Tài chính tiêu dùng trong kỷ nguyên AI: Minh bạch và trách nhiệm giải trình

Hiện nay, các khoản vay tiêu dùng ngày càng được xử lý nhanh chóng trên nền tảng số, trí tuệ nhân tạo (AI) đang tham gia sâu vào quá trình nhận diện khách hàng, đánh giá rủi ro và hỗ trợ quyết định tín dụng. Tuy nhiên, khi một khoản vay được phê duyệt hoặc từ chối dựa trên kết quả phân tích của thuật toán, những vấn đề về minh bạch, quyền được giải thích và trách nhiệm của tổ chức tín dụng cũng trở nên cấp thiết.

 TS. Phan Thanh Đức, Trưởng khoa Công nghệ thông tin và Kinh tế số, Học viện Ngân hàng.

Tại tọa đàm “Tài chính tiêu dùng trong kỷ nguyên AI: Từ thuật toán minh bạch đến tín dụng có trách nhiệm”, TS. Phan Thanh Đức, Trưởng khoa Công nghệ thông tin và Kinh tế số, Học viện Ngân hàng đã phân tích những thay đổi căn bản của thị trường tài chính tiêu dùng, đồng thời làm rõ giới hạn sử dụng dữ liệu và trách nhiệm giải trình khi ứng dụng AI.

AI thay đổi cách đánh giá khách hàng và quản trị rủi ro

- Xin ông cho biết, AI đang làm thay đổi thị trường tài chính tiêu dùng như thế nào, đặc biệt trong cách các tổ chức tài chính đánh giá khách hàng và quản trị rủi ro so với mô hình truyền thống?

TS. Phan Thanh Đức: Sự thay đổi của thị trường tài chính tiêu dùng đang diễn ra rất nhanh. Các dịch vụ ngày càng thuận tiện, dễ tiếp cận hơn. Tuy nhiên, cùng với sự phát triển của công nghệ, nhu cầu người của sử dụng cũng không ngừng gia tăng, đặt ra những yêu cầu mới đối với các tổ chức cung cấp dịch vụ.

Trong bối cảnh thúc đẩy tài chính toàn diện, nhu cầu sử dụng dịch vụ tài chính ngày càng lớn nhưng không đồng nghĩa mọi người đều có khả năng tiếp cận như nhau.

Trước đây, khách hàng phải trực tiếp đăng ký, định danh, cung cấp thông tin và chờ phản hồi. Ngày nay, nhiều công đoạn có thể thực hiện trên môi trường số. Tuy nhiên, đằng sau sự thuận tiện đó là khối lượng công việc rất lớn của các tổ chức tài chính.

Khi tiếp nhận khách hàng, tổ chức tín dụng phải thực hiện quy trình xác minh, đánh giá, thu thập thông tin cần thiết và bảo đảm tuân thủ quy định về bảo vệ dữ liệu cá nhân. Điểm khác biệt quan trọng là cách đánh giá khách hàng. Trong môi trường tài chính truyền thống, khách hàng thường được phân loại theo độ tuổi, nghề nghiệp, tình trạng gia đình hoặc tài sản.

Nhưng trên môi trường số, hành vi tiêu dùng đã thay đổi rất nhiều. Một người có nhà, có xe hoặc nhiều tài sản không đồng nghĩa với khả năng trả nợ tốt, bởi tính thanh khoản của tài sản có thể thay đổi nhanh chóng.

Do đó, các tổ chức tài chính phải đánh giá nhiều yếu tố hơn, từ nhu cầu tiêu dùng thực tế, hành vi khách hàng đến khả năng trả nợ và mức độ rủi ro. Thay đổi lớn nhất không chỉ nằm ở công nghệ mà chính là sự thay đổi toàn bộ quy trình hoạt động.

Chúng ta không thể đưa nguyên quy trình truyền thống lên môi trường số. Chuyển đổi số đòi hỏi thiết kế lại các khâu từ tiếp nhận, định danh, đánh giá khách hàng đến quản trị rủi ro và cung cấp dịch vụ. Quan trọng hơn, các tổ chức tài chính cần tiến từ việc nhận diện sang thực sự thấu hiểu khách hàng, từ đó cung cấp những sản phẩm, dịch vụ phù hợp.

- Khi thuật toán ngày càng phức tạp, làm thế nào để cân bằng giữa độ chính xác của AI và khả năng giải thích quyết định tín dụng cho khách hàng, thưa ông?

TS. Phan Thanh Đức: Tôi cho rằng độ chính xác của thuật toán và khả năng giải thích không phải hai yếu tố đối lập, buộc chúng ta phải lựa chọn một trong hai. Hai yếu tố này hoàn toàn có thể song hành, với điều kiện phải có cơ chế kiểm soát phù hợp.

Trước đây, với các thuật toán truyền thống, người phát triển hệ thống thường hiểu rõ cách thức vận hành và nguyên nhân tạo ra kết quả. Nhưng với công nghệ học máy, đặc biệt là học sâu, hệ thống có thể tự học và xử lý những mối quan hệ dữ liệu rất phức tạp. Trong nhiều trường hợp, ngay cả người xây dựng mô hình cũng khó giải thích đầy đủ cách hệ thống đưa ra một quyết định cụ thể.

Về trách nhiệm giải trình, cần nhìn nhận từ hai góc độ. Đối với khách hàng, không nhất thiết phải giải thích toàn bộ vấn đề kỹ thuật phức tạp. Điều họ cần là những thông tin đơn giản, rõ ràng để hiểu vì sao khoản vay bị từ chối, đang thiếu điều kiện gì và cần cải thiện những yếu tố nào. Không thể chỉ nói rằng hệ thống đã đưa ra quyết định như vậy rồi coi như hoàn thành trách nhiệm giải thích.

Đối với tổ chức tín dụng, yêu cầu giải trình phải sâu hơn, đủ để kiểm soát mô hình, đánh giá rủi ro và xác định trách nhiệm trong từng quyết định. AI có thể đưa ra quyết định chỉ trong vài giây, nhưng trách nhiệm đối với quyết định đó vẫn thuộc về con người và có thể kéo dài trong một khoảng thời gian dài. Đây là nguyên tắc không thể thay đổi khi ứng dụng AI trong hoạt động tín dụng.

Thu thập đúng, đủ dữ liệu để bảo vệ quyền lợi người tiêu dùng

- Dữ liệu thay thế đang mở ra khả năng đánh giá những khách hàng chưa có lịch sử tín dụng. Tuy nhiên, đâu là giới hạn hợp lý để việc chấm điểm tín dụng không xâm phạm quá sâu quyền riêng tư của khách hàng, thưa ông?

TS. Phan Thanh Đức: Thông thường, chúng ta có xu hướng cho rằng, càng thu thập nhiều dữ liệu càng tốt, bởi càng nhiều thông tin, càng có khả năng xây dựng chân dung khách hàng đầy đủ. Nhưng một loại dữ liệu có thể thu thập được không đồng nghĩa với việc chúng ta nên thu thập dữ liệu đó. Tôi cho rằng cần xem xét ba vấn đề.

Thứ nhất, dữ liệu được thu thập có thực sự liên quan trực tiếp đến mục đích vay vốn và đánh giá khách hàng hay không? Thứ hai, có cách nào ít xâm phạm quyền riêng tư hơn nhưng vẫn bảo đảm đủ dữ liệu để vận hành mô hình đánh giá tín dụng? Thứ ba, khách hàng có biết dữ liệu của mình được sử dụng vào mục đích gì và có thể dễ dàng thay đổi hoặc rút lại sự đồng ý cho phép sử dụng dữ liệu hay không?

Ở góc độ nghiên cứu, chúng tôi cho rằng, một mô hình tốt không phải mô hình đòi hỏi càng nhiều dữ liệu càng tốt, mà phải sử dụng đúng dữ liệu, đủ dữ liệu và kiểm soát được những sai lệch trong dữ liệu. Việc thu thập dữ liệu quá mức cần thiết có thể dẫn đến nguy cơ vi phạm quy định liên quan, đồng thời làm gia tăng chi phí lưu trữ, quản lý và xử lý.

Dữ liệu có thể là tài nguyên, là nguyên liệu quan trọng, nhưng cũng có thể trở nên vô giá trị nếu không được quản lý và sử dụng hiệu quả. Vì vậy, mục tiêu là xây dựng những mô hình sử dụng lượng dữ liệu vừa đủ, dễ quản lý và có thể loại bỏ khi không còn cần thiết mà không ảnh hưởng đến các chủ thể liên quan.

- Xin cảm ơn ông!