OLB #07 — Kiến trúc dữ liệu và trí tuệ nhân tạo: Từ dữ liệu phân tán đến giá trị và niềm tin số

[GIẢ LẬP · PHỤC VỤ NGHIÊN CỨU & ĐÀO TẠO]

Sau kiến trúc ứng dụng ở OLB #06, Odin Lab Bank bước sang kiến trúc dữ liệu và trí tuệ nhân tạo. Mỗi giao dịch, tương tác và quyết định nghiệp vụ đều có thể tạo ra dữ liệu. Nhưng dữ liệu chỉ trở thành tài sản khi được hiểu đúng, có người chịu trách nhiệm, có chất lượng phù hợp và được sử dụng để tạo ra những quyết định hữu ích.

1. Dữ liệu là tài sản, nhưng không tự tạo ra giá trị

Một ngân hàng có nhiều dữ liệu chưa chắc đã sử dụng dữ liệu hiệu quả. Dữ liệu có thể nằm rải rác trong những ứng dụng khác nhau, có định nghĩa không thống nhất hoặc thiếu thông tin về nguồn gốc. Khi ấy, ngay cả một báo cáo đơn giản cũng có thể cần nhiều bước đối chiếu thủ công. OLB đặt mục tiêu xây dựng dữ liệu đáng tin cậy, có thể sử dụng và có thể kiểm chứng.

2. Từ mục tiêu nghiệp vụ đến sản phẩm dữ liệu

OLB bắt đầu từ kết quả cần đạt: phục vụ khách hàng tốt hơn, nhận diện rủi ro sớm hơn và nâng cao hiệu quả vận hành. Từ mục tiêu, ngân hàng xác định trường hợp sử dụng, yêu cầu dữ liệu, mức chất lượng, quyền truy cập và bằng chứng. Sản phẩm dữ liệu là tập dữ liệu được quản lý cho một nhóm người dùng và mục đích rõ ràng, chứ không chỉ là bản sao của một bảng dữ liệu.

3. Kiến trúc dữ liệu nhiều lớp

Mô hình tham chiếu OLB gồm nguồn dữ liệu từ ứng dụng và đối tác; lớp thu nhận và kết nối; vùng lưu trữ và xử lý; lớp quản lý dữ liệu chuẩn và sản phẩm dữ liệu; lớp phân tích, báo cáo và AI; cùng các kiểm soát xuyên suốt. Đây là mô hình logic, không mặc định công nghệ, nhà cung cấp hay cách triển khai cụ thể. Các nhu cầu giao dịch thời gian thực và phân tích chuyên sâu có yêu cầu khác nhau về độ trễ, tính nhất quán và khả năng phục hồi.

4. Ai chịu trách nhiệm về dữ liệu?

Quyền sở hữu nghiệp vụ đối với dữ liệu, trách nhiệm quản lý chất lượng, vận hành nền tảng và phê duyệt sử dụng cần được phân biệt. Chủ dữ liệu chịu trách nhiệm về ý nghĩa và mục đích sử dụng; người quản lý dữ liệu theo dõi định nghĩa và vấn đề chất lượng; đơn vị công nghệ duy trì cơ chế kỹ thuật; các chức năng rủi ro và tuân thủ thực hiện giám sát phù hợp. Trách nhiệm phải gắn với quyết định và bằng chứng cụ thể.

5. Chất lượng, dòng chảy và nguồn gốc dữ liệu

Một báo cáo đáng tin cậy cần dữ liệu đầy đủ, nhất quán, kịp thời và có thể đối chiếu. OLB xây dựng quy tắc chất lượng với ngưỡng, người xử lý và thời hạn rõ ràng. Dòng chảy dữ liệu cần cho biết dữ liệu xuất phát từ đâu, đã được biến đổi thế nào, được lưu ở đâu và ai sử dụng. Khi phát hiện sai lệch, tổ chức cần truy ngược được nguyên nhân thay vì chỉ sửa con số ở báo cáo cuối cùng.

6. Từ dữ liệu đến AI có trách nhiệm

Trí tuệ nhân tạo có thể hỗ trợ phân loại hồ sơ, phát hiện bất thường, tìm kiếm tri thức và dự báo nhu cầu. Tuy nhiên, kết quả AI phụ thuộc vào chất lượng dữ liệu, mức độ phù hợp của bài toán và cơ chế giám sát. Mỗi trường hợp sử dụng cần có mục tiêu, chủ sở hữu, phân loại rủi ro, phương pháp đánh giá, giới hạn sử dụng và phương án xử lý khi mô hình sai lệch. Với quyết định có tác động lớn, cần xác định rõ vai trò kiểm soát của con người.

7. Vòng đời AI không kết thúc khi triển khai

Dữ liệu có thể thay đổi, hành vi người dùng có thể dịch chuyển và chất lượng dự đoán có thể suy giảm. Vì vậy, OLB quản lý phiên bản dữ liệu và mô hình, kiểm thử trước triển khai, giám sát hiệu năng và sai lệch, ghi nhận sự cố, tái thẩm định và ngừng sử dụng khi vượt ngưỡng đã xác lập. Việc chấp nhận rủi ro phải dựa trên thẩm quyền và bằng chứng.

8. Ví dụ giả lập: phát hiện giao dịch bất thường

Trong một tình huống nghiên cứu, OLB kết hợp dữ liệu giao dịch đã được cấp quyền, quy tắc kiểm soát và tín hiệu phân tích để hỗ trợ phát hiện bất thường. Hệ thống tạo cảnh báo cho người phụ trách xem xét, không mặc định tự động từ chối giao dịch. Bằng chứng có thể gồm nguồn dữ liệu, phiên bản quy tắc hoặc mô hình, kết quả kiểm thử, cảnh báo và quyết định xử lý. Tất cả chỉ số trong Lab đều là dữ liệu mô phỏng.

9. Đo lường giá trị và rủi ro

Hiệu quả không chỉ nằm ở số lượng mô hình AI hay dung lượng dữ liệu. OLB theo dõi chất lượng dữ liệu, mức sử dụng sản phẩm dữ liệu, thời gian xử lý vấn đề, tính sẵn sàng, hiệu quả trường hợp sử dụng, sai lệch mô hình, sự cố và bằng chứng kiểm soát. Chỉ số phải giúp đưa ra quyết định cải tiến, thay vì trở thành báo cáo để xem.

10. Kết nối hành trình OLB

Kiến trúc dữ liệu và AI tiếp nối OLB #06 — Kiến trúc ứng dụng, đồng thời dựa trên bản đồ năng lực nghiệp vụ OLB #03 và cơ chế trách nhiệm OLB #04. Bài tiếp theo, OLB #08 — Kiến trúc công nghệ và điện toán đám mây, sẽ nghiên cứu nền tảng hỗ trợ các dịch vụ, dữ liệu và khả năng phục hồi. Xem chỉ mục Odin Lab Bank.

Nguồn tham khảo công khai

NIST AI Risk Management Framework 1.0; NIST Cybersecurity Framework 2.0; ISO/IEC 42001:2023; ISO/IEC 23894:2023; BCBS 239 (tùy phạm vi áp dụng); DAMA-DMBOK2 (tham khảo khái niệm, không sao chép nội dung); TOGAF Standard. Các tài liệu được tham khảo ở mức phương pháp, không hàm ý OLB đã được chứng nhận hay đáp ứng mọi yêu cầu.

---

ODIN LAB BANK · OLB #07 — DATA & AI ARCHITECTURE
TURN RISK INTO VALUE

OLB là ngân hàng giả lập được xây dựng cho nghiên cứu và đào tạo. Dữ liệu, vai trò, kiến trúc và tình huống là tổng hợp mô phỏng, không phản ánh bất kỳ ngân hàng cụ thể nào. Thương hiệu bên thứ ba thuộc về chủ sở hữu tương ứng.