Ứng dụng vận hành học máy trong ngành tài chính

TIỆP NGUYỄN
Thứ Ba, 21-06-2022, 14:17
Các ngân hàng thuận lợi hơn trong giao dịch nhờ triển khai mạnh công nghệ số.

MLOPs là là sự kết hợp của Machine Learning (ML - học máy) và Operations (vận hành) nhằm mục đích triển khai và duy trì các hệ thống học máy trong sản xuất một cách đáng tin cậy và hiệu quả. Máy học trong tài chính đã xuất hiện được một thời gian, nhưng nó hầu như chỉ được áp dụng để giải quyết các vấn đề cụ thể, tương đối hẹp, chẳng hạn như phát hiện gian lận, bảo trì dự đoán của các hệ thống kế thừa và quản lý lợi nhuận.

Gần đây, MLOps đã nổi lên như một loại giải pháp rộng lớn bao gồm học máy và tự động hóa, áp dụng điện toán đám mây và kỹ thuật dữ liệu. Những giải pháp này giúp các ngân hàng có được những bước đổi mới vượt bậc. Khi các ngân hàng chuyển đổi số, họ phải đối mặt với thách thức trong việc tạo ra một môi trường linh hoạt và nhanh cho các hệ thống công nghệ thông tin.

Lợi ích to lớn khi áp dụng MLOps là tốc độ xử lý dữ liệu. Giả sử ngân hàng có 1 triệu khách hàng và vài tỷ bản ghi giao dịch. Mỗi giao dịch có bản chất khác nhau. Vậy làm cách nào để ta có thể biết trung bình mỗi khách hàng chi bao nhiêu tiền mỗi tháng; hay khách hàng nào chi tiêu ít, ngân hàng nên cung cấp cho họ ưu đãi nào để tăng doanh thu trung bình? 

Nhà phân tích sẽ mất rất nhiều thời gian để có được những thông tin kiểu như trên. Và nếu có nhiều hơn một sản phẩm để phân tích hoặc nhiều hơn một loại khách hàng, thì thời gian mất đi càng nhiều. Trong hầu hết các trường hợp, các vấn đề xảy ra với các hoạt động phân tích thường liên quan một hoặc nhiều yếu tố: dữ liệu lớn, khả năng mở rộng hệ thống, độ tin cậy, hiệu suất và khả năng truy cập. Và có thể mất nhiều tháng, nhiều năm để hoàn thành tất cả các vấn đề liên quan trên.

Và, áp dụng MLOps có thể giúp xử lý những vấn đề như vậy trong thời gian thực. MLOps có thể thực hiện tất cả những phép tính phức tạp và có được câu trả lời nhanh chóng. Nó kết hợp ba lĩnh vực riêng biệt: khoa học dữ liệu, học máy và hoạt động đơn giản hóa các vấn đề phân tích dữ liệu.

Bước đầu tiên để áp dụng MLOps thành công là thiết lập một môi trường khắc phục sự cố thích hợp. Điều này có nghĩa là các nhóm vận hành cần tạo đường cơ sở của các chỉ số sẽ được sử dụng để tham khảo cho bất kỳ thay đổi sắp diễn ra trước khi tự động hóa bất kỳ hoạt động nào. Thí dụ: Bằng cách theo dõi mức sử dụng CPU, mức tiêu thụ bộ nhớ, số lượng quy trình và tập lệnh đang chạy, các nhóm có thể nhanh chóng xác định nguyên nhân gốc rễ khi sự cố xảy ra tại bất kỳ thời điểm nào.

Khi môi trường được thiết lập để đo lường trạng thái của nó mọi lúc một cách chính xác, việc triển khai cơ chế cho phép tạo ra các vòng lặp phản hồi tự động giữa các chỉ số hiệu suất và các mục tiêu kinh doanh cụ thể được thực hiện. Với MLOps, các ngân hàng phát triển một cơ sở hạ tầng linh hoạt, nhanh và hiệu quả, có thể nhanh chóng tăng hoặc giảm quy mô để đáp ứng nhu cầu tăng đột biến. Điều này cho phép doanh nghiệp tập trung vào các nhiệm vụ kinh doanh với sự tham gia của công nghệ thông tin. Nó cũng bảo đảm rằng quy trình IT truyền thống không bị chặn hoặc chậm lại. MLOps khiến việc chia sẻ code (mã tin học), tái mô phỏng với các phiên bản được kiểm soát và duy trì trên nhiều thư viện hoặc mở rộng các khuôn khổ mô hình hóa. Đồng thời, nó giúp cho việc tự động hóa tích hợp các mô hình AI (trí tuệ nhân tạo)/ML vào các ứng dụng trên tất cả các môi trường mà khách hàng đang giao dịch kỹ thuật số.

MLOps cũng giúp giảm chi phí triển khai hệ thống AI/ML với môi trường tự quản lý theo các yêu cầu kiểm tra code nhất quán, kiểm soát phiên bản, truy xuất nguồn gốc và bảo mật ứng dụng độc lập, hoạt động tích hợp và tạo ra các kết quả liên tục, đồng thời tự động xác lập phiên bản, tái lập kết quả trên quy mô hoạt động... Các ngân hàng có thể sử dụng dữ liệu của riêng mình để đào tạo các mô hình học máy. Điều này giúp ngân hàng không phải thuê dữ liệu của bên thứ ba. Các ngân hàng có cơ sở hạ tầng phù hợp có thể tạo ra dữ liệu, làm phong phú dữ liệu, đưa dữ liệu vào các hệ thống hạ nguồn và sau đó phân tích dữ liệu đó. Tất cả điều này sẽ nhằm tạo ra các quyết định sáng suốt với một hệ thống chỉ huy và kiểm soát tập trung.

MLOps đang có những bước khởi đầu thuận lợi trong ngành ngân hàng. Ngân hàng có rất nhiều dữ liệu với số lượng khổng lồ các giao dịch. Mỗi bộ phận khác nhau của ngân hàng có liên quan mật thiết nhưng lại giải quyết các vấn đề khác nhau. Trong khi cạnh tranh để kinh doanh, họ cũng hợp tác chia sẻ dữ liệu và các ý tưởng.

Điều đó nói lên rằng, tương lai của AI/ML trong ngân hàng chỉ mới bắt đầu và càng ngày, càng nhiều các ứng dụng được xây dựng. Và để các ứng dụng này thành công, MLOps có một vai trò quan trọng trong việc chuyển đổi kinh doanh của ngân hàng. Mặc dù MLOps là xu hướng tất yếu trong ngành ngân hàng nhưng để nó trở nên phổ biến còn có nhiều khó khăn vì khoa học dữ liệu là một lĩnh vực non trẻ và các tổ chức thường thiếu cơ sở hạ tầng cần thiết.

Cuối cùng, việc thống nhất dữ liệu trên “con người, quy trình và nền tảng” sẽ giúp ngân hàng đánh giá điểm mạnh, điểm yếu và cơ hội trong việc liên kết dữ liệu, con người, quy trình và nền tảng để đạt được mục tiêu kinh doanh. MLOps là tương lai và khi học máy trở nên phổ biến hơn, nó sẽ trở thành nhu cầu thiết yếu cho mọi doanh nghiệp.

.