Ngành ngân hàng Mỹ đang thử nghiệm khung “nhãn dinh dưỡng dữ liệu” như một công cụ kiểm soát chất lượng dữ liệu đầu vào cho AI, trong bối cảnh các tổ chức tài chính muốn hạn chế rủi ro từ dữ liệu sai, thiếu cập nhật hoặc mang thiên lệch có thể làm méo mó kết quả đầu ra.

Theo American Banker ngày 8/9 (giờ địa phương), một nhóm công tác thuộc Hội đồng Điều phối Khu vực Dịch vụ Tài chính (FSSCC) đã xây dựng khung “nhãn dinh dưỡng dữ liệu” (Data Nutrition Label - DNL) để đánh giá mức độ phù hợp của dữ liệu đối với AI. Một số ngân hàng đã bắt đầu đưa khung này vào vận hành thực tế.

DNL cung cấp các thông tin cốt lõi về bộ dữ liệu như nguồn gốc, chất lượng, độ mới, mức độ đầy đủ, nguy cơ thiên lệch và tần suất cập nhật. Mục tiêu là giúp ngân hàng nhanh chóng xác định dữ liệu có phù hợp để đưa vào các mô hình AI hay không.

FSSCC đề xuất hệ thống đánh giá hai tầng gồm cơ bản và nâng cao. Ở tầng cơ bản, ngân hàng kiểm tra liệu dữ liệu có đáp ứng ngưỡng chất lượng tối thiểu hay không. Tầng nâng cao đi sâu hơn vào các yếu tố phục vụ AI như quy trình thu thập, tiền xử lý, cấu trúc dữ liệu và cơ chế duy trì trong quá trình vận hành.

Tiêu chuẩn đánh giá cũng thay đổi theo mục đích sử dụng. So với các tác vụ như tạo nội dung marketing, những nghiệp vụ tác động trực tiếp tới rủi ro tài chính như thẩm định tín dụng hay cho vay đòi hỏi chất lượng dữ liệu cao hơn đáng kể.

PNC Group hiện tách biệt khung quản trị rủi ro mô hình truyền thống với rủi ro phát sinh từ AI tạo sinh. Ned Carroll, lãnh đạo phụ trách dữ liệu và tự động hóa của PNC, cho biết AI tạo sinh đưa ra phản hồi theo xác suất, vì vậy rất khó áp dụng cùng một cách quản trị như với các mô hình quyết định luận truyền thống. Theo ông, điều đó càng cho thấy tầm quan trọng của một hệ thống quản trị dữ liệu bài bản.

Bài toán trách nhiệm cũng được đặt lên hàng đầu. Chủ sở hữu dữ liệu phải xác nhận độ chính xác và tính kịp thời của dữ liệu. Với nguồn dữ liệu từ bên thứ ba, như công ty chấm điểm tín dụng hoặc nhà cung cấp thông tin thị trường, các ngân hàng cũng yêu cầu cam kết về chất lượng.

Các tổ chức này đồng thời tránh triển khai nguyên bản những mô hình phổ thông như ChatGPT hay Claude. Thay vào đó, họ kết hợp chính sách nội bộ, quy trình kiểm soát và dữ liệu riêng để sử dụng AI đúng với bối cảnh nghiệp vụ.

DNL không được xem là lời giải toàn diện. Ian Schnoor, Giám đốc điều hành Viện Nghiên cứu Mô hình hóa Tài chính, nhận định đây là điểm khởi đầu giúp tăng tính minh bạch của dữ liệu, nhưng cách chấm điểm vẫn có thể bị diễn giải theo nhiều cách hoặc bị lợi dụng. Xu hướng này cho thấy cuộc đua AI trong lĩnh vực tài chính đang vượt ra ngoài bài toán hiệu năng mô hình để chuyển sang năng lực quản trị và độ tin cậy của dữ liệu.