AIOS
Financial Data Accuracy & AI Transformation
cho Dragon Capital
Accuracy · Control · Speed → Chain AI → Agent → Autonomous
Talking point: Đây là giải pháp xây riêng cho DC, không phải platform chung cho mọi doanh nghiệp. Chúng tôi hiểu hệ sinh thái DC — IRIS, PyBroker, ALGO-E — và thiết kế AIOS tích hợp trực tiếp vào đó.
Trần Đình Tuấn
CPO Fabbi Japan · PhD · Người trình bày chính
Product & R&D leadership · AI research partnerships
Japan market depth · JP–VN technology bridge
Dẫn dắt thiết kế sản phẩm AIOS cho DC
Japan market depth · JP–VN technology bridge
Dẫn dắt thiết kế sản phẩm AIOS cho DC
| Thành viên | Vai trò | Chuyên môn |
|---|---|---|
| Khúc Anh Minh Lượng | CDXO — Giám đốc Chuyển đổi Số | Kiến trúc hệ thống, AI standardization, presales |
| Lê Hoàng Tuấn Anh | GĐ Fabbi Đà Nẵng | Japan sales execution, quan hệ khách hàng, JP–VN bridge |
Talking point: 4 nhà + AI-first. Fabbi AUS mới thành lập — thị trường Australia + US springboard. DOMUS đang chạy thực tế cho DC. AIOS là sản phẩm chủ lực hôm nay — xây riêng cho bài toán tài chính, không phải generic wrapper.
Local LLM
Tốc độ + độ chính xác semantic search + extract dữ liệu = enterprise-grade, on-premise native
Anh Tuấn demo: semantic search siêu chính xác
Hiểu bài toán DC
5/6 team đã khảo sát · 26 task mapped · Pain points cụ thể
FiinGroup errors, audit trail, Daily Report — đã biết và đã thiết kế giải pháp
Kiến trúc & Lộ trình
4-layer architecture · 4-tier security · 3-phase roadmap
Chain AI → Agent → Autonomous — aligned với định hướng chiến lược DC
| Trụ cột | Chứng minh |
|---|---|
| Local LLM | Anh Tuấn: tốc độ + độ chính xác semantic search + extract dữ liệu — enterprise-grade, on-premise native |
| Hiểu bài toán | 5/6 team đã khảo sát, 26 task mapped, pain points cụ thể (FiinGroup, audit trail, Daily Report) |
| Kiến trúc & Lộ trình | 4-layer architecture, 4-tier security, 3-phase roadmap (Chain AI → Agent → Autonomous) |
"Chúng tôi không đến để bán platform. Chúng tôi đến để chứng minh: (1) Local LLM đủ mạnh, (2) hiểu bài toán DC, (3) kiến trúc hợp lý để triển khai."
Tầm nhìn 2 năm:
Năm 1 → DC hệ thống công nghệ #1 thị trường
Năm 2 → Tech contributes DC valuation trên UPCOM
Fabbi build roadmap backwards từ vision này — không phải từ sản phẩm.
Talking point: Nhấn mạnh 3 điểm chứng minh năng lực — không phải lý thuyết mà là proof từ thực tế: demo DOMUS OCR 14/3, khảo sát 5/6 team trực tiếp, kiến trúc chi tiết 4 tầng.
| # | Current State (AS-IS) | Target State (TO-BE) |
|---|---|---|
| 1 | 56% manual workflows — no enterprise AI operating layer | 16 tasks automated Phase 1 · 27h/week effort savings |
| 2 | Fragmented data silos — no cross-functional intelligence | AIOS connectors unify all systems · single knowledge layer |
| 3 | Inconsistent external data (FiinGroup vs Bloomberg) | Auto QA reconciliation · flag >5% deviation in <30s |
| 4 | Unmanaged AI usage · no audit trail · no governance | AIOS Governance: 4-tier RBAC · 100% audit trail · guardrails |
| 5 | Manual SSC/regulatory reporting · compliance exposure | Auto compliance export · Audit Trail queryable and SSC-ready |
Talking point: L0 enterprise landscape. AS-IS = 6 systems, fragmented, 56% manual, no AI operating layer. TO-BE = AIOS as governance + intelligence layer over existing systems — not replacement. IRIS stays as the knowledge core. Human decision-makers retain accountability — AI supports insight only.
Bloomberg
Market Data
Market Data
FiinGroup ⚠ cần đối soát
Observed inconsistency vs Bloomberg
Observed inconsistency vs Bloomberg
PyBroker
Research / Quant
Research / Quant
IRIS
Lakehouse
85% Azure + 15% ext
Lakehouse
85% Azure + 15% ext
ALGO-E
Trading Execution
Trading Execution
Cadena
HR System
HR System
Claude Desktop
AI usage chưa có governance
AI usage chưa có governance
Dữ liệu hiện vẫn phân tách theo hệ thống/phòng ban; AI usage còn phân tán và chưa nằm trong một khung enterprise governance thống nhất.
6 hệ thống chính
- PyBroker — Research & Quant
- ALGO-E — Trading Execution
- IRIS — Data Lakehouse (85% Azure)
- Bloomberg — Market Data Feed
- FiinGroup — Financial Analytics ⚠ cần đối soát
- Cadena — HR & Admin
Nhận định sơ bộ
Chưa có lớp intelligence dùng chung
DC đã có nền tảng mạnh. Các hệ thống hiện mạnh ở vai trò chức năng riêng lẻ — chưa hình thành lớp intelligence / orchestration dùng chung ở cấp enterprise.
Dữ liệu chưa liên thông thành workflow dùng chung
IRIS chứa dữ liệu nhưng chưa đóng vai trò knowledge layer để hỗ trợ hỏi-đáp và cross-reference. Cross-department data flow còn hạn chế.
Một số dữ liệu tài chính cần đối chiếu thủ công
Một số chỉ số từ nguồn external data (P/E, NAV, corporate actions) cần QA/cross-check thủ công thường xuyên — cần xác nhận thêm với system owner.
Talking point: DC đã có nền tảng mạnh — IRIS, PyBroker, ALGO-E. Nhận định sơ bộ: chưa có lớp intelligence dùng chung ở cấp enterprise. AIOS không thay thế hệ thống hiện tại — AIOS orchestrate và kết nối. Cần discovery workshop để xác nhận chi tiết.
DC đang thiếu: một hệ thống đảm bảo độ chính xác dữ liệu tài chính ở cấp enterprise
FiinGroup sai calculated metrics (P/E, NAV, corporate actions)
Bloomberg gần đây cũng sai
Manual reconciliation đang diễn ra
→ Bài toán: Accuracy Engine + Data Reconciliation Layer — không phải OCR, không phải AI platform
| Phòng ban | Quan sát ban đầu | Ước tính effort |
|---|---|---|
| Legal & Compliance | Chưa có knowledge pool tập trung; việc review còn phụ thuộc nhiều vào người xử lý, chưa có cross-reference tự động | Ước tính 1–3 HĐ/tuần × 2–4h/hồ sơ |
| ETF Research | Daily Report phụ thuộc máy cá nhân, phải download 40 file/ngày từ nhiều nguồn | Ước tính ~10h/tuần thao tác thủ công |
| Risk | Khả năng truy vết / audit trail hiện còn hạn chế ở một số luồng dữ liệu; đối chiếu dữ liệu external còn phụ thuộc thủ công | QA hiện chủ yếu bằng tay; chưa tự động hóa |
| Principal Invest | Quy trình mang tính case-by-case, mức độ chuẩn hóa chưa cao. Tổng hợp báo cáo IC hiện chủ yếu thủ công từ nhiều nguồn | Ước tính báo cáo IC hàng tháng ~1–2 ngày thủ công |
| HR & Admin | Cadena hiện chưa đáp ứng đầy đủ nhu cầu báo cáo / liên thông HR–Finance; travel report còn phụ thuộc quy trình thủ công | Ước tính ~5 ngày/tháng cho travel report |
26
tác vụ được khảo sát
~56%
còn nhiều thao tác thủ công
~27h
tiềm năng tiết kiệm/tuần (ước tính sơ bộ)
Các số liệu trên là kết quả khảo sát/phỏng vấn ban đầu với 5/6 nhóm làm việc của DC. Đây là baseline sơ bộ để định hướng discovery; cần workshop chi tiết hơn với DC để xác nhận phạm vi, tần suất, thời gian xử lý và mức độ tự động hóa khả thi.
Talking point: Đây là kết quả trao đổi ban đầu với 5/6 nhóm DC — không phải Fabbi ước tính từ đầu. Số 56% và 27h là baseline sơ bộ, cần validation workshop để xác nhận chi tiết quy trình, sample size và định nghĩa "thủ công" theo từng phòng ban. Mục tiêu của Phase 1 là lock scope dựa trên discovery đầy đủ.
| Hệ thống | AS-IS Pain ⚠ | TO-BE Solution ✓ |
|---|---|---|
| IRIS Lakehouse | Read-only silo, không thể query ngôn ngữ tự nhiên | + pgvector → semantic search, RAG-ready |
| Bloomberg/FiinGroup | FiinGroup sai số P/E, NAV, corp actions thường xuyên | Auto reconciliation <30s, discrepancy report tự động |
| PyBroker + ALGO-E | Scripts isolated, phân tích thủ công, không AI | AIOS AI insights + human-approve gate cho trading |
| Cadena / Reports | 5 ngày/tháng manual, không đồng bộ HR-Finance | HR Chatbot + auto-sync + daily report tự động |
Talking point: L1 là cấp độ system — từng hệ thống cụ thể được kết nối vào AIOS như thế nào. PyBroker, ALGO-E, IRIS giữ nguyên — AIOS wrap và connect. Không migration, không disruption. Data flows DOWN (L0 không bao giờ xuống L3). Queries flows UP qua gate kiểm tra quyền.
Talking point: Sơ đồ đầy đủ 6 lớp L1 — từ Data Sources (Bloomberg, FiinGroup, IRIS) qua Ingestion pipelines, IRIS Lakehouse Core, Knowledge Processing & AI Runtime, đến Agent/Copilot và Business Consumption. Governance overlay cross-cutting toàn bộ stack. Đây là TO-BE target architecture sau POC.
Data Flow
Bloomberg API
FiinGroup API ⚠
Cadena (HR)
Excel / PDF
Email / Reports
→
CONNECTORS
Python Pydantic adapters
Python Pydantic adapters
→
IRIS
Lakehouse (85% Azure)
Lakehouse (85% Azure)
↓
pgvector
Semantic Search / RAG
Semantic Search / RAG
DOMUS OCR: 104 trang BCTC, 2–3 phút, >90% accuracy — đã demo 14/3
| Component | Công nghệ | Vai trò |
|---|---|---|
| IRIS | Azure Lakehouse | Data lõi — 85% Azure + 15% ext |
| pgvector | PostgreSQL ext | Vector DB cho RAG — semantic search |
| Connectors | Python Pydantic | Bloomberg, FiinGroup, Cadena adapters |
| Semantic Chunking | Custom VN financial | Giữ nguyên cấu trúc bảng BCTC |
| DOMUS OCR | Custom OCR pipeline | PDF BCTC → structured data, >90% accuracy |
Key differentiator: Semantic chunking bảo toàn cấu trúc bảng tài chính Việt Nam (BCTC). Generic chunking phá vỡ context bảng — AIOS giữ nguyên structure.
★ L0 data KHÔNG BAO GIỜ rời mạng DC — IRIS vẫn là source of truth.
Talking point: IRIS là "nốt chấm" dữ liệu DC. AIOS không tạo data lake mới — AIOS kết nối vào IRIS và làm cho dữ liệu có thể "hỏi đáp" được. Anh Thuận nói không muốn phụ thuộc Cloud — IRIS vẫn là source of truth, pgvector chạy on-premise.
Multi-Model Router
User Query
↓
Query Classifier
Intent + Security Tier
Intent + Security Tier
↓
Security Gate
↓
Ollama
(Local LLM)
L0 TUYỆT MẬT
On-premise
Trading algos
(Local LLM)
L0 TUYỆT MẬT
On-premise
Trading algos
L0
Claude
Sonnet
L1 CORE
Dept heads
Portfolio
Sonnet
L1 CORE
Dept heads
Portfolio
L1
Claude
Haiku
L2 MACRO APP
Teams
Market analysis
Haiku
L2 MACRO APP
Teams
Market analysis
L2
Any
Model
L3 MICRO APP
All employees
HR chatbot
Model
L3 MICRO APP
All employees
HR chatbot
L3
Security tier của dữ liệu quyết định model. L0 = luôn local. L1/L2 = Claude API.
Proof: Anh Tuấn Local LLM Demo
Semantic search + extract dữ liệu siêu chính xác — enterprise-grade, on-premise native.
RAG Pipeline
Ingestion Track
PDF/BCTC
Excel
→
Excel
DOMUS OCR
2-3 phút · >90%
→
2-3 phút · >90%
Semantic Chunk
VN BCTC
VN BCTC
→
Embed
→
pgvector Store
Query Track
User
→
PII Filter
→
Vector Search
→
Prompt + Chunks
→
LLM Inference
→
Hallucination Check
→
Response + Citations
DOMUS OCR: 104 trang BCTC · 2-3 phút · >90% accuracy — Differentiator vs generic chunking
Agent Skills — Phase 1
Legal Review
Data QA
Report Generation
Tax Compliance Check
Talking point: Mỗi câu hỏi của user được định tuyến đúng model, đúng tier bảo mật. Output luôn kèm nguồn trích dẫn — không phải "AI đoán", mà là "AI chứng minh". Anh Thuận: "không có ông nào làm phân tích tài chính tốt như Claude" — Claude cho L1/L2, Local LLM cho L0.
Pipeline 1 — Indexing (nạp dữ liệu)
File đầu vào
↓
File Router
↓
Text Head
Word · Excel · PPT
Word · Excel · PPT
Scan Head
PDF scan · Ảnh chụp
PDF scan · Ảnh chụp
Image Head
Hình ảnh
Hình ảnh
Other Heads
Mở rộng…
Mở rộng…
↓ Dữ liệu phi cấu trúc (unstructured) ↓
Data Transformation Engine
Phi cấu trúc → Có cấu trúc
Phi cấu trúc → Có cấu trúc
↓
Data Router
Dữ liệu động
Database
NAV · Giá thị trường · Cảnh báo
NAV · Giá thị trường · Cảnh báo
Dữ liệu tĩnh
Fine-tune LLM
Hợp đồng · Policy · Research
Hợp đồng · Policy · Research
Động
Thay đổi thường xuyên → lưu DB, query real-time
Tĩnh
Bất biến → fine-tune LLM, deep domain knowledge
Pipeline 2 — Search & Chat (trả lời)
User Query
↓
Access Control Module
Xác thực · Phân quyền · Security Tier
Xác thực · Phân quyền · Security Tier
↓
⚙ Core Engine — On-Premise
Database Management
⇅
Language Model (fine-tuned)
⇅
Process Accelerator
⇅
Enhancement Module
⇅
Process Accelerator + Enhancement → tăng tốc & nâng độ chính xác
↓
Privacy Compliance Review
PII filter · Guardrails · Audit log
PII filter · Guardrails · Audit log
↓
Response + Citations
Áp dụng cho DC — Legal & Compliance (L0)
Hợp đồng, policy, quyết định đầu tư → fine-tune LLM nội bộ. Query chỉ chạy local, không bao giờ gọi ra API bên ngoài.
On-Premise Guarantee: Toàn bộ 2 pipeline chạy trong hạ tầng DC — không có token nào gửi ra ngoài. L0 (Legal · Compliance · Trading algo): luôn Local LLM, không exception.
Talking point: DOMUS có 2 pipeline. Pipeline 1 — Indexing: nhận nhiều loại file, phân loại qua nhiều "Heads" chuyên biệt (text, scan/OCR, image…), chuẩn hóa thành dữ liệu có cấu trúc, rồi tách ra: tĩnh → fine-tune LLM, động → lưu DB realtime. Pipeline 2 — Search/Chat: query đi qua access control → core engine (LLM + DB + accelerator + enhancement) → privacy review → trả kết quả. Key message cho anh Thuận: "Dữ liệu DC không bao giờ rời khỏi hạ tầng của DC. Mô hình LLM được fine-tune trực tiếp trên tài liệu nội bộ — không phải RAG thông thường, mà là domain knowledge baked-in."
Agent Architecture
User Request
↓
Intent Classifier
Context + Security Tier
Context + Security Tier
↓
Skill Registry
Lookup available skills
Lookup available skills
↓
Orchestrator
Legal
Review
Phase 1
Review
Phase 1
Data
QA
Phase 1
QA
Phase 1
Report
Gen
Phase 1
Gen
Phase 1
Tax
Check
Phase 1
Check
Phase 1
Contract
Agent
Phase 2
Agent
Phase 2
Cross-dept
Synthesis
Phase 2
Synthesis
Phase 2
ETF
Forecast
Phase 2
Forecast
Phase 2
HR
Screening
Phase 2
Screening
Phase 2
↓
IRIS API
Bloomberg API
RAG Layer
(pgvector)
(pgvector)
Rules Engine
(Compliance)
(Compliance)
Phase Deployment
Phase 1 — Chain AI (T1–6) 4 Skills
Legal Review · FiinGroup Data QA · Daily Report Gen · Tax Compliance Check
→ 16 tasks · 27h/tuần · 0.63 FTE
Phase 2 — Agent (T7–12) 4 Skills
Contract Agent · Cross-dept Synthesis · ETF Forecast · HR Screening
→ 8 agent tasks · +2–3 FTE saved
Phase 3 — Autonomous (T13–18)
Daily Report zero-manual · Auto QA · Trading (human-approve) · HR-Finance sync
→ 50% headcount reduction (mục tiêu chiến lược DC Phase 3)
Nguyên tắc: Skills = pluggable modules. Thêm skill mới không ảnh hưởng orchestrator. Human-in-the-loop cho mọi decision quan trọng.
★ AIOS = Orchestrator, không phải replacement. IRIS, PyBroker, ALGO-E giữ nguyên.
Talking point: Agent Layer là trái tim của AIOS. Mỗi skill là một module độc lập — có thể thêm/bỏ mà không ảnh hưởng hệ thống. Phase 1 = 4 skills đã proven. Phase 2 = 4 skills phức tạp hơn. Tất cả đều có human-in-the-loop cho quyết định quan trọng.
L0 TUYỆT MẬT
LLM: Local only (Ollama, on-premise) ·
Access: CIO + Designated only ·
Data: Trading algorithms, NAV chưa công bố, undisclosed positions
KHÔNG BAO GIỜ
rời mạng DC
rời mạng DC
L1 CORE
LLM: Claude Sonnet (encrypted, TLS 1.3) ·
Access: Dept Heads ·
Data: Portfolio positions, internal reports, risk models
L2 MACRO APP
LLM: Claude Haiku ·
Access: Team Members (RBAC) ·
Data: Market analysis, public BCTC, research reports
L3 MICRO APP
LLM: Any Model (sandbox) ·
Access: All Employees ·
Data: HR chatbot, policy Q&A, public info
Nguyên tắc: Data flows DOWN ↓ (L0 không bao giờ exposed xuống L3) · Queries flow UP ↑ (qua gates kiểm tra quyền) · LLM tier = Data tier
Thiết kế 4+1 tầng — Fund management cần phân biệt L1 (portfolio nội bộ) với L2 (market analysis) để kiểm soát model access chi tiết hơn "3 tầng" thông thường. Layer 4+ dành cho external/partner integrations trong tương lai.
5 Guardrails cốt lõi
Hallucination Detection
RAG grounding, citations required
<2 / 100 extractions
PII/HAP Filtering
Pre + post inference masking
100% PII masked trước Cloud
Accuracy Threshold
Tài chính: 95%+ hoặc escalate
Confidence score mỗi output
Prompt Injection Prevention
Input sanitization + role isolation
Zero injection in test suite
Full Audit Trail
Ai hỏi, model nào trả lời, data nào
100% queryable + exportable
Phân quyền 4 cấp
Thiết kế riêng cho fund management
Không phải RBAC chung chung
Thiết kế 4+1 tầng — Fund management cần phân biệt L1 (portfolio nội bộ) với L2 (market analysis) để kiểm soát model access chi tiết hơn "3 tầng" thông thường. Layer 4+ dành cho external/partner integrations trong tương lai.
Talking point: Phân quyền 4 cấp thiết kế riêng cho fund management. Anh Thuận yêu cầu "encode data" — đây là cách chúng tôi đảm bảo: L0 KHÔNG BAO GIỜ rời mạng DC. Fabbi train model mà không biết nội dung thực — DC kiểm soát toàn bộ data.
| STT | Nghiệp vụ | Phòng ban | Kết quả đo lường |
|---|---|---|---|
| 1 | Legal Research + Review Hợp đồng | Legal | 5h/tuần tiết kiệm · 2–4h → 15–30 phút/HĐ |
| 2 | Daily Report auto-generate | ETF Research | 7.5h/tuần tiết kiệm · 40 files → auto pipeline |
| 3 | QA dữ liệu đầu vào/đầu ra (FiinGroup vs Bloomberg) | Risk | 6h/tuần tiết kiệm · <30s/check, 95%+ accuracy |
| 4 | Tax Exemption Compliance Check (thuế TNCN CCQ) | Legal + Risk | Giảm rủi ro tuân thủ · 100% correct classification |
| 5 | Báo cáo quỹ SSC auto-template | ETF Research | Tự động tạo template · 8.5h/tuần tiết kiệm |
16
Chain AI tasks
~27h
tiết kiệm/tuần
0.63
FTE tiết kiệm
Deliverable Phase 1
5–7 automated workflows · IRIS + FiinGroup + Bloomberg connectors · Kết quả có thể đo lường ngay tháng 1.
Talking point: Phase 1 tập trung vào giá trị ngay — không phải xây platform lớn rồi mới dùng. 30 ngày đầu tiên đã có kết quả đo lường được. ~0.63 FTE = tương đương 1 nhân sự part-time được giải phóng.
Phase 2 — Agent (T7–12)
- Contract review agent tự động (flag + suggest, người duyệt)
- Cross-dept report synthesis (Investment + Risk báo cáo hợp nhất)
- ETF basket forecast agent (Python + AI insights)
- Auto CV screening + scheduling (HR)
8
agent tasks
2–3
FTE tiết kiệm
30%
giảm manual
Phase 3 — Autonomous (T13–18)
- Daily Report pipeline zero manual
- QA + Data Checker hoàn toàn tự động
- Trading recommendation kết nối ALGO-E (human-approve-only)
- HR-Finance auto-sync
Mục tiêu: 50% headcount reduction
Mục tiêu chiến lược DC cho Phase 3
Mục tiêu chiến lược DC cho Phase 3
Talking point: Đây là ĐÚNG roadmap anh Thuận đã chia sẻ: Chain AI → Agent → Autonomous. Chúng tôi không thay đổi, chúng tôi hiện thực hóa. 50% headcount reduction Phase 3 là target của anh Thuận — chúng tôi build roadmap ngược từ đó.
Workflow
INPUT
HĐ (VN/EN, 5–6 trang)
+ Term sheet đã duyệt
→
HĐ (VN/EN, 5–6 trang)
+ Term sheet đã duyệt
AI PROCESS
Clause extraction
Risk scoring
Compliance flag
Suggestion generate
→
Clause extraction
Risk scoring
Compliance flag
Suggestion generate
OUTPUT
Problematic clauses
Compliance summary
Risk score
Suggested amendments
Problematic clauses
Compliance summary
Risk score
Suggested amendments
POC Scope
30 hợp đồng mẫu · Accuracy >90% flagging sai lệch · Time <5 phút/HĐ
DC đánh giá: prototype "gần sát với kỳ vọng" — buổi demo 14/3
Trước vs Sau AIOS
| Metric | Hiện tại | Với AIOS |
|---|---|---|
| Thời gian/HĐ | 2–4h | 15–30 phút (AI draft + human verify) |
| Số HĐ/tuần | 1–3 | Không giới hạn |
| FTE tiết kiệm | — | ~0.12 FTE/tuần (~5h/tuần) |
| Accuracy | Human review 100% | >90% flagging |
8×
faster
∞
throughput
90%+
accuracy
Talking point: Use case này anh Thuận đã đề cập trực tiếp tại buổi họp. Chúng tôi đã prototype và DC đánh giá "gần sát với cái đang muốn". 2–4h → 15 phút không phải lý thuyết — đây là kết quả đo được từ prototype.
Use Case — FiinGroup vs Bloomberg Data QA
BCTC + FiinGroup
aggregate vs Bloomberg
→
aggregate vs Bloomberg
Field-by-field reconciliation
Anomaly detection
Confidence scoring
→
Anomaly detection
Confidence scoring
Discrepancy report
Per-field accuracy
Reconciliation suggestions
Per-field accuracy
Reconciliation suggestions
Pain point đã xác nhận: FiinGroup inconsistency — P/E, NAV, corporate actions vs Bloomberg
95%+ detect discrepancies đã biết · <30s/check
Use Case — Tax Exemption Compliance Check
Fund redemption
transactions
+ Holding period rules
→
transactions
+ Holding period rules
Cross-check fund regulations
+ Thuế TNCN CCQ rules
+ Holding period calc
→
+ Thuế TNCN CCQ rules
+ Holding period calc
Tax treatment
classification
Exempt / Reduced / Full
classification
Exempt / Reduced / Full
POC metric: 100% correct classification trên 10 redemption test set
Domain knowledge thuế TNCN CCQ Việt Nam — AIOS được train riêng.
2 use case này là điểm đau nhất của DC. FiinGroup sai số liệu liên tục. Thuế CCQ cần chính xác 100%. AIOS giải quyết cả hai — domain knowledge đặc thù Việt Nam mà vendor nước ngoài không có.
Talking point: 2 use case này là điểm đau nhất của DC hôm nay. FiinGroup sai số liệu liên tục. Thuế CCQ cần chính xác 100%. AIOS giải quyết cả hai — và đây là domain knowledge đặc thù Việt Nam mà vendor nước ngoài không có.
L0 TUYỆT MẬT
LLM: Local only ·
Encryption: At-rest + in-transit ·
Access: CIO + named list ·
Audit: Mọi truy cập ghi log
L1 CORE
LLM: Claude encrypted ·
Encryption: TLS 1.3 ·
Access: Dept head approval ·
Audit: Query + response logged
L2 MACRO
LLM: Claude API ·
Encryption: Standard TLS ·
Access: Team RBAC ·
Audit: Session logged
L3 MICRO
LLM: Any (sandbox) ·
Encryption: Standard ·
Access: All employees ·
Audit: Rate limited + logged
Xử lý dữ liệu L0 — On-Premise Protocol
1
DC encode data
2
Fabbi train model — không biết nội dung thực
3
Model deploy on-premise tại DC
4
DC tự fine-tune — full ownership
DC yêu cầu: On-premise first → L0 KHÔNG BAO GIỜ rời mạng DC. Claude chỉ dùng cho L1/L2 qua API encrypted.
| Tier | LLM | Dữ liệu ví dụ |
|---|---|---|
| L0 | Local only | Trading algos, NAV undisclosed |
| L1 | Claude encrypted | Portfolio, báo cáo nội bộ |
| L2 | Claude API | Market analysis, BCTC công khai |
| L3 | Any (sandbox) | HR chatbot, chính sách |
Talking point: Phân quyền 4 cấp thiết kế riêng cho fund management. Anh Thuận yêu cầu "encode data" — đây là cách chúng tôi đảm bảo: L0 KHÔNG BAO GIỜ rời mạng DC. Fabbi train model mà không biết nội dung thực — DC kiểm soát toàn bộ data.
1
Hallucination Detection
RAG grounding check · Source citation bắt buộc cho mọi output tài chính
<2 hallucinations / 100 extractions
2
PII / HAP Filtering
Pre + post inference · Mask thông tin cá nhân, portfolio positions trước khi gửi Cloud
100% PII masked trước Cloud
3
Accuracy Threshold
Tài chính: 95%+ hoặc escalate cho người · Confidence score đính kèm mỗi output
95%+ hoặc human review
4
Prompt Injection Prevention
Input sanitization + role isolation · Kiểm tra pattern injection trước mọi inference call
Zero injection in test suite
5
Full Audit Trail
Queryable + exportable · Ai hỏi, model nào trả lời, dữ liệu nào được truy cập, khi nào
100% traceability
"Mọi output đều kèm nguồn trích dẫn. Không có output nào là 'AI đoán' — tất cả đều truy vết được." · DC yêu cầu: "Nhanh, chính xác, đẹp"
Talking point: 5 lớp bảo vệ thiết kế riêng cho tài chính — thuế Việt Nam, BCTC, SSC compliance. Mỗi output đều kèm nguồn trích dẫn. Không phải "AI đoán" — AI chứng minh. Đây là yêu cầu "chính xác" mà anh Thuận nhấn mạnh.
POC = MIỄN PHÍ
Fabbi đầu tư để chứng minh năng lực.
DC chỉ cần: data + 1 người liên lạc.
| Tuần | Nội dung | Deliverable |
|---|---|---|
| 1–2 | Data ingestion: 30 HĐ + Q1 FiinGroup + 10 redemption transactions. Model evaluation. | Data pipeline hoạt động |
| 3 | Workflow testing: 3 use cases end-to-end | Demo nội bộ |
| 4 | Kết quả + refinement + báo cáo | Accuracy report + recommendation |
3 Tasks POC
1. Legal Contract Review
30 HĐ · Accuracy >90% flagging · Time <5 phút/HĐ
2. FiinGroup vs Bloomberg Data QA
Detect 95%+ discrepancies đã biết · <30s/check
3. Tax Exemption Check
100% correct classification trên 10 redemptions
Team POC
Fabbi: 2 devs + 1 architect · DC: 1 data liaison
DC yêu cầu tiến độ nhanh — kết quả đo lường được, không phải demo showcase.
30 ngày — Fabbi tự đầu tư, DC chỉ cần data + người liên lạc.
30 ngày — Fabbi tự đầu tư, DC chỉ cần data + người liên lạc.
95%+accuracy target
50%+time reduction
<2hallucination/100
Talking point: POC miễn phí. Anh Thuận nói "bọn anh không có thời gian cho. Sẽ đi rất nhanh." 30 ngày — Fabbi tự đầu tư, DC chỉ cần data + 1 người liên lạc. Kết quả đo lường được, không phải demo showcase.
Bằng chứng năng lực
FiinGroup Data QA Prototype
95%+ detect discrepancies · <30s/check · field-by-field reconciliation đã chứng minh
"gần sát với kỳ vọng" — DC evaluation, 2026-03-14
Claude Financial Analysis
Demo trực tiếp tại DC, phân tích tài chính chính xác theo yêu cầu thực tế.
"Claude phân tích tài chính chính xác — đúng yêu cầu thực tế" — DC evaluation
"Không có ông nội nào làm phân tích tài chính tốt như Claude" — DC leadership
DOMUS Data Extraction Engine
104 trang BCTC Việt Nam · Unstructured → structured financial data · 2–3 phút · >90% accuracy
Extraction engine cho BCTC Việt Nam — domain knowledge không thể replicate bởi foreign vendors.
Team AIOS
Tuấn — Solution Architect, kiến trúc AIOS
Hoàng — Senior Engineer, backend + integration
Lương — Solution Director, presales + demo
Tại sao Fabbi khác?
Đã khảo sát 5/6 team DC
26 task mapped · Pain points cụ thể · Không phải vendor chưa biết DC là ai
Domain knowledge Việt Nam
Thuế TNCN CCQ, BCTC chuẩn Việt Nam, quy định SSC — không phải generic AI
On-premise first design
L0 không bao giờ rời mạng DC. AIOS không thay thế IRIS — wrap và kết nối
Roadmap là của DC, không phải của Fabbi
Chain AI → Agent → Autonomous — DC strategic roadmap, Fabbi aligns implementation accordingly
"Chúng tôi không đến để bán platform. Chúng tôi đến để chứng minh — và đã chứng minh rồi."
Talking point: Chúng tôi không nói lý thuyết. Demo ngày 14/3 đã chứng minh — DOMUS OCR chạy thực tế, prototype DC đánh giá cao. Mỗi ô trong bảng heat map là 1 nghiệp vụ thực tế từ khảo sát 5/6 team.
| Phòng ban | Manual (Now) | Chain AI (P1) | Agent (P2) | Autonomous (P3) |
|---|---|---|---|---|
| Legal & Compliance | 7 task | 5 task ★ | 2 task | — |
| ETF Research | 5 task | 3 task | 2 task | — |
| Risk | 4 task | 3 task ★ | 1 task | — |
| Principal Invest | 4 task | 2 task | 1 task | 1 task |
| HR & Admin | 5 task | 3 task | 1 task | 1 task |
| [Team 6] | TBD | TBD | TBD | TBD |
| TOTAL | 26 task | 16 task | 8 task | 2 task |
★ POC scope (Legal × Chain AI + Risk × Chain AI) ·
■ Manual
■★ POC scope
■ Chain AI
■ Agent
■ Autonomous
26
total tasks
16
Phase 1 Chain AI
8
Phase 2 Agent
2
Phase 3 Autonomous
Mỗi ô = 1 nghiệp vụ thực tế từ khảo sát 5/6 team DC. Không phải Fabbi tưởng tượng.
Talking point: Mỗi ô trong bảng này là 1 nghiệp vụ thực tế từ khảo sát 5/6 team. Không phải Fabbi tưởng tượng — đây là công việc hàng ngày của DC được phân loại theo khả năng AI tự động hóa. 3 tasks POC đánh dấu ★ là scope ngay tháng 1.
Bước tiếp theo
30 ngày · 3 use case · Kết quả đo lường được
01
Xác nhận POC
Ký MOU · Data liaison từ DC · Kickoff tuần 1
02
POC 30 ngày
3 use case · Accuracy report · Demo internal DC
03
Phase 1 Decision
Kết quả POC → quyết định 16 tasks Phase 1
POC = MIỄN PHÍ · Fabbi đầu tư để chứng minh
DC chỉ cần: data + 1 người liên lạc
Tầm nhìn 2 năm
Năm 1: DC có hệ thống công nghệ #1 thị trường · Năm 2: Tech contributes DC valuation trên UPCOM
Fabbi aligns 18-month roadmap with DC's strategic vision — every phase contributes.
2026-03-18 · Fabbi Software · AIOS for Dragon Capital
Talking point: Chúng tôi đã sẵn sàng. POC miễn phí — chỉ cần anh Thuận xác nhận và cung cấp data + 1 người liên lạc. 30 ngày, 3 use case, kết quả đo lường được. Sau đó DC quyết định Phase 1 dựa trên kết quả thực tế, không phải lý thuyết.