Công nghệ tài chính và AI thúc đẩy làn sóng đổi mới tiếp theo

Anna Schoff – Tốt nghiệp Thạc sĩ về Nói và NLP với chuyên môn về học sâu, khoa học dữ liệu và máy học. Các nghiên cứu của cô bao gồm 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 tính toán, AI, và nghiên cứu NLP qua cả học thuật và 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 các 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 học giả tiến sĩ tại XLRI, ông tập trung vào tác động của AI đối với hệ thống tài chính và bền vững.

Khám phá các tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin hàng tuần của FinTech

Được đọc bởi các giám đốc điều hành 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 phát triển có thể chậm hơn so với các ứng dụng khác do độ phức tạp của vấn đề.

AI có thể nhận diện các mẫu và bất thường mà con người thường bỏ lỡ nhờ khả năng tiêu thụ 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 con người qua khả năng xử lý nhiều chi tiết với khối lượng lớn, 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 chúng đã tiến bộ từ Hệ Thống Chuyên Gia và 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 dùng trong AI Sinh Tạo. Các tiến bộ phần cứng đã làm điều này khả thi, và chắc chắn còn nhiều điều nữa sẽ đến.

Vào những năm 1990, chúng ta đã biết rằng thiếu kiến thức chung trong các hệ thống AI là một yếu tố hạn chế đáng kể, và giờ đây chúng ta 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 những người thần đồng ngớ ngẩn – có khả năng làm tốt một nhiệm vụ rất cụ thể, nhưng vô dụng cho các nhiệm vụ khác.

Dù vậy, chúng đã và vẫn có thể mang lại giá trị cho các nhiệm vụ đặc thù của mình 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.

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

Trong trạng thái hiện tại của công nghệ, các mô hình dùng cho NLP tiêu tốn chi phí tính toán rất cao (tiêu tốn rất nhiều tiền điện), 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% và chỉ cần bữa trưa. Chúng ta nên sử dụng nguồn lực phù hợp vào thời điểm phù hợp.

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

Tư vấn Quản lý Tài sản Hỗ trợ Bởi AI

Hãy xem quản lý tài sản như một 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 một cuộc trò chuyện. Không có gì thay thế được những người biết họ đang làm gì. AI nên hỗ trợ chứ không nên điều khiển.

Phân tích Danh mục Đầu tư

Nếu khách hàng 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 nào? 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 đưa ra 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 hoạt động tốt hoặc kém. Điều này có thể được xem như một vấn đề dự đoán, trong đó xu hướng có thể dự đoán được, hoặc như một vấn đề 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 cân nhắc về Môi trường, Xã hội, và Quản trị (ESG) cũng có thể ảnh hưởng đến kết quả. Chúng có thể đã được đưa vào làm dữ liệu đầu vào cho mô hình AI dùng để phân tích. Cố vấn và khách hàng sẽ cần thảo luận về các yếu tố cụ thể để đưa vào mô hình danh mục.

Kiến trúc Mô phỏng

Một hình dung mô phỏng có thể trông 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 những gì chúng ta mô tả dưới đây, nhưng chúng tôi nghĩ phân chia nhiệm vụ là một cách tiếp cận tốt hơn.

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

Trong sơ đồ, chúng ta giả định rằng sẽ có các mô hình AI sinh tạo dự đoán phục vụ như các hệ thống tư vấn cho các mô hình AI mục đích cụ thể 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 dữ liệu từ 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 dữ liệu 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 giữ một 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 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 và lưu trong hồ dữ liệu như đầu vào cho phân tích.

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

Trợ lý Danh mục sẽ phản hồi cố vấn bằng cách sử dụng 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 có khả năng vượt xa các công nghệ trước đây trong lĩnh vực này, nhưng chúng vẫn chưa đủ khả năng vượt qua Bài kiểm tra Turing.

Bài kiểm tra Turing yêu cầu một con người không thể phân biệt được máy với người qua các câu trả lời đặt ra cho cả hai. Các máy 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 chỉ 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 các giao dịch vào năm 2025. Thêm NLP vào các ứng dụng hướng tới khách hàng thường là bước khởi đầu của một công ty. Các hệ thống AI khác tập trung vào tự động hóa các nhiệm vụ phổ biến. Điều này đã thành công rất lớn trong các ứng dụng Chuỗi Cung Ứng.

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 hơn và các hành vi phức tạp do phần lớn bị chi phối bởi các con số thị trường, quy định, và phản ứng cảm xúc của các thành viên tham gia.

Một phần trong số này có thể được nắm bắt bằng thống kê để giảm thiểu rủi ro, nhưng dự đoán thị trường tài chính rơi vào loại các 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 cho một ví dụ tài chính.

Chúng ta sẽ xem tương lai sẽ ra sao.