# AI Model Inventory kho quản lý mô hình

Tiếng Anh: Model Inventory

Cơ sở dữ liệu tập trung liệt kê toàn bộ mô hình AI đang sử dụng nhằm kiểm soát rủi ro và tuân thủ quy định ngân hàng.

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

Trong bối cảnh ngân hàng hiện đại đang chuyển đổi số mạnh mẽ, số lượng mô hình trí tuệ nhân tạo (**AI** - **Artificial Intelligence**) và máy học (**Machine Learning**) được triển khai không ngừng tăng lên. Một ngân hàng thương mại cỡ lớn tại Việt Nam có thể vận hành từ 200 đến 500 mô hình AI/ML cùng lúc, phục vụ cho các nghiệp vụ từ chấm điểm tín dụng, phát hiện gian lận đến phân tích hành vi khách hàng. Chính vì vậy, khái niệm **Model Inventory** (Kho quản lý mô hình) ra đời như một giải pháp quản trị tất yếu nhằm kiểm soát "rừng mô hình" đang ngày càng phức tạp này.

**Model Inventory** là cơ sở dữ liệu tập trung, lưu trữ có hệ thống toàn bộ thông tin chi tiết về các mô hình AI/ML đang được phát triển, thử nghiệm, triển khai hoặc vận hành trong ngân hàng. Đây không đơn thuần là một danh sách liệt kê, mà là một hệ thống quản trị thông tin mô hình (**Model Information Management System**) cho phép nhà quản trị theo dõi vòng đời, chủ sở hữu, mục đích sử dụng, trạng thái hoạt động và các rủi ro liên quan của từng mô hình. Kho quản lý này hoạt động theo nguyên lý "single source of truth" (một nguồn dữ liệu duy nhất đáng tin cậy), đảm bảo rằng bất kỳ bộ phận nào từ Khối Công nghệ, Khối Rủi ro, Khối Kiểm toán nội bộ đến Ban Lãnh đạo đều có thể truy cập thông tin nhất quán về hệ thống mô hình AI của ngân hàng.

Khi tích hợp với hệ thống **Model Risk Management (MRM)** - Quản lý Rủi ro Mô hình, Model Inventory sẽ tự động hóa quy trình phê duyệt, giám sát hiệu suất và phát hiện sớm hiện tượng suy giảm chất lượng mô hình (**model drift**). Đặc biệt trong giai đoạn 2024-2030, khi Ngân hàng Nhà nước Việt Nam đẩy mạnh Đề án chuyển đổi số quốc gia và ban hành các quy định về quản trị AI trong hoạt động ngân hàng (tiêu biểu là Quyết định 1005/QĐ-NHNN và Thông tư 17/2024/TT-NHNN), Model Inventory trở thành một yêu cầu bắt buộc về mặt tuân thủ (**compliance**). Ngân hàng nào triển khai AI mà không có kho quản lý mô hình bài bản sẽ gặp khó khăn trong kiểm toán, giám sát và có nguy cơ vi phạm các nguyên tắc về tính giải thích được (**Explainable AI**), tính công bằng (**Fairness**) và trách nhiệm giải trình (**Accountability**).

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

## Đặc điểm và phân loại

### Các thuộc tính cốt lõi trong Model Inventory

Một Model Inventory chuẩn quốc tế theo khuyến nghị của **SR 11-7** (Cục Dự trữ Liên bang Mỹ) và nguyên tắc **Basel** thường lưu trữ 9 nhóm thông tin sau:

| Nhóm thông tin | Nội dung chi tiết |
|---|---|
| **Thông tin định danh** | Tên mô hình, mã định danh (Model ID), phiên bản (version), ngày tạo, ngày cập nhật gần nhất |
| **Thông tin chủ sở hữu** | Đơn vị phát triển (developer), đơn vị kinh doanh sử dụng (business owner), đơn vị vận hành (operator), đơn vị kiểm soát rủi ro |
| **Mục đích sử dụng** | Use case kinh doanh, phân khúc khách hàng, sản phẩm áp dụng, quy trình nghiệp vụ tác động |
| **Dữ liệu đầu vào** | Nguồn dữ liệu huấn luyện, đặc trưng (features), kích thước tập dữ liệu, tần suất cập nhật dữ liệu |
| **Thuật toán & Kỹ thuật** | Loại thuật toán (Random Forest, XGBoost, Neural Network...), siêu tham số, framework sử dụng |
| **Chỉ số hiệu suất** | Độ chính xác (accuracy), AUC, F1-score, KS, PSI, các chỉ số đo lường công bằng (fairness metrics) |
| **Trạng thái vòng đời** | Development, Validation, Approved, Deployed, Monitoring, Retired |
| **Phân loại rủi ro** | High/Medium/Low risk, tác động đến khách hàng, ảnh hưởng tài chính |
| **Lịch sử kiểm toán** | Audit trail, kết quả kiểm tra định kỳ, phê duyệt của Hội đồng Rủi ro |

### Phân loại mô hình theo mức độ rủi ro

Các ngân hàng thường phân loại mô hình theo 3 cấp độ rủi ro, giúp phân bổ nguồn lực kiểm soát phù hợp:

| Cấp độ | Đặc điểm | Yêu cầu kiểm soát | Ví dụ điển hình |
|---|---|---|---|
| **Tier 1 - Cao** | Mô hình ảnh hưởng trực tiếp đến quyết định tài chính lớn, vốn pháp định, dự phòng rủi ro | Kiểm định độc lập hàng quý, phê duyệt Hội đồng Rủi ro, báo cáo Ban Lãnh đạo | Mô hình tính xác suất vỡ nợ (PD), mô hình dự báo tổn thất (LGD), mô hình phân loại nợ theo Thông tư 02/2023 |
| **Tier 2 - Trung bình** | Mô hình hỗ trợ quyết định nghiệp vụ có giá trị vừa và nhỏ | Kiểm định định kỳ 6 tháng, phê duyệt cấp Khối | Mô hình chấm điểm tín dụng cá nhân, mô hình phát hiện gian lận thẻ |
| **Tier 3 - Thấp** | Mô hình phân tích nội bộ, marketing, không ảnh hưởng trực tiếp đến khách hàng | Kiểm định hàng năm hoặc theo yêu cầu | Mô hình phân khúc khách hàng, mô hình dự báo xu hướng tiền gửi |

### Các trạng thái trong vòng đời mô hình

Một mô hình AI trong ngân hàng trải qua 6 trạng thái chính trong vòng đời:

1. **Concept** (Ý tưởng): Mô hình mới được đề xuất, đang trong giai đoạn xác định bài toán kinh doanh
2. **Development** (Phát triển): Đang xây dựng, huấn luyện trên dữ liệu lịch sử
3. **Validation** (Kiểm định): Đội ngũ Model Risk đánh giá độc lập về độ chính xác và tính công bằng
4. **Approved** (Phê duyệt): Đã được Hội đồng phê duyệt, sẵn sàng triển khai
5. **Deployed** (Vận hành): Đang chạy production, phục vụ khách hàng thực
6. **Retired** (Ngừng sử dụng): Được thay thế hoặc loại bỏ, cần lưu trữ hồ sơ tối thiểu 5-7 năm theo quy định

## Ví dụ thực tế trong ngành ngân hàng

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

Ngân hàng A triển khai mô hình **credit scoring** có tên "CREDIT-RTL-V3.2" cho vay tiêu dùng cá nhân. Khi đăng ký vào Model Inventory, mô hình này phải khai báo đầy đủ các thông tin sau:

- **Tên mô hình:** CREDIT-RTL-V3.2
- **Phiên bản:** 3.2 (cập nhật ngày 15/03/2025)
- **Đơn vị sở hữu:** Khối Tín dụng - Phòng Chấm điểm
- **Đơn vị phát triển:** Trung tâm Dữ liệu & AI
- **Loại thuật toán:** Gradient Boosting (XGBoost) kết hợp Logistic Regression
- **Dữ liệu huấn luyện:** 850.000 hồ sơ khách hàng giai đoạn 2020-2024
- **Số lượng features:** 87 biến (bao gồm dữ liệu giao dịch, lịch sử tín dụng CIC, hành vi số)
- **Chỉ số AUC:** 0,78 (vượt ngưỡng tối thiểu 0,70)
- **Chỉ số KS:** 42%
- **Mức rủi ro:** Tier 2 (Trung bình)
- **Tần suất tái huấn luyện:** 6 tháng/lần
- **Phương pháp giám sát model drift:** **PSI** (Population Stability Index) với ngưỡng cảnh báo 0,15

Khi Ngân hàng Nhà nước tiến hành thanh tra định kỳ vào quý III/2025, đoàn kiểm tra yêu cầu cung cấp thông tin về mô hình tín dụng. Nhờ có Model Inventory, Ngân hàng A có thể trích xuất toàn bộ thông tin trong vòng 2 giờ, bao gồm: lịch sử phê duyệt, kết quả backtesting, kết quả kiểm định độc lập, số lượng khách hàng bị ảnh hưởng (1,2 triệu hồ sơ), tỷ lệ phê duyệt thực tế (38%) so với kỳ vọng (35-40%). Nếu không có Model Inventory, quá trình này có thể mất từ 2-4 tuần làm việc.

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

Ngân hàng B vận hành hệ thống phát hiện gian lận thẻ tín dụng "FRAUD-DET-V5.0" với quy mô xử lý 4,5 triệu giao dịch/ngày. Mô hình này được phân loại **Tier 1** vì ảnh hưởng trực tiếp đến quyết định chặn giao dịch, hoàn tiền và bồi thường khách hàng B.

Thông tin trong Model Inventory ghi nhận:
- **Độ chính xác (Precision):** 94%
- **Độ phủ (Recall):** 88%
- **Tỷ lệ cảnh báo sai (False Positive):** 0,12%
- **Giá trị giao dịch gian lận phát hiện trong 6 tháng:** 127 tỷ đồng
- **Trạng thái:** Monitoring, có cảnh báo model drift vào tháng 04/2025 do thay đổi hành vi tiêu dùng sau Tết Nguyên Đán
- **Hành động khắc phục:** Tái huấn luyện mô hình với dữ liệu Q1/2025, nâng cấp lên phiên bản 5.1

Vào ngày 12/05/2025, hệ thống giám sát tự động phát hiện chỉ số PSI vượt ngưỡng 0,25 (ngưỡng cho phép 0,15). Model Inventory ngay lập tức đánh dấu mô hình vào trạng thái "Cần tái huấn luyện" và gửi cảnh báo đến đội ngũ vận hành. Nhờ vậy, Ngân hàng B đã xử lý kịp thời trước khi tỷ lệ phát hiện gian lận suy giảm xuống dưới 80%, bảo vệ được ước tính khoảng 25 tỷ đồng giao dịch có thể bị ảnh hưởng.

### Ví dụ 3: Mô hình phân khúc khách hàng tại Ngân hàng C

Ngân hàng C triển khai mô hình phân khúc khách hàng cá nhân "CUSTOMER-SEG-V2.1" sử dụng thuật toán **K-means** kết hợp phân tích **RFM** (Recency - Frequency - Monetary) để chia 5 triệu khách hàng thành 8 nhóm hành vi. Đây là mô hình Tier 3 vì không ảnh hưởng trực tiếp đến quyết định tài chính của khách hàng.

Thông tin trong Model Inventory ghi nhận:
- **Số lượng khách hàng:** 5.024.318 (tính đến 30/06/2025)
- **Số nhóm (clusters):** 8 nhóm
- **Nhóm lớn nhất:** Khách hàng tiềm năng cao (1,2 triệu khách hàng)
- **Giá trị sử dụng:** Cá nhân hóa chiến dịch marketing, tối ưu danh mục sản phẩm
- **Tần suất cập nhật:** Hàng quý
- **Đơn vị sử dụng:** Khối Khách hàng cá nhân, Khối Marketing

Mặc dù là mô hình rủi ro thấp, Ngân hàng C vẫn đăng ký đầy đủ vào Model Inventory để khi tích hợp với hệ thống **CRM** (Customer Relationship Management), nhà quản trị có thể truy xuất lịch sử thay đổi phân khúc và đánh giá hiệu quả các chiến dịch marketing. Kết quả sau 1 năm triển khai: tỷ lệ phản hồi chiến dịch tăng từ 4,2% lên 8,7%, doanh thu từ nhóm khách hàng được cá nhân hóa tăng 23%, đạt giá trị 1.850 tỷ đồng.

## AI Model Inventory kho quản lý mô hình trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Model Inventory | /ˈmɒdəl ˈɪnvəntri/ |
| Tiếng Nhật | モデルインベントリ | moderu inbentori |
| Tiếng Hàn | 모델 인벤토리 | model inbentori |
| Tiếng Trung | 模型清单 | móxíng qīngdān |
| Tiếng Tây Ban Nha | Inventario de Modelos | /inβenˈtaɾjo ðe moˈðelos/ |

## Câu hỏi thường gặp

### Model Inventory khác gì Model Registry?

**Model Registry** (Kho lưu trữ mô hình) tập trung vào khía cạnh kỹ thuật - nơi lưu trữ mã nguồn (source code), file mô hình đã huấn luyện (model artifact), siêu tham số và phiên bản để đội ngũ Data Scientist có thể tải xuống và triển khai. Trong khi đó, **Model Inventory** tập trung vào khía cạnh quản trị - lưu trữ thông tin về chủ sở hữu, mục đích kinh doanh, trạng thái phê duyệt, mức độ rủi ro và lịch sử kiểm toán từ góc độ quản lý cấp cao. Một cách dễ hiểu: Model Registry phục vụ cho kỹ sư AI thao tác kỹ thuật; Model Inventory phục vụ cho Ban Quản lý Rủi ro và Cơ quan quản lý nhà nước giám sát tuân thủ. Bên cạnh đó, **Model Documentation** (tài liệu mô hình) là bộ tài liệu kỹ thuật chi tiết đi kèm của từng mô hình, trong khi Model Inventory là "bảng chỉ mục tổng thể" của toàn hệ thống.

### Khi nào cần biết về Model Inventory?

Người ôn thi ngân hàng cần nắm vững Model Inventory trong các trường hợp sau: (1) **Ôn tập các môn về quản trị rủi ro** (Model Risk Management), chuyển đổi số ngân hàng, hoặc công nghệ ngân hàng - những nội dung xuất hiện trong đề thi tuyển dụng ngân hàng từ cấp Chuyên viên đến cấp Manager; (2) **Phỏng vấn vào các vị trí** liên quan đến AI Governance, Data Science, Risk Analytics, Internal Audit - đây là những vị trí có xu hướng tuyển dụng nhiều trong giai đoạn 2025-2027; (3) **Làm việc tại các phòng ban** có triển khai AI như Khối Tín dụng, Khối Thanh toán, Khối Bảo mật thông tin.

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

Khách hàng được hưởng lợi ích gián tiếp từ Model Inventory thông qua 3 khía cạnh: (1) **Bảo vệ quyền lợi** - khi ngân hàng có kho quản lý mô hình rõ ràng, các quyết định từ chối tín dụng hay từ chối giao dịch có cơ sở giải thích được, khách hàng có quyền yêu cầu giải trình lý do theo nguyên tắc **Explainable AI**; (2) **Giảm rủi ro sai sót** - mô hình được giám sát liên tục sẽ phát hiện sớm sai lệch, hạn chế tình trạng từ chối oan hoặc phê duyệt nhầm; (3) **Công bằng hơn** - phân loại rủi ro Tier 1-2-3 giúp ngân hàng tập trung kiểm soát các mô hình ảnh hưởng lớn đến khách hàng, qua đó giảm thiên kiến (**bias**) trong chấm điểm tín dụng và các quyết định tự động.

## Tổng kết

**Model Inventory** (Kho quản lý mô hình) là nền tảng cốt lõi của quản trị AI trong ngân hàng hiện đại, đóng vai trò như "hộ chiếu" cho mỗi mô hình AI/ML khi tham gia vào hệ thống nghiệp vụ. Trong bối cảnh Ngân hàng Nhà nước Việt Nam đang siết chặt khung pháp lý về ứng dụng AI (Quyết định 1005/QĐ-NHNN năm 2024, Thông tư 17/2024/TT-NHNN) và áp dụng nguyên tắc **Basel** về quản lý rủi ro mô hình, việc xây dựng Model Inventory không còn là lựa chọn mà đã trở thành yêu cầu bắt buộc. Đối với người ôn thi ngân hàng, việc nắm vững khái niệm này cùng các công cụ liên quan (MRM, AI Governance, Model Registry, Model Documentation, model drift) sẽ là lợi thế cạnh tranh quan trọng trong các kỳ thi tuyển dụng từ năm 2025 trở đi. Hãy nhớ rằng: Model Inventory không chỉ là một cơ sở dữ liệu - đó chính là cam kết của ngân hàng về tính minh bạch, an toàn và trách nhiệm giải trình trong kỷ nguyên AI.

## 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.
- [Phát hiện gian lận](https://vieclam.nganhang.com/thuat-ngu/phat-hien-gian-lan-la-gi) — Hệ thống sử dụng AI và phân tích dữ liệu để nhận diện các giao dịch bất thường hoặc có dấu hiệu gian lận.
- [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.
- [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.
- [Quản lý rủi ro mô hình](https://vieclam.nganhang.com/thuat-ngu/quan-ly-rui-ro-mo-hinh-la-gi) — Khung quản trị rủi ro phát sinh từ việc sử dụng các mô hình định lượng trong ngân hàng, đảm bảo tính hợp lệ và ổn định.
- [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.
- [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.
- [Triển khai mô hình](https://vieclam.nganhang.com/thuat-ngu/trien-khai-mo-hinh-la-gi) — Đưa mô hình đã phê duyệt vào môi trường vận hành production thông qua API, container hoặc nhúng vào hệ thống core banking.