# AI Model Drift dò mô hình

Tiếng Anh: Model Drift

Hiện tượng hiệu năng mô hình suy giảm theo thời gian do thay đổi phân phối dữ liệu, đòi hỏi giám sát và tái huấn luyện định kỳ.

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

**AI Model Drift** (Dò mô hình) là hiện tượng hiệu năng của mô hình trí tuệ nhân tạo (Artificial Intelligence – AI) hoặc mô hình học máy (Machine Learning – ML) bị suy giảm dần theo thời gian khi mối quan hệ giữa dữ liệu đầu vào và kết quả đầu ra thay đổi so với thời điểm mô hình được huấn luyện ban đầu. Nói cách khác, mô hình được xây dựng dựa trên một "bức tranh" dữ liệu quá khứ, nhưng khi bức tranh đó thay đổi, độ chính xác của mô hình sẽ giảm xuống vì các giả định ban đầu không còn phù hợp. Hiện tượng này là một trong những thách thức lớn nhất trong vòng đời vận hành mô hình AI, đặc biệt trong lĩnh vực tài chính ngân hàng – nơi dữ liệu biến động liên tục theo thị trường, hành vi khách hàng và các yếu tố kinh tế vĩ mô.

Trong ngữ cảnh ngân hàng, **Model Drift** xảy ra khi mô hình chấm điểm tín dụng (credit scoring), mô hình phát hiện gian lận (fraud detection), hay mô hình dự đoán khách hàng rời bỏ dịch vụ (churn prediction) không còn phản ánh đúng thực tế. Chẳng hạn, một mô hình phê duyệt khoản vay được huấn luyện trên dữ liệu năm 2020 có thể hoạt động kém hiệu quả vào năm 2024 khi đại dịch, lạm phát và thói quen tiêu dùng đã thay đổi hoàn toàn. Để duy trì độ tin cậy, các ngân hàng cần thiết lập hệ thống giám sát liên tục (monitoring), tái huấn luyện định kỳ (retraining) và đánh giá lại hiệu năng mô hình theo chu kỳ.

**Thuật ngữ tiếng Anh:** Model Drift
**Lĩnh vực:** AI & Machine Learning trong ngân hàng
**Tên gọi khác:** Model Decay, Model Degradation, Concept Drift

---

## Đặc điểm và phân loại

**Model Drift** có nhiều dạng khác nhau, mỗi dạng có cơ chế và cách xử lý riêng. Việc phân loại chính xác giúp đội ngũ Data Science lựa chọn phương pháp giám sát và tái huấn luyện phù hợp.

### 1. Phân loại theo bản chất

| Loại Drift | Mô tả chi tiết | Ví dụ trong ngân hàng |
|---|---|---|
| **Concept Drift** (Dò khái niệm) | Mối quan hệ giữa đầu vào (X) và đầu ra (Y) thay đổi theo thời gian. Cùng một đặc điểm khách hàng nhưng xác suất vỡ nợ lại khác so với trước. | Khách hàng có thu nhập 20 triệu đồng/tháng trước đây được đánh giá rủi ro thấp, nhưng sau giai đoạn lạm phát cao, tỷ lệ trễ hạn tăng vọt. |
| **Data Drift** (Dò dữ liệu) | Phân phối của dữ liệu đầu vào (X) thay đổi, trong khi mối quan hệ X-Y về cơ bản vẫn giữ nguyên. | Tỷ lệ khách hàng giao dịch online tăng từ 30% lên 80% sau đại dịch, mô hình chưa từng "thấy" pattern này. |
| **Label Drift** (Dò nhãn) | Phân phối của biến mục tiêu (Y) thay đổi theo thời gian. | Tỷ lệ gian lận thẻ tín dụng tăng từ 0,1% lên 0,5% do các thủ đoạn lừa đảo mới xuất hiện. |
| **Feature Drift** (Dò đặc trưng) | Một hoặc nhiều biến đầu vào thay đổi đặc tính thống kê (mean, variance, distribution). | Điểm tín dụng trung bình của khách hàng mới giảm mạnh do thay đổi chính sách cho vay. |
| **Covariate Shift** (Dò hiệp biến) | Trường hợp đặc biệt của Data Drift, khi P(X) thay đổi nhưng P(Y\|X) giữ nguyên. | Mô hình phân khúc khách hàng cao cấp nhưng tệp khách hàng mới chuyển hóa sang nhóm trung cấp. |
| **Prior Probability Shift** (Dò xác suất tiên nghiệm) | P(Y) thay đổi nhưng P(X\|Y) không đổi. | Tỷ lệ khách hàng vỡ nợ tăng từ 2% lên 6% trong giai đoạn suy thoái kinh tế. |

### 2. Phân loại theo tốc độ xuất hiện

- **Sudden Drift** (Dò đột ngột): Hiệu năng mô hình giảm mạnh ngay lập tức do một sự kiện lớn (ví dụ: Ngân hàng Nhà nước thay đổi chính sách lãi suất, dịch COVID-19 bùng phát).
- **Gradual Drift** (Dò từ từ): Hiệu năng giảm dần theo thời gian, thường do thị trường biến động nhẹ liên tục. Đây là dạng khó phát hiện nhất vì tỷ lệ sai lệch mỗi ngày rất nhỏ.
- **Incremental Drift** (Dò tích lũy): Sự thay đổi diễn ra theo từng bước nhỏ, ví dụ thói quen tiêu dùng thay đổi qua từng quý.
- **Recurring Drift** (Dò chu kỳ): Xuất hiện theo mùa vụ, ví dụ nhu cầu vay mua xe tăng cao vào dịp Tết Nguyên Đán, giảm vào quý 3.

### 3. Các chỉ số phát hiện Drift

| Chỉ số | Ý nghĩa | Ngưỡng cảnh báo thường dùng |
|---|---|---|
| **PSI** (Population Stability Index) | Đo lường mức độ thay đổi phân phối giữa hai tập dữ liệu | PSI > 0,1: cần theo dõi; PSI > 0,25: cần tái huấn luyện |
| **KS Statistic** (Kolmogorov-Smirnov) | Đo khoảng cách lớn nhất giữa hai hàm phân phối tích lũy | KS > 0,1 được coi là có drift đáng kể |
| **KL Divergence** (Kullback-Leibler) | Đo sự khác biệt thông tin giữa hai phân phối xác suất | Giá trị tăng đột biến so với baseline |
| **AUC/ROC** | Đánh giá khả năng phân loại của mô hình | AUC giảm > 5% so với baseline |
| **Accuracy/Precision/Recall** | Các chỉ số hiệu năng cổ điển | Giảm > 3-5% trong 1 tháng |

---

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Mô hình chấm điểm tín dụng tại Ngân hàng A

Ngân hàng A triển khai mô hình **credit scoring** từ năm 2021 với độ chính xác AUC = 0,87 trên tập kiểm thử. Sau 18 tháng vận hành, đội ngũ Risk Analytics nhận thấy tỷ lệ khách hàng được phê duyệt khoản vay nhưng vỡ nợ trong 90 ngày đầu tăng từ 2,1% lên 4,8%. Khi phân tích, họ phát hiện **Concept Drift** đã xảy ra: biến "thu nhập ổn định" trước đây là yếu tố bảo vệ mạnh, nhưng trong bối cảnh lạm phát 6,5%/năm, cùng mức thu nhập đó không còn đủ sức chi trả. Chỉ số PSI của biến thu nhập đạt 0,32 (vượt ngưỡng 0,25), trong khi biến "thời gian làm việc tại công ty hiện tại" có KS = 0,18. Ngân hàng A phải tái huấn luyện mô hình với dữ liệu 12 tháng gần nhất, đồng thời bổ sung biến về tỷ lệ chi phí sinh hoạt/thu nhập, giúp AUC phục hồi lên 0,85.

### Ví dụ 2: Mô hình phát hiện gian lận thẻ tại Ngân hàng B

Ngân hàng B vận hành hệ thống **fraud detection** xử lý trung bình 3,2 triệu giao dịch/ngày. Vào tháng 6/2024, hệ thống bắt đầu bỏ sót nhiều giao dịch gian lận liên quan đến hình thức chiếm đoạt tài khoản (account takeover) – một phương thức mới mà tập huấn luyện ban đầu không có. Tỷ lệ False Negative Rate tăng từ 4% lên 11%, gây thiệt hại ước tính 8,7 tỷ đồng/tháng. Qua phân tích **Data Drift**, đội ngũ phát hiện phân phối của biến "địa điểm giao dịch" và "thiết bị đăng nhập" đã thay đổi hoàn toàn so với năm 2022. Ngân hàng B đã triển khai cơ chế **online learning** (học trực tuyến) cập nhật mô hình mỗi 6 giờ, đồng thời xây dựng **drift dashboard** theo dõi PSI real-time, qua đó giảm thiệt hại xuống còn 2,1 tỷ đồng/tháng trong vòng 2 tháng.

### Ví dụ 3: Mô hình dự đoán khách hàng rời bỏ dịch vụ (Churn Prediction)

Khách hàng B của Ngân hàng C sử dụng mô hình **churn prediction** để dự đoán khách hàng có khả năng đóng tài khoản trong 30 ngày tới. Mô hình ban đầu đạt Precision = 78%, Recall = 65%. Sau khi Ngân hàng C ra mắt sản phẩm tài khoản số đẹp mới, hành vi khách hàng thay đổi đáng kể: nhóm khách hàng trẻ tuổi (22-28 tuổi) bắt đầu mở nhiều tài khoản để săn số đẹp, gây nhiễu dữ liệu. **Feature Drift** xảy ra với biến "số lượng tài khoản đang hoạt động" – phân phối thay đổi từ trung bình 1,2 tài khoản/khách hàng lên 3,7 tài khoản/khách hàng. Ngân hàng C phải loại bỏ biến này khỏi mô hình và bổ sung biến "tần suất đăng nhập app/tuần" để phản ánh đúng mức độ gắn bó thực sự.

---

## AI Model Drift (Dò mô hình) trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Model Drift | /ˈmɒdəl drɪft/ |
| Tiếng Nhật | モデルドリフト (Moderu Dorifuto) | mo-de-ru do-ri-fu-to |
| Tiếng Hàn | 모델 드리프트 (Model Deuripeu) | mo-del deu-ri-peu |
| Tiếng Trung | 模型漂移 (Mó xíng piāo yí) | mó xíng piāo yí |
| Tiếng Tây Ban Nha | Deriva del Modelo | /deˈɾiβa ðel moˈðelo/ |

---

## Câu hỏi thường gặp

### AI Model Drift (Dò mô hình) khác gì Data Drift (Dò dữ liệu)?

**Model Drift** là thuật ngữ tổng quát chỉ bất kỳ sự suy giảm hiệu năng nào của mô hình AI theo thời gian, có thể do nhiều nguyên nhân (dữ liệu đầu vào thay đổi, nhãn thay đổi, mối quan hệ X-Y thay đổi). Trong khi đó, **Data Drift** chỉ là một dạng cụ thể của Model Drift, xảy ra khi phân phối P(X) của dữ liệu đầu vào thay đổi. Nói cách khác, mọi Data Drift đều là Model Drift, nhưng không phải Model Drift nào cũng là Data Drift – ví dụ Concept Drift có thể xảy ra ngay cả khi phân phối dữ liệu đầu vào không thay đổi.

### Khi nào cần biết về AI Model Drift (Dò mô hình)?

Cần hiểu rõ về **Model Drift** trong ba trường hợp chính: (1) Khi bạn là Data Scientist/ML Engineer phụ trách triển khai và vận hành mô hình AI trong production, đặc biệt là các mô hình chấm điểm tín dụng, phát hiện gian lận, hoặc định giá sản phẩm; (2) Khi bạn tham gia kỳ thi tuyển dụng ngân hàng vào vị trí Risk Analytics, Data Analytics, hoặc AI Engineer – câu hỏi về drift rất hay xuất hiện trong phỏng vấn; (3) Khi bạn quản lý sản phẩm ngân hàng số, cần đánh giá rủi ro vận hành khi triển khai mô hình mới. Trong thực tế, các ngân hàng lớn yêu cầu giám sát drift ít nhất mỗi tuần một lần đối với các mô hình critical.

### AI Model Drift (Dò mô hình) ảnh hưởng thế nào đến khách hàng?

**Model Drift** tác động trực tiếp đến trải nghiệm khách hàng theo nhiều cách: Thứ nhất, mô hình credit scoring bị drift có thể phê duyệt nhầm khoản vay cho khách hàng rủi ro cao hoặc từ chối nhầm khách hàng tốt – cả hai đều gây thiệt hại. Thứ hai, mô hình fraud detection drift sẽ bỏ sót giao dịch gian lận, khiến khách hàng mất tiền; hoặc ngược lại, chặn nhầm giao dịch hợp lệ, gây phiền toái. Thứ ba, mô hình cá nhân hóa sản phẩm (recommendation) drift sẽ đề xuất sai nhu cầu, làm giảm sự hài lòng. Một nghiên cứu của McKinsey ước tính drift không được kiểm soát có thể gây thiệt hại 5-15% doanh thu hàng năm cho các tổ chức tài chính.

---

## Tổng kết

**AI Model Drift** (Dò mô hình) là hiện tượng tất yếu trong vòng đời của mọi mô hình AI/ML, đặc biệt trong môi trường ngân hàng nơi dữ liệu thay đổi liên tục theo thị trường, hành vi khách hàng và chính sách pháp lý. Để vận hành mô hình an toàn và hiệu quả, các ngân hàng cần xây dựng hệ thống giám sát drift tự động với các chỉ số PSI, KS, AUC, thiết lập quy trình tái huấn luyện định kỳ (thường 3-6 tháng/lần), và áp dụng các kỹ thuật nâng cao như online learning, ensemble model, hay transfer learning. Đối với ứng viên tham gia tuyển dụng ngân hàng, việc nắm vững khái niệm Model Drift cùng các dạng phân loại (Concept Drift, Data Drift, Label Drift) và phương pháp phát hiện là lợi thế cạnh tranh rất lớn trong các vị trí AI Engineer, Data Scientist, hay Risk Analyst. Nắm chắc thuật ngữ này đồng nghĩa với việc bạn hiểu rằng mô hình AI không phải "xây xong là xong" – mà cần được nuôi dưỡng, giám sát và cập nhật liên tục để duy trì giá trị kinh doanh bền vững.

## Thuật ngữ liên quan

- [Chấm điểm tín dụng cá nhân](https://vieclam.nganhang.com/thuat-ngu/cham-diem-tin-dung-ca-nhan-la-gi) — Hệ thống đánh giá mức độ tín nhiệm của khách hàng dựa trên lịch sử vay, thu nhập, nghề nghiệp và dữ liệu từ CIC.
- [Hệ thống xếp hạng tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/he-thong-xep-hang-tin-dung-noi-bo-la-gi) — Hệ thống phân hạng khách hàng do ngân hàng tự xây dựng theo chuẩn Basel, làm cơ sở tính vốn yêu cầu cho rủi ro tín dụng (phương pháp IRB).
- [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 chấm điểm tín dụng cá nhân](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-cham-diem-tin-dung-ca-nhan-la-gi) — Hệ thống đánh giá và xếp hạng khả năng trả nợ của khách hàng dựa trên thu nhập, lịch sử tín dụng và nhiều yếu tố khác bằng thuật toán.
- [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.
- [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.
- [Xếp hạng tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/xep-hang-tin-dung-noi-bo-la-gi) — Hệ thống chấm điểm khách hàng do ngân hàng tự xây dựng, quyết định lãi suất và hạn mức cho vay.