Nguồn: Chainlink Oracle
Liên kết gốc: https://mp.weixin.qq.com/s/-mnpNrJP17RK-q1CrlQk9Q
Thị trường tài chính đang bước vào kỷ nguyên mới với sự xuất hiện của "Agentic AI". Đây là một mô hình mới trong đó các tác nhân tự chủ, chuyên biệt lý luận, hành động và hợp tác để giải quyết các thách thức phức tạp, nhiều bước. Các tác nhân này hoạt động độc lập nhưng xuất sắc khi tương tác với nhau, sử dụng các khả năng độc đáo của chúng để đạt được các mục tiêu chung một cách hiệu quả, chẳng hạn như tiến hành kiểm tra tuân thủ, tạo bản ghi nhớ tín dụng toàn diện hoặc thậm chí mô phỏng tác động của chính sách tiền tệ.
Theo kinh nghiệm làm việc với các hệ thống AI của tôi, những đột phá quan trọng nhất thường không đến từ các hệ thống riêng lẻ mà từ khả năng làm việc cùng nhau của chúng. Sự chuyển dịch sang AI Agentic phản ánh một xu hướng lớn hơn trong quá trình phát triển AI: chuyển từ các công cụ biệt lập sang các hệ thống kết nối được thiết kế để hoạt động cùng nhau một cách liền mạch. Các hệ thống này được phân biệt với các ứng dụng AI khác ở khả năng kết hợp các tính năng sau:
Nhận thức: Tác nhân thu thập và diễn giải dữ liệu có liên quan đến lĩnh vực chuyên môn của mình thông qua tương tác trực tiếp với hoàn cảnh , thông tin đầu vào của người dùng hoặc truy vấn các hệ thống bên ngoài.
Lý luận và lập kế hoạch: Các tác nhân phân tích thông tin theo ngữ cảnh, đánh giá mục tiêu và phát triển các chiến lược và kế hoạch kết hợp việc ra quyết định tự động với các mục tiêu phù hợp với con người.
Sử dụng công cụ và cộng tác: Các tác nhân tương tác với các tác nhân khác và các hệ thống bên ngoài, tận dụng các công cụ và tài nguyên được chia sẻ để thực hiện nhiệm vụ một cách hiệu quả. Các công cụ này có thể được phát triển riêng cho tác nhân hoặc các hệ thống bên ngoài tác nhân, chẳng hạn như các ứng dụng doanh nghiệp hoặc dịch vụ lưu trữ Internet.
Thực hiện: Các tác nhân hành động theo quyết định của mình, phối hợp quy trình làm việc để đạt được kết quả đôi khi đòi hỏi nỗ lực chung của những người tham gia chuyên môn.
Bộ khả năng này cho phép các tác nhân thích ứng với các điều kiện thay đổi, cộng tác liền mạch và tự động thực hiện nhiệm vụ phức tạp, đặc biệt là các quy trình hoặc trường hợp sử dụng không thể giảm xuống thành quy trình làm việc tuyến tính. Do đó, chúng cung cấp một giải pháp thay thế cho các hệ thống cứng nhắc, dựa trên quy tắc thường bị phá vỡ hoặc yêu cầu sự can thiệp của con người khi đối diện các tình huống bất ngờ. Ngược lại, các tác nhân có thể thích ứng với các tình huống này theo cách không xác định.
Trong khi tính tự chủ và khả năng thích ứng của Agentic AI có thể mang lại giá trị to lớn trong các ngành như tài chính hoặc khu vực công, tính tự chủ này cũng mang lại rủi ro và thách thức. Ví dụ, khi các tác nhân đảm nhận nhân vật trước đây do con người đảm nhiệm trong một số tình huống nhất định, làm thế nào họ có thể xây dựng lòng tin với các tác nhân khác và các bên liên quan khác nhau trong các hệ thống này? Khi các tác nhân đưa ra quyết định, làm thế nào chúng ta có thể đảm bảo rằng các quyết định của họ dựa trên dữ liệu thực tế đáng tin cậy? Đây là một số câu hỏi chúng ta phải giải quyết để mở khóa toàn bộ tiềm năng của Agentic AI.
Kiến trúc đại lý
Có một số mô hình kiến trúc tác nhân mới nổi, nhưng mô hình đơn giản nhất và được sử dụng rộng rãi nhất được gọi là khuôn khổ RAISE. Như thể hiện trong hình bên dưới, một tác nhân bao gồm một bộ điều khiển, là mã tiếp nhận đầu vào và điều phối các hoạt động của nó; một mô hình ngôn ngữ lớn (LLM), chủ yếu cung cấp khả năng lập luận và lập kế hoạch; một bộ nhớ làm việc theo dõi những gì tác nhân đã làm cho đến nay trong bối cảnh của một nhiệm vụ nhất định; một bộ công cụ mà tác nhân có thể gọi khi cần; và một bộ ví dụ có thể hướng dẫn thêm cho nó. Bản thân tác nhân chạy trong một vòng lặp, nó nhận được một mục tiêu hoặc mục đích, lập kế hoạch, sử dụng các công cụ để thực hiện một bước trong kế hoạch, so sánh nó với ví dụ, sau đó cung cấp cho người dùng để nhận được phản hồi.
Tổng quan về Khung RAISE
Hợp tác trong hệ thống đa tác nhân
Trong khi một tác nhân duy nhất có thể được triển khai, giá trị thực sự của Agentic AI nằm ở khả năng triển khai nhiều tác nhân chuyên biệt trong một hệ sinh thái hợp tác để xử lý hoàn cảnh phức tạp. Mỗi tác nhân đóng góp chuyên môn cho hệ thống lớn hơn, cùng nhau giải quyết các vấn đề phức tạp mà không thể giải quyết hiệu quả bằng một phương pháp AI duy nhất. Trong lĩnh vực tài chính, Agentic AI có thể tạo ra các hệ thống kết nối với nhau, trong đó các tác nhân chuyên biệt làm việc cùng nhau để xử lý các quy trình công việc phức tạp.
Lấy quy trình phân tích tín dụng làm ví dụ:
Đại lý lập kế hoạch: Chịu trách nhiệm xác định nhiệm vụ cần thiết đánh giá mức độ tín nhiệm của người vay của tổ chức.
Nhân viên thu thập dữ liệu: Chịu trách nhiệm biên soạn báo cáo tài chính, báo cáo tín dụng và các tài liệu khác.
Chuyên viên phân tích: Chịu trách nhiệm tính toán chỉ báo quan trọng như tỷ lệ nợ và đánh dấu rủi ro.
Người xác minh: Có trách nhiệm xem xét các phát hiện và xác định lỗi, phản hồi liên tục để cải thiện.
Người soạn thảo biên bản ghi nhớ: Chịu trách nhiệm tổng hợp kết quả vào biên bản ghi nhớ tín dụng cuối cùng để xem xét và phê duyệt thủ công.
Hệ thống đa tác nhân này hoạt động hiệu quả trong các tổ chức, nhưng tiềm năng của nó còn vượt xa thế nữa. Các tác nhân trong tương lai có thể tương tác với các tác nhân bên thứ ba đại diện cho người vay, cơ quan quản lý hoặc các tổ chức tài chính khác để chia sẻ và xác minh dữ liệu một cách an toàn. Sự hợp tác này có thể giảm đáng kể các hoạt động thủ công và cải thiện độ chính xác của quyết định.
Tuy nhiên, sự hợp tác cũng mang lại những thách thức. Trong một hệ thống phi tập trung không có sự giám sát tập trung, làm thế nào các tác nhân có thể tin tưởng lẫn nhau? Làm thế nào để dữ liệu nhạy cảm có thể được trao đổi một cách an toàn? Giải quyết những thách thức này là rất quan trọng để mở rộng hiệu quả của Agentic AI.
Những thách thức của mở rộng AI Agentic
Để phát huy hết tiềm năng của mình, Agentic AI phải vượt qua bốn thách thức chính:
Xây dựng lòng tin giữa các tác nhân: Trong hoàn cảnh phi tập trung , các tác nhân phải xác minh độ tin cậy của dữ liệu và quyết định từ các tác nhân khác mà không cần sự giám sát tập trung; và họ phải có cơ chế để các tác nhân khác tin tưởng vào kết quả nhiệm vụ của họ.
Bảo vệ quyền riêng tư: Việc cộng tác thường yêu cầu các tác nhân chia sẻ dữ liệu nhạy cảm. Việc cân bằng giữa trao đổi thông tin và quyền riêng tư là một rào cản liên tục, đặc biệt là khi mở rộng các tác nhân trong tài chính và các ngành được quản lý khác.
Đảm bảo khả năng tương tác: Các hệ thống, kiến trúc và khuôn khổ pháp lý khác nhau làm phức tạp quá trình cộng tác liền mạch. Các giao thức và công nghệ chuẩn hóa đóng vai trò quan trọng trong việc thu hẹp khoảng cách này.
Truy cập thông tin đáng tin cậy trong thế giới thực: Các tác nhân cần dữ liệu chính xác theo thời gian thực, nhưng đảm bảo tính toàn vẹn của dữ liệu trong hoàn cảnh động hoặc đối đầu là một thách thức liên tục.
Những thách thức này làm nổi bật nghịch lý về quyền riêng tư: các tác nhân cần dữ liệu để hoạt động hiệu quả, nhưng việc truy cập hoặc chia sẻ dữ liệu đó làm tăng rủi ro vi phạm, lạm dụng và vi phạm quy định. Giải quyết nghịch lý này là rất quan trọng đối với sự thành công của Agentic AI.
Nghịch lý riêng tư
Agentic AI dựa vào dữ liệu giàu ngữ cảnh. Dữ liệu càng tốt thì quyết định của tác nhân càng thông minh và chính xác hơn. Nhưng sự phụ thuộc này đi kèm với một số rủi ro. Ví dụ:
Rò rỉ dữ liệu: Thông tin nhạy cảm được chia sẻ giữa các Đại lý có thể bị lộ cho các thực thể trái phép, đặc biệt là khi một số Đại lý nằm ngoài ranh giới tổ chức.
Thao túng dữ liệu: Các tác nhân có thể dựa vào dữ liệu đã bị can thiệp hoặc không đáng tin cậy, làm suy yếu lòng tin vào hệ thống. Thách thức này có thể đặc biệt quan trọng nếu tác nhân là một phần của hệ thống nhiều tác nhân trải dài trên nhiều khu vực pháp lý hoặc công ty; hoặc nếu tác nhân tương tác với các hệ thống bên ngoài nhạy cảm, trong đó dữ liệu hoặc hành động không chính xác có thể gây ra hậu quả thực tế đáng kể.
Sự phức tạp về mặt quy định: Luật bảo mật như GDPR của Châu Âu hoặc PDPL của Ả Rập Xê Út đưa ra các yêu cầu tuân thủ bổ sung làm phức tạp quá trình hợp tác giữa nhiều tác nhân.
Các biện pháp kiểm soát quyền riêng tư truyền thống, chẳng hạn như lưu trữ dữ liệu tập trung, chính sách truy cập nghiêm ngặt hoặc kiểm soát bảo mật dựa trên mạng, không áp dụng được cho các hệ thống tự trị phi tập trung. Giải quyết nghịch lý này đòi hỏi các kiến trúc cho phép cộng tác an toàn, dựa trên sự tin cậy mà không làm ảnh hưởng đến quyền riêng tư của thông tin nhạy cảm.
Bằng chứng không tri thức: nền tảng của sự tin cậy
Bằng chứng không tri thức(ZKP) cung cấp giải pháp mật mã cho nghịch lý về quyền riêng tư, cho phép một bên (một tác nhân) chứng minh tính hợp lệ của một tuyên bố mà không tiết lộ bất kỳ thông tin bổ sung nào. Mặc dù ZKP đã được sử dụng rộng rãi trong thế giới DeFi và Web3, chúng cũng có thể đóng vai trò quan trọng trong việc thiết lập lòng tin trong các hệ thống phi tập trung, nhiều tác nhân.
Những lợi thế chính của ZKP đối với Agentic AI là:
Niềm tin giữa các tác nhân: Các tác nhân có thể xác minh an toàn đầu ra của nhau, đảm bảo sự cộng tác đáng tin cậy mà không tiết lộ các chi tiết không cần thiết. Ví dụ, khi một tác nhân thực hiện nhiệm vụ trong ranh giới tổ chức của mình và sau đó chuyển đầu ra cho một tác nhân khác, nó cũng cung cấp Bằng chứng không tri thức rằng nhiệm vụ của mình đã được hoàn thành theo các tiêu chuẩn và yêu cầu của tổ chức.
Xác minh thông tin xác thực mà không tiết lộ: Các đại lý có thể chứng minh việc tuân thủ các yêu cầu (ví dụ: tuân thủ quy định) mà không tiết lộ dữ liệu nhạy cảm và cũng có thể chứng minh rằng họ có sự cho phép hợp lệ từ chủ sở hữu.
Giảm thiểu bề mặt tấn công: ZKP hạn chế việc lộ dữ liệu, giảm lỗ hổng và tăng cường bảo mật.
Ra quyết định đáng tin cậy: Các tác nhân có thể xác minh tính xác thực của dữ liệu bên ngoài để đảm bảo rằng các quyết định dựa trên thông tin đáng tin cậy. Ví dụ, các tác nhân có thể tận dụng dữ liệu từ các mạng oracle phi tập trung hoặc Nguồn cấp dữ liệu Chainlink để cung cấp bối cảnh thực tế quan trọng cho các quyết định và hành động của họ.
Bằng cách tận dụng ZKP, Agentic AI cho phép cộng tác an toàn, hiệu quả và riêng tư ngay cả trong hoàn cảnh có mức độ tin cậy ban đầu thấp.
Ứng dụng của Agentic AI trong lĩnh vực tài chính
Agentic AI dự kiến sẽ định hình lại ngành tài chính bằng cách tự động hóa các quy trình phức tạp, tăng cường quản lý rủi ro và cải thiện việc ra quyết định. Khả năng triển khai các tác nhân chuyên biệt có thể hoạt động tự chủ và cộng tác với nhau và con người mở ra hiệu quả và khả năng mới trên sê-ri ứng dụng.
Đảm bảo tuân thủ
Trong không gian quản lý, cả cơ quan quản lý và các thực thể được quản lý đều phải đối mặt với nhiệm vụ khó khăn là giám sát một hệ sinh thái tài chính lớn và phức tạp. Agentic AI có thể đơn giản hóa nhiệm vụ này bằng cách liên tục theo dõi dữ liệu giao dịch để tìm ra bất thường, đảm bảo tuân thủ các quy định về Chống rửa tiền (AML) và Chống tài trợ khủng bố (CTF). Các tác nhân này có thể giúp tự động xác minh việc tuân thủ (đồng thời hiểu cách các quy định phát triển theo thời gian thực), đánh dấu các giao dịch rủi ro cao để con người xem xét, đồng thời duy trì các giao thức bảo mật nghiêm ngặt. Bằng cách tận dụng Bằng chứng không tri thức(ZKP), họ đảm bảo rằng dữ liệu nhạy cảm của khách hàng vẫn được bảo mật, do đó giải quyết một trong những thách thức cấp bách nhất của ngành: cân bằng giữa tính minh bạch và quyền riêng tư.
Thực hiện phân tích tín dụng
Như đã đề cập trước đó, quy trình phân tích tín dụng theo truyền thống đòi hỏi nhiều lao động cũng sẽ được hưởng lợi. Các tổ chức tài chính thường biên soạn và xem xét các tập dữ liệu lượng lớn để đánh giá khả năng tín dụng. AI của Agentic có thể chia nhỏ quy trình này thành nhiệm vụ chuyên biệt: một tác nhân thu thập dữ liệu tài chính, một tác nhân khác tính toán chỉ báo rủi ro chính như tỷ lệ nợ thu nhập và tác nhân thứ ba tích hợp các phát hiện này vào một bản ghi nhớ tín dụng toàn diện. Các tác nhân này làm việc cùng nhau một cách liền mạch, đảm bảo đánh giá nhanh hơn và chính xác hơn — đặc biệt quan trọng trong hoạt động cho vay của tổ chức rủi ro .
Chính sách tiền tệ hướng dẫn
Các ngân hàng trung ương chịu trách nhiệm thực hiện chính sách tiền tệ cũng có thể khai thác sức mạnh của Agentic AI. Các tác nhân theo dõi chỉ báo kinh tế quan trọng như lạm phát, tăng trưởng GDP và việc làm, tổng hợp và phân tích kết quả để hướng dẫn các quyết định chính sách. Bằng cách mô phỏng tác động của thay đổi lãi suất hoặc các hoạt động thị trường mở, các hệ thống này cho phép các ngân hàng trung ương tinh chỉnh các biện pháp can thiệp của mình với sự tự tin và chính xác hơn, do đó giảm thiểu hậu quả không mong muốn trên khắp các lĩnh vực.
Quản lý tài sản được mã hóa
Tài sản được mã hóa, chẳng hạn như trái phiếu kỹ thuật số hoặc bất động sản được mã hóa, đang trở thành một phần không thể thiếu của tài chính hiện đại và Agentic AI cung cấp cơ sở hạ tầng để quản lý chúng một cách hiệu quả. Các đại lý có thể theo dõi hiệu suất tài sản, xác minh giá trị tài sản thế chấp và tích hợp tài sản này vào các khoản vay và danh mục đầu tư. Đối với các ngân hàng trung ương đang khám phá việc sử dụng trái phiếu xanh được mã hóa để hỗ trợ các mục tiêu ESG, các Đại lý có thể đảm bảo tuân thủ, theo dõi các điều kiện thị trường và cung cấp phân tích thời gian thực cho các nhà hoạch định chính sách.
Phối hợp thanh toán
Trong các hệ thống thanh toán và giao dịch xuyên biên giới, Agentic AI cung cấp tốc độ và bảo mật vô song. Agent có thể sử dụng mạng lưới oracle để xử lý chuyển đổi tiền tệ, kiểm tra tuân thủ và quy trình quyết toán trong vài giây, đảm bảo chuyển khoản liền mạch giữa các khu vực pháp lý. Ví dụ, trong khuôn khổ CBDC, Agent có thể giúp điều phối các khoản thanh toán quốc tế, giảm thiểu sự chậm trễ trong khi vẫn tuân thủ các quy định của địa phương - giúp các khoản thanh toán xuyên biên giới trở nên suôn sẻ như các giao dịch trong nước.
Tăng cường bảo mật
Phát hiện gian lận và an ninh mạng cũng được hưởng lợi từ khả năng lập luận và thực thi tự động của Agentic AI. Các tác nhân chuyên biệt giám sát các mẫu giao dịch, phát hiện các bất thường và tự động phản hồi các vi phạm tiềm ẩn. Ví dụ, một tác nhân xác định được một cuộc tấn công Phishing có thể cô lập các tài khoản bị nhiễm và cảnh báo cho người điều hành theo thời gian thực, ngăn ngừa thiệt hại lan rộng.
Bằng cách tích hợp Agentic AI vào các hoạt động tài chính, các tổ chức và cơ quan quản lý có thể đạt được mức độ hiệu quả, khả năng phục hồi và sự tin cậy chưa từng có. Từ việc đảm bảo thanh khoản đến ngăn ngừa gian lận, các hệ thống này đang chuyển đổi bối cảnh tài chính, mở đường cho một nền kinh tế toàn cầu thích ứng và mạnh mẽ hơn.
Kết luận: Viễn cảnh mong đợi cho tương lai
Khi AI tác nhân tiến triển, việc tích hợp với Bằng chứng không tri thức (ZKP) có thể giúp xây dựng lòng tin mà các hệ thống này cần để thành công. ZKP cho phép các tác nhân xác minh thông tin quan trọng—cho dù là xác minh sự tuân thủ, đánh giá giao dịch hay xác thực dữ liệu —mà không tiết lộ các chi tiết nhạy cảm. Khả năng này trực tiếp giải quyết các thách thức cơ bản về quyền riêng tư, bảo mật và tính minh bạch vốn từ lâu đã hạn chế các hệ sinh thái đa tác nhân tự chủ.
Áp dụng ZKP trong Agentic AI mở ra tiềm năng chuyển đổi trong nhiều ngành, đặc biệt là tài chính. Điểm khác biệt của ZKP là khả năng nuôi dưỡng lòng tin trong các hệ thống vốn thiếu lòng tin. Lòng tin này cho phép các tác nhân hoạt động tự tin trong hoàn cảnh phi tập trung , hợp tác giữa các silo của tổ chức và quy định mà không làm ảnh hưởng đến tính toàn vẹn dữ liệu. Đổi lại, các doanh nghiệp có được khả năng đổi mới nhanh hơn, tối ưu hóa quy trình và mở rộng sang các thị trường mới một cách an toàn.
Sự hội tụ của ZKP và Agentic AI mang đến một cơ hội thú vị cho các ngành công nghiệp áp dụng phương pháp tiếp cận lấy sự tin tưởng làm trọng tâm. Bằng cách nhúng ZKP vào lõi của các hệ thống agentic, các tổ chức có thể chủ động giải quyết nghịch lý về quyền riêng tư và đặt nền tảng để tạo ra giá trị lớn hơn bằng cách áp dụng các kiến trúc agentic.
