[Podcast] Ứng Dụng Công Nghệ Trí Tuệ Nhân Tạo Trong Dịch Vụ Tài Chính Việt Nam – Phần 2: Các Kiến Nghị Chính Sách

26 Tháng Tám, 2022

Công nghệ trí tuệ nhân tạo (AI) đang ngày càng được ứng dụng rộng rãi trên toàn cầu và thực sự mang đến những thay đổi cốt lõi trong một số ngành công nghiệp, trong đó, phải kể đến dịch vụ tài chính. Trong xu hướng phát triển nay, thì tại Việt Nam, việc ứng dụng công nghệ AI vào các lĩnh vực dịch vụ quản lý tài sản, quản lý rủi ro và tư vấn tài chính hiện vẫn còn rất hạn chế. Thông qua các xu hướng ứng dụng công nghệ AI vào ngành Tài chính – Ngân hàng ở Việt Nam đã phân tích ở phần 1, trong phần 2 bài viết này sẽ đưa ra các kiến nghị chính sách nhằm phát triển công nghệ AI tại thị trường tài chính Việt Nam hiện nay.

Những rủi ro và thách thức về Trí tuệ nhân tạo trong lĩnh vực Tài chính

Mặc dù nhiều nghiên cứu về AI trong quản trị và tài chính nêu bật những ưu điểm và lợi ích của công nghệ này đối với các ứng dụng khác nhau, người dùng AI cũng nên nhận thức được một số rủi ro và nhược điểm của nó đối với việc quản lý tài sản tài chính. Những vấn đề tiêu cực tiềm ẩn này thường liên quan đến độ phức tạp, độ mờ và sự phụ thuộc vào tính toàn vẹn của dữ liệu (Hình 3).

Việc hiểu và giải thích các suy luận được thực hiện bởi hầu hết các mô hình AI là rất khó, nếu không muốn nói là không thể. Khi mức độ phức tạp của nhiệm vụ hoặc thuật toán ngày càng tăng, độ mờ này có thể khiến sự giám sát của con người trở nên kém hiệu quả, do đó trở thành một vấn đề quan trọng, có thể gây ra hậu quả cho người quản lý tài sản theo 03 cách.

Đầu tiên, khó khăn trong việc dự đoán cách các mô hình AI sẽ phản ứng với những bất ngờ lớn hoặc các sự kiện “thiên nga đen” như dịch bệnh Covid-19 có thể dẫn đến sự cố có hệ thống. Ngay cả khi không có các sự kiện lớn bất thường, các thuật toán AI có thể mắc cùng một lúc các lỗi giống nhau, dẫn đến nguy cơ sụp đổ thị trường. Vì chi phí đáng kể cho việc sản xuất các thuật toán AI đã khiến hầu hết các công ty quản lý tài sản sử dụng các công cụ và thuật toán giống nhau. Do đó, các rủi ro mang tính hệ thống do AI có thể xảy ra nhiều hơn và với mức độ nghiêm trọng hơn so với việc sử dụng những thuật toán truyền thống trước đây. Điều khiến AI trở nên rủi ro là độ phức tạp và tính không rõ ràng của nó làm người dùng rất khó khăn để ngăn những rủi ro như vậy.

Hình 1: Những thách thức và rủi ro của việc sử dụng AI trong tài chính. Nguồn: Tác giả

Thứ hai, AI có thể đưa ra các quyết định sai lầm dựa trên các ước lượng không chính xác khi dữ liệu xuất hiện hiện tượng nhiễu hoặc có các mẫu hình không liên quan trong dữ liệu. Do đó, trong những trường hợp quỹ đầu tư hoạt động kém hiệu quả, việc giải thích cho nhà đầu tư về cách thức và lý do chiến lược đầu tư thất bại có thể khó khăn, điều này có thể làm suy giảm lòng tin của nhà đầu tư đối với quỹ hoặc thậm chí vào ngành. Hơn nữa, đặc điểm “hộp đen” (black box) của nhiều hệ thống AI đặt ra vấn đề về trách nhiệm và khiến các vấn đề về pháp lý và tuân thủ trở nên khó khăn hơn.

Chất lượng dữ liệu cũng là một rủi ro đáng kể khi sử dụng AI trong lĩnh vực tài chính. Giống như các mô hình thực nghiệm khác, các mô hình AI dựa trên tính chính xác và đầy đủ của dữ liệu. Chất lượng dữ liệu kém có thể dễ dàng tạo ra những tín hiệu sai lệch như một thuật ngũ được sử dụng rất phổ biến miêu tả về hiện tượng này “rác vào, rác ra” (garbage in, garbage out).

Ngoài ra, một số nhà nghiên cứu cho rằng dữ liệu quá khứ nói chung có thể không đại diện đầy đủ cho những hiện tượng có thể xảy ra trong tương lai. Thiếu sót này có thể trở nên nghiêm trọng khi chuỗi dữ liệu tài chính bỏ lỡ một số sự kiện cực đoan quan trọng trong quá khứ, làm tăng khả năng các mô hình AI sẽ thất bại trong dự báo khi các sự kiện cực đoan xảy ra, ví dụ: khủng hoảng tài chính hoặc dịch bệnh. Ở một khía cạnh khác, sự hiện diện ngày càng tăng của AI trong ngành đầu tư tài chính và sự phụ thuộc của các nhà quản lý tài sản vào AI cho các nhiệm vụ hàng ngày có thể làm tăng thêm rủi ro an ninh mạng của các nhà quản lý tài sản.

Một số kiến nghị nhằm nâng cao việc sử dụng AI trong lĩnh vực tài chính

Dựa trên những phân tích, nhóm tác giả đã đưa ra những đề xuất kiến nghị nhằm nâng cao việc sử dụng AI trong lĩnh vực tài chính.

Thứ nhất, chính Phủ Việt Nam đã rất kịp thời khi đưa ra các chính sách mang tính mở đường khai phá và tạo điều kiện cho sự phát triển của công nghệ AI trong hiện tại và tương lai. Tuy nhiên, khung pháp lý về triển khai cơ chế quản lý thử nghiệm dịch vụ tài chính – ngân hàng trên nền tảng công nghệ (regulatory sandbox) nên được triển khai nhanh nhất có thể để đáp ứng được nhu cầu sáng tạo và đổi mới sử dụng các công nghệ AI trong lĩnh vực dịch vụ tài chính.

Thứ hai, lý do lớn nhất cho sự hạn chế này có thể kể đến việc chất lượng dữ liệu cả về chất và lượng ở Việt Nam về lĩnh vực tài chính vẫn còn chưa đảm bảo. Để có thể thúc đẩy việc ứng dụng AI rộng rãi hơn trong lĩnh vực tài chính, việc chuẩn hóa các báo cáo tài chính và thúc đẩy việc công bố các thông tin tài chính và hoạt động kinh doanh của doanh nghiệp là việc cần phải được triển khai trước khi có thể nghĩ đến việc ứng dụng các công nghệ AI.

Thứ ba, với lợi thế về dữ liệu của mình, các cơ quan Nhà nước về hoạch định chính sách có thể từng bước triển khai việc áp dụng AI để dự báo và phân tích các dữ liệu về kinh tế vĩ mô và ngành tài chính liên quan. Đặc biệt, có thể sử dụng AI như là một công cụ cảnh báo các biến động mạnh trong nền kinh tế vĩ mô để có thể kịp thời ban hành các chính sách đối phó thích hợp.

Thứ tư, sử dụng công nghệ AI đảm bảo việc tuân thủ các quy định của ngành và các quy định của pháp luật, hay còn gọi là Regulatory Technology (RegTech) cũng cần được quan tâm và phổ biến rộng rãi trong ngành tài chính và các ngành liên quan.

Cuối cùng, vì là một nền kinh tế mới nổi, việc sử dụng công nghệ AI sẽ gặp một rào cản lớn về mặt tâm lý của người sử dụng. Vì thế, vai trò đầu tàu của các doanh nghiệp lớn trong ngành tài chính, đặc biệt là các định chế tài chính lớn ở Việt Nam, phải là người tiên phong trong việc đổi mới về công nghệ và ứng dụng AI vào nhiều hơn các sản phẩm/dịch vụ của mình.

Chính sách phát triển nguồn nhân lực và cơ sở hạ tầng kỹ thuật

Bên cạnh đó, là những chính sách phát triển nguồn nhân lực và cơ sở hạ tầng kỹ thuật như:

Thứ nhất, thay đổi tư duy đào tạo tại các cơ sở giáo dục đại học và sau đại học là rất quan trọng. Không chỉ nằm ở việc hợp tác với các tổ chức kinh tế và các định chế tài chính để tạo ra nguồn nhân lực tức thời đáp ứng nhu cầu khan hiếm tạm thời, các trường đại học ở các lĩnh vực khác nhau (khoa học tự nhiên, khoa học xã hội) cần liên kết với nhau nhằm tạo ra các chương trình đào tạo kết hợp các kiến thức và kỹ năng cần thiết cho nguồn nhân lực chuyên biệt cho lĩnh vực kinh tế số ở Việt Nam. Để có thể hiện thực hóa chính sách này, vai trò lãnh đạo của Bộ giáo dục đào tạo, cơ quan đầu não định hướng chính sách đào tạo về mặt vĩ mô, cần phải được thể hiện.

Thứ hai, đẩy mạnh việc hợp tác giữa các định chế tài chính – ngân hàng là người sử dụng đầu ra cuối cùng và các doanh nghiệp chuyên biệt cung cấp các cơ sở hạ tầng kỹ thuật và dịch vụ công nghệ cao. Không chỉ dừng lại ở việc hợp tác mà việc tạo ra một hệ sinh thái các doanh nghiệp chuyên cung cấp các dịch vụ và công nghệ trong lĩnh vực AI là điều rất cần thiết. Sự thành công trong việc ứng dụng công nghệ vào lĩnh vực thanh toán qua sự hợp tác giữa các doanh nghiệp chuyên về công nghệ thanh toán và các định chế tài chính như ngân hàng là một ví dụ điển hình và nên được khai thác để học hỏi các bài học thành công và thất bại.

Thứ ba, vai trò của các cơ quan quản lý nhà nước về lĩnh vực tài chính ngân hàng trong việc tạo ra môi trường mang tính hỗ trợ cho việc phát triển các công nghệ AI trong lĩnh vực đầu tư. Hiện tại, chưa có bất kỳ một cơ quan chính phủ nào về lĩnh vực tài chính đi đầu trong việc ứng dụng công nghệ AI vào việc quản lý chính sách và điều hành kinh tế vĩ mô trong khi các cơ quan nhà nước là nơi có đầy đủ nguồn lực nhất trong việc phát triển cơ sở hạ tầng và công nghệ AI. Điều này tạo ra một lỗ hổng lớn trong việc phổ biến và tạo ra tiền lệ tốt về việc ứng dụng và sử dụng công nghệ AI cho khu vực tư nhân cũng như tạo niềm tin cho người tiêu dùng. Xu hướng hiện nay, các cơ quan nhà nước ở các nước phát triển cũng đã và đang xem xét việc ứng dụng công nghệ AI sâu rộng hơn trong các lĩnh vực quản lý nhà nước của mình. Các cơ quan quản lý nhà nước ở Việt Nam nên xem xét đầu tư trong thời gian sớm nhất. Một chiến lược đầu tư bài bản với nguồn lực dồi dào từ các cơ quan nhà nước sẽ tạo một “cú hích” trong việc phát triển cơ sở hạ tầng kỹ thuật và sự phổ biến của lĩnh vực AI nói chung và trong lĩnh vực đầu tư tài chính nói riêng.

Để phát triển một ứng dụng AI hữu ích không nhất thiết phải đòi hỏi quá nhiều nguồn lực về tài chính và hệ thống kỹ thuật công nghệ. Một hệ thống kỹ thuật công nghệ ở mức phổ biến hiện nay cùng với việc các ngôn ngữ lập trình hiện nay đã có những mã nguồn mở cho các ứng dụng học máy và cộng đồng các lập trình viên phát triển các ứng dụng AI hiện nay rất tích cực, việc tiếp cận các kỹ thuật học máy hiện nay không còn nằm quá tầm tay của các doanh nghiệp và cá nhân ở Việt Nam. Khó khăn lớn nhất nằm ở việc thu thập và xử lý dữ liệu tài chính ở Việt Nam vì dữ liệu đang được lưu trữ chưa đồng bộ và chất lượng dữ liệu (tính đầy đủ toàn ven) chưa được đảm bảo tối ưu nhất. Tuy nhiên, mức hiệu quả trên trung bình của các kỹ thuật học máy đơn giản này nói lên tiềm năng rất lớn của việc ứng dụng AI vào lĩnh vực đầu tư tài chính ngay trong hiện tại và tương lai gần.

Xem toàn bộ bài nghiên cứu ỨNG DỤNG CÔNG NGHỆ TRÍ TUỆ NHÂN TẠO TRONG DỊCH VỤ TÀI CHÍNH TẠI THỊ TRƯỜNG TÀI CHÍNH VIỆT NAM tại đây. Nhóm tác giả: TS. Ngô Minh Vũ, TS. Nguyễn Hữu Huân – Khoa Ngân Hàng, Trường Kinh doanh UEH.

Đây là bài viết nằm trong Chuỗi bài lan tỏa nghiên cứu và kiến thức ứng dụng từ UEH với thông điệp “Research Contribution For All – Nghiên Cứu Vì Cộng Đồng”, UEH trân trọng kính mời Quý độc giả đón xem Bản tin kiến thức KINH TẾ SỐ #57.

Tin, ảnh: Nhóm tác giả, Phòng Marketing – Truyền thông UEH

Giọng đọc: Ngọc Quí

Tài liệu tham khảo

Avramov, D., Cheng, S., & Metzker, L. (2020). Machine learning versus economic restrictions: Evidence from stock return predictability. Available at SSRN 3450322. https://ssrn.com/abstract=3450322
Bew, D., Harvey, C. R., Ledford, A., Radnor, S., & Sinclair, A. (2019). Modeling analysts’ recommendations via Bayesian machine learning. The Journal of Financial Data Science, 1(1), 75-98.
Financial Stability Board (2017). Artificial Intelligence and Machine Learning in Financial Services. http://www.fsb.org/2017/11/artifcial-intelligence-andmachine-learning-in-fnancial-service.
Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223-2273.
Patel, K., & Lincoln, M. (2019). It’s not magic: Weighing the risks of AI in financial services. London: Centre for the Study of Financial Innovation. http://www.csf.org/s/Magic_10-19_v12_Proof.pdf.
Rasekhschaffe, K. C., & Jones, R. C. (2019). Machine learning for stock selection. Financial Analysts Journal, 75(3), 70-88. https://doi.org/10.1080/0015198X.2019.1596678.