Trong nhiều thập kỷ qua, các ngân hàng được coi như là những người đi đầu trong lĩnh vực tự động hóa. Tuy nhiên, đến thời điểm hiện tại, cùng với sự phát triển mạnh mẽ của công nghệ số mới đã biến phần lớn các công nghệ tiên tiến một thời của ngành ngân hàng trở thành các hệ thống công nghệ cũ, góp phần tạo ra sự cản trở cho quá trình đổi mới.

Quá trình chuyển đổi số đang diễn ra mạnh mẽ với qui mô trên toàn thế giới. Các nền tảng số, công nghệ số sẽ thay thế các thế hệ công nghệ cũ để biến việc thanh toán trực tuyến hay ngân hàng di động và giao dịch thương mại điện tử… có thể được truy cập chỉ bằng một nút bấm. Tuy nhiên, trở ngại lớn nhất trong qua trình chuyển đổi số ngân hàng đòi hỏi sự cân bằng trong việc hồi sinh các công nghệ cốt lõi thường hoạt động với các hệ thống cũ và giới thiệu các công nghệ, quy trình và sản phẩm dựa trên dữ liệu mới.Tương lai của mỗi ngân hàng phụ thuộc vào mức độ nó có thể tận dụng được những công nghệ mới phù hợp, thay đổi, cải tiến qui trình kinh doanh để tập trung vào nhu cầu, mong muốn và hành vi của khách hàng. Đổi lại, ngân hàng sẽ có những khách hàng trung thành, sự tin tưởng và chính họ sẽ tạo ra các thế hệ khách hàng tiếp theo.

Thông qua lược dịch các cài liệu, bà viết có liên quan, bài viết này này sẽ điểm qua một số xu hướng công nghệ số mới giúp ngành ngân hàng có thể tái cơ cấu, chuyển đổi số và cung cấp dịch vụ số mới phù hợp với thực tiễn phát triển hiện nay.

Một số xu hướng công nghệ số mới ngành ngân hàng

1. Hồi sinh hệ thống lõi

Có một thực trạng hiện nay, hầu hết các ngân hàng không muốn thay đổi hệ thống lõi của họ. Nguyên nhân lớn đến từ nhiều trường hợp, các hệ thống cốt lõi của ngân hàng đã được sử dụng trong nhiều thập kỷ. Chúng ăn sâu vào hoạt động và đan xen với các quy trình kinh doanh quan trọng. Điều này khiến việc thay đổi chúng trở nên phức tạp và nhiều rủi ro đối với các ngân hàng

Đối mặt với sự cạnh tranh ngày càng tăng từ các công ty khởi nghiệp fintech, cùng với các công nghệ số mới, được tối ưu hóa qui trình hoạt động, cho phép tạo ra các sản phẩm và dịch vụ mới nhanh chóng để đạt được lợi nhuận tối ưu. Chính điều này đã tạo ra những áp lực lớn cho ngành ngân hàng trong việc hiện đại hóa các hệ thống cốt lõi của họ. Bên cạnh đó, khách hàng đang dần quen với những kết quả giao dịch tức thì trong nền kinh tế số đã tạo ra áp lực thay đổi ở ngân hàng của mình. Cuối cùng, đại dịch Covid-19 đã nhấn mạnh tầm quan trọng của tính linh hoạt và khả năng thích ứng với hoàn cảnh mới.

Các công nghệ số dựa trên dữ liệu như Trí tuệ nhân tạo (Artificial Intelligence - AI) và Máy học (Machine Learning - ML), Điện toán biên và lượng tử (Edge computing and quantum) mang lại nhiều cơ hội mới cho ngành ngân hàng. Nhưng, hầu hết các hệ thống cốt lõi hiện tại của các ngân hàng không tương thích với các công nghệ này. Điều này đến từ dữ liệu trong các hệ thống cốt lõi đều bị lưu trữ và không ở định dạng phù hợp để xử lý theo thời gian thực.

Do đó, rất nhiều ngân hàng đã tập trung nỗ lực đổi mới vào các sáng kiến ​​mới bên ngoài hệ thống cốt lõi của họ. Điều này cho phép họ thử nghiệm và tạo ra các dịch vụ mới mà không phải chịu gánh nặng từ các công nghệ cũ. Mặc dù những sáng kiến ​​này có thể tạo ra những giá trị nhất định tại thời điểm hiện tại, nhưng đây không phải là một chiến lược bền vững về lâu dài. Một số ngân hàng đã thiết lập các dự án đầy tham vọng nhằm thay thế toàn bộ hệ thống cốt lõi của họ bằng các hệ thống dựa trên công nghệ đám mây mới, tinh gọn. Tuy nhiên, các hệ thống cốt lõi của các ngân hàng thường là quá lớn, việc thay thế toàn bộ hệ thống cốt lõi sẽ tốn rất nhiều thời gian. Mặt khác, cùng sự phát triển và thay đổi vượt bậc của các công nghệ số mới sẽ tạo ra nguy cơ lỗi thời cho phần mềm kế thừa này trong tương lai.

Chính vì những điều này, việc xác định lại các nghiệp vụ, trường hợp kinh doanh để để định hướng, lập kế hoạch hiện đại hóa từng phần trong hệ thống lõi trở nên cấp thiết. Các công nghệ mới hiện nay cung cấp các công cụ hỗ trợ phục hồi hệ thống lõi thông qua quét, đánh giá - xem xét, định dạng lại hay loại bỏ, hoặc thay thế một số loại mã đã lỗi thời. Các công cụ khác có thể xác định các qui trình nghiệp vụ trong hệ thống lõi hiện tại và tự động sử dụng lại các qui trình đó trong các hệ thống mới. Chúng cho phép ngân hàng tiếp tục hoạt động với hệ thống lõi hiện tại trong môi trường nhanh hơn và tinh gọn hơn. Có thể nói, những công cụ này tạo ra một bước đệm, không chỉ góp phần giúp các hệ thống lõi hoạt động tốt hơn và nhanh hơn mà còn từng bước cải thiện, biến đổi theo thời gian khi tận dụng công nghệ AI và ML để tự động hóa các khía cạnh của quá trình khai thác mã, giảm thiểu rủi ro và thúc đẩy quá trình chuyển đổi số ngành ngân hàng diễn ra nhanh hơn.

Khi các hệ thống lõi được hồi sinh, với tính linh hoạt và xử lý dữ liệu theo thời gian thực sẽ tạo ra nền tảng lâu dài cho đổi mới, xác định lại - tạo ra qui trình nghiệp vụ mới để tăng cường lợi thế cạnh tranh trong tương lai.

2. Ứng dụng công nghệ mới

Hệ thống ngân hàng đã dựa vào phân tích dữ liệu trong một thời gian dài. Nhưng với công nghệ số mới như: Trí tuệ nhân tạo và Máy học – được coi là động lực chính để giải phóng tiềm năng số của ngân hàng, họ có thể đẩy mạnh phân tích dữ liệu của mình một cách triệt để và hiệu quả hơn.

Tuy nhiên, bất chấp sự tăng trưởng trong việc áp dụng Máy học, có rất ít tổ chức quản lý để nhận ra những lợi ích biến đổi rộng lớn hơn của Trí tuệ nhân tạo và Máy học. Rất nhiều dự án liên quan đến Máy học không vượt qua được giai đoạn chứng minh khái niệm. Việc thiếu kiến ​​thức chuyên môn và tính sẵn sàng của dữ liệu sản xuất, cũng như các quy trình triển khai và phát triển vẫn chưa hoàn thiện. Công nghệ Trí tuệ nhân tạo và Máy học có thể thay đổi phương thức kinh doanh, nhưng chỉ khi các tổ chức định hình lại hoạt động của bản thân và nhúng một cách có cấu trúc Trí tuệ nhân tạo và Máy học vào toàn bộ tổ chức.

MLOps: DevOps và phương pháp tiếp cận cho Học máy

Hoạt động học máy (MLOps - Machine Learning Operation) là một tập hợp các phương pháp nhằm triển khai và duy trì các mô hình học máy trong sản xuất một cách đáng tin cậy và hiệu quả. MLOps là từ ghép của “máy học” và thực tiễn phát triển liên tục của DevOps (một tập hợp các thực hành kết hợp phát triển phần mềm (Dev) và vận hành CNTT (Os) trong lĩnh vực phần mềm). Các mô hình học máy thường được thử nghiệm và phát triển trong các hệ thống thử nghiệm biệt lập. Khi một thuật toán đã sẵn sàng để khởi chạy, MLOps sẽ được các nhà khoa học dữ liệu, DevOps và kỹ sư Machine Learning kết hợp chuyển thuật toán này tích hợp – liên thông vào các hệ thống công nghệ. Tương tự với phương pháp tiếp cận của DevOps hoặc DataOps (1), MLOps tập trung vào các yêu cầu nghiệp vụ và quy định, đồng thơi tìm cách tăng cường tự động hóa và cải thiện chất lượng của các mô hình sản xuất. Mặc dù MLOps bắt đầu như một tập hợp các phương pháp hay nhất, nhưng MLOps đang dần phát triển thành một cách tiếp cận độc lập để quản lý vòng đời của Máy học. MLOps áp dụng cho toàn bộ vòng đời - từ việc tích hợp, tạo mô hình (vòng đời phát triển phần mềm , tích hợp liên tục / phân phối liên tục), điều phối và triển khai, đến các chỉ số về sức khỏe, chẩn đoán, quản trị và kinh doanh.

Theo Gartner, MLOps là một tập hợp con của ModelOps (2). MLOps tập trung vào việc vận hành các mô hình học máy, trong khi ModelOps bao gồm việc vận hành tất cả các loại mô hình trí tuệ nhân tạo.

Hình 1. Hoạt động học máy (MLOps - Machine Learning Operation)

Đối với ngành ngân hàng, MLOps làm cho quá trình chuyển hệ thống trở nên minh bạch và hiệu quả hơn thông qua cho phép trình tự tự động để tái cấu trúc, mô hình hóa, triển khai và quản lý.

Tại Hà Lan, sáng kiến mang tên TMNL nhằm mục tiêu ​​chia sẻ thông tin chung của năm ngân hàng lớn có trụ sở tại Hà Lan, bao gồm:ABN AMRO, ING, Rabobank, Triodos Bank và de Volksbank đã sử dụng MLOps làm thông lệ tiêu chuẩn. Ở đó, Trí tuệ nhân tạo và Máy học được sử dụng để phát hiên, tìm kiếm các hoạt động rửa tiền, tài trợ ngầm thông qua giám sát các giao dịch thanh toán.

Các trường hợp sử dụng khác của việc triển khai Học máy trong ngành ngân hàng bao gồm các mô hình tự động ra quyết định khi thẩm định hồ sơ vay vốn hay thế chấp của người tiêu dùng hay của một công ty. Chính điều này đã làm thời gian phản hồi các yêu cầu cho vay từ các chủ doanh nghiệp vừa và nhỏ từ vài tuần xuống giảm còn vài phút. Một ví dụ điển hình khác, với sự trợ giúp của công nghệ, các thuật toán xử lý ngôn ngữ tự nhiên và phân tích tình cảm có thể được áp dụng để giúp ngân hàng hiểu rõ hơn về hành vi của khách hàng và cung cấp các sản phẩm và dịch vụ phù hợp hơn với hồ sơ của họ…

MLOps để thúc đẩy niềm tin

Sự phát triển nhanh chóng Trí tuệ nhân tạo và Máy học đã tạo ra các mô hình Máy học trở nên dễ sử dụng hơn đối với những người không có nền tảng kỹ thuật. Nó mở ra những cơ hội mới, nhưng cũng dẫn đến nguy cơ rò rỉ dữ liệu cao hơn. Bằng cách tiêu chuẩn hóa và tự động hóa các mô hình Máy học, người dùng có thể đưa các yêu cầu về đạo đức, quy định và an ninh mạng vào hệ thống MLOps để có thể giúp giảm thiểu những rủi ro và giải quyết các thách thức về quản lý dữ liệu, nâng cao trách nhiệm giải trình, tính minh bạch, quy định và tuân thủ đạo đức.

Bên cạnh đó, theo cách đã được chuẩn hóa, MLOps cho phép các nhóm làm việc cùng nhau hiệu quả hơn và hoàn thành nhiều việc hơn. Việc tạo ra các luồng, quy trình và công cụ phát triển tự động sẽ giúp hợp lý hóa các hoạt động và phát triển mô hình Máy học. Ngoài ra, MLOps cho phép các nhóm Trí tuệ nhân tạo và Máy học thúc đẩy lòng tin thông qua gắn kết trách nhiệm giải trình và tính minh bạch, quy định và tuân thủ cũng như đạo đức.

3. Cách mạng dữ liệu - Dữ liệu lớn và phân tích nâng cao

Với tính sẵn sàng, tăng cường của Máy học và trong một số trường hợp có thể thay thế việc ra quyết định của con người đã khiến các giám đốc dữ liệu, nhà khoa học dữ liệu và CIO nhận ra rằng các cách tổ chức dữ liệu truyền thống dành cho con người sử dụng sẽ không đủ trong thời đại trí tuệ nhân tạo sắp tới. Điều này liên quan đến thành công của tương lai đã khiến ngày càng nhiều công ty công nghệ tập trung vào phá vỡ cơ bản chuỗi giá trị, tái cấu trúc quản lý dữ liệu.

Một số công ty công nghệ đã nắm bắt xu hướng này như một phần của các sáng kiến ​​Trí tuệ nhân tạo lớn hơn. Trong cuộc khảo sát State of AI in Enterprise hàng năm lần thứ ba của Deloitte, khi được yêu cầu chọn sáng kiến ​​hàng đầu để tăng lợi thế cạnh tranh của họ từ trí tuệ nhân tạo, những người trả lời đã chỉ ra “hiện đại hóa cơ sở hạ tầng dữ liệu phục vụ Trí tuệ nhân tạo” (3)

Với hàng triệu khách hàng, hệ thống ngân hàng có thể được coi là những tổ chức sử dụng nhiều dữ liệu nhất trong nền kinh tế toàn cầu. Tuy nhiên, có một đặc điểm chung của các hệ thống dữ liệu thường là kế thừa, được giữ kín và được thiết kế để hỗ trợ quá trình ra quyết định của con người. Với sự gia tăng của các công nghệ mới dựa trên dữ liệu như Đám mây, Trí tuệ nhân tạo và Học máy, các tổ chức ngân hàng đang thực hiện các bước để phá vỡ chuỗi giá trị quản lý dữ liệu từ đầu đến cuối. Tăng cường sử dụng khả năng thu thập dữ liệu mới, sử dụng kiến trúc dữ liệu phân tán, phân tích nâng cao và lưu trữ dữ liệu dựa trên đám mây sẽ cho phép hệ thống được liên thông, kết nối và có thể tự động các quyết định theo thời gian thực và phù hợp với mục tiêu, quy mô phát triển.

Câu trả lời để hiểu những gì khách hàng muốn và cần được nằm trong khối lượng dữ liệu trên các kênh khác nhau của ngân hàng. Dữ liệu có thể được thu thập từ những nguồn như: thanh toán trực tuyến và di động, rút tiền tại ATM, sử dụng các kênh ngân hàng số (ứng dụng ngân hàng di động, ngân hàng internet, ví điện tử), thiết bị IoT, dữ liệu khách hàng được thu thập cho xác minh danh tính, xác thực sinh trắc học… Thông qua phân tích dữ liệu, các ngân hàng mới có thể thực sự lắng nghe khách hàng và tạo ra các dịch vụ tài chính cá nhân hóa mang lại lợi ích cho họ.

Hình 2. Một số nguồn dữ liệu của ngân hàng

Những hiểu biết sâu sắc về dữ liệu cho phép cá nhân hóa nhiều hơn, cho phép các ngân hàng cung cấp các sản phẩm phù hợp cho người tiêu dùng cá nhân.

• Dữ liệu cung cấp cơ hội để tiên lượng kết quả - rủi ro của hệ thống hay xu hướng của khách hàng trong tương lai thông qua các mô hình dự báo liên quan...
• Dữ liệu kết hợp với tự động hóa làm giảm thời gian, chi phí hoạt động và rủi ro liên quan.
• Thông tin chi tiết về dữ liệu cải thiện hiệu quả kinh doanh và tiếp thị, đồng thời hỗ trợ sự phát triển của các sản phẩm tài chính đổi mới sáng tạo.
• Ngân hàng dựa trên dữ liệu có khả năng đưa ra quyết định thành công và chiến lược phát triển đúng đắn trong thời đại số hóa hiện nay. (Còn tiếp phần 2)                                                                         

Lê Việt Hưng     

Tài liệu tham khảo:

https://en.wikipedia.org/wiki/MLOps

https://www.databricks.com/glossary/mlops#:~:text=What%20is%20MLOps%3F,then%20maintaining%20and%20monitoring%20them.

https://www.eastnets.com/newsroom/digital-transformation-in-the-banking-and-financial-services-sector

https://www.insiderintelligence.com/insights/digital-banking-trends/

https://ieeexplore.ieee.org/document/9478244