Khai thác ứng dụng học máy: Ứng dụng học máy vào quản lý rủi ro

Ông Nguyễn Ngọc Nam, Phó giám đốc - Dịch vụ tư vấn rủi ro tài chính – KPMG Việt Nam.

Kỹ thuật học máy (ML) đang đang dần trở thành xu hướng

Ứng dụng các kỹ thuật học máy (ML) đang dần trở thành xu hướng mới trong lĩnh vực dịch vụ tài chính. Những ngành phụ thuộc nhiều vào dữ liệu như ngân hàng đã bắt đầu áp dụng các kỹ thuật tiên tiến này nhằm xây dựng những năng lực cần thiết giúp hỗ trợ hoạt động kinh doanh và quản lý rủi ro. Từ xây dựng và sử dụng Chat Bot tới áp dụng vào phát hiện gian lận các giao dịch tài chính, các kỹ thuật ML đang giúp các ngân hàng tự động hóa quy trình và tối ưu hóa hoạt động kinh doanh và gia tăng trải nghiệm khách hàng.

Một trong những lĩnh vực hoạt động ngân hàng đang dần chuyển đổi từ các mô hình phân tích dữ liệu truyền thống sang sử dụng các kỹ thuật ML dựa trên dữ liệu lớn là quản lý rủi ro. Điều này xuất phát từ một số động lực chính, bao gồm:

- Sự xuất hiện các công ty tài chính công nghệ (fintech), đã thúc đẩy các tổ chức tài chính đầu tư xây dựng những năng lực cần thiết trong đánh giá rủi ro của khách hàng và triển khai các sáng kiến giúp giảm thiểu rủi ro;

- Cải thiện hiệu quả và tăng năng suất hoạt động: Các mô hình ML có khả năng xử lý và phân tích nhanh chóng lượng lớn dữ liệu có cấu trúc và phi cấu trúc mà không cần can thiệp thủ công quá nhiều;

- Cung cấp các dự báo chính xác hơn: Các thuật toán máy học có thể được ứng dụng trong việc giải quyết mối quan hệ phi tuyến tính giữa các yếu tố kinh tế vĩ mô và tình hình tài chính của khách hàng vay vốn đặc biệt là trong giai đoạn căng thẳng;

- Tối ưu hóa chu trình lựa chọn biến: Việc sử dụng ML có thể giúp tăng tốc quá trình xử lý dữ liệu và trích xuất thông tin cần thiết giúp nâng cao hiệu quả của mô hình đánh giá rủi ro.

Một số ứng dụng ML tiểu biểu trong quản lý rủi ro

Trong các mô hình rủi ro tín dụng truyền thống, các tổ chức thường sử dụng các kỹ thuật thống kê nhằm dự báo các biến mục tiêu như khách hàng tốt/ khách hàng xấu (vỡ nợ). Các mô hình định lượng dựa trên ML cho phép các tổ chức thực hiện tối ưu hóa các tham số đầu vào và nâng cao hiệu quả trong quá trình lựa chọn biến số kể cả trong trường hợp mối quan hệ là phi tuyến tính. Một trong những xu hướng mới nổi gần đây là việc tích hợp ML/AI trong khung quản lý rủi ro tín dụng truyền thống nhằm mục tiêu nâng cao hiệu quả của các mô hình rủi ro truyền thống.Việc áp dụng, các thuật toán này đòi hỏi các tổ chức tài chính cần thực hiện sử dụng các nguồn dữ liệu thay thế như dữ liệu giao dịch thanh toán thương mại điện tử, thanh toán phí giao nhận hàng hóa, thanh toán hóa đơn,... Các mô hình chấm điểm này được gọi là mô hình chấm điểm thay thế nhằm mục tiêu phân biệt với các mô hình chấm điểm tín dụng truyền thống.

Các tổ chức tài chính trên thế giới cũng đang tích cực tìm kiếm cơ hội áp dụng ML trong phát hiện và đánh giá rủi ro gian lận. Một trong những ứng dụng tiêu biểu là áp dụng ML trong đánh giá rủi ro gian lận sử dụng thẻ tín dụng. Điều này xuất phát từ việc các tổ chức tài chính đang lưu giữ một lượng lớn dữ liệu liên quan tới giao dịch thẻ tín dụng và cho phép các tổ chức phát triển, đào tạo và rà soát các mô hình dựa trên thuật toán ML một cách hiệu quả.

Ngoài ra, các công nghệ mới như xử lý ngôn ngữ tự nhiên và phân tích văn bản đang được sử dụng ngày càng nhiều để giám sát hoạt động và nhận diện giao dịch lừa đảo, giao dịch nội gián và giao dịch mang tính thao túng thị trường. Các hệ thống phát triển dựa trên thuật toán ML ngày nay có thể dự đoán xác suất vi phạm của giao dịch bằng cách phân tích dữ liệu danh mục giao dịch với dữ liệu liên quan đến lịch làm việc, lưu lượng thư điện thử, thời gian thực hiện các tác vụ có liên quan. Do đó, tổ chức tài chính có thể tiết kiệm chi phí phải bỏ ra nhằm xử lý những rủi ro danh tiếng và rủi ro thị trường.

Những điểm cần lưu ý

Không thể phủ nhận việc ứng dụng các thuật toán ML một cách phù hợp có thể giúp tạo ra những chuyển đổi lớn trong hoạt động quản lý rủi ro tại các tổ chức tài chính, ngân hàng. Mặc dù vậy, các mô hình dựa trên thuật toán ML vẫn có những hạn chế nhất định. Dưới đây là một số những thách thức mà tổ chức sẽ phải đối mặt trong quá trình áp dụng ML trong quản lý rủi ro:

Khả năng diễn giải

Mặc dù hiệu quả của các mô hình dựa trên thuật toán ML khá tốt, các mô hình này thường khó giải thích. Để giảm thiểu vấn đề này, các ngân hàng có thể sử dụng các chính sách quản lý rủi ro mô hình để giảm thiểu các rủi ro cố hữu trong Khung mô hình ML.

Kiểm định mô hình

Khung kiểm định mô hình hiện nay sẽ phù hợp hơn đối với các mô hình phát triển theo phương pháp truyền thống. Việc áp dụng khung kiểm định này vào các mô hình dựa trên thuật toán ML có thể là một thách thức xuất phát từ đặc tính khó giải thích của các thuật toán ML. Do vậy, các tổ chức tài chính cần rà soát lại khung kiểm định mô hình hiện hữu và thực hiện những điều chỉnh cần thiết nhằm đảm bảo sự phù hợp với mục tiêu kiểm định lại các mô hình dựa trên thuật toán ML.

Rủi ro mô hình

Ngành tài chính ngân hàng chắc chắn sẽ trải qua các đợt thay đổi, chuyển mình lớn trong tương lai khi các ứng dụng AI/ML đang ngày cảng được các tổ chức quan tâm hơn. Khối lượng dữ liệu khổng lồ và các kỹ thuật tiên tiến có thể được sử dụng để xây dựng các mô hình giúp cải thiện tính hiệu quả trong hoạt động quản lý rủi ro. Tuy nhiên, các thay đổi này vẫn tiềm ẩn các hạn chế và thách thức liên quan tới rủi ro mô hình. Những mô hình ML, ví dụ mạng nơ-ron (neural network), sử dụng các đặc trưng như huấn luyện dữ liệu linh hoạt, dữ liệu nhiều chiều, siêu tham số, quan hệ và liên kết phi tuyến phức tạp. Chính vì vậy, mô hình ML sẽ mang đặc điểm ‘khó giải thích’ hơn so với các mô hình truyền thống dẫn đến khả năng gia tăng rủi ro mô hình.

Tính toàn vẹn của dữ liệu

Dữ liệu chất lượng cao đóng vai trò rất quan trọng trong việc triển khai các mô hình ML do tính chất phụ thuộc cao vào dữ liệu đa dạng và đa chiều. Do vậy, các tổ chức tài chính có thể cần quan tâm hơn nữa tới quy trình làm sạch dữ liệu cũng như đảm bảo cơ sở hạ tầng có liên quan tới dữ liệu (ví dụ Data Lake, Lakehouse). Ngoài ra, có thể cần phải tài liệu hóa và theo dõi luồng dữ liệu xuyên suốt vòng đời dữ liệu.

Yêu cầu từ cơ quan quản lý

Hiện tại có rất ít cơ quan quản lý cung cấp hướng dẫn cụ thể trong việc sử dụng các mô hình AI/ML trong lĩnh vực tài chính ngân hàng. Có thể kể tới nỗ lực gần đây từ Cơ quan tiền tệ Hồng Kông (Hong Kong Monetary Authority – HKMA) đã cung cấp những nguyên tắc cơ bản về AI dựa trên kết quả khảo sát sử dụng AI bởi các ngân hàng vào quý III/2019. Tuy nhiên, những quy định này vẫn cần được rà soát và cập nhật trong bối cảnh các tổ chức tài chính gia tăng sử dụng các thuật toán ML tiên tiến.

Một số khuyến nghị

Ứng dụng các thuật toán ML và Trí tuệ nhân đã và đang tạo ra cơ hội cho các tổ chức đưa ra quyết định quản lý rủi ro nhanh hơn, mức độ chính xác trong dự báo và chi phí hoạt động ngày càng được tối ưu. Tuy nhiên, phần lớn các tổ chức sẽ đối mặt với những thách thức trong quá trình xây dựng chiến lược và triển khai áp dụng AI/ML vào hoạt động quản lý rủi ro hàng ngày. Điều này đặt ra những yêu cầu thực tiễn trong việc các tổ chức cần xây dựng một chiến lược dữ liệu đầy đủ và trong đó cần xác định được rõ các cơ hội sử dụng AI/ML cũng như các yêu cầu về năng lực con người và công nghệ hỗ trợ.

Về lâu dài, các tổ chức cũng cần tính tới bài toán kiểm soát AI nhằm giúp nhận thức và đánh giá đầy đủ về những rủi ro có thể phát sinh trong quá trình sử dụng AI/ML trong hoạt động vận hành và quản lý rủi ro. Bên cạnh đó, một khung kiểm soát AI toàn diện cũng giúp tổ chức đảm bảo tách bạch rõ về vai trò và trách nhiệm giải trình kết quả AI của các bên liên quan cũng như đảm bảo giảm thiểu những ảnh hưởng tiêu cực về mặt đạo đức và danh tiếng trong quá trình lựa chọn thuật toán AI đối với các bài toán kinh doanh hàng ngày.

--------------------------------------

Các quan điểm và ý kiến được nêu trong tài liệu này là của tác giả và không nhất thiết thể hiện các quan điểm và ý kiến của KPMG Việt Nam.

Ngọc Nam (Phó giám đốc - Dịch vụ tư vấn rủi ro tài chính - KPMG Việt Nam)