Vượt qua sự phân mảnh dữ liệu và giới hạn của AI trong lợi nhuận giao dịch

Tại một phiên chuyên đề của FF News Virtual Arena, các chuyên gia trong ngành đã tập hợp để thảo luận về một điểm tắc nghẽn quan trọng trong hoạt động ngân hàng: cách phân mảnh dữ liệu và kiến trúc hệ thống cũ trực tiếp khiến các tổ chức tài chính mất lợi nhuận trong các luồng giao dịch của họ.

Cuộc thảo luận có sự tham gia của:

• Ian Horne, Người dẫn chương trình tại FF News

• Mariia Komissarova, Trưởng bộ phận Kinh doanh Bán lẻ Dữ liệu và AI tại Raiffeisen Bank International

• Breno Alves De Oliveira, Giám đốc Sản phẩm tại PAYABL

• Kirill Lisitsyn, Đồng sáng lập và CEO tại Torus

Nhóm thảo luận đã khám phá các chi phí vận hành ẩn của các bộ sưu tập dữ liệu chưa được sử dụng, giới hạn của trí tuệ nhân tạo phi tất định, và các chiến lược mà các tổ chức tài chính phải triển khai để biến dữ liệu thô thành nền tảng cốt lõi cho sự tồn tại trên thị trường.

Gốc rễ của tình trạng rò rỉ lợi nhuận: Rào cản từ hệ thống cũ và dữ liệu có cấu trúc

Đối với các tổ chức tài chính nhiều thế hệ trên thị trường, chẳng hạn như Raiffeisen Bank International, cơ sở hạ tầng cũ nổi bật như một rào cản nội bộ chính đối với việc tối ưu hóa. Mariia Komissarova giải thích rằng thách thức cốt lõi khiến các ngân hàng mất lợi nhuận trong luồng giao dịch về cơ bản là một vấn đề dữ liệu.

Bởi vì các ứng dụng ngân hàng lịch sử hoạt động trong các kho riêng biệt, việc thu thập và cấu trúc dữ liệu giao dịch doanh nghiệp theo định dạng minh bạch, có tổ chức là vô cùng khó khăn. Không có khung cấu trúc, việc tính toán lợi nhuận chính xác của một giao dịch tài chính riêng lẻ gần như là không thể.

Sự cố này xuất phát từ quản trị dữ liệu lịch sử và thiếu triển khai khung hiện đại. Các mô hình tổ chức tiên tiến, chẳng hạn như khái niệm "data mesh", đã xuất hiện trên thị trường nhưng vẫn còn phân bổ kém trong các doanh nghiệp ngân hàng lớn.

Khi lĩnh vực tài chính toàn cầu điều hướng các chuyển đổi AI toàn diện trong xác minh danh tính và xử lý giao dịch, việc giải quyết lớp dữ liệu này không còn là xa xỉ. Việc thiết lập nền tảng dữ liệu sạch đã trở thành yêu cầu tuyệt đối cho sự tồn tại lâu dài của doanh nghiệp.

Lưới chi phí ẩn của việc tiếp nhận dữ liệu hàng loạt

Một cạm bẫy phổ biến đối với các tổ chức có hệ thống cũ là giả định rằng việc thu thập khối lượng dữ liệu lớn hơn tự nhiên mang lại giá trị kinh doanh cao hơn. Năm đến bảy năm trước, các sách lược công nghiệp truyền thống tập trung vào việc thu thập càng nhiều điểm dữ liệu đa dạng càng tốt, bao gồm cả việc đưa dữ liệu từ các mạng xã hội vào máy chủ doanh nghiệp.

Hệ sinh thái giao dịch hiện đại đã vượt qua tư duy này. Các tổ chức tài chính đang nhận thấy rằng chỉ riêng việc lưu trữ và duy trì lượng thông tin phi cấu trúc khổng lồ đã gây ra chi phí máy chủ và kỹ thuật dữ liệu rất lớn.

"Lượng dữ liệu này, lượng dữ liệu lớn để thu thập và lưu trữ chúng, khá tốn kém và nếu bạn không tận dụng được nó, bạn cũng bắt đầu thua trong cuộc chơi định giá này…"

Khi một công ty phát sinh chi phí lưu trữ vận hành nặng mà không chủ động khai thác giá trị thương mại từ dữ liệu đó, họ sẽ tụt hậu trong cuộc cạnh tranh định giá. Họ không thể cung cấp mức giá tối ưu cho các đối tác thương nhân vì chi phí cơ sở hạ tầng cơ bản bị thổi phồng một cách giả tạo.

Như Kirill Lisitsyn nhấn mạnh, chiến lược dữ liệu hiện đại phải tập trung vào việc khai thác giá trị thực từ các tài sản dữ liệu hiện có trước tiên. Chỉ khi một trường hợp sử dụng kinh doanh rõ ràng được thiết lập, một tổ chức mới nên đầu tư vốn để có thêm các luồng dữ liệu, từ đó tránh được những rào cản vận hành không cần thiết và tích lũy chi phí.

Bẫy phi tất định: Tại sao LLM không thể sửa chữa dữ liệu xấu

Khi các tổ chức nỗ lực thống nhất các hệ thống cũ sử dụng các ngôn ngữ phần mềm hoàn toàn khác nhau và các định dạng dữ liệu không được chuẩn hóa, nhiều tổ chức chuyển sang Trí tuệ Nhân tạo và Mô hình Ngôn ngữ Lớn (LLM) để tự động hóa mã và chuyển đổi dữ liệu. Breno Alves De Oliveira lưu ý rằng các công ty fintech xuất sắc trong việc tiếp nhận dữ liệu phức tạp và tổ chức lại thành các định dạng dễ tiêu hóa, một quá trình được tăng tốc mạnh mẽ bởi các công cụ AI.

Tuy nhiên, Komissarova đã đưa ra cảnh báo kỹ thuật mạnh mẽ về việc quá phụ thuộc vào các thuật toán sinh tạo cho cơ sở hạ tầng giao dịch cốt lõi. LLM vốn mang tính phi tất định, nghĩa là đầu ra của chúng dựa trên xác suất chứ không phải tuyệt đối, khiến chúng phải đối mặt với rủi ro hệ thống của các ảo giác thuật toán.

Trong thế giới giao dịch, nơi các lỗi trực tiếp tác động đến sổ cái tài chính, việc giảm độ chính xác xuống dưới mức tuyệt đối là không thể chấp nhận được. Đưa dữ liệu không chính xác hoặc phi cấu trúc vào LLM làm tăng đáng kể khả năng tạo ra các tính toán sai, có thể gây thiệt hại cho các tổ chức tài chính hàng triệu đô la.

Nhóm thảo luận đồng ý rằng không có giải pháp công nghệ nào là hoàn hảo; các công ty không thể chỉ đơn giản đưa các tập dữ liệu lộn xộn vào một mô hình sinh tạo và kỳ vọng logic kinh doanh hoàn hảo. Xây dựng một lớp dữ liệu đáng tin cậy đòi hỏi đầu tư có kỷ luật về thời gian và vốn, cùng với các chuyên gia nội bộ có kỹ năng có thể cấu trúc đường dẫn dữ liệu một cách chính xác.

Cân bằng phương trình: Lõi hybrid tất định

Để nắm bắt an toàn tốc độ của AI hiện đại mà không hy sinh độ chính xác tài chính tuyệt đối, các thành viên trong nhóm đã đề xuất một kiến trúc cấu trúc hybrid. Mô hình này cân bằng các công cụ xử lý tất định với các giao diện ngôn ngữ linh hoạt để giảm tải quy trình làm việc cho người dùng cuối:

• Nền tảng tất định: Lớp dữ liệu cốt lõi phải luôn nghiêm ngặt theo tính tất định. Các nền tảng trí tuệ chuyên biệt, chẳng hạn như Torus, cố tình xây dựng logic backend của họ để tập trung vào độ chính xác toán học tuyệt đối thay vì mô hình "xác suất 80%", đảm bảo rằng phí sơ đồ và hồ sơ giao dịch được đối soát hoàn hảo.

• Giao diện hội thoại: Sau khi đã thiết lập được nền tảng tính toàn vẹn dữ liệu đã được xác minh, các tổ chức có thể xếp lớp LLM lên trên để diễn giải dữ liệu, đơn giản hóa các tương tác người dùng và tăng tốc các nhiệm vụ phân tích.

Nền tảng có cấu trúc này cho phép các tổ chức tận dụng các khái niệm như data lake để xây dựng và kiểm tra các giả thuyết thương mại. Trong lịch sử, việc khám phá một xu hướng xử lý hoặc đánh giá một biến định giá đòi hỏi các truy vấn cơ sở dữ liệu thủ công khổng lồ.

Với một lõi hybrid thống nhất, các nhóm sản phẩm có thể nhanh chóng kiểm tra các giả thuyết để đánh giá xác suất thành công của chúng. Cuối cùng, khung này cho phép các ngân hàng phân tích đồng thời số liệu thống kê nội bộ, bối cảnh đối thủ cạnh tranh và những thay đổi thị trường vĩ mô. Cách tiếp cận dựa trên dữ liệu này hướng dẫn các điều chỉnh có mục tiêu trên các luồng chuyển đổi, định tuyến giao dịch và trải nghiệm sản phẩm, biến các khoản đầu tư vốn cần thiết thành các động lực có thể dự đoán được cho lợi nhuận doanh nghiệp.

Những điểm nổi bật chính từ phiên thảo luận Virtual Arena:

• Nút thắt cổ chai cấu trúc dữ liệu: Việc thu thập dữ liệu trên các hệ thống cũ sử dụng các định dạng khác nhau khiến việc theo dõi lợi nhuận giao dịch chính xác trở nên rất phức tạp.

• Chi phí cao của tình trạng dữ liệu trì trệ: Lưu trữ lượng lớn dữ liệu mà không có các trường hợp sử dụng rõ ràng làm tăng chi phí vận hành, khiến các ngân hàng kém cạnh tranh hơn trong việc định giá cho thương nhân.

• Giá trị hơn khối lượng: Trí tuệ dữ liệu hiện đại ưu tiên khai thác tối đa tiện ích từ các tài sản hiện có trước khi mua các luồng dữ liệu bên ngoài.

• Nguy hiểm của AI phi tất định: Vì các mô hình AI sinh tạo dựa trên xác suất, việc sử dụng chúng trên dữ liệu cốt lõi phi cấu trúc có nguy cơ gây ra lỗi tính toán tài chính.

• Bản thiết kế hệ thống hybrid: Các kiến trúc thành công kết hợp lớp dữ liệu tất định chính xác 100% với các công cụ LLM hội thoại ở trên để người dùng diễn giải.

• Đổi mới dựa trên giả thuyết: Tái cấu trúc các khung dữ liệu cốt lõi cho phép các nhóm nhanh chóng xác nhận các thay đổi xử lý, giảm thiểu rủi ro đầu tư vốn.

Bài viết Vượt qua phân mảnh dữ liệu và giới hạn của AI trong lợi nhuận giao dịch xuất hiện đầu tiên trên FF News | Fintech Finance.