# AI dựa trên luật so với học máy

Tiếng Anh: Rule-based AI vs Machine Learning

Hệ thống dựa trên luật hoạt động theo quy tắc cố định dễ giải thích nhưng kém linh hoạt, học máy tự học từ dữ liệu nhưng khó kiểm soát hơn.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-dua-tren-luat-so-voi-hoc-may-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI dựa trên luật so với học máy là gì?

**AI dựa trên luật (Rule-based AI)** và **học máy (Machine Learning - ML)** là hai trường phái tiếp cận trí tuệ nhân tạo có bản chất khác biệt, được ứng dụng song song trong lĩnh vực tài chính ngân hàng. AI dựa trên luật vận hành theo các quy tắc **if-then** do con người lập trình sẵn, mang tính tất định và có thể giải thích được (explainable). Ngược lại, học máy là phương pháp cho phép máy tính tự rút ra các mẫu hình và quy luật từ tập dữ liệu lớn mà không cần con người can thiệp vào từng bước xử lý cụ thể. Sự khác biệt này tạo nên hai triết lý thiết kế hệ thống hoàn toàn khác nhau: một bên ưu tiên tính minh bạch và kiểm soát, bên còn lại ưu tiên khả năng thích nghi và tối ưu hóa dựa trên dữ liệu.

Về cách thức hoạt động, hệ thống dựa trên luật hoạt động như một bộ máy logic: mỗi tình huống đầu vào sẽ được đối chiếu với tập luật định sẵn, sau đó đưa ra quyết định tương ứng. Ưu điểm của cách tiếp cận này là tính minh bạch, khả năng kiểm tra và giải thích được mọi kết quả đầu ra, đồng thời không yêu cầu lượng dữ liệu lịch sử lớn để vận hành. Tuy nhiên, hệ thống này có giới hạn khi phải xử lý các tình huống phức tạp, đa biến hoặc khi môi trường thay đổi nhanh chóng, vì mọi luật mới đều phải được lập trình viên bổ sung thủ công.

Học máy, bao gồm các thuật toán hồi quy (regression), cây quyết định (decision tree), mạng nơ-ron (neural network), học sâu (deep learning), lại có khả năng tự cải thiện hiệu suất qua thời gian khi được cung cấp thêm dữ liệu huấn luyện. Mô hình học máy có thể phát hiện những mối quan hệ phi tuyến, ẩn trong dữ liệu mà con người khó nhận ra, giúp nâng cao độ chính xác của dự báo và phân loại. Điểm hạn chế của học máy là yêu cầu chất lượng và khối lượng dữ liệu lớn, đồng thời kết quả đầu ra thường khó giải thích, tạo ra thách thức trong việc tuân thủ các yêu cầu về giải trình quyết định tín dụng.

**Thuật ngữ tiếng Anh:** Rule-based AI vs Machine Learning
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Bảng so sánh hai trường phái

| Tiêu chí | **AI dựa trên luật (Rule-based AI)** | **Học máy (Machine Learning)** |
|---|---|---|
| Nguồn gốc quyết định | Do chuyên gia lập trình thủ công | Tự động học từ dữ liệu |
| Tính minh bạch | Rất cao, truy vết được từng luật | Thấp, mô hình "hộp đen" (black box) |
| Yêu cầu dữ liệu | Không yêu cầu dữ liệu lịch sử lớn | Cần lượng dữ liệu lớn để huấn luyện |
| Khả năng thích nghi | Thấp, cần cập nhật luật thủ công | Cao, tự cải thiện khi có dữ liệu mới |
| Tốc độ triển khai | Nhanh cho bài toán đơn giản | Chậm hơn do cần huấn luyện, kiểm thử |
| Độ chính xác | Ổn định trong phạm vi luật đã định | Tăng theo thời gian và lượng dữ liệu |
| Khả năng xử lý bài toán phức tạp | Hạn chế với dữ liệu nhiều chiều | Mạnh mẽ với dữ liệu đa biến, phi tuyến |
| Chi phí bảo trì | Cao khi mở rộng quy tắc | Cao khi cần tài nguyên tính toán |
| Rủi ro sai lệch (bias) | Phụ thuộc vào chuyên gia | Phụ thuộc vào chất lượng dữ liệu |

### Phân loại các thuật toán học máy phổ biến trong ngân hàng

- **Học có giám sát (Supervised Learning):** Hồi quy logistic (Logistic Regression), Cây quyết định (Decision Tree), Rừng ngẫu nhiên (Random Forest), XGBoost, Mạng nơ-ron (Neural Network). Ứng dụng: chấm điểm tín dụng, dự báo PD, phát hiện gian lận.
- **Học không giám sát (Unsupervised Learning):** Phân cụm K-means, DBSCAN, Mô hình hỗn hợp Gaussian. Ứng dụng: phân nhóm khách hàng, phát hiện bất thường trong giao dịch.
- **Học tăng cường (Reinforcement Learning):** Ứng dụng trong tối ưu danh mục đầu tư, giao dịch thuật toán.
- **Học sâu (Deep Learning):** Mạng nơ-ron tích chập (CNN), Mạng nơ-ron hồi quy (RNN), Transformer. Ứng dụng: nhận diện khuôn mặt trong eKYC, xử lý ngôn ngữ tự nhiên (NLP) cho chatbot.
- **Hệ chuyên gia (Expert System):** Dạng lai giữa AI dựa trên luật và cơ sở tri thức, thường dùng trong tư vấn tài chính.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Hệ thống eKYC kết hợp hai trường phái

Ngân hàng A triển khai hệ thống **định danh khách hàng điện tử (eKYC)** kết hợp cả hai cách tiếp cận. Phần **AI dựa trên luật** thực hiện các kiểm tra: (1) CMND/CCCD còn hạn sử dụng, (2) ảnh chụp rõ nét, không bị che, (3) thông tin trùng khớp với cơ sở dữ liệu công dân quốc gia (theo Đề án 06). Phần **học sâu (deep learning)** sử dụng mạng nơ-ron tích chập (CNN) để nhận diện khuôn mặt với độ chính xác 99,5%, kết hợp mô hình **Liveness Detection** phát hiện ảnh chụp, video giả mạo. Nhờ kết hợp cả hai, thời gian mở tài khoản giảm từ 15 phút xuống còn 90 giây, tỷ lệ gian lận giảm 70% so với quy trình thủ công.

### Ví dụ 2: Phát hiện gian lận thẻ tín dụng

Ngân hàng B vận hành hệ thống giám sát giao dịch thẻ với ngưỡng xử lý 3 triệu giao dịch/ngày. **Lớp luật cứng (rule-based)** tự động từ chối giao dịch khi: (1) giao dịch vượt 50 triệu VNĐ/lần với thẻ mới mở dưới 24 giờ, (2) phát hiện giao dịch tại quốc gia có tỷ lệ gian lận cao trong 1 giờ qua, (3) giao dịch liên tiếp trên 5 lần trong 10 phút. **Lớp học máy** sử dụng thuật toán XGBoost được huấn luyện trên 5 năm dữ liệu lịch sử, phát hiện các mẫu hành vi bất thường như: giao dịch lúc 2h sáng với số tiền tròn trăm triệu, đột ngột thay đổi pattern mua sắm. Hệ thống lai này giúp giảm 45% tỷ lệ gian lận, đồng thời giảm 30% số lượng cảnh báo sai (false positive).

### Ví dụ 3: Mô hình lai trong chấm điểm tín dụng

Ngân hàng C phát triển mô hình chấm điểm tín dụng kết hợp: **Phần luật cứng** đảm bảo tuân thủ Thông tư 39/2016/TT-NHNN về cho vay (giới hạn hạn mức, thời hạn, tỷ lệ vốn tự có), kiểm tra nợ xấu tại **CIC** (Trung tâm Thông tin Tín dụng). **Phần học máy** dự báo xác suất vỡ nợ (PD - Probability of Default) trong 12 tháng tới dựa trên hơn 200 biến đầu vào như: lịch sử giao dịch, hành vi số, dữ liệu phi tiêu dùng. Mô hình Random Forest đạt AUC 0,82, vượt trội so với phương pháp truyền thống chỉ dựa trên chấm điểm CIC (AUC 0,68). Kết quả: tỷ lệ nợ xấu giảm 25%, thời gian phê duyệt khoản vay giảm từ 2 ngày xuống 4 giờ.

## AI dựa trên luật so với học máy trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Rule-based AI vs Machine Learning | /ruːl beɪst eɪ aɪ vɜːrsəs məˈʃiːn lɜːrnɪŋ/ |
| Tiếng Nhật | ルールベースAIと機械学習 | Rūru bēsu AI to kikai gakushū |
| Tiếng Hàn | 규칙 기반 AI 대 머신러닝 | Gyuchik gibon AI da meosinleoning |
| Tiếng Trung | 基于规则的AI与机器学习 | Jīyú guīzé de AI yǔ jīqì xuéxí |
| Tiếng Tây Ban Nha | IA basada en reglas vs aprendizaje automático | /i.a. baˈsa.ða en reˈɣlas βus a.pɾen.diˈθa.xe aw.toˈma.ti.ko/ |

## Câu hỏi thường gặp

### AI dựa trên luật khác gì so với học máy trong ngân hàng?

AI dựa trên luật hoạt động theo các quy tắc if-then cố định do chuyên gia lập trình, mang tính tất định và có thể giải thích được từng quyết định. Học máy thì tự động tìm ra quy luật từ dữ liệu lớn, có khả năng phát hiện mối quan hệ phức tạp nhưng thường là "hộp đen". Trong ngân hàng, luật cứng phù hợp cho bài toán tuân thủ (compliance) như kiểm tra giới hạn cho vay theo Thông tư 39/2016/TT-NHNN, trong khi học máy phù hợp cho bài toán dự báo như xác suất vỡ nợ (PD) hoặc phát hiện gian lận.

### Khi nào nên ứng dụng AI dựa trên luật và khi nào nên dùng học máy?

Ngân hàng nên ưu tiên AI dựa trên luật khi: (1) bài toán yêu cầu tính minh bạch tuyệt đối như phê duyệt tín dụng lớn, từ chối giao dịch có giá trị cao; (2) quy trình đã được chuẩn hóa bởi NHNN hoặc pháp luật; (3) dữ liệu lịch sử chưa đủ lớn để huấn luyện mô hình. Ngược lại, học máy phát huy hiệu quả khi: (1) bài toán có dữ liệu lớn (hàng triệu giao dịch), (2) cần phát hiện pattern ẩn như gian lận phức tạp, (3) môi trường thay đổi nhanh. Xu hướng hiện nay là mô hình lai (hybrid AI), kết hợp ưu điểm cả hai.

### AI dựa trên luật và học máy ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng, AI dựa trên luật giúp quy trình rõ ràng, có thể tra cứu lý do từ chối khoản vay hoặc giao dịch, đảm bảo quyền được giải trình. Học máy mang lại trải nghiệm cá nhân hóa cao hơn: gợi ý sản phẩm phù hợp, phê duyệt khoản vay trong vài phút, phát hiện sớm giao dịch bất thường để bảo vệ tài khoản. Tuy nhiên, khách hàng cần được thông báo rõ khi quyết định tín dụng được đưa ra bởi thuật toán, theo Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân và Quyết định 2345/QĐ-NHNN về an toàn thanh toán trực tuyến.

## Tổng kết

**AI dựa trên luật** và **học máy** là hai trụ cột công nghệ không thể thay thế lẫn nhau trong hệ thống ngân hàng hiện đại. AI dựa trên luật đảm bảo tính minh bạch, khả năng giải thích và tuân thủ quy định pháp luật — yếu tố sống còn trong môi trường được giám sát chặt chẽ bởi Ngân hàng Nhà nước. Học máy mang lại sức mạnh xử lý dữ liệu lớn, khả năng dự báo và tự cải thiện, giúp ngân hàng nâng cao năng lực cạnh tranh và trải nghiệm khách hàng. Đối với ứng viên ngân hàng, việc nắm vững sự khác biệt, ưu nhược điểm và bối cảnh ứng dụng của từng phương pháp — cùng các văn bản pháp lý liên quan như Thông tư 39/2016, Thông tư 17/2024, Quyết định 2345, Nghị định 13/2023 — sẽ là lợi thế lớn trong các bài thi tuyển dụng và phỏng vấn chuyên môn.

## Thuật ngữ liên quan

- [Cảnh báo giao dịch bất thường](https://vieclam.nganhang.com/thuat-ngu/canh-bao-giao-dich-bat-thuong-la-gi) — Hệ thống giám sát giao dịch ngân hàng tự động phát hiện và gửi thông báo khi phát sinh giao dịch lệch so với hành vi thường ngày của khách hàng để ngăn chặn gi…
- [Hệ thống cảnh báo giao dịch bất thường](https://vieclam.nganhang.com/thuat-ngu/he-thong-canh-bao-giao-dich-bat-thuong-la-gi) — Hệ thống tự động phát hiện giao dịch khách hàng có dấu hiệu bất thường, gửi cảnh báo tới khách hàng và nhân viên CRM để xử lý kịp thời.
- [Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-ve-bao-ve-du-lieu-ca-nhan-la-gi) — Văn bản pháp lý quan trọng quy định bảo vệ dữ liệu cá nhân tại Việt Nam, áp dụng cho dịch vụ tài chính số.
- [Phân tích hành vi khách hàng](https://vieclam.nganhang.com/thuat-ngu/phan-tich-hanh-vi-khach-hang-la-gi) — Kỹ thuật phân tích dữ liệu giao dịch và tương tác để hiểu nhu cầu, từ đó cá nhân hóa sản phẩm và dịch vụ ngân hàng.
- [Phòng chống rửa tiền (AML)](https://vieclam.nganhang.com/thuat-ngu/phong-chong-rua-tien-aml-la-gi) — Hệ thống quy định và quy trình nội bộ nhằm phát hiện, ngăn chặn việc hợp pháp hóa tiền từ hoạt động phi pháp tại các tổ chức tài chính.
- [Quản lý rủi ro công nghệ thông tin](https://vieclam.nganhang.com/thuat-ngu/quan-ly-rui-ro-cong-nghe-thong-tin-la-gi) — Quy trình xác định, đánh giá và kiểm soát rủi ro từ hệ thống CNTT ngân hàng.
- [Rủi ro công nghệ thông tin](https://vieclam.nganhang.com/thuat-ngu/rui-ro-cong-nghe-thong-tin-la-gi) — Rủi ro từ hệ thống CNTT bị lỗi, gián đoạn, lạc hậu hoặc không đáp ứng yêu cầu bảo mật, gây tác động tiêu cực đến hoạt động ngân hàng.
- [Tuân thủ phòng chống rửa tiền](https://vieclam.nganhang.com/thuat-ngu/tuan-thu-phong-chong-rua-tien-la-gi) — Tuân thủ các quy định về phòng chống rửa tiền theo Luật Phòng chống rửa tiền 2022 và các văn bản hướng dẫn của NHNN.