# AI Model Inventory danh mục mô hình

Tiếng Anh: Model Inventory

Danh mục mô hình tập trung giúp ngân hàng theo dõi tất cả AI đang triển khai, phục vụ kiểm toán nội bộ và giám sát của NHNN.

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

## AI Model Inventory – Danh mục mô hình là gì?

**AI Model Inventory** (Danh mục mô hình AI) là một hệ thống quản lý tập trung, lưu trữ toàn bộ thông tin chi tiết về các mô hình trí tuệ nhân tạo (Artificial Intelligence) và học máy (Machine Learning) mà một tổ chức tài chính, cụ thể là ngân hàng, đang triển khai, phát triển hoặc đã ngừng sử dụng. Nói cách khác, đây là "sổ cái số" (digital ledger) ghi nhận đầy đủ "lý lịch" của từng mô hình AI – từ mục đích kinh doanh, dữ liệu đầu vào, thuật toán, đến chủ sở hữu, trạng thái vận hành và kết quả giám sát.

Trong bối cảnh ngành ngân hàng Việt Nam đang chuyển đổi số mạnh mẽ, các ngân hàng thương mại (NHTM) triển khai hàng trăm, thậm chí hàng nghìn mô hình AI phục vụ nhiều mảng nghiệp vụ khác nhau: chấm điểm tín dụng (credit scoring), phát hiện gian lận (fraud detection), chatbot chăm sóc khách hàng, phân tích rủi ro thị trường, dự báo dòng tiền, tự động hóa quy trình (Robotic Process Automation – RPA), v.v. Nếu không có **Model Inventory** thống nhất, ngân hàng sẽ rơi vào tình trạng "mỗi phòng ban một danh sách", dẫn đến nghịch lý: cùng một bài toán nhưng có 3–4 mô hình chạy song song, không ai biết mô hình nào đang hiệu quả, mô hình nào đã lỗi thời, mô hình nào vi phạm quy định của Ngân hàng Nhà nước (NHNN).

Theo Thông tư 13/2018/TT-NHNN về hệ thống kiểm soát nội bộ và Quyết định 2345/QĐ-NHNN năm 2023 về triển khai các giải pháp an toàn, bảo mật trong hoạt động ngân hàng, các tổ chức tín dụng bắt buộc phải lập và duy trì hồ sơ quản lý rủi ro đối với mọi mô hình định lượng được sử dụng trong hoạt động kinh doanh. **AI Model Inventory** chính là công cụ hiện đại hóa yêu cầu này, đặc biệt khi mô hình AI có đặc thù "hộp đen" (black box), khó giải thích và có thể thay đổi hành vi theo thời gian (model drift). Việc xây dựng danh mục mô hình tập trung không chỉ giúp ngân hàng tuân thủ quy định pháp luật mà còn là nền tảng cho quản trị rủi ro mô hình (**Model Risk Management** – MRM), kiểm toán nội bộ và giám sát của cơ quan quản lý.

**Thuật ngữ tiếng Anh:** Model Inventory (trong ngữ cảnh AI/ML)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

---

## Đặc điểm và phân loại

### 1. Các thành phần cốt lõi của một Model Inventory

Một **AI Model Inventory** đạt chuẩn thường bao gồm các trường thông tin sau:

| Nhóm thông tin | Nội dung chi tiết |
|---|---|
| **Định danh mô hình** | Mã mô hình (Model ID), tên mô hình, phiên bản (version), ngày tạo, ngày cập nhật gần nhất |
| **Mục đích kinh doanh** | Bài toán giải quyết (chấm điểm tín dụng, phát hiện gian lận, dự báo churn…), phòng ban sử dụng |
| **Dữ liệu đầu vào** | Nguồn dữ liệu, tập biến (features), tần suất cập nhật, có chứa dữ liệu cá nhân (PII) hay không |
| **Thuật toán** | Loại mô hình (hồi quy logistic, random forest, XGBoost, neural network, LLM…), framework sử dụng |
| **Chủ sở hữu & phê duyệt** | Model Owner, Model Developer, người phê duyệt (Model Approver), ngày phê duyệt |
| **Trạng thái vận hành** | Đang phát triển (Development), thử nghiệm (UAT), triển khai chính thức (Production), tạm dừng, ngừng sử dụng (Retired) |
| **Giám sát & hiệu năng** | KPI chính (Accuracy, AUC, F1, KS, PSI…), chu kỳ đánh giá lại (re-validation), kết quả backtest |
| **Rủi ro & tuân thủ** | Phân loại rủi ro mô hình (Thấp/Trung bình/Cao), mức độ giải thích được (explainability), tuân thủ Basel, GDPR, Luật An ninh mạng Việt Nam |
| **Tài liệu đính kèm** | Báo cáo phát triển mô hình (Model Development Document), kết quả kiểm định, biên bản phê duyệt |

### 2. Phân loại mô hình trong Inventory

Có nhiều cách phân loại, phổ biến nhất là:

| Tiêu chí | Các loại mô hình |
|---|---|
| **Theo mức độ rủi ro** | Mô hình rủi ro cao (ảnh hưởng đến vốn, tín dụng) – Mô hình rủi ro trung bình (marketing, vận hành) – Mô hình rủi ro thấp (nội bộ, báo cáo) |
| **Theo phương pháp** | Mô hình thống kê truyền thống (logistic, ARIMA) – Mô hình Machine Learning có giám sát – Mô hình học không giám sát (phân cụm) – Mô hình học sâu (Deep Learning) – Mô hình ngôn ngữ lớn (LLM) |
| **Theo tần suất sử dụng** | Real-time (chạy theo từng giao dịch) – Batch (chạy theo lô hàng ngày/tuần) – On-demand |
| **Theo vòng đời** | Idea → Proof of Concept → Development → Validation → Production → Monitoring → Retirement |
| **Theo lĩnh vực nghiệp vụ** | Tín dụng, Thanh toán, Treasury, Rủi ro thị trường, AML/CFT, Trải nghiệm khách hàng, Vận hành |

### 3. Đặc điểm nhận biết một Model Inventory chất lượng

- **Tập trung (centralized):** Một nguồn dữ liệu duy nhất (single source of truth), không phân tán ở các phòng ban.
- **Có thể truy vết (traceable):** Mọi thay đổi của mô hình đều được log lại theo thời gian (audit trail).
- **Liên kết với quy trình phê duyệt:** Tích hợp workflow phê duyệt mô hình theo ba tuyến bảo vệ (Three Lines of Defense).
- **Tích hợp giám sát liên tục:** Tự động cảnh báo khi mô hình suy giảm hiệu năng hoặc vi phạm ngưỡng rủi ro.
- **Hỗ trợ báo cáo quản trị:** Xuất báo cáo theo yêu cầu của NHNN, kiểm toán độc lập, Ủy ban Quản lý rủi ro.

---

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Ngân hàng A xây dựng Model Inventory cho hệ thống chấm điểm tín dụng

Ngân hàng A là một NHTM cổ phần lớn tại Việt Nam với hơn 12 triệu khách hàng cá nhân. Trước năm 2022, ngân hàng có tới **23 mô hình chấm điểm tín dụng** khác nhau được phát triển rải rác ở 5 phòng ban (Tín dụng, Khối CNTT, Công ty con Fintech, Trung tâm Dữ liệu, Đối tác thứ ba). Mỗi mô hình dùng một tập biến khác nhau, có độ chính xác dao động từ 68% đến 82%, và không ai biết chính xác mô hình nào đang được áp dụng cho phân khúc khách hàng nào.

Sau khi Thông tư 13/2018/TT-NHNN được siết chặt giám sát, ngân hàng A đã triển khai dự án **AI Model Inventory** trong 9 tháng với tổng kinh phí 18 tỷ đồng. Kết quả:

- Hợp nhất còn **6 mô hình chấm điểm tín dụng** tiêu chuẩn, phân theo phân khúc (nhân viên văn phòng, lao động tự do, doanh nghiệp SME, doanh nghiệp lớn, khách hàng ưu tiên, khách hàng mới).
- Tỷ lệ nợ xấu (NPL ratio) giảm từ **2,41%** xuống còn **1,87%** trong vòng 12 tháng nhờ mô hình chính xác hơn.
- Thời gian phê duyệt khoản vay cá nhân giảm từ 48 giờ xuống còn 6 giờ (áp dụng mô hình quyết định tự động cho khoản vay dưới 200 triệu đồng).
- Kiểm toán nội bộ có thể truy xuất toàn bộ lịch sử 6 mô hình chỉ trong 15 phút thay vì 2 tuần như trước.

### Ví dụ 2: Ngân hàng B áp dụng Model Inventory cho hệ thống phát hiện gian lận

Ngân hàng B triển khai hệ thống **phát hiện gian lận thẻ (card fraud detection)** sử dụng mô hình học sâu. Mỗi tháng có khoảng **140 triệu giao dịch thẻ** đi qua hệ thống, với tốc độ xử lý 4.800 giao dịch/giây. Trước đây, ngân hàng gặp hai vấn đề nghiêm trọng:

1. **Model drift không được phát hiện kịp thời:** Khi tội phạm thay đổi phương thức (ví dụ chuyển sang giao dịch không tiếp xúc – contactless), mô hình cũ suy giảm AUC từ 0,91 xuống 0,78 trong 2 tháng mà không ai hay biết.
2. **Không giải thích được quyết định từ chối giao dịch:** Khách hàng B khiếu nại bị từ chối 3 giao dịch liên tiếp tại nước ngoài, nhưng ngân hàng không giải thích được lý do cụ thể.

Sau khi đưa mô hình vào **AI Model Inventory**, ngân hàng B đã:

- Cấu hình cảnh báo tự động khi AUC giảm quá 5% so với baseline hoặc khi **Population Stability Index (PSI)** vượt 0,25.
- Áp dụng kỹ thuật **SHAP (SHapley Additive exPlanations)** để giải thích từng quyết định, đáp ứng yêu cầu minh bạch theo Luật Bảo vệ quyền lợi người tiêu dùng tài chính.
- Phát hiện và đào tạo lại mô hình mỗi 60 ngày (thay vì 180 ngày), giảm **47% giá trị giao dịch gian lận** trong năm đầu tiên (từ 23 tỷ đồng xuống 12 tỷ đồng thiệt hại/năm).

### Ví dụ 3: Vai trò của Model Inventory trong kiểm toán NHNN

Tháng 6/2024, NHNN phát động đợt thanh tra toàn ngành về quản trị rủi ro công nghệ thông tin và AI. Một ngân hàng TMCP có vốn nhà nước (gọi là Ngân hàng C) đã trình bày hệ thống **AI Model Inventory** với 187 mô hình đang vận hành. Mỗi mô hình đều có đầy đủ 9 nhóm thông tin theo chuẩn, kèm báo cáo kiểm định độc lập từ đơn vị **Model Validation Unit (MVU)** nội bộ. Kết quả: Ngân hàng C là một trong 3 ngân hàng được NHNN đánh giá "hoàn thành tốt" và không bị xử phạt hành chính, trong khi 7 ngân hàng khác bị nhắc nhở vì không có hệ thống quản lý mô hình tập trung.

---

## AI Model Inventory – Danh mục mô hình AI trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | **AI Model Inventory** | /eɪ.aɪ ˈmɒdl ˈɪnvəntri/ |
| Tiếng Nhật | AIモデルインベントリ | /ē ai moderu inbentori/ |
| Tiếng Hàn | AI 모델 인벤토리 | /A.I. model inbentori/ |
| Tiếng Trung | AI模型清单 | /āi mó xíng qīng dān/ |
| Tiếng Tây Ban Nha | Inventario de Modelos de IA | /imbenˈtaɾjo ðe moˈðelos ðe ˈi.a./ |

---

## Câu hỏi thường gặp

### AI Model Inventory khác gì Model Registry?

**Model Registry** (Sổ đăng ký mô hình) là một thành phần trong vòng đời MLOps, thường tập trung vào khía cạnh kỹ thuật: lưu trữ phiên bản mô hình, môi trường triển khai, siêu tham số (hyperparameters), container image. Trong khi đó, **AI Model Inventory** có phạm vi rộng hơn, hướng đến **quản trị rủi ro và tuân thủ** (governance & compliance): bao gồm cả mô hình đã ngừng sử dụng, mô hình của bên thứ ba, mô hình spreadsheet, thậm chí cả quy tắc nghiệp vụ (business rules). Nói ngắn gọn, **Model Registry** phục vụ Data Scientist và DevOps, còn **Model Inventory** phục vụ Kiểm toán nội bộ, Quản lý rủi ro (Risk Management) và Cơ quan quản lý nhà nước. Trong thực tế, hai hệ thống này thường được tích hợp với nhau qua giao diện lập trình ứng dụng (API).

### Khi nào cần biết về AI Model Inventory?

Bạn cần hiểu rõ **AI Model Inventory** trong ba trường hợp chính. **Thứ nhất**, khi ứng tuyển vào vị trí chuyên viên Quản trị rủi ro mô hình (**Model Risk Management – MRM**), Kiểm toán nội bộ, hoặc Phòng Phân tích dữ liệu (Data Analytics) tại ngân hàng – đây là những phòng ban trực tiếp xây dựng, vận hành hoặc kiểm tra Inventory. **Thứ hai**, khi tham gia các chương trình đào tạo nội bộ về **Basel III/IV**, **IFRS 9**, hoặc chứng chỉ quốc tế như **FRM (Financial Risk Manager)** và **CAMS (Certified Anti-Money Laundering Specialist)** – các kỳ thi này đều có câu hỏi liên quan đến quản trị rủi ro mô hình. **Thứ ba**, khi làm việc với cơ quan quản lý (NHNN, UBCKNN) trong các đợt thanh tra, giám sát từ xa (off-site supervision) hoặc xây dựng báo cáo quản trị rủi ro hàng năm.

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

**AI Model Inventory** gián tiếp bảo vệ quyền lợi khách hàng theo nhiều cách. Khi ngân hàng quản lý mô hình chặt chẽ, quyết định **phê duyệt/từ chối khoản vay**, **cấp hạn mức thẻ tín dụng**, hay **phát hiện giao dịch đáng ngờ** sẽ chính xác và công bằng hơn, giảm thiểu tình trạng khách hàng bị từ chối oan hoặc bị khóa thẻ không rõ lý do. Đồng thời, khi có sự cố mô hình (model failure), ngân hàng có thể truy vết và khắc phục trong vài giờ thay vì vài tuần, đảm bảo dịch vụ không bị gián đoạn. Cuối cùng, việc giải thích được quyết định của mô hình (model explainability) giúp khách hàng hiểu rõ lý do bị từ chối tín dụng và có cơ hội khiếu nại, kháng cáo theo quy định pháp luật – đây là yếu tố quan trọng trong **Luật Bảo vệ quyền lợi người tiêu dùng tài chính** có hiệu lực từ ngày 1/7/2024.

---

## Tổng kết

**AI Model Inventory** (Danh mục mô hình AI) không đơn thuần là một công cụ kỹ thuật mà là **xương sống của quản trị rủi ro mô hình** trong ngân hàng hiện đại. Trong bối cảnh ngân hàng Việt Nam triển khai hàng trăm mô hình AI, việc có một danh mục tập trung giúp ngân hàng tuân thủ quy định của NHNN, giảm thiểu rủi ro vận hành, nâng cao hiệu quả kinh doanh và bảo vệ quyền lợi khách hàng. Đối với ứng viên thi tuyển vào ngân hàng, việc nắm vững khái niệm này – cùng các thuật ngữ liên quan như **Model Risk Management (MRM)**, **Model Validation**, **Model Drift**, **Model Governance** – sẽ là lợi thế cạnh tranh lớn, đặc biệt khi ứng tuyển vào các vị trí thuộc khối Quản trị rủi ro, Kiểm toán nội bộ và Phân tích dữ liệu. Hãy nhớ rằng: một ngân hàng quản lý tốt AI không phải ngân hàng có nhiều mô hình nhất, mà là ngân hàng **biết rõ mình đang dùng mô hình nào, mục đích gì, hiệu quả ra sao và rủi ro ở đâu** – và **AI Model Inventory** chính là chìa khóa để trả lời câu hỏi đó.

## Thuật ngữ liên quan

- [Chuyển đổi số ngân hàng](https://vieclam.nganhang.com/thuat-ngu/chuyen-doi-so-ngan-hang-la-gi) — Quá trình ngân hàng chuyển đổi toàn diện từ mô hình truyền thống sang vận hành số, nâng cao trải nghiệm khách hàng.
- [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.
- [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…
- [Phân khúc khách hàng](https://vieclam.nganhang.com/thuat-ngu/phan-khuc-khach-hang-la-gi) — Phân chia khách hàng thành các nhóm đồng nhất theo hành vi, thu nhập, nhân khẩu học, giúp cá nhân hóa sản phẩm và chiến dịch tiếp thị.
- [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.
- [Ủy ban Basel về Giám sát Ngân hàng](https://vieclam.nganhang.com/thuat-ngu/uy-ban-basel-ve-giam-sat-ngan-hang-la-gi) — Là cơ quan đặt trụ sở tại Ngân hàng Thanh toán Quốc tế (BIS) chịu trách nhiệm xây dựng và phát triển các chuẩn mực Basel. BCBS không có quyền lực pháp lý nhưng…