Công nghệ tài chính và Trí tuệ nhân tạo thúc đẩy làn sóng đổi mới tiếp theo

Anna Schoff – Cử nhân Thạc sĩ về Ngôn ngữ và NLP với chuyên môn về học sâu, khoa học dữ liệu và máy học. Các mối quan tâm nghiên cứu của cô bao gồm giải mã thần kinh các ngôn ngữ cổ đại, dịch máy trong điều kiện tài nguyên thấp và nhận diện ngôn ngữ. Cô có kinh nghiệm phong phú trong ngôn ngữ tính toán, AI và nghiên cứu NLP trong cả lĩnh vực học thuật và công nghiệp.

Bhushan Joshi – Lãnh đạo năng lực cho ISV Ngân hàng, Thị trường Tài chính và Quản lý Tài sản với kinh nghiệm phong phú trong 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 microservices, tối ưu hóa quy trình và hệ thống giao dịch.

Kenneth Schoff – Chuyên gia Kỹ thuật Xuất sắc của Open Group tại ứng dụng AI của IBM với hơn 20 năm kinh nghiệm trong ngân hàng, thị trường tài chính và fintech. Ông chuyên về giải pháp IBM Sterling, bán hàng kỹ thuật và tư vấn cho các giám đốc điều hành cấp cao về các chuyển đổi dựa trên AI trong chuỗi cung ứng và dịch vụ tài chính.

Raja Basu – 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 mạnh mẽ 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 nghiên cứu sinh tiến sĩ tại XLRI, ông tập trung vào tác động của AI đối với các hệ thống tài chính và bền vững.

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin của FinTech Weekly

Được đọc bởi các giám đốc điều hành tại JP Morgan, Coinbase, Blackrock, Klarna và nhiều hơn nữa

Sự phát triển của công nghệ AI cho FinTech đang tăng trưởng với tiềm năng lớn, nhưng sự tăng trưởng có thể chậm hơn so với các ứng dụng khác do độ phức tạp của vấn đề.

AI có thể nắm bắt các mẫu và bất thường mà con người thường bỏ lỡ nhờ khả năng của các hệ thống AI trong việc tiêu thụ một lượng lớn dữ liệu dưới nhiều dạng có cấu trúc và không có cấu trúc.

Tuy nhiên, não người với hơn 600 triệu kết nối synapse đã được gọi là đối tượng phức tạp nhất mà chúng ta biết đến ở bất kỳ đâu – trái đất, hệ mặt trời, và hơn thế nữa. AI có thể hỗ trợ phân tích của con người thông 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 đã định nghĩa AI là “nghiên cứu các quy trình nhận thức bằng cách sử dụng các mô hình tính toán”. Định nghĩa này vẫn còn áp dụng. Thường thì các mô hình tính toán kết quả là hữu ích tự thân, và chúng đã tiến bộ về khả năng từ Hệ thống Chuyên gia và Mạng Nơ-ron Nhân tạo nhỏ đến các kỹ thuật Học Sâu được sử dụng để xây dựng các Mô hình Ngôn ngữ Lớn (LLMs) và các Mô hình Nền tảng được sử dụng trong AI Tạo sinh. Các tiến bộ phần cứng đã làm cho nhiều điều này trở nên khả thi, và chúng tôi chắc chắn rằng còn nhiều điều hơn nữa đang đến.

Trở lại những năm 1990, chúng tôi đã biết rằng sự thiếu kiến thức chung trong các hệ thống AI là một yếu tố hạn chế đáng kể, và giờ đây chúng tôi có thể cung cấp điều đó trong các mô hình AI lớn. Công nghệ AI ban đầu bị giới hạn cho các nhiệm vụ rất cụ thể, giống như những người thông minh không có khả năng – có khả năng thực hiện một nhiệm vụ rất cụ thể tốt, nhưng vô dụng cho bất kỳ điều gì khác.

Dù sao đi nữa, họ đã và vẫn có thể cung cấp giá trị cho các nhiệm vụ đặc biệt của họ với chi phí tính toán thấp hơn nhiều. Vì lý do bền vững, các công nghệ này vẫn có thể thực hiện vai trò của chúng trong bối cảnh AI.

Các khả năng Xử lý Ngôn ngữ Tự nhiên (NLP) và Xử lý Giọng nói được cung cấp bởi LLM hiện nay có khả năng nắm bắt có thể 90% nội dung của một cuộc trao đổi Ngôn ngữ Tự nhiên một cách chính xác, điều này có giá trị rất cao cho tương tác giữa người và máy.

Trong trạng thái nghệ thuật hiện tại, các mô hình được sử dụng cho NLP đang chạy với chi phí tính toán rất cao (đọc là hóa đơn điện rất cao) điều này đi ngược lại với các cân nhắc bền vững. Hãy nhớ rằng một thư viện viên có kinh nghiệm hoặc chuyên gia tương tự có thể cung cấp kết quả chính xác 100% và chỉ cần bữa trưa. Chúng ta nên sử dụng tài nguyên phù hợp vào thời điểm phù hợp.

Gần đây, với những phát triển như DeepSeek, chúng tôi thấy các tối ưu hóa đạt được bằng cách xây dựng các ứng dụng cụ thể nhỏ hơn sử dụng cùng công nghệ được sử dụng trong các mô hình toàn diện lớn hơn. Điều này là một thắng lợi cho cả hai bên bằng cách cung cấp công nghệ AI mạnh mẽ để giải quyết một miền 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 trong văn học tiếng Anh.

Tư vấn Quản lý Tài sản Hỗ trợ AI

Hãy xem xét quản lý tài sản như một ứng dụng ví dụ.

Một cuộc phỏng vấn khách hàng để tạo hồ sơ khách hàng có thể được điều khiển bởi các kỹ thuật AI cơ bản như cây quyết định hoặc Hệ thống Chuyên gia. Tuy nhiên, dựa trên kinh nghiệm trước đây của chúng tôi với một số cuộc phỏng vấn do Hệ thống Chuyên gia điều khiển, một cố vấn đủ tiêu chuẩn sẽ có được kết quả tốt hơn chỉ qua một cuộc trò chuyện. Không có gì thay thế cho những người biết họ đang làm gì. AI nên hỗ trợ nhưng không nên dẫn dắt.

Phân tích Danh mục Đầu tư

Nếu khách hàng có một danh mục đầu tư hiện tại, điều này cần được phân tích, và AI cũng có thể hỗ trợ ở đây. Các khoản đầu tư đã hoạt động như thế nào theo thời gian? Khách hàng có xu hướng tập trung vào các ngành cụ thể không? Dự đoán về cách những điều này có khả năng hoạt động trong tương lai là gì? Lịch sử giao dịch của khách hàng là gì?

Dựa trên hồ sơ khách hàng và phân tích danh mục đầu tư, 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. Các giới hạn này có thể bao gồm sở thích cá nhân, giới hạn rủi ro, giới hạn quỹ có sẵn, và bất kỳ cân nhắc nào khác có thể hạn chế các lựa chọn.

Tư vấn Quản lý Tài sản Hỗ trợ AI

Có một số công ty sử dụng các mô hình AI để cung cấp hướng dẫn cho những cổ phiếu hoặc phân khúc thị trường nào có khả năng hoạt động tốt hoặc có khả năng hoạt động kém. Điều này được khung như một vấn đề dự đoán, trong đó sự chuyển động của xu hướng có thể được dự đoán, hoặc như một vấn đề phân loại mà đây là lĩnh vực mà AI xuất sắc. Một cố vấn có thể sử dụng các dịch vụ hiện có 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. Các yếu tố này có thể đã được bao gồm như đầu vào vào mô hình AI được sử dụng để thực hiện phân tích. Cố vấn và khách hàng sẽ cần thảo luận về những gì cụ thể cần được bao gồm trong mô hình danh mục đầu tư.

Kiến trúc Strawman

Một cái nhìn khái niệm strawman có thể trông giống như sơ đồ dưới đây. Nhiều biến thể là khả thi.

Một triển khai rất phổ biến sẽ dựa trên một mô hình GenAI nền tảng duy nhất thực hiện tất cả những gì chúng tôi mô tả dưới đây, nhưng chúng tôi nghĩ rằng phân chia các nhiệm vụ là một cách tiếp cận tốt hơn.

Mỗi mô hình sẽ giải quyết một phần của miền vấn đề và do đó có thể nhỏ hơn một mô hình toàn diện. Một số hệ thống có thể chạy liên tục trong khi những hệ thống khác sẽ chạy theo yêu cầu.

Trong sơ đồ, chúng tôi giả định rằng sẽ có các mô hình AI Tạo sinh Dự đoán phục vụ như các hệ thống tư vấn cho các mô hình AI cụ thể khác. Các mô hình GenAI này sẽ thực hiện phần lớn phân tích thị trường và sẽ được đào tạo cho các thị trường và công cụ tài chính khác nhau.

Chúng sẽ tiêu thụ các luồng dữ liệu và, kết hợp với các dữ liệu khác từ hồ dữ liệu, sản xuất các dự đoán thị trường cho sự tăng trưởng và phát hiện bất thường có thể giảm thiểu rủi ro. Chúng tôi không tin rằng các hệ thống như vậy đã trưởng thành đến mức độ đáng tin cậy, nhưng chúng đang tiến bộ trong phát triển.

Kết quả của mỗi 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 được chạy theo định kỳ hoặc có thể liên tục trong khoảng thời gian khi thị trường quan tâm đang hoạt động.

Các hệ thống giao dịch tự động có thể sử dụng các luồng trạng thái từ phân tích thị trường để kích hoạt giao dịch. Các hệ thống phân loại sẽ định kỳ đánh giá tài sản và giữ một lịch sử liên tục về phân loại tài sản trong hồ dữ liệu. Cuối cùng, chúng tôi đến với Trợ lý Danh mục Đầu tư GenAI.

Trợ lý Danh mục Đầu tư sẽ là hệ thống gợi ý hỗ trợ AI có quyền truy cập vào dữ liệu thị trường hiện tại và lịch sử. Cố vấn có thể tương tác với trợ lý để cung cấp hồ sơ của khách hàng và yêu cầu các khuyến nghị. Điều này có thể tốt nhất được thực hiện khi có mặt khách hàng. Sự tương tác của cố vấn với khách hàng nên được ghi lại và ghi trong hồ dữ liệu như đầu vào cho phân tích.

Quyền truy cập của cố vấn vào các hệ thống AI thông qua một giao diện NLP có thể là văn bản hoặc giọng nói.

Trợ lý Danh mục Đầu tư sẽ phản hồi cho 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 sẽ cần biết cách đặt câu hỏi để nhận được kết quả hữu ích.

Nếu không có trung gian con người đó, trải nghiệm tương tác với một hệ thống NLP cho một chủ đề phức tạp như vậy có thể gây thất vọng cho người mới. Các Mô hình Ngôn ngữ Lớn có khả năng vượt trội hơn nhiều so với bất kỳ công nghệ nào trước đây trong lĩnh vực này, nhưng chúng vẫn không có khả năng vượt qua Bài kiểm tra Turing.

Một Bài kiểm tra Turing yêu cầu một con người không thể phân biệt được một máy với một con người khác bằng cách sử dụng các câu trả lời cho các câu hỏi được đưa ra cho cả hai. Những cỗ máy này không phải là con người và không thể phản hồi chính xác như một con người có thể. Nhiều công ty thuê người có mô tả công việc thực sự chỉ là tương tác với các LLM và hệ thống GenAI thông qua việc tạo ra các gợi ý để có được phản hồi tốt hơn từ mô hình.

Theo một báo cáo năm 2021 từ nghiên cứu Juniper, 40% khách hàng ngân hàng toàn cầu sẽ sử dụng chatbot NLP cho giao dịch vào năm 2025. Việc thêm NLP vào trước bất kỳ ứng dụng nào đối mặt với khách hàng thường là nơi mà một công ty bắt đầu. Các hệ thống AI khác tập trung vào việc tự động hóa các nhiệm vụ thông thường. Điều sau đã rất thành công cho các ứng dụng Chuỗi Cung ứng.

Tự động hóa dựa trên AI có thể loại bỏ nhiều quy trình thủ công và làm cho các luồng công việc trở nên hiệu quả hơn. NLP và tự động hóa nhiệm vụ có thể mang lại lợi ích cho gần như bất kỳ ứng dụng nào trong ngành. Phát triển AI cho phân tích Thị trường Tài chính là một nhiệm vụ tương đối khó khăn.

Đại học Cornell đã phát triển một Mô hình GenAI StockGPT. Xem “StockGPT: Một Mô hình GenAI cho 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 và hành vi phức tạp hơn phần nào do các con số thị trường, quy định và phản ứng cảm xúc của các bên tham gia.

Một số điều này có thể được ghi lại bằng cách sử dụng thống kê để giảm rủi ro, nhưng các dự đoán cho thị trường tài chính thuộc về loại bài toán đại số mà có quá nhiều biến số và không đủ phương trình. AI có thể tìm kiếm các mẫu và bất thường ngoài việc chỉ làm toán.

Máy tính lượng tử là một công nghệ khác mà sẽ tốt để khám phá. Điều này đã cho thấy giá trị trong một số ứng dụng trong khoa học. Nó đã được đề xuất để sử dụng trong quản lý rủi ro thông qua các mô phỏng Monte Carlo cho một ví dụ tài chính.

Chúng ta sẽ thấy tương lai sẽ ra sao.