu hướng tập trung vào các ngành cụ thể không? Triển vọng của chúng trong tương lai ra sao? Lịch sử các giao dịch của khách hàng như thế nào?

Dựa trên hồ sơ khách hàng và phân tích danh mục, cố vấn có thể đề xuất các giới hạn cụ thể về những gì phân tích nên xem xét cho danh mục đầu tư đề xuất. Điều này có thể bao gồm sở thích cá nhân, giới hạn rủi ro, giới hạn về quỹ có sẵn, và các yếu tố khác có thể hạn chế lựa chọn.

Tư vấn Quản lý Tài sản Hỗ trợ Bởi AI

Có nhiều công ty sử dụng các mô hình AI để cung cấp hướng dẫn về các cổ phiếu hoặc phân khúc thị trường có khả năng tăng trưởng tốt hoặc kém. Điều này có thể được xem như một bài toán dự đoán, trong đó xu hướng có thể dự đoán được, hoặc như một bài toán phân loại, nơi AI thể hiện xuất sắc. Một cố vấn có thể sử dụng các dịch vụ này để cung cấp loại thông tin này.

Các yếu tố về Môi trường, Xã hội và Quản trị (ESG) cũng có thể ảnh hưởng đến kết quả. Những yếu tố này đã có thể được đưa vào làm đầu vào cho mô hình AI dùng để phân tích. Cố vấn và khách hàng cần thảo luận về các yếu tố cụ thể để đưa vào mô hình danh mục.

Kiến trúc Mẫu

Một kiến trúc mẫu có thể trông giống như sơ đồ dưới đây. Nhiều biến thể có thể thực hiện được.

Một cách triển khai phổ biến là dựa trên một mô hình nền tảng GenAI duy nhất thực hiện tất cả các nhiệm vụ mô tả dưới đây, nhưng chúng tôi nghĩ rằng phân chia nhiệm vụ là phương pháp tốt hơn.

Mỗi mô hình sẽ xử lý một phần của lĩnh vực vấn đề và có thể nhỏ hơn một mô hình tổng thể. Một số hệ thống có thể chạy liên tục trong khi các hệ thống khác sẽ chạy theo yêu cầu.

Trong sơ đồ, chúng tôi giả định rằng sẽ có các mô hình Generative AI dự đoán phục vụ như các hệ thống tư vấn cho các mô hình AI mục đích đặc thù khác. Các mô hình GenAI này sẽ thực hiện phần lớn phân tích thị trường và sẽ được huấn luyện cho các thị trường và công cụ tài chính khác nhau.

Chúng sẽ tiêu thụ các nguồn dữ liệu và, kết hợp với dữ liệu từ hồ dữ liệu, tạo ra dự đoán thị trường về tăng trưởng và phát hiện bất thường có thể giảm thiểu rủi ro. Chúng tôi chưa chắc các hệ thống này đã trưởng thành đủ để đáng tin cậy, nhưng chúng đang tiến bộ trong phát triển.

Kết quả của từng mô hình GenAI dự đoán sẽ được ghi lại trong hồ dữ liệu. Ngoài ra, các mô hình phân tích có thể gửi thông báo đến các mô hình khác để thực hiện các nhiệm vụ cụ thể. Các mô hình này có thể chạy định kỳ hoặc liên tục trong thời gian thị trường hoạt động.

Hệ thống giao dịch tự động có thể sử dụng các nguồn trạng thái từ phân tích thị trường để kích hoạt các giao dịch. Các hệ thống phân loại sẽ định kỳ đánh giá các tài sản và duy trì lịch sử phân loại tài sản trong hồ dữ liệu. Cuối cùng, chúng ta đến với Trợ lý Danh mục GenAI.

Trợ lý Danh mục sẽ là hệ thống Gợi ý dựa trên AI có quyền truy cập dữ liệu thị trường hiện tại và lịch sử. Cố vấn có thể tương tác với trợ lý để cung cấp hồ sơ khách hàng và yêu cầu đề xuất. Điều này tốt nhất nên thực hiện khi khách hàng có mặt. Tương tác của cố vấn với khách hàng nên được ghi lại trong hồ dữ liệu như đầu vào cho phân tích.

Việc truy cập của cố vấn vào các hệ thống AI là qua giao diện NLP có thể dựa trên văn bản hoặc giọng nói.

Trợ lý Danh mục sẽ phản hồi cho cố vấn dựa trên thông tin trong mô hình, từ hồ dữ liệu hoặc các truy vấn API vào các mô hình Phân tích Thị trường. Giao diện NLP cung cấp một trợ lý mạnh mẽ nhưng dựa trên kinh nghiệm, cố vấn cần biết cách đặt câu hỏi để nhận được kết quả hữu ích.

Không có trung gian con người đó, trải nghiệm tương tác với hệ thống NLP cho một chủ đề phức tạp như vậy có thể gây thất vọng cho người mới bắt đầu. Các Mô Hình Ngôn Ngữ Lớn vượt xa các công nghệ trước đây trong lĩnh vực này, nhưng chúng vẫn chưa thể vượt qua Bài kiểm tra Turing.

Bài kiểm tra Turing yêu cầu một con người không thể phân biệt được máy móc với người qua câu trả lời các câu hỏi. Những máy móc này không phải là con người và không thể phản hồi chính xác như con người. Nhiều công ty thuê người có mô tả công việc là tương tác với các hệ thống LLM và GenAI qua việc tạo prompts để có phản hồi tốt hơn từ mô hình.

Theo báo cáo của Juniper năm 2021, 40% khách hàng ngân hàng toàn cầu sẽ sử dụng chatbot NLP cho giao dịch vào năm 2025. Thêm NLP vào các ứng dụng hướng tới khách hàng thường là bước khởi đầu của các công ty. Các hệ thống AI khác tập trung vào tự động hóa các nhiệm vụ phổ biến.

Tự động hóa dựa trên AI có thể loại bỏ nhiều quy trình thủ công và làm cho quy trình làm việc hiệu quả hơn. NLP và tự động hóa nhiệm vụ có thể mang lại lợi ích cho hầu hết các ngành công nghiệp. Phát triển AI cho phân tích Thị trường Tài chính là một nhiệm vụ khá khó khăn.

Đại học Cornell đã phát triển Mô hình GenAI StockGPT. Xem “StockGPT: Mô hình GenAI dự đoán và Giao dịch Cổ phiếu” tại

Kết luận

Phân tích thị trường tài chính phức tạp hơn một chút so với các ứng dụng như Chuỗi cung ứng hoặc thậm chí Ngân hàng. Có nhiều biến số và hành vi phức tạp do các yếu tố như số liệu thị trường, quy định và phản ứng cảm xúc của các thành viên tham gia.

Một số điều này có thể được nắm bắt bằng thống kê để giảm thiểu rủi ro, nhưng dự đoán thị trường tài chính thuộc loại bài toán đại số với quá nhiều biến số và không đủ phương trình. AI có thể tìm kiếm các mẫu và bất thường bên cạnh việc thực hiện các phép tính.

Máy tính lượng tử là một công nghệ khác đáng để khám phá. Nó đã thể hiện giá trị trong một số ứng dụng trong khoa học. Đã có đề xuất sử dụng trong quản lý rủi ro qua mô phỏng Monte Carlo trong một ví dụ tài chính.

Chúng ta sẽ xem tương lai mang lại điều gì.