Diễn biến từ 2017 và động lực áp dụng
- Từ báo cáo FSB 2017: big data, năng lực tính toán, deep learning, GenAI phát triển mạnh; ChatGPT (11/2022) là chất xúc tác.
- Use case trải rộng: vận hành (model risk management, tối ưu vốn), khách hàng (tương tác tự động, thẩm định tín dụng), quản lý danh mục, giao dịch, SupTech, RegTech.
- Phía cung là động lực mạnh hơn phía cầu.
- Phía cung, công nghệ: embeddings xử lý dữ liệu phi cấu trúc; Transformer làm nền cho LLM và GenAI; GPU và năng lực tính toán rẻ hơn. Điểm nghẽn: thiếu nhân lực.
- Transformer: attention mechanism tập trung vào phần liên quan nhất; positional encoding ghi thứ tự từ; feed-forward dự đoán từ tiếp theo; xử lý song song.
- Phía cung, dữ liệu: kênh số và dữ liệu phi cấu trúc tăng; có thể thiếu dữ liệu thật chất lượng cao, cần synthetic data.
- Phía cung, mô hình kinh doanh: cloud và mô hình huấn luyện sẵn; xu hướng chuyển sang mã nguồn mở.
- Phía cầu: lợi nhuận (doanh thu, giảm chi phí, quản lý rủi ro), cạnh tranh, quy định.
Use case
- Bảy tác vụ: personalization, event detection, recognition (phân loại có giám sát), interaction support, knowledge-based reasoning, forecasting (dự báo từ dữ liệu lịch sử), goal-driven optimization.
- Thiếu dữ liệu đo mức áp dụng; cạnh tranh tạo khoảng cách giữa mức dùng cảm nhận và thực tế.
- Ngành: khách hàng (tín dụng, marketing, phân công tư vấn, bảo hiểm, chatbot LLM); vận hành (MRM, tối ưu vốn, code, tác động giá, nội dung, truy xuất, code cũ, chuyển giọng nói); giao dịch và danh mục (reinforcement learning khớp lệnh, market sentiment); tuân thủ (RegTech: gian lận, AML, CFT, trừng phạt, TBML, báo cáo tội phạm tài chính).
- SupTech: thu thập thông tin, thống kê, giám sát thanh toán, dữ liệu thay thế, phân tích thời gian thực, LLM cho nghiên cứu, soạn báo cáo thanh tra, thông báo lỗi tùy chỉnh; tương lai mô phỏng stress test và bank run.
Ổn định tài chính
- Bốn diễn biến nền: tích hợp sâu; dữ liệu huấn luyện mờ, phi cấu trúc; phụ thuộc phần cứng và hạ tầng; đột phá GenAI và LLM.
- Hai khó khăn của cơ quan quản lý: thiếu dữ liệu về việc dùng AI; bất định do đổi mới nhanh.
- Phụ thuộc bên thứ ba: ít nhà cung cấp cloud và chip, tích hợp dọc, hợp nhất dữ liệu. Tập trung tăng do chi phí, tích hợp dọc, nghẽn GPU, hành vi đầu tư, multimodality; cạnh tranh nhờ phần cứng, mã nguồn mở, đổi mới kiến trúc, mô hình chuyên biệt. Quản lý: đánh giá định kỳ, danh mục nhà cung cấp, giám sát và thẩm định liên tục.
- Tương quan: ít lựa chọn mô hình, hành vi bầy đàn, network externalities, thiếu minh bạch → flash crash, biến động, thiếu thanh khoản. Cao khi dùng cho quản lý rủi ro, đầu tư, nền ứng dụng mới; thấp khi dùng nội bộ. Giảm thiểu: circuit breaker, minh bạch, giám sát.
- Cyber: GenAI hạ rào cản cho kẻ tấn công; prompt injection rút thông tin; model/data poisoning chỉnh trọng số hoặc dữ liệu. Kẻ xấu lợi hơn trong ngắn hạn.
- Model risk: khó thẩm định khi khủng hoảng, giảm explainability, hallucination, khó đo tỷ lệ lỗi; xử lý trong khung quản lý rủi ro hiện có.
- Điểm yếu khác: gian lận (deepfake, tạo dễ hơn phát hiện), thông tin sai lệch, misalignment (cấu kết, tung tin gây rút tiền).
- Dài hạn: nhu cầu dữ liệu và tính toán, sân chơi không bằng phẳng, lãi suất, lạm phát, lao động kỹ năng cao; năng lượng AI khoảng 1% toàn cầu và tăng.
- Ưu tiên FSB: lấp khoảng trống dữ liệu; đánh giá khung hiện hành; nâng năng lực giám sát.