# AI Model Decommissioning thanh lý mô hình

Tiếng Anh: AI Model Decommissioning

Quy trình chính thức đưa mô hình ra khỏi vận hành khi hết vòng đời, bao gồm lưu trữ dự phòng, thông báo stakeholder và chuyển đổi sang mô hình mới.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-model-decommissioning-thanh-ly-mo-hinh-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

**AI Model Decommissioning** là quy trình chính thức và có hệ thống nhằm đưa một mô hình trí tuệ nhân tạo (Artificial Intelligence) ra khỏi môi trường vận hành (production environment) khi mô hình đó đã hết vòng đời hữu ích, không còn đáp ứng được yêu cầu kinh doanh, hoặc bị thay thế bởi một phiên bản mới có hiệu năng vượt trội hơn. Trong ngành ngân hàng, đây là một hoạt động thuộc nhóm quản trị vòng đời mô hình (Model Lifecycle Management) và có ý nghĩa đặc biệt quan trọng bởi mọi quyết định tín dụng, phát hiện gian lận hay phân khúc khách hàng đều phụ thuộc vào độ chính xác của các mô hình này.

Quy trình thanh lý mô hình không đơn giản chỉ là "tắt" một máy chủ hay xóa một tệp tin. Đây là chuỗi hoạt động phức tạp bao gồm: lưu trữ dự phòng (model archiving), thông báo đến các bên liên quan (stakeholder notification), chuyển đổi người dùng sang mô hình kế thừa (transition), đảm bảo tuân thủ quy định của Ngân hàng Nhà nước và các cơ quan giám sát, đồng thời xử lý toàn bộ dữ liệu huấn luyện (training data) cùng siêu tham số (hyperparameters) theo đúng chính sách bảo mật thông tin. Một sai sót trong khâu thanh lý có thể dẫn đến hậu quả nghiêm trọng như rò rỉ dữ liệu khách hàng, vi phạm quy định phòng chống rửa tiền (Anti-Money Laundering - AML), hoặc gián đoạn dịch vụ thanh toán.

Trong bối cảnh các ngân hàng Việt Nam đang đẩy mạnh chuyển đổi số, số lượng mô hình AI được triển khai ngày càng tăng nhanh. Theo kinh nghiệm triển khai tại nhiều ngân hàng thương mại cổ phần lớn, mỗi năm một ngân hàng có thể vận hành từ 80 đến 250 mô hình AI khác nhau ở các phòng ban như tín dụng, thẻ, ngân quỹ, marketing và rủi ro. Điều đó đồng nghĩa với việc khối lượng công việc thanh lý mô hình hàng năm cũng tăng theo cấp số nhân, đòi hỏi phải có một khung quy trình chuẩn hóa.

**Thuật ngữ tiếng Anh:** AI Model Decommissioning
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Đặc điểm nhận biết một quy trình thanh lý mô hình chuẩn

Một quy trình **AI Model Decommissioning** đạt chuẩn thường có 7 đặc điểm cốt lõi sau đây:

- **Có văn bản quyết định chính thức:** Phải có biên bản họp Ủy ban Quản lý Mô hình (Model Risk Committee) phê duyệt việc thanh lý, kèm theo lý do cụ thể (hết vòng đời, vi phạm chính sách, mô hình mới ra đời, sự cố bảo mật…).
- **Lưu trữ toàn vẹn phiên bản cuối cùng:** Mô hình phải được "đóng băng" (model freeze), lưu trữ trong hệ thống quản lý phiên bản (Model Registry) cùng toàn bộ metadata, code, dữ liệu huấn luyện và kết quả kiểm thử cuối cùng.
- **Thời gian lưu trữ tối thiểu:** Theo quy định của Ngân hàng Nhà nước và Thông tư hướng dẫn về quản trị rủi ro công nghệ thông tin, mô hình và dữ liệu liên quan thường phải được lưu trữ ít nhất từ 5 đến 10 năm sau ngày thanh lý.
- **Thông báo đến tất cả stakeholder:** Bao gồm phòng kinh doanh sử dụng, phòng IT vận hành, phòng kiểm toán nội bộ, phòng pháp chế và đối tác công nghệ (nếu có).
- **Lập kế hoạch chuyển đổi (Transition Plan):** Xác định rõ mô hình kế thừa, thời điểm chuyển đổi (cut-over date), kịch bản dự phòng (rollback plan) và tiêu chí thành công.
- **Đánh giá rủi ro chuyển đổi:** Phân tích tác động của việc loại bỏ mô hình cũ đối với khách hàng, doanh thu và quy trình nghiệp vụ.
- **Báo cáo hậu kiểm (Post-Decommissioning Report):** Tổng kết kết quả, các sự cố phát sinh và bài học kinh nghiệm để cải tiến quy trình cho lần sau.

### Phân loại các hình thức thanh lý mô hình

Dựa trên mức độ tác động và lý do thanh lý, **AI Model Decommissioning** được chia thành 5 dạng chính:

| Loại hình | Đặc điểm | Ví dụ trong ngân hàng |
|---|---|---|
| **Thanh lý theo kế hoạch (Planned)** | Diễn ra đúng theo vòng đời định trước của mô hình | Mô hình chấm điểm tín dụng khách hàng cá nhân phiên bản v3.0 được thay thế bằng v4.0 sau 18 tháng vận hành |
| **Thanh lý khẩn cấp (Emergency)** | Do phát sinh sự cố nghiêm trọng, không thể khắc phục | Mô hình phát hiện gian lận thẻ tín dụng bị phát hiện có lỗ hổng bảo mật, phải tắt ngay trong 24 giờ |
| **Thanh lý do vi phạm chính sách (Compliance-driven)** | Do mô hình không còn tuân thủ quy định mới | Mô hình phân khúc khách hàng không đáp ứng yêu cầu của Nghị định 13/2023 về bảo vệ dữ liệu cá nhân |
| **Thanh lý do sáp nhập hệ thống (M&A-driven)** | Khi ngân hàng sáp nhập hoặc hợp nhất hệ thống công nghệ | Sau khi Ngân hàng A mua lại Ngân hàng B, hàng loạt mô hình trùng lặp bị thanh lý để thống nhất |
| **Thanh lý tạm thời (Sunset/Suspension)** | Ngừng vận hành nhưng chưa xóa hoàn toàn, có thể kích hoạt lại | Mô hình dự báo nhu cầu vay mùa Tết sau mùa cao điểm được tạm dừng, lưu trữ để dùng lại năm sau |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Thanh lý mô hình chấm điểm tín dụng tại Ngân hàng A

Ngân hàng A là một ngân hàng thương mại cổ phần top đầu với hơn 12 triệu khách hàng cá nhân. Năm 2022, ngân hàng triển khai mô hình **Credit Scoring Model phiên bản 2.0** sử dụng thuật toán Gradient Boosting Decision Tree để chấm điểm tín dụng cho khách hàng vay mua ô tô. Sau 20 tháng vận hành, mô hình bắt đầu có dấu hiệu suy giảm hiệu năng: tỷ lệ khách hàng nợ xấu nhóm 2 (nợ quá hạn từ 10–90 ngày) tăng từ 2,1% lên 4,3%, trong khi tỷ lệ khách hàng tốt bị từ chối nhầm (false positive rate) cũng tăng 18%.

Trước tình hình đó, Ủy ban Quản lý Mô hình của Ngân hàng A đã ra quyết định thanh lý mô hình 2.0 và chuyển sang phiên bản 3.0 sử dụng kiến trúc XGBoost kết hợp biến đặc trưng mới từ hành vi giao dịch trên ứng dụng ngân hng số. Quy trình thanh lý được thực hiện theo 6 bước trong vòng 45 ngày:

1. Ngày 1–7: Lập hồ sơ thanh lý, đánh giá tác động tài chính (ước tính thiệt hại nếu tiếp tục dùng mô hình cũ là 78 tỷ đồng/năm).
2. Ngày 8–14: Họp Ủy ban, phê duyệt ngân sách 2,3 tỷ đồng cho hoạt động chuyển đổi.
3. Ngày 15–25: Đóng băng mô hình 2.0, lưu trữ phiên bản cuối cùng vào Model Registry.
4. Ngày 26–35: Chạy song song (shadow mode) mô hình 3.0 với 5% khách hàng.
5. Ngày 36–42: Chuyển đổi 100% sang mô hình 3.0, theo dõi sát các chỉ số KPI.
6. Ngày 43–45: Thanh lý hoàn toàn hạ tầng vận hành mô hình 2.0, lập báo cáo hậu kiểm.

Kết quả sau 6 tháng chuyển đổi, tỷ lệ nợ xấu nhóm 2 giảm xuống còn 2,5%, tỷ lệ false positive giảm 22%, giúp Ngân hàng A phê duyệt thêm được khoảng 4.200 khoản vay, tương ứng doanh số tăng thêm ước tính 1.850 tỷ đồng.

### Ví dụ 2: Thanh lý khẩn cấp mô hình phát hiện gian lận tại Ngân hàng B

Ngân hàng B vận hành hệ thống phát hiện gian lận thẻ tín dụng dựa trên mô hình Random Forest được huấn luyện trên tập dữ liệu 3 năm (2019–2021). Đến tháng 6/2023, đội ngũ an ninh thông tin phát hiện một số giao dịch bất thường vượt qua hệ thống phát hiện, gây thiệt hại ban đầu 12,6 tỷ đồng chỉ trong vòng 2 tuần. Sau khi điều tra, nguyên nhân được xác định là do tội phạm đã thay đổi hoàn toàn mô hình tấn công (pattern of attack), khiến mô hình cũ không còn khả năng nhận diện (concept drift nghiêm trọng).

Trong vòng 48 giờ, Ngân hàng B đã thực hiện **AI Model Decommissioning** khẩn cấp:

- Giờ thứ 0–6: Tạm dừng mô hình cũ, chuyển sang quy tắc dựa trên ngưỡng (rule-based fallback) với 47 quy tắc phát hiện gian lận thủ công.
- Giờ thứ 6–18: Huấn luyện mô hình tạm thời phiên bản 3.1 trên dữ liệu mới nhất.
- Giờ thứ 18–36: Triển khai mô hình tạm thời, theo dõi real-time.
- Giờ thứ 36–48: Khởi tạo dự án thanh lý chính thức, lưu trữ mô hình cũ làm bằng chứng pháp lý.

Nhờ phản ứng nhanh, Ngân hàng B đã kiểm soát được tổng thiệt hại ở mức 19,8 tỷ đồng (thay vì có thể lên tới 80–100 tỷ đồng nếu chậm trễ 1 tuần), đồng thời hoàn tất hồ sơ pháp lý để đòi bồi thường từ nhà cung cấp giải pháp AI ban đầu.

### Ví dụ 3: Thanh lý hàng loạt mô hình trùng lặp sau sáp nhập

Sau khi Ngân hàng A hoàn tất sáp nhập Ngân hàng C vào quý 4/2023, bộ phận quản trị dữ liệu phát hiện có tới 38 mô hình AI đang vận hành song song ở cả hai hệ thống cũ và mới với cùng chức năng (chấm điểm tín dụng, phân khúc khách hàng, dự báo rút tiền ATM…). Để tránh xung đột quyết định và tiết kiệm chi phí vận hành khoảng 14,5 tỷ đồng/năm, ngân hàng đã thực hiện chương trình thanh lý hàng loạt (bulk decommissioning) trong vòng 90 ngày.

Trong số 38 mô hình, 22 mô hình của hệ thống cũ bị thanh lý, 16 mô hình được giữ lại và nâng cấp. Quy trình này giúp Ngân hàng A chuẩn hóa toàn bộ danh mục mô hình AI xuống còn 187 mô hình, giảm 21% chi phí hạ tầng tính toán và tăng 13% hiệu quả phối hợp giữa các phòng ban.

## AI Model Decommissioning (Thanh lý mô hình) trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI Model Decommissioning | /eɪ aɪ ˈmɒdəl ˌdiːkəˈmɪʃənɪŋ/ |
| Tiếng Nhật | AIモデルの廃止 (AI moderu no haishi) | えーあいえい モデルの はいし |
| Tiếng Hàn | AI 모델 폐기 (AI model pyeogi) | 에이아이 모델 폐기 |
| Tiếng Trung | AI模型下线 (AI móxíng xiànxià) | āi móxíng xiànxià |
| Tiếng Tây Ban Nha | Desmantelamiento de modelos de IA | /desman.telaˈmjento ðe moˈðelos ðe ˈi.a/ |

## Câu hỏi thường gặp

### AI Model Decommissioning (Thanh lý mô hình) khác gì AI Model Retirement?

**AI Model Decommissioning** và **AI Model Retirement** đều nói về việc ngừng vận hành mô hình, nhưng có sự khác biệt quan trọng. **AI Model Decommissioning** là thuật ngữ bao quát, bao gồm toàn bộ quy trình từ lập kế hoạch, thông báo, lưu trữ đến xóa bỏ hạ tầng. Trong khi đó, **AI Model Retirement** thường chỉ nhấn mạnh giai đoạn cuối cùng — tức là thời điểm mô hình chính thức "nghỉ hưu" và ngừng phát hành dự đoán. Nói cách khác, Retirement là một bước trong toàn bộ quy trình Decommissioning. Trong ngân hàng, thuật ngữ "decommissioning" được ưu tiên dùng vì nó phản ánh đầy đủ các yêu cầu tuân thủ và quản trị rủi ro.

### Khi nào ngân hàng cần thực hiện AI Model Decommissioning?

Ngân hàng cần thực hiện **AI Model Decommissioning** trong ít nhất 5 trường hợp phổ biến: (1) mô hình đã hết vòng đời theo kế hoạch ban đầu, thường là 12–24 tháng tùy loại mô hình; (2) mô hình có hiệu năng suy giảm rõ rệt, ví dụ chỉ số AUC-ROC giảm dưới ngưỡng 0,7 hoặc tỷ lệ nợ xấu tăng đột biến; (3) có mô hình mới hiệu quả hơn được phê duyệt, cần thay thế; (4) xảy ra sự cố bảo mật, vi phạm chính sách hoặc thay đổi quy định pháp luật; (5) sáp nhập, hợp nhất hệ thống ngân hàng khiến nhiều mô hình trùng lặp cần được loại bỏ. Đặc biệt, đối với mô hình tín dụng, quyết định thanh lý thường phải được thông qua bởi Hội đồng Quản lý Rủi ro chứ không thể do một phòng ban tự quyết.

### AI Model Decommissioning ảnh hưởng thế nào đến khách hàng?

Với khách hàng cá nhân, **AI Model Decommissioning** có thể ảnh hưởng đến kết quả phê duyệt khoản vay, mức lãi suất được đề xuất, hoặc điểm thưởng (reward point) trên thẻ tín dụng. Nếu mô hình mới chính xác hơn, khách hàng tốt sẽ được duyệt vay nhanh hơn với lãi suất tốt hơn; ngược lại, nếu quy trình chuyển đổi không cẩn thận, có thể xảy ra tình trạng hệ thống "treo" hoặc đưa ra quyết định sai trong vài giờ đầu. Với khách hàng doanh nghiệp, tác động lớn hơn vì hạn mức tín dụng có thể thay đổi đáng kể, ảnh hưởng đến dòng tiền và kế hoạch kinh doanh. Do đó, ngân hàng có trách nhiệm thông báo trước ít nhất 30–60 ngày cho khách hàng doanh nghiệp lớn và công bố chính sách chuyển đổi trên website đối với khách hàng cá nhân.

## Tổng kết

**AI Model Decommissioning (Thanh lý mô hình)** không đơn thuần là một thao tác kỹ thuật mà là một quy trình quản trị quan trọng, gắn liền với chiến lược phát triển bền vững của ngân hàng. Một quy trình thanh lý mô hình chuẩn chỉnh giúp ngân hàng kiểm soát rủi ro mô hình (Model Risk), tuân thủ quy định của Ngân hàng Nhà nước, tối ưu chi phí vận hành và đặc biệt là bảo vệ quyền lợi hợp pháp của khách hàng. Trong bối cảnh công nghệ AI ngày càng phát triển nhanh, việc xây dựng năng lực **AI Model Decommissioning** vững vàng không chỉ là yêu cầu bắt buộc mà còn là lợi thế cạnh tranh giúp ngân hàng Việt Nam vận hành hệ thống AI một cách an toàn, hiệu quả và minh bạch hơn. Đối với ứng viên tham gia tuyển dụng ngân hàng, nắm vững thuật ngữ này cùng quy trình liên quan là một trong những điểm cộng giúp bạn tỏa sáng trong các vòng phỏng vấn về vị trí Data Scientist, Model Validator, Model Risk Manager hay AI Governance Officer.

## Thuật ngữ liên quan

- [Chấm điểm tín dụng](https://vieclam.nganhang.com/thuat-ngu/cham-diem-tin-dung-la-gi) — Mô hình đánh giá mức độ tín nhiệm của khách hàng dựa trên lịch sử tài chính, hành vi giao dịch và nhiều yếu tố khác.
- [Khung quản trị rủi ro](https://vieclam.nganhang.com/thuat-ngu/khung-quan-tri-rui-ro-la-gi) — Khung tổng thể bao gồm chiến lược, chính sách, quy trình nhận diện, đo lường, giám sát và kiểm soát rủi ro.
- [Mô hình chấm điểm tín dụng](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-cham-diem-tin-dung-la-gi) — Mô hình thống kê (hồi quy logistic, cây quyết định, machine learning) gán điểm cho khách hàng dựa trên dữ liệu tài chính và phi tài chính để quyết định cấp tín…
- [Mô hình phát hiện gian lận](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-phat-hien-gian-lan-la-gi) — Thuật toán AI/ML được đào tạo để nhận diện hành vi lừa đảo trong các giao dịch ngân hàng.
- [Phê duyệt khoản vay](https://vieclam.nganhang.com/thuat-ngu/phe-duyet-khoan-vay-la-gi) — Quyết định của ngân hàng đồng ý cấp tín dụng cho khách hàng cá nhân với hạn mức và lãi suất cụ thể.
- [Quyết định 2345/QĐ-NHNN](https://vieclam.nganhang.com/thuat-ngu/quyet-dinh-2345qd-nhnn-la-gi) — Quyết định của Ngân hàng Nhà nước Việt Nam ban hành năm 2023 quy định về bảo đảm an toàn thông tin trong hoạt động ngân hàng.
- [Quản trị rủi ro mô hình](https://vieclam.nganhang.com/thuat-ngu/quan-tri-rui-ro-mo-hinh-la-gi) — Khung quy trình quản lý vòng đời mô hình phân tích nhằm đảm bảo độ chính xác và tuân thủ theo quy định NHNN.
- [Thông tư 17/2024/TT-NHNN](https://vieclam.nganhang.com/thuat-ngu/thong-tu-172024tt-nhnn-la-gi) — Thông tư của Ngân hàng Nhà nước Việt Nam quy định về an toàn thông tin trong hoạt động ngân hàng, có hiệu lực từ năm 2025.