Krisis Seni Bina Data: Penghalang Utama AI Perbankan

Pada 2024, beberapa bank besar Asia melaporkan perbelanjaan ratusan juta ringgit untuk projek AI – tapi kurang daripada separuh projek itu sampai ke fasa production. Bukan sebab model AI lemah. Puncanya lebih asas: seni bina data masih bersepah dan ketinggalan zaman.

Di Malaysia, bank, syarikat insurans dan fintech agresif bercakap tentang AI untuk pengesanan penipuan, pemarkahan kredit automatik dan analitik pelanggan. Tetapi realitinya, ramai masih guna sistem warisan (legacy) dari era kad ATM pertama dulu. Model AI cuba menarik insight daripada data yang terperangkap dalam 20 sistem berbeza. Tak hairan ramai projek AI “gagal senyap”.

Dalam siri AI in Financial Services (Banks, Insurance, Fintech) ini, artikel ini fokus pada satu perkara: AI takkan berjaya tanpa seni bina data moden. Kita akan lihat di mana bank tersangkut, seni bina empat lapis yang sebenarnya berkesan, dan bagaimana pasukan di Malaysia boleh mula bergerak dalam 18 bulan, bukan 8 tahun.

---

1. Mengapa Seni Bina Data Jadi “Pembunuh Senyap” Projek AI Bank

Kejayaan AI dalam perbankan bukan bermula dengan model, tetapi dengan data yang bersih, bersepadu dan masa nyata. Tanpa itu, setiap kegunaan AI akan bermasalah.

Tiga masalah besar sistem perbankan tradisional

1. Data berpecah dan berpetak (fragmentation crisis)
Senario biasa di bank:

• Data akaun simpanan di satu sistem teras
• Data kad kredit di platform lain
• Rekod pelaburan di sistem pasaran modal
• Maklumat AML/KYC di sistem pematuhan berasingan

Semuanya tak saling berhubung secara masa nyata. Akibatnya:

• Butakan keputusan (decision blindness) – Model kredit nampak hanya sebahagian cerita. Contoh: pelanggan nampak baik dari segi CCRIS, tapi trend baki akaun tunai merosot teruk tiga bulan kebelakangan. Sistem tak nampak, risiko gagal bayar meningkat tanpa disedari.
• Respons risiko perlahan – Peraturan pengesanan penipuan berjalan dalam mod batch beberapa minit atau jam. Dalam dunia penipuan rentas sempadan dan scam dalam talian, 5 minit sudah terlambat.
• Tiada personalisasi sebenar – Tanpa pandangan 360° pelanggan secara masa nyata, AI pemasaran hanya mampu buat segmentasi kasar. Hasilnya, semua orang dapat tawaran kad kredit yang sama, walaupun tingkah laku dan keperluan berbeza.

2. Infrastruktur pemprosesan ketinggalan
Banyak institusi masih bergantung pada data warehouse tradisional dan batch processing. Model risiko jalan berjam-jam, laporan portfolio siap keesokan hari. Dalam pasaran yang bergerak minit ke minit, insight jenis ini sudah basi.

Untuk AI perbankan moden – dari real-time fraud detection hingga dynamic pricing – kita perlukan pemprosesan berskala besar, latensi rendah, dan sokongan model pembelajaran mesin kompleks.

3. Kekosongan aman tadbir (governance vacuum)
Bank mula guna model AI untuk keputusan yang menyentuh hidup orang: permohonan rumah, kad kredit, pinjaman SME. Tapi kalau ditanya: “Kenapa pelanggan ini ditolak?”, ramai tak boleh terangkan selain “Itu keputusan model.”

Ini bukan sekadar isu etika; ini risiko kawal selia dan reputasi. Di Malaysia, dengan tekanan piawaian global seperti GDPR, serta garis panduan Bank Negara tentang penggunaan model dan data, bank yang tak serius tentang explainability dan bias akan rasa kesannya.

Realitinya: Anda tak boleh ada AI yang dipercayai tanpa data yang tersusun dan tertadbir dengan baik.

---

2. Seni Bina Empat Lapis: Asas Sebenar AI Dalam Perbankan

Institusi yang “menang” dengan AI secara konsisten ada corak sama: mereka bina seni bina empat lapis, bukan bertampal atas sistem lama.

Lapisan 1: Asas data bersepadu – data lake moden

Asasnya mudah tetapi ramai elak: satu sumber kebenaran untuk data pelanggan dan transaksi.

Bukan data warehouse 2005, tetapi data lake cloud-native yang:

• Menyimpan data berstruktur dan tidak berstruktur pada skala terabait/petabait
• Menyokong carian sub-saat untuk analitik operasi
• Menyepadukan data daripada sistem teras, kad, pelaburan, insurans, e-wallet, CRM dan kanal digital

Hasilnya, apabila model AI skor kredit atau model customer lifetime value dijalankan, ia nampak:

• Sejarah transaksi penuh merentas produk
• Trend kecairan dan aliran tunai
• Corak tingkah laku (gaji lewat masuk, kekerapan cash advance, dsb.)
• Nilai pelanggan menyeluruh, bukan hanya satu produk

Di institusi yang melaksanakannya, ketepatan ramalan gagal bayar biasanya meningkat 15–25% dalam tahun pertama. Bagi bank Malaysia, impaknya nyata: penurunan peruntukan kerugian kredit, dan keyakinan lebih tinggi untuk kembangkan pinjaman kepada segmen yang sebelum ini dianggap “borderline”.

Lapisan 1b: Integrasi data masa nyata

Data lake statik sahaja tak cukup. AI untuk pengesanan penipuan, pemantauan risiko dan real-time marketing perlukan data stream masa nyata:

• Transaksi kad dan e-wallet ketika ia berlaku
• Isyarat login luar biasa pada aplikasi mudah alih
• Perubahan mendadak dalam corak transaksi peniaga (merchant)

Platform penstriman seperti Kafka atau setara membolehkan:

• Fraud scoring setiap transaksi dalam milisaat
• Amaran awal apabila deposit bulanan pelanggan jatuh 40%
• Tindakan segera apabila aktiviti akaun selari dengan corak scam semasa

Cara meyakinkan pengurusan? Tunjuk kos kelewatan: satu kes penipuan besar, satu NPL besar yang boleh dikesan awal, satu peluang rebalancing portfolio yang terlepas. Angka ringgit akan bercakap.

Lapisan 1c: Data alternatif untuk kelebihan maklumat

Di Malaysia, data alternatif semakin relevan untuk AI kredit dan insurans:

• Data telekom (corak top-up/prabayar untuk segmen tidak bergaji tetap)
• Data POS dan e-dagang untuk peniaga mikro
• Data IoT untuk insurans motor atau kesihatan

Institusi yang tahu guna data ini secara tertadbir akan nampak risiko dan peluang lebih awal berbanding pesaing yang hanya bergantung kepada laporan kredit tradisional.

Tetapi, integrasi data alternatif mesti datang dengan polisi kualiti data dan privasi yang jelas. Kalau tidak, risiko ketirisan dan salah tafsir data sangat tinggi.

---

3. Lapisan Pemprosesan Pintar: Di Sini AI Benar-Benar Memberi Nilai

Sebaik sahaja asas data kukuh, barulah AI mula memberi pulangan yang besar.

Kredit masa nyata dan pemarkahan yang adil

Dengan data bersepadu dan masa nyata, bank boleh:

• Meluluskan pinjaman pengguna dalam minit, bukan hari
• Menyemak semula had kredit secara dinamik berdasarkan tingkah laku terkini
• Memberi kadar faedah yang lebih tepat, bukan terlalu konservatif kerana ketidakpastian data

Bagi fintech dan bank digital tempatan, ini perbezaan besar antara pelanggan pilih anda atau pesaing.

Pengesanan penipuan bertumpu AI

Model pembelajaran mesin yang terlatih pada berjuta-juta transaksi boleh:

• Mengurangkan false positive sebanyak 40–50% berbanding sistem berasaskan peraturan semata-mata
• Menangkap corak scam baru yang tak wujud sebagai peraturan lagi
• Menjalankan pengesanan pada tahap transaksi dan jaringan (contoh: rangkaian akaun “keldai”)

Ini amat kritikal dalam konteks Malaysia sekarang, dengan peningkatan scam telefon, mule account dan penipuan e-dagang.

Pemantauan risiko dan pengurusan portfolio dinamik

Untuk perbankan pelaburan, pengurusan kekayaan dan insurans:

• Model AI boleh memantau pendedahan risiko pelanggan dan portfolio sepanjang hari
• Menjejak isyarat tekanan (market stress) dan mencadangkan tindakan sebelum kerugian menebal
• Menjana cadangan hedging atau pelarasan pelan perlindungan secara automatik

Bank yang sudah sampai tahap ini biasanya melihat penggunaan modal lebih cekap dan turun naik kerugian yang lebih terkawal.

Bila blockchain dan quantum masuk akal

Saya cenderung praktikal: blockchain bukan ubat semua penyakit, tapi untuk beberapa kegunaan:

• Pembayaran rentas sempadan – memendekkan tempoh penyelesaian dari hari ke jam/minit
• Trade finance – mengurangkan masa dan kertas kerja LC dan dokumen penghantaran dari minggu ke hari

Syarikat yang bijak tidak “main hype”. Mereka pilih kegunaan yang kosnya tinggi dan prosesnya lambat, kemudian guna blockchain untuk memotong kos dan masa.

Quantum computing pula lebih kepada pelaburan strategik 3–5 tahun.
Gunanya jelas untuk:

• Portfolio optimization berskala besar
• Derivative pricing kompleks
• Simulasi Monte Carlo mendalam

Institusi yang mula bina kecekapan quantum sekarang (pasukan kecil R&D, kerjasama dengan vendor, projek percubaan) akan mendapat kelebihan bila teknologi matang. Yang tunggu semuanya “siap”, biasanya akan ketinggalan beberapa tahun.

---

4. Lapisan Aman Tadbir: Tanpa Kepercayaan, AI Takkan Ke Mana

Tanpa aman tadbir yang serius, projek AI dalam perbankan boleh bertukar dari aset strategik kepada liabiliti kawal selia.

Explainable AI: daripada “black box” ke keputusan yang boleh diterangkan

Untuk pinjaman, insurans dan keputusan kepatuhan, bank perlu:

• Menjelaskan faktor utama di sebalik keputusan: pendapatan, sejarah bayaran, nisbah hutang, dsb.
• Menyimpan jejak audit (audit trail) setiap keputusan model
• Boleh menunjukkan kepada pengawal selia bahawa proses adalah konsisten dan tidak diskriminatif

Secara praktikal, ini bermakna:

• Guna model yang lebih mudah diterangkan di mana sesuai (contoh: gradient boosting dengan SHAP)
• Lapisi model kompleks (seperti deep learning) dengan teknik explainability per-keputusan

Pengesanan dan pengurangan bias

Model AI belajar daripada sejarah. Kalau sejarah itu berat sebelah, model akan mengulang dan membesarkan bias.

Institusi matang kini:

• Jalankan fairness audit berkala pada model kredit dan harga insurans
• Ukur sama ada kumpulan dilindungi (jantina, umur, bangsa, lokasi) mengalami kadar kelulusan atau harga yang tidak seimbang
• Laraskan ciri (feature) dan model untuk kurangkan kesan faktor yang tak patut mempengaruhi keputusan

Ini bukan hanya untuk mematuhi undang-undang anti-diskriminasi. Di Malaysia, reputasi jenama kewangan sangat bergantung pada kepercayaan masyarakat. Krisis kepercayaan kerana bias model boleh makan masa bertahun untuk dipulihkan.

Seni bina privasi dan tadbir urus data

Dengan tekanan peraturan global dan harapan pengguna yang semakin tinggi, bank tak lagi boleh memandang ringan aspek privasi.

Amalan yang wajar termasuk:

• Privacy-by-design dalam semua projek AI – hanya kumpul dan guna data yang betul-betul perlu
• Kawalan akses yang ketat dan pemantauan siapa lihat apa
• Polisi penggunaan data yang mudah difahami pelanggan, termasuk hak akses dan pemadaman data

Bank yang jelas dan telus tentang cara mereka menggunakan data pelanggan biasanya melihat kadar penggunaan aplikasi digital lebih tinggi, kerana pengguna rasa lebih yakin.

---

5. Jalan Pelaksanaan 18+ Bulan Untuk Bank di Malaysia

Ramai pengurusan bank takut projek seni bina data akan jadi mega projek bertahun-tahun yang “tak habis-habis”. Sebenarnya ada cara lebih bijak dan bertahap.

Fasa 1 (Bulan 1–6): Bina asas dan buktikan nilai

Pilih satu use case bernilai tinggi sebagai pemacu:

• Bank runcit: pemarkahan kredit pengguna
• Insurans: pemarkahan risiko underwriting
• Fintech: pengesanan penipuan transaksi

Langkah praktikal:

1. Bentuk data lake minimum yang menyatukan data paling kritikal untuk kegunaan tersebut
2. Bina model ML yang boleh dibandingkan dengan model sedia ada
3. Tunjukkan peningkatan: contohnya, ramalan NPL lebih tepat 20%, atau penipuan yang dikesan meningkat 30% dengan false positive lebih rendah

Ini memberi bukti dalaman bahawa seni bina data moden memberi pulangan, bukan hanya “projek IT”.

Fasa 2 (Bulan 6–18): Skala dan perluas AI merentas fungsi

Apabila asas sudah stabil:

• Tambah penstriman data masa nyata untuk transaksi utama
• Lebarkan ke kegunaan lain: churn prediction, cadangan produk, pemantauan pematuhan automatik
• Tubuhkan Model Risk Management dan rangka kerja explainable AI rasmi

Ini juga masa yang sesuai untuk mula menyelaras dengan pengawal selia tentang pendekatan anda terhadap AI dan data.

Fasa 3 (18+ bulan): Keupayaan strategik dan pembezaan pasaran

Dalam fasa ini, institusi boleh:

• Menguji infrastruktur blockchain dalam pembayaran rentas sempadan atau trade finance terpilih
• Memulakan program R&D quantum
• Melaksanakan personalisasi mendalam dalam aplikasi mudah alih – tawaran dan nasihat berasaskan tingkah laku masa nyata, bukan hanya segmentasi asas

Di peringkat ini, AI bukan lagi projek, tetapi menjadi cara bank beroperasi dan bersaing.

---

Penutup: AI Dalam Perbankan Bukan Masalah Model, Tapi Masalah Seni Bina

Realitinya, kebanyakan kegagalan projek AI perbankan di Malaysia bukan disebabkan AI itu sendiri, tetapi seni bina data yang tidak bersedia.

Institusi yang:

• Menyatukan data dalam satu asas kukuh
• Menyokong pemprosesan masa nyata berskala besar
• Mewujudkan aman tadbir yang telus dan adil

…akan melihat AI benar-benar membawa pulangan: kerugian kredit lebih rendah, pengesanan penipuan lebih pantas, pelanggan lebih setia, dan produk yang lebih relevan.

Bagi bank, insurans dan fintech yang serius tentang AI dalam perkhidmatan kewangan, soalan sebenar sekarang bukan lagi “model apa kita nak guna?”, tapi:

Seni bina data apa yang kita perlu bina supaya AI boleh benar-benar bekerja untuk kita, bukan sekadar demo dalam slaid?

Jika organisasi anda sedang merancang peta jalan AI untuk 2025–2026, langkah paling bijak ialah mula dengan seni bina data. Selesaikan krisis ini dahulu – barulah AI anda ada peluang sebenar untuk menang.