Quy trình đánh giá tín dụng sử dụng AI năng động: Bản thiết kế chiến lược

Bhushan Joshi, Tiến sĩ Manas Panda, Raja Basu

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin của FinTech Weekly

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

Ngành dịch vụ tài chính đang trải qua sự thay đổi mang tính mô hình khi AI tạo sinh (GenAI) và các hệ thống AI tác nhân đang định nghĩa lại các luồng quy trình kinh doanh—trong đó có quyết định cấp tín dụng. Các ngân hàng hiện nay đang đón nhận các hệ thống vận hành bằng AI nhằm nâng cao độ chính xác dự đoán đồng thời tự động hóa các quy trình phức tạp. Bài viết này tìm hiểu cách GenAI và AI tác nhân có thể được triển khai một cách chiến lược trong quy trình đánh giá tín dụng, cải thiện đáng kể mức độ hiệu quả và tự động hóa, đồng thời xem xét các yếu tố về quản trị, rủi ro và tuân thủ.

Lợi thế của GenAI: Bổ sung dữ liệu thông minh

Dữ liệu là huyết mạch của việc đánh giá tín dụng. Các ngân hàng và tổ chức tài chính đánh giá và phân tích một khối lượng lớn các yếu tố dữ liệu bằng các mô hình hậu cần và mô hình theo kinh nghiệm (heuristic). Khi GenAI xuất hiện, quy trình này đã nhảy vọt, vì các mô hình GenAI cung cấp khả năng đánh giá dữ liệu phi cấu trúc, tạo ra những hiểu biết có giá trị. Việc tạo dữ liệu tổng hợp để mô phỏng các tình huống trước cũng là một thay đổi quan trọng trong quy trình đánh giá.

Các mô hình GenAI vượt trội ở khả năng phân tích thông tin phi cấu trúc, chuyển chúng thành dữ liệu có cấu trúc. Khả năng này cho phép trích xuất các thuộc tính quan trọng như sự nhất quán của thu nhập, sự không nhất quán trong thanh toán, dữ liệu việc làm, chi tiêu tùy ý, v.v., từ đó có thể cung cấp những thông tin then chốt trong đánh giá thẩm định.

Việc tạo dữ liệu tổng hợp là một năng lực mà các mô hình GenAI cung cấp, có thể được tận dụng cho mục đích mô hình hóa và xác thực vững chắc. Điều này có thể giúp giảm thiểu tình trạng thiếu dữ liệu ở các trường hợp biên. Các mô hình AI có thể được dùng để xác định kịch bản ở vùng biên, bổ sung các tiêu chí tinh hơn—các “hàng rào” thanh khoản (liquidity buffers), độ biến động của thu nhập, v.v.—và có thể được xác thực bằng dữ liệu tổng hợp. Những dữ liệu được bảo toàn quyền riêng tư này nâng cao tính khái quát của mô hình và khả năng chống chịu trước rủi ro đuôi (tail risks).

Các hệ thống GenAI đa phương thức có thể phát hiện các điểm không nhất quán—chẳng hạn như sự chênh lệch giữa thu nhập đã khai báo, hồ sơ thuế, sao kê ngân hàng, v.v.—bằng cách đối chiếu, so sánh. Những hoạt động thủ công tốn thời gian này có thể được rút ngắn với mức độ tuân thủ tốt hơn, phát hiện các khoảng trống và cải thiện tính toàn vẹn của dữ liệu.

AI tác nhân: Điều phối các luồng quy trình tự chủ

Trong khi các hệ thống GenAI đa phương thức giúp đảm bảo tính toàn vẹn của dữ liệu, tạo và xác thực các kịch bản cực đoan, thì AI tác nhân lưới (Agentic AI mesh) lại điều phối bằng một quy trình làm việc tự chủ.

AI tác nhân tiếp tục nâng cấp quy trình đánh giá với việc ra quyết định tự chủ cho các tác vụ rời rạc. Lưới AI tác nhân, bao gồm nhiều tác nhân chuyên gia, có khả năng thực hiện đồng thời nhiều tác vụ rời rạc. Xác minh danh tính, truy xuất & xác thực tài liệu, đánh giá các chỉ số (metrics), xác thực dữ liệu từ bên ngoài, kiểm tra hồ sơ tín dụng (credit bureau checks), phân tích tâm lý đo lường (psychometric analysis), v.v.—một số ví dụ—có thể được thực hiện đồng thời bởi các tác nhân chuyên biệt. Mỗi tác nhân hoạt động với các mục tiêu xác định, các chỉ số thành công và giao thức leo thang, giúp quy trình nhanh hơn với độ chính xác tăng lên.

Lưới tác nhân này thực thi logic nghiệp vụ, gọi các mô hình dự đoán và định tuyến các hồ sơ dựa trên ngưỡng độ tin cậy, tự động hóa các luồng quy trình một cách linh hoạt. Ví dụ, các quyết định có độ tin cậy thấp hoặc các bất thường được gắn cờ sẽ tự động được chuyển sang nhà thẩm định con người-in-loop với các cảnh báo được gửi qua hệ thống nhắn tin để hành động. Đồng thời, các hệ thống tác nhân có thể chủ động theo dõi các hồ sơ, phát hiện mâu thuẫn và khởi tạo các cơ chế khắc phục. Tương tự, nếu hồ sơ tín dụng của người nộp đơn rơi vào vùng xám, hệ thống có thể tự động kích hoạt một lần rà soát thứ cấp hoặc yêu cầu thêm tài liệu, hoặc đưa con người vào vòng lặp (human-in-loop).

Điểm đáng chú ý: Một ngân hàng toàn cầu lớn gần đây đã triển khai một quy trình quản lý hồ sơ (case management) hoàn toàn tự động từ email của khách hàng—đăng ký hồ sơ, gọi các quy trình làm việc (workflows), nhắn tin kèm theo theo dõi trạng thái và trao đổi—giảm công sức và thời gian xử lý xuống còn một nửa so với trước đó.

Để nâng cấp thêm, năng lực NLP cho phép các tác nhân hội thoại với người nộp đơn theo thời gian thực, làm rõ các điểm mơ hồ, thu thập dữ liệu còn thiếu và tóm tắt các bước tiếp theo—bằng nhiều ngôn ngữ và hỗ trợ bằng giọng nói theo yêu cầu. Điều này giảm ma sát và cải thiện tỷ lệ hoàn tất, đặc biệt đối với các nhóm khách hàng ngần ngại nhưng chưa được phục vụ đầy đủ.

Kiến trúc lai: Cân bằng độ chính xác và khả năng giải thích

Các công nghệ GenAI và AI tác nhân đang thiết kế các luồng quy trình và kiến trúc—tăng hiệu quả trong khi vẫn cân bằng giữa độ chính xác và khả năng giải thích của kết quả.
Một kiến trúc lai kết hợp AI tác nhân với các mô hình GenAI giúp tăng cường sức mạnh dự đoán nhờ dữ liệu phong phú hơn và khả năng minh bạch về mặt tuân thủ quy định tốt hơn. Việc kết hợp thêm các tác nhân AI cũng làm tăng độ bền vững và khả năng thực thi tự động liền mạch.

Trong khi GenAI có thể tạo ra các lời giải thích phản thực (counterfactual)—các kịch bản “giả sử thì sao” (what-if) minh họa cách người nộp đơn có thể cải thiện khả năng đủ điều kiện vay vốn của họ—thì các hệ thống tác nhân có thể thu thập dữ liệu về kết quả, chọn lọc các trường hợp biên và khởi tạo các chu kỳ huấn luyện lại. Quy trình học tự thích nghi này với các bộ dữ liệu sạch hơn và các kịch bản biên khả dĩ sẽ cải thiện độ chính xác của quy trình đánh giá khả năng đủ điều kiện vay vốn của khách hàng.

Kêu gọi hành động: Xây dựng các hệ thống AI đáng tin cậy để đánh giá chính xác hơn

Đánh giá khả năng đủ điều kiện vay vốn là một quy trình phức tạp, ảnh hưởng đến trải nghiệm của khách hàng và mối quan hệ kinh doanh dài hạn. Một số khuyến nghị chính cần ghi nhớ khi thiết kế lại luồng quy trình là: a) Kiến trúc có con người-in-loop để cải thiện toàn bộ quá trình ra quyết định với tính truy vết và khả năng giải thích, b) Xác định và lập bản đồ đúng cách các kết quả quyết định tới các thuộc tính liên quan nhằm giải quyết các vấn đề về khả năng diễn giải và kết quả kiểm toán, c) Triển khai các hàng rào bảo vệ AI có trách nhiệm, các biện pháp bảo đảm vận hành như kiểm soát truy cập theo vai trò (role based access controls), ma trận leo thang (escalation matrix), v.v. sẽ giúp tăng độ bền vững của quy trình.

Kết luận

Quy trình ra quyết định tín dụng đang ở một điểm chuyển mình với GenAI & AI tác nhân đang định nghĩa lại các luồng quy trình kinh doanh—làm cho hệ sinh thái cho vay hiệu quả và có khả năng chống chịu hơn. Các tổ chức tài chính đầu tư vào thiết kế thấu đáo, quản trị chặt chẽ & các mô hình dữ liệu vững chắc để tự động hóa các trường hợp sử dụng có mức độ rủi ro cao sẽ dẫn dắt kỷ nguyên tiếp theo của hoạt động thẩm định tín dụng thông minh.