Dari Self-Driving ke Smart Banking: Pelajaran AI

AI dalam Pengangkutan & Logistik••By 3L3C

Rivian sedang mengejar self-driving. Apa yang bank, insurans, fintech dan syarikat logistik di Malaysia boleh belajar tentang AI risiko, data dan kepercayaan?

AI kewanganpemanduan autonomirisk modelingpengesanan fraudAI dalam logistikperbankan digital
Share:

Dari SUV Self-Driving ke Sistem Skor Kredit: Apa Yang Bank Boleh Belajar Dari Rivian

Pada 2024, Rivian tunjuk demo kemajuan sistem self-driving mereka. Kenderaan elektrik yang dulu cuma terkenal dengan reka bentuk dan prestasi, kini cuba bersaing dengan Tesla, Waymo dan gergasi automotif lain dalam perlumbaan AI pemanduan autonomi.

Menariknya, walaupun demo itu mengagumkan, realitinya jelas: masih jauh perjalanan sebelum kereta Rivian boleh betul‑betul memandu sendiri tanpa manusia.

Inilah poin penting untuk sektor kewangan di Malaysia. Apa yang berlaku dalam industri automotif sangat mirip dengan apa yang bank, insurans dan fintech hadapi bila bina model AI untuk pengesanan fraud, pemarkahan kredit, risk modeling dan compliance. Kedua‑dua bidang beroperasi dalam persekitaran kompleks, berisiko tinggi dan sangat dikawal selia.

Artikel ini kupas:

  • bagaimana pertaruhan besar Rivian pada AI self-driving mencerminkan cabaran AI dalam perkhidmatan kewangan
  • apa pelajaran praktikal yang bank, insurans dan fintech boleh ambil
  • bagaimana pemain logistik dan pengangkutan seperti Pos Malaysia, GDex dan syarikat fleet boleh guna pendekatan sama untuk AI operasi mereka

1. Perjalanan AI Rivian: Hebat di Demo, Mencabar di Dunia Sebenar

Inti cerita Rivian mudah: demo nampak licin, realiti jauh lebih kucar-kacir.

Dalam demo tertutup, sistem pemanduan autonomi Rivian boleh:

  • kekal dalam lorong dengan stabil
  • kawal kelajuan ikut trafik
  • lakukan pembrekan kecemasan bila ada halangan

Tapi bila keluar ke dunia sebenar, senarionya tak sebersih itu:

  • pejalan kaki yang tiba‑tiba lintas jalan
  • motosikal potong barisan (sangat biasa di bandar Asia)
  • hujan lebat, silau matahari, jalan berlubang
  • papan tanda jalan yang pudar atau dilitupi pokok

AI kereta perlu buat keputusan dalam milisaat dengan data yang tak sempurna, dan setiap kesilapan ada risiko nyawa.

Dalam pemanduan autonomi, 95% betul masih dianggap gagal.

Paralel dengan dunia kewangan

Dalam bank dan insurans, model AI juga:

  • terlatih dengan data sejarah yang "cantik", tapi dunia sebenar penuh kelompongan
  • perlu buat keputusan cepat: luluskan transaksi atau blok sebagai fraud; luluskan pinjaman atau tidak
  • beroperasi di bawah pengawasan ketat pengawal selia dan risk committee

Bezanya, di jalan raya, kosnya kemalangan; dalam kewangan, kosnya boleh jadi:

  • kerugian ratusan juta ringgit daripada fraud
  • penyiasatan regulator kerana diskriminasi atau ketidakpatuhan
  • hilang kepercayaan pelanggan bila akaun disekat tanpa sebab jelas

Pelajaran utama: kejayaan proof-of-concept AI tak sama dengan kejayaan production. Demo bukan matlamat, ketahanan di dunia sebenar yang penting.

2. Data: "Jalan Raya" Bagi AI Dalam Kewangan & Logistik

Dalam self-driving, syarikat seperti Rivian mengumpul petabait data: video, radar, LiDAR, data GPS, sensor kenderaan. Semuanya untuk ajar model AI mengenali dunia sebenar.

Dalam bank dan insurans, "jalan raya" AI adalah data seperti:

  • transaksi kad dan perbankan internet
  • rekod pembayaran balik pinjaman
  • tuntutan insurans dan sejarah kerosakan
  • log internet banking, lokasi log masuk, jenis peranti
  • data operasi logistik: pergerakan trak, delivery time, suhu kontena

Masalah data yang sama berulang

Apa yang Rivian hadapi, bank pun hadapi:

  1. Data berat sebelah (bias)
    Model pemanduan yang dilatih hanya di bandar Amerika tak akan faham situasi jalan di Kuala Lumpur atau Jakarta. Dalam kewangan, model yang dilatih hanya pada pelanggan gaji tetap kerajaan mungkin gagal menilai risiko usahawan gig atau peniaga kecil.

  2. Data tak lengkap dan kotor
    Kamera kotor, sensor rosak, GPS lari — AI kereta tetap perlu buat keputusan. Dalam bank, data pelanggan mungkin:

    • tak dikemas kini
    • berbeza antara sistem core banking, kad kredit, dan sistem pinjaman
    • terperangkap dalam format lama atau legacy

  3. Data jarang tetapi kritikal
    Kemalangan besar jarang berlaku, sama seperti fraud bernilai tinggi. Model AI cenderung belajar banyak dari kes majoriti (normal), tapi gagal di kes minoriti yang sebenarnya paling kritikal.

Apa yang organisasi patut buat

Berpandukan pendekatan gergasi automotif, organisasi kewangan dan logistik boleh:

  • bina data pipeline yang konsisten dari hujung ke hujung: dari core system ke data lake ke platform AI
  • wujudkan proses "incident tagging" yang rapi: setiap kes fraud, near-miss risk, kelewatan penghantaran besar ditandakan dan dianalisis semula
  • gunakan strategi active learning: model hantar kes yang meragukan kepada manusia, dan maklum balas manusia digunakan semula sebagai data latihan

Dalam logistik, data AI bukan sekadar lokasi kenderaan. Syarikat seperti Pos Malaysia dan GDex makin banyak menggunakan:

  • data cuaca untuk jangkaan kelewatan
  • data trafik untuk route optimization
  • data volum e-dagang untuk demand prediction

Semua ini selari dengan apa yang pembangun self-driving buat pada skala global.

3. Dari Pilot ke Skala: Mengurus Risiko Dalam Dunia Nyata

Penat tengok projek AI yang kekal di fasa pilot? Industri automotif bagi satu petunjuk jelas: pensijilan keselamatan dan governance adalah penentu skala sebenar.

Sebelum mana‑mana kenderaan autonomi boleh beroperasi tanpa pemandu, mereka perlu:

  • diuji ratusan ribu hingga berjuta kilometer
  • lalui audit keselamatan dan ujian pihak ketiga
  • mematuhi garis panduan pengawal selia setiap negara / negeri

Dalam kewangan dan insurans, AI sepatutnya dilayan dengan tahap disiplin yang sama.

Rangka kerja yang boleh ditiru oleh bank & insurans

Berikut struktur yang saya lihat berkesan, diadaptasi daripada cara industri automotif mengurus self-driving:

  1. AI Safety Case / Model Risk Document
    Dokumen yang terangkan:

    • objektif model (contoh: pengesanan fraud, skor kredit, harga premium insurans)
    • had model (apa yang model tak patut guna)
    • senario kegagalan yang diketahui dan pelan mitigasi

  2. "Human in the loop" yang jelas
    Self-driving yang matang tidak terus buang pemandu; mereka perkenal fungsi bantuan pemandu dulu (Level 2–3).
    Dalam bank dan fintech, logiknya sama:

    • AI beri cadangan skor pinjaman, manusia buat keputusan akhir untuk kes yang kompleks
    • AI bendera transaksi mencurigakan, pasukan fraud ops sahkan sebelum sekatan menyeluruh

  1. Monitoring berterusan, bukan sekali gus
    Dalam kereta autonomi, setiap versi perisian dipantau: intervention rate, disengagement, near-miss.
    Dalam kewangan:

    • pantau kadar false positive fraud (pelanggan sah disekat)
    • pantau perubahan profil risiko portfolio pinjaman selepas AI digunakan
    • audit semula model bila ekonomi berubah (contoh: krisis, perubahan OPR, musim perayaan dengan corak perbelanjaan luar biasa)

  2. Pendekatan staged rollout
    Seperti self-driving hanya dibenarkan di kawasan tertentu, model AI kewangan juga patut:

    • mula di segmen produk terhad (contoh: personal loan kecil) sebelum masuk ke hipotek atau pinjaman korporat besar
    • mula di satu negara / negeri sebelum rollout serantau

4. Ketelusan & Kepercayaan: Dari Stereng ke Skor Kredit

Satu kritikan besar terhadap self-driving: penumpang tak tahu kenapa kereta buat keputusan tertentu. Tiba‑tiba brek kuat, tiba‑tiba tukar lorong — sukar nak percaya kalau tak faham logiknya.

Dalam sektor kewangan, isu ini lebih sensitif. Bila:

  • permohonan pinjaman ditolak
  • transaksi kad kredit disekat
  • tuntutan insurans disiasat

Pelanggan akan bertanya: "Kenapa?" Dan jawapan "sebab AI kata begitu" tak boleh diterima.

Kenapa explainable AI (XAI) wajib, bukan pilihan

Apa yang pembangun self-driving sedang cuba buat — visualisasi apa yang dilihat dan difahami oleh sistem — patut jadi inspirasi untuk sektor kewangan.

Dalam bank dan insurans, ini boleh diterjemah kepada:

  • Penjelasan faktor keputusan yang mudah difahami
    Contoh:

    • "Permohonan anda ditolak kerana nisbah hutang kepada pendapatan melebihi 60% dan ada tiga tunggakan lebih 90 hari dalam 12 bulan lepas."
    • "Transaksi ini diblok kerana lokasi luar kebiasaan (Paris) berbanding sejarah anda yang hanya di Malaysia dan Singapura, dan nilai transaksi 5x lebih tinggi daripada purata anda."

  • Garis panduan dalaman untuk pegawai cawangan dan ejen
    Latihan supaya mereka boleh jelaskan keputusan yang disokong AI tanpa jargon teknikal.

  • Kawalan terhadap diskriminasi
    Seperti self-driving perlu memastikan sistem tak bias terhadap pejalan kaki tertentu, AI kewangan perlu dipantau bagi mengelakkan:

    • diskriminasi kaum atau jantina
    • redlining kawasan tertentu

AI yang kuat tapi tak boleh dijelaskan hanya menukar masalah lama kepada bentuk yang lebih sukar dikesan.

5. Apa Maksudnya Untuk Bank, Insurans, Fintech & Logistik di Malaysia

Bila kita gabungkan pelajaran dari Rivian dan pemain self-driving lain dengan realiti tempatan, ada beberapa strategi praktikal untuk 2025 dan seterusnya.

5.1 Untuk bank dan koperasi kredit

Fokus utama patut pada AI risiko dan analitik ramalan yang terkawal:

  1. Mula dengan kes penggunaan bernilai tinggi tapi terkawal

    • pemarkahan kredit mikro untuk PKS dan peniaga online
    • pengesanan fraud real-time untuk online banking dan e-dagang
    • early warning system bagi akaun pinjaman yang berisiko menjadi NPL

  2. Bina "AI driving stack" yang modular
    Seperti kereta ada lapisan persepsi, perancangan dan kawalan, bank boleh bina:

    • lapisan data (pembersihan, integrasi, governance)
    • lapisan model (skor, pengesanan anomali, ramalan churn)
    • lapisan aplikasi (dashboard risk, automasi keputusan, alert untuk manusia)

  3. Wujudkan jawatan atau fungsi Model Risk Management (MRM)
    Pasukan khas yang tugasnya:

    • audit model AI
    • semak bias
    • luluskan rollout seperti "JPJ untuk model AI".

5.2 Untuk syarikat insurans

AI pemanduan autonomi sangat relevan kepada insurans motor dan usage-based insurance (UBI):

  • data telematics dari kenderaan dan fleet boleh dijadikan asas harga premium yang lebih adil
  • tingkah laku pemandu (pembrekan mengejut, kelajuan, masa pemanduan) lebih tepat daripada borang deklarasi

Pelajaran dari Rivian:

  • jangan terus lompat ke polisi automatik penuh tanpa memahami profil risiko baru yang muncul bila AI masuk dalam kenderaan
  • wujudkan model harga yang fleksibel dan diaudit, kerana tingkah laku pemandu di lebuh raya PLUS tak sama dengan di jalan kampung atau bandar sesak

5.3 Untuk logistik, pengangkutan dan fleet management

Dalam siri "AI in Transportation & Logistics", corak yang sentiasa muncul ialah: AI paling berguna bila mengoptimumkan operasi harian.

Berdasarkan pendekatan self-driving, syarikat logistik di Malaysia boleh:

  • guna AI untuk route optimization yang mengambil kira:

    • trafik waktu puncak di Lembah Klang
    • waktu operasi lori di pelabuhan
    • cuaca monsun dan banjir musiman

  • jalankan predictive maintenance untuk trak dan van penghantaran, sama seperti kereta elektrik moden yang tahu bila komponen perlu diservis

  • gabung data warehouse, volum pesanan e-dagang, dan data pemandu untuk perancangan fleet harian yang lebih tepat

Bajet AI dalam logistik semakin besar, bukan saja dari pemain global, tapi juga gergasi tempatan seperti Pos Malaysia, GDex dan penyedia 3PL. Mereka yang meniru disiplin industri self-driving dari awal akan lebih cepat nampak ROI.

Penutup: Self-Driving Bukan Sekadar Kereta, Ia Cara Fikir Tentang AI

Bila kita tengok perjalanan Rivian membangunkan AI pemanduan autonomi, mesejnya jelas:

AI yang menyentuh nyawa dan wang orang ramai perlu dibina seperti sistem keselamatan, bukan sekadar projek IT.

Untuk bank, insurans, fintech dan syarikat logistik di Malaysia, pendekatan yang sama patut diambil:

  • serius tentang data dan governance
  • uji dalam dunia sebenar secara berperingkat
  • pastikan manusia kekal dalam loop untuk keputusan kritikal
  • bina kepercayaan melalui ketelusan dan kebolehjelaan model

Musim hujung tahun 2025 ini, ramai organisasi sedang merancang bajet 2026. Kalau anda sedang mempertimbangkan lebih banyak pelaburan dalam AI risiko, fraud detection atau fleet analytics, tanya soalan mudah:

Adakah kita membina AI seperti industri self-driving membina kereta, atau seperti eksperimen kecil yang mudah tumbang bila diuji dunia sebenar?

Jika jawapannya belum meyakinkan, ini masa yang tepat untuk menilai semula strategi data, model dan governance anda — sebelum AI anda sendiri menjadi punca kemalangan kewangan.