Thống kê trên thế giới cho thấy nhìn chung, có 10 công nghệ là trọng tâm của ngân hàng số, bao gồm: trí tuệ nhân tạo (AI) và học máy (ML); tự động hóa quy trình bằng robot (RPA); chatbot (dựa trên AI và ML); thị giác máy tính (Computer Vision – dựa trên AI và ML); phân tích tăng cường (dựa trên ML); thực tế ảo (VR) và thực tế tăng cường (AR); sinh trắc học; Internet vạn vật (IoT); blockchain; điện toán đám mây (Cloud).
Trong đó, các công nghệ liên quan đến AI được ứng dụng nhiều hơn cả.
Ứng dụng sát sườn, dễ hình dung nhất từ công nghệ AI là “chatbot”, tức là dùng robot để tự động trả lời câu hỏi của khách hàng, thậm chí là trò chuyện với khách hàng.
Các chatbot đơn giản nhất ban đầu được thiết kế để đưa ra câu trả lời cho các câu hỏi thường gặp, được huấn luyện trong môi trường kiến thức hạn chế gắn liền với một số từ khóa cụ thể. Loại chatbot này chỉ trả lời được các câu hỏi đơn giản, thường là câu hỏi mang tính hướng dẫn cơ bản, thống kê, truy xuất dữ liệu hoặc chuyển hướng sang người hỗ trợ trực tiếp.
Trên thế giới hiện nay, một số chatbot thông minh hiểu được ngôn ngữ tự nhiên của con người.
Chia sẻ với VietnamFinance, một chuyên gia trong lĩnh vực ngân hàng số cho hay mặc dù trên lý thuyết, chatbot càng thông minh thì càng giúp giảm thời gian chờ đợi của khách hàng và giảm khối lượng công việc của nhân viên trực tổng đài/trực chat, nhưng trên thực tế tại Việt Nam, không ít ngân hàng đã phải ngậm ngùi từ bỏ tham vọng ứng dụng chatbot.
Lý do là chatbot được hình thành trên nguyên lý tự học. “Giống như bạn cho con bạn học tập trong môi trường văn minh, trong sáng thì tư duy con bạn sẽ rất trong sáng, cử chỉ sẽ rất văn minh, không bao giờ nói bậy. Chatbot cũng y hệt như vậy”, vị chuyên gia nói, đồng thời nhấn mạnh rằng môi trường internet của Việt Nam rất phức tạp, gây nhiều khó khăn cho các dự án đào tạo và ứng dụng chatbot.
Như vậy, muốn chatbot thông minh thì nhất thiết phải huấn luyện trong môi trường ảo. Tuy nhiên, hiện có không ít rào cản.
Để đào tạo được chatbot thông minh, ngân hàng cần phải có một bộ dữ liệu đầu vào khổng lồ, thậm chí cần có các khóa đào tạo riêng để chatbot phân biệt được các khái niệm liên quan đến ngân hàng, được dạy để hiểu ngữ cảnh của mỗi câu hỏi. Đây là việc không hề dễ dàng.
Nhìn chung, chatbot phụ thuộc vào 3 yếu tố: thuật toán, dữ liệu (data) và lĩnh vực đào tạo, đồng nghĩa chatbot cũng bị giới hạn bởi 3 yếu tố trên. Chatbot càng phức tạp thì càng cần xây dựng thêm thuật toán và mở rộng hơn nữa dữ liệu đầu vào, và dù là thuật toán hay dữ liệu đầu vào thì cũng luôn bị giới hạn bởi lĩnh vực đào tạo bởi xây dựng thuật toán chatbot cho mọi lĩnh vực là điều hiện nay gần như không tưởng.
Vì thế, các ngân hàng nếu không có kế hoạch trở thành “người tiên phong” về chatbot thì thường sử dụng giải pháp thay thế là thuê dịch vụ bên ngoài.
Một chuyên gia chia sẻ rằng trên thế giới, ngay cả Amazon hiện nay cũng không dùng chatbot rộng rãi nữa mà khoanh nó vào trong phạm vi được cho phép trả lời, chẳng hạn như các câu hỏi về kiểm tra đơn hàng, tra soát giao dịch…
Đây cũng là hướng đi của nhiều ngân hàng Việt Nam.
Thực ra, hướng đi này không hẳn là “thấy khó mà lui”, mà có cơ sở khoa học nhất định. Một nghiên cứu tại nước ngoài chỉ ra rằng khoảng 75% yêu cầu từ khách hàng là các yêu cầu liên quan đến thông tin và các vấn đề thông thường, có tính lặp lại cao, chẳng hạn như quên mật khẩu, tra cứu địa chỉ ATM, hướng dẫn mở tài khoản, truy vấn số dư tài khoản…; trong khi đó, 25% yêu cầu còn lại là phức tạp, dành riêng cho trường hợp của khách hàng hoặc trong những trường hợp đặc biệt, chẳng hạn như yêu cầu khắc phục sự cố, hướng dẫn nâng hạn mức tín dụng…
Như vậy, chatbot không cần quá thông minh vẫn có thể đáp ứng được đa số yêu cầu từ khách hàng. Do đó, các ngân hàng cần phải cân đối giữa chi phí đầu tư chatbot và lợi ích thu được.
Mặc dù có nhiều rào cản nhưng trong số các ngân hàng tại Việt Nam, VietinBank khá tham vọng trong việc ứng dụng chatbot. Ông Trần Công Quỳnh Lân, Phó tổng giám đốc kiêm Giám đốc Chuyển đổi số VietinBank, nhấn mạnh với VietnamFinance rằng chatbot là một ví dụ minh họa cho việc áp dụng AI, ML khá thành công ở VietinBank hiện nay.
Theo ông Lân, VietinBank đang triển khai 4 chatbot nội bộ, phục vụ hơn 300.000 lượt tương tác mỗi năm với cán bộ trong việc tìm hiểu chính sách, sản phẩm dịch vụ hay thực hiện các thủ tục hành chính nội bộ và 1 chatbot hỗ trợ khách hàng bên ngoài về dịch vụ sản phẩm bán lẻ với lượng câu hỏi của khách hàng trung bình 2.000 câu hỏi/ngày.
“Thông qua các chatbot, VietinBank đã tiết giảm được tương đối thời gian hỗ trợ cán bộ và khách hàng. Cũng như kinh nghiệm của các chuyên gia đã chia sẻ bên trên, VietinBank triển khai chatbot ở những phạm vi hẹp, có tình huống nghiệp vụ rõ ràng để có thể đạt được hiệu quả cao nhất”, ông Lân chia sẻ.
Trong tương lai, câu chuyện phát triển chatbot ở các ngân hàng Việt nam còn có thể chứng kiến những thay đổi chóng mặt nhờ những bước tiến công nghệ mới.
Đề cập sâu đến chatbot cũng là cách để dễ hình dung câu chuyện về AI, bởi AI là lõi của chatbot, các vấn đề chatbot gặp phải phần lớn cũng chính là vấn đề mà AI đang gặp phải, từ câu chuyện huấn luyện chatbot/AI đến các giới hạn của chatbot/AI...
Tuy vậy, chatbot chỉ nói lên một góc cạnh của AI.
Ông Nguyễn Chiến Thắng, Giám đốc Ngân hàng số BIDV cho rằng đã nói đến AI thì phải nói đến Big Data (dữ liệu lớn), AI chỉ có thể phát triển và trở nên hữu ích khi có nền tảng của Big Data. Dữ liệu càng lớn, càng được sắp xếp khoa học là ‘mảnh đất màu mỡ” để AI “tự cày xới”, tự học hỏi để trở nên “thông minh hơn, chính xác hơn, hữu ích hơn”.
“Giai đoạn 2006-2007 khi bắt đầu làn sóng tin học hóa, xu hướng chung là sử dụng các phần mềm để giả lập các hoạt động lặp đi lặp lại của con người, chẳng hạn như hoạt động nào lặp đi lặp lại trên 2 lần mỗi ngày là có thể lập trình để tự động hóa được. Đó là làn sóng công nghệ 3.0.
Khi sang làn sóng công nghệ 4.0, các ứng dụng hướng đến có thể thay thế trí tuệ con người: có khả năng tự thu thập thông tin, khả năng tự học, tự nâng cấp, tự tổng hợp và đưa ra kết luận, thậm chí là có cảm xúc như con người… Đó chính là làn sóng AI - công nghệ mô phỏng lại trí tuệ con người”, ông Thắng chia sẻ.
Khái niệm về AI nghe có vẻ xa vời, nhưng ứng dụng của nó cực kỳ sát sườn trong cuộc sống. Ví dụ rõ thấy nhất là chức năng tra cứu đường đi trên Google Maps, việc ứng dụng AI cho phép tối ưu hóa đường đi theo tình trạng tắc đường cũng như có nhiều sự lựa chọn về đường đi khác nhau để người dùng tham khảo…
Riêng với ngành ngân hàng, gần gũi nhất là ứng dụng AI vào định danh người dùng điện tử (eKYC). Chỉ có AI mới phân định được đặc thù của hàng triệu khuôn mặt khác nhau, giọng nói khác nhau…, điều mà làn sóng công nghệ 3.0 không thể làm được.
Mặc dù AI là “xương sống” để phát triển ngân hàng số nhưng không phải công nghệ nào, ứng dụng nào liên quan đến AI cũng được ngân hàng tự phát triển.
Nhìn chung có hai kiểu thuê ngoài phát triển công nghệ. Kiểu thứ nhất là thuê ngoài hoàn toàn, giúp ngân hàng nhanh chóng tiếp cận công nghệ nhưng đổi lại, ngân hàng không làm chủ được công nghệ. Kiểu thứ hai là hợp tác với Fintech, giúp ngân hàng có thể làm chủ công nghệ nhưng rủi ro lớn nhất là mâu thuẫn quyền lợi giữa ngân hàng với Fintech dẫn đến việc hợp tác bị đổ bể giữa chừng, không tiến xa được.
Ở nhiều ngân hàng, việc thuê ngoài phát triển công nghệ được ưa chuộng hơn việc tự phát triển công nghệ. Tuy nhiên, có những công nghệ mà ngân hàng buộc phải tự phát triển, đặc biệt là những công nghệ liên quan đến phân tích dữ liệu.
Lý do là các ngân hàng thương mại sở hữu dữ liệu khổng lồ và đặc biệt, phần lớn là dữ liệu có cấu trúc.
“Facebook sở hữu lượng dữ liệu khủng khiếp nhưng dữ liệu của họ là phi cấu trúc, khiến họ gặp khó trong việc tổng hợp, phân tích và đưa ra kết luận có ích. Trong khi đó, các ngân hàng sở hữu dữ liệu cực kỳ đắt giá và có cấu trúc, chẳng hạn như dữ liệu về lệnh mua hàng, tiết kiệm, vay…”, một vị quản lý ngân hàng nói với VietnamFinance về lý do các ngân hàng muốn/buộc phải tự phát triển công nghệ liên quan đến phân tích dữ liệu người dùng.
Việc ứng dụng AI để phân tích dữ liệu là một trong những hướng đi chiến lược của các ngân hàng hiện nay. Techcombank thậm chí còn thành lập riêng Khối Dữ liệu & Phân tích - đứng ngang hàng với các khối quan trọng như Khối Ngân hàng Bán buôn, Khối Ngân hàng Bán lẻ, Khối Quản trị rủi ro, Khối Công nghệ Thông tin, Khối Vận hành… - với sự dẫn dắt của nhân vật giàu kinh nghiệm trong mảng ngân hàng số là ông Santhosh Mahendiran.
Tựu trung, công nghệ nói chung và AI nói riêng là “xương sống” để tiến hành chuyển đổi số ngân hàng cũng như xây dựng ngân hàng số, hay nói theo cách của Phó Tổng giám đốc VietinBank Trần Công Quỳnh Lân: “Chuyển đổi số đơn giản là ứng dụng công nghệ một cách sáng tạo để phục vụ nhu cầu của khách hàng và nhân viên của mình tốt hơn”.
>>> Đọc thêm loạt bài ngân hàng số:
Ngân hàng số (kỳ 1): Chuyển từ ‘đẩy’ sang ‘kéo’
Ngân hàng số (kỳ 3): Chuyển đổi mô hình kinh doanh
Ngân hàng số (kỳ 4): Mấu chốt là nhận diện ‘chân dung’ từng khách hàng
Ngân hàng số (kỳ 5): Những rào cản pháp lý
|
Nếu chưa thể hình dung một cách rõ nét về tầm quan trọng của công nghệ đối với ngân hàng số thì có thể nhìn sang một ngân hàng số điển hình tại Nga: Sberbank. Trên thực tế, không ít ngân hàng Việt Nam cũng đã ứng dụng rất nhiều công nghệ tương tự như cách mà Sberbank đã làm, tuy nhiên dường như chưa có một nghiên cứu chi tiết nào đề cập rõ nét từng công nghệ và hiệu quả ứng dụng tương ứng. Ứng dụng công nghệ ở ngân hàng số Sberbank Đầu tiên là việc ứng dụng công nghệ AI và ML. Một nghiên cứu chỉ ra rằng các sáng kiến tích hợp AI đã giúp Sberbank tiết kiệm được 42 tỷ rúp trong năm 2019. Nhiều sản phẩm mới ứng dụng AI và ML đã được Sberbank ra mắt như: sản phẩm cho vay trong vòng 7 phút đối với các khoản vay ngắn hạn của các doanh nghiệp vừa và lớn; sản phẩm cho vay trong 3 phút đối với các doanh nghiệp nhỏ và siêu nhỏ; dịch vụ “Market Pulse” đưa ra các đề xuất giao dịch phù hợp với khách hàng doanh nghiệp. AI cũng được ứng dụng trong việc phân tích dữ liệu trước khi bắt đầu cuộc hội thoại với khách hàng, tự động phân loại yêu cầu, qua đó giúp giảm 30% thời gian giải quyết yêu cầu. Bên cạnh đó, trên cơ sở phân tích lịch sử khách hàng, AI cho phép phản hồi ý kiến khách hàng về sản phẩm bảo hiểm trong vòng 6 phút. Hoặc như cho phép cá nhân nhận thẻ tín dụng và một số khoản vay trực tuyến mà không cần đến ngân hàng, dựa trên một mô hình phê duyệt tín dụng đặc biệt dựa trên AI. Riêng với chatbot, AI cũng giúp hỗ trợ khách hàng truy vấn thông tin một cách nhanh chóng (chẳng hạn giờ làm việc, cây ATM gần nhất…), đồng thời thực hiện trò chuyện, phân loại khách hàng… để xử lý nhanh và hiệu quả hơn nếu cần đến sự trợ giúp trực tiếp từ nhân viên ngân hàng. Tại Sberbank, chatbot giúp giải quyết khoảng 40% yêu cầu đối thoại, nó nhận dạng và truy vấn dữ liệu rồi khởi chạy kịch bản đối thoại/phục vụ phù hợp. Sberbank thậm chí còn tạo chatbot trên Telegram để tiếp cận giới trẻ. Chatbot cũng tự thực hiện lời nhắc đến khách hàng để kéo dài hợp đồng bảo hiểm, có thể thông qua tin nhắn text hoặc tin nhắn thoại. Không chỉ AI và ML, Sberbank còn ứng dụng nhiều công nghệ khác vào ngân hàng số. Như với công nghệ RPA, việc sử dụng robot cho phép Sberbank tự động hóa 103 quy trình ngân hàng cuối năm 2019 (cuối năm 2018 là 53 quy trình). RPA cho phép xử lý tự động 100% việc cấp thẻ tín dụng và phê duyệt hạn mức, đồng thời chấp thuận 90% đơn vay từ khách hàng bán lẻ. Trong phân khúc khách hàng doanh nghiệp, RPA cho phép loại bỏ luồng tài liệu nội bộ không cần thiết để giảm thời gian hoàn tất phê duyệt khoản cho vay từ 15 phút xuống 2 phút. RPA cũng giúp mở hơn 1/3 tài khoản khách hàng, đồng thời cho phép giảm thời gian phục vụ khách hàng và đăng ký tài khoản đi hơn một nửa: từ 1-1,5 tiếng xuống 35 phút. Hơn 2.000 hợp đồng cho 4 loại sản phẩm được robot đăng ký mỗi ngày. RPA có thể tự động gom 11 thỏa thuận sản phẩm ngân hàng vào 1 tài liệu để khách hàng ký. Đáng chú ý, việc ứng dụng công nghệ này giúp kết nối các doanh nghiệp trong tệp khách hàng của ngân hàng này trong 1 ngày. Với công nghệ Thị giác máy tính, năm 2019, Sberbank đã thử nghiệm một nền tảng phân tích hình ảnh và video dựa trên công nghệ này. Nền tảng này cho phép tính toán số lượng khách hàng đang ở trong chi nhánh ngân hàng, tính toán xem ai được phục vụ, ai rời đi mà không được phục vụ, điều này giúp tăng hiệu quả tương tác của khách hàng với ngân hàng. Công nghệ phân tích tăng cường được ngân hàng này ứng dụng để tạo ra một sản phẩm gọi là Cố vấn Sberbank, giúp khách hàng phân tích các chỉ số kinh doanh chính, nhận diện phân khúc, so sánh hiệu quả kinh doanh với các công ty tương tự, từ đó đề xuất ra các kết nối kinh doanh cần thiết. Phân tích tăng cường cũng giúp giảm thời gian phản ứng trước các mối đe dọa từ 48 giờ xuống còn 15 phút (100 tin nhắn mỗi giây và 62 triệu cảnh báo mối đe dọa mới đã được hệ thống gửi đi, hàng nghìn tên miền lừa đảo đã được công bố, 1,9 triệu giao dịch đáng ngờ đã bị ngăn chặn giúp giảm thiểu thiệt hại xảy ra cho khách hàng và ngân hàng). Ngoài ra, ngân hàng đã dùng VR để cảm nhận mức độ thuận tiện của khách hàng khi sử dụng dịch vụ ngân hàng trong các bối cảnh khác nhau; cùng với đó, thử nghiệm AR cho người khiếm thị. Sinh trắc học thì đã được áp dụng rộng rãi để xác thực danh tính khách hàng (eKYC). Ứng dụng Blockchian giúp giảm thời gian giao dịch, có trường hợp giảm từ 30 giờ xuống còn vài phút. Trong khi đó, 80% cơ sở hạ tầng hệ sinh thái ngân hàng số Sberbank được đưa lên Cloud. |
