# AI Model Lineage truy vết nguồn gốc

Tiếng Anh: Model Lineage

Khả năng truy ngược từ kết quả dự báo về dữ liệu, mã nguồn và phiên bản mô hình đã sinh ra quyết định đó.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-model-lineage-truy-vet-nguon-goc-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI Model Lineage truy vết nguồn gốc là gì?

AI Model Lineage truy vết nguồn gốc (Model Lineage) là khả năng truy ngược toàn bộ chuỗi lịch sử từ một kết quả dự báo cụ thể trở về dữ liệu đầu vào, mã nguồn (source code), tham số huấn luyện (hyperparameters), phiên bản mô hình và thậm chí cả môi trường tính toán đã sinh ra quyết định đó. Nói cách khác, đây là "cuốn sổ gia phả" (genealogy) của mỗi mô hình trí tuệ nhân tạo (AI) — cho phép ngân hàng biết chính xác mô hình nào, được huấn luyện trên tập dữ liệu nào, bởi đội ngũ nào, vào ngày giờ nào, đã tạo ra một kết quả tín dụng cụ thể cho một khách hàng cụ thể.

Trong bối cảnh ngân hàng Việt Nam đang chuyển đổi số mạnh mẽ, hàng trăm mô hình AI vận hành song song — từ chấm điểm tín dụng (credit scoring), phát hiện gian lận (fraud detection), đến chatbot tư vấn khách hàng — việc không có khả năng truy vết nguồn gốc sẽ dẫn đến rủi ro pháp lý nghiêm trọng. Khi Ngân hàng Nhà nước ban hành Thông tư 17/2024/TT-NHNN về quản trị rủi ro công nghệ thông tin và Quyết định 2345/QĐ-NHNN yêu cầu giải trình quyết định tín dụng, các ngân hàng bắt buộc phải chứng minh được quy trình ra quyết định của mô hình AI là minh bạch và có thể kiểm toán (auditable).

AI Model Lineage không chỉ đơn thuần là ghi log (logging) — nó là một hệ thống quản lý metadata (metadata management) có cấu trúc, kết nối dữ liệu, mã nguồn và mô hình thành một chuỗi liên tục, bất biến (immutable) và có thể truy vấn ngược. Một hệ thống Model Lineage hoàn chỉnh sẽ trả lời được câu hỏi: "Tại sao khách hàng B bị từ chối khoản vay 500 triệu đồng vào ngày 15/3/2025?" — bằng cách truy ngược từ kết quả từ chối về mô hình XGBoost phiên bản v3.2.1, được huấn luyện trên 2,3 triệu bản ghi dữ liệu tín dụng, sử dụng bộ tham số tối ưu từ grid search ngày 20/1/2025.

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

## Đặc điểm và phân loại

### Đặc điểm cốt lõi

1. **Tính toàn vẹn (Integrity):** Mỗi bước trong chuỗi lineage phải được ghi lại một cách bất biến, không thể chỉnh sửa sau khi tạo ra. Trong ngân hàng, điều này thường được đảm bảo bằng công nghệ băm mật mã (cryptographic hashing) như SHA-256 kết hợp với cơ sở dữ liệu chỉ ghi thêm (append-only database).

2. **Tính truy vết được (Traceability):** Phải cho phép truy ngược từ kết quả đầu ra về đầu vào trong vòng vài giây đến vài phút, phục vụ yêu cầu giải trình từ khách hàng hoặc cơ quan quản lý.

3. **Tính phiên bản (Versioning):** Mỗi thành phần — dữ liệu, mã nguồn, mô hình, cấu hình — đều phải có mã phiên bản (version tag) duy nhất, thường theo chuẩn Semantic Versioning.

4. **Tính tự động (Automation):** Quy trình truy vết phải được tự động hóa thông qua các công cụ như MLflow, Weights & Biases, DVC (Data Version Control) hoặc các hệ thống nội bộ của ngân hàng, tránh phụ thuộc vào thao tác thủ công dễ sai sót.

5. **Khả năng tái lập (Reproducibility):** Bất kỳ kết quả dự báo nào cũng phải có thể được tái tạo (reproduce) từ cùng một dữ liệu, mã nguồn và tham số — đây là yếu tố cốt lõi trong kiểm toán khoa học dữ liệu (data science audit).

### Phân loại AI Model Lineage

| Loại Lineage | Phạm vi truy vết | Công cụ phổ biến | Ứng dụng trong ngân hàng |
|---|---|---|---|
| **Data Lineage (Lineage dữ liệu)** | Truy từ kết quả → tập dữ liệu huấn luyện → nguồn dữ liệu thô | Apache Atlas, Unity Catalog, DataHub | Truy ngược dữ liệu tín dụng bị sai lệch |
| **Code Lineage (Lineage mã nguồn)** | Truy từ kết quả → phiên bản mã nguồn → commit của lập trình viên | Git, DVC, GitLab | Xác định lập trình viên đã thay đổi logic mô hình |
| **Model Lineage (Lineage mô hình)** | Truy từ kết quả → phiên bản mô hình → tham số huấn luyện | MLflow, Weights & Biases | So sánh hiệu quả các phiên bản mô hình |
| **Experiment Lineage (Lineage thử nghiệm)** | Truy từ kết quả → toàn bộ thí nghiệm (experiment) đã chạy | MLflow Tracking, Neptune.ai | Phục vụ kiểm toán nội bộ và pháp lý |
| **Pipeline Lineage (Lineage quy trình)** | Truy từ kết quả → toàn bộ pipeline xử lý → orchestration | Apache Airflow, Prefect, Kubeflow | Đảm bảo quy trình ETL không bị thay đổi bất thường |

### Ba cấp độ trưởng thành của Model Lineage

- **Cấp độ 1 — Thủ công (Manual):** Ghi chép bằng Excel, chia sẻ qua email. Phù hợp với đội ngũ nhỏ, rủi ro cao.
- **Cấp độ 2 — Bán tự động (Semi-automated):** Sử dụng công cụ MLflow Tracking, gắn tag tự động nhưng vẫn cần can thiệp thủ công khi truy vết.
- **Cấp độ 3 — Tự động toàn phần (Fully automated):** Tích hợp CI/CD (Continuous Integration/Continuous Deployment) cho mô hình AI (MLOps), tự động ghi log mọi thay đổi, cảnh báo khi có bất thường. Đây là chuẩn mực mà các ngân hàng lớn tại Việt Nam đang hướng tới.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Truy vết quyết định từ chối khoản vay mua nhà

Ngân hàng A triển khai hệ thống chấm điểm tín dụng tự động dựa trên mô hình LightGBM phiên bản v4.7.0, xử lý khoảng 45.000 hồ sơ vay mỗi ngày. Vào ngày 18/4/2025, khách hàng B nộp đơn vay mua căn hộ trị giá 3,2 tỷ đồng tại Hà Nội nhưng bị hệ thống tự động từ chối với điểm tín dụng (credit score) chỉ đạt 412/1000.

Khách hàng B khiếu nại yêu cầu giải trình. Nhân viên tín dụng sử dụng hệ thống Model Lineage và trong vòng 12 giây đã truy ngược được:

- **Mô hình:** LightGBM v4.7.0, được huấn luyện lần cuối vào 02/3/2025.
- **Dữ liệu huấn luyện:** 2,8 triệu bản ghi tín dụng từ 01/2019 đến 12/2024.
- **Tính năng quan trọng nhất (top feature):** Tỷ lệ nợ xấu trên tổng dư nợ (DPD ratio) = 8,7%, vượt ngưỡng 5%.
- **Phiên bản mã nguồn:** commit hash `a7f3e9d` trên GitLab ngân hàng, sửa đổi lần cuối bởi kỹ sư Nguyễn Văn X vào 28/2/2025.
- **Lý do từ chối:** Hai khoản vay tiêu dùng tại Ngân hàng C đã quá hạn 60 ngày trong 6 tháng gần nhất.

Nhờ có Model Lineage, Ngân hàng A có thể đưa ra giải trình minh bạch, kèm theo bằng chứng dữ liệu, giúp khách hàng hiểu rõ lý do và có cơ sở cải thiện hồ sơ. Đồng thời, đáp ứng yêu cầu của Ngân hàng Nhà nước về khả năng giải trình quyết định tín dụng.

### Ví dụ 2: Phát hiện mô hình phát hiện gian lận bị suy giảm hiệu năng

Ngân hàng B vận hành hệ thống phát hiện gian lận thẻ tín dụng dựa trên mô hình Random Forest, xử lý trung bình 1,2 triệu giao dịch mỗi ngày với tỷ lệ cảnh báo sai (false positive) khoảng 0,3%. Vào tháng 5/2025, tỷ lệ false positive tăng đột biến lên 1,1%, gây phiền toái cho khoảng 8.400 khách hàng mỗi ngày.

Đội ngũ Data Science sử dụng Model Lineage để truy ngược và phát hiện:

- Phiên bản mô hình hiện tại (v2.3.1) đã không được cập nhật kể từ 15/8/2024.
- Tập dữ liệu huấn luyện chỉ bao gồm giao dịch đến ngày 31/7/2024, thiếu dữ liệu 9 tháng gần nhất.
- Mô hình không nhận diện được các hình thức gian lận mới xuất hiện trong quý 1/2025, đặc biệt là giao dịch thanh toán QR code giả mạo tăng 340%.

Nhờ phát hiện nhanh chóng qua hệ thống lineage, ngân hàng đã retrain mô hình trong 5 ngày với dữ liệu mới, giảm tỷ lệ false positive trở lại mức 0,28%, đồng thời cập nhật quy trình MLOps để cảnh báo tự động khi mô hình không được cập nhật quá 90 ngày.

### Ví dụ 3: Đáp ứng kiểm toán nội bộ và thanh tra của Ngân hàng Nhà nước

Tháng 9/2024, Đoàn thanh tra của Ngân hàng Nhà nước yêu cầu Ngân hàng A giải trình về hệ thống AI phê duyệt thẻ tín dụng tự động. Ngân hàng A có 72 giờ để cung cấp toàn bộ tài liệu về:

- Tất cả các phiên bản mô hình đã triển khai từ năm 2022 đến 2024 (tổng cộng 17 phiên bản).
- Dữ liệu huấn luyện của từng phiên bản, đảm bảo không có thiên kiến (bias) về giới tính, vùng miền.
- Lịch sử thay đổi mã nguồn, tham số và quy trình phê duyệt mô hình.

Với hệ thống Model Lineage tích hợp MLflow và Apache Atlas, Ngân hàng A xuất báo cáo tự động (audit trail) trong 4 giờ, bao gồm biểu đồ trực quan hóa (visualization) lineage cho từng phiên bản. Kết quả, ngân hàng được đánh giá cao về mức độ tuân thủ, tránh được khoản phạt tiềm ẩn 1,5-2 tỷ đồng và không bị yêu cầu dừng triển khai mô hình AI.

## AI Model Lineage truy vết nguồn gốc trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Model Lineage | /ˈmɒdl ˈlɪniːdʒ/ |
| Tiếng Nhật | モデル系譜 (Moderu keifu) | /mo-de-ru ke-i-fu/ |
| Tiếng Hàn | 모델 계보 (model gyebo) | /mo-del gye-bo/ |
| Tiếng Trung | 模型谱系 (Móuxíng pǔxì) | /móu-xíng pǔ-xì/ |
| Tiếng Tây Ban Nha | Linaje del modelo | /liˈnaxe ðel moˈðelo/ |

## Câu hỏi thường gặp

### AI Model Lineage truy vết nguồn gốc khác gì Model Versioning (phiên bản hóa mô hình)?

Model Versioning chỉ ghi lại các phiên bản mô hình (ví dụ: v1.0, v2.0, v3.0) cùng metadata cơ bản như ngày tạo, độ chính xác. Trong khi đó, Model Lineage là một hệ thống toàn diện hơn, truy vết được toàn bộ chuỗi: dữ liệu nào đã tạo ra mô hình đó, mã nguồn nào đã chạy, ai đã phê duyệt, mô hình đã được triển khai vào thời điểm nào. Nói cách khác, Versioning là một "tấm ảnh", còn Lineage là "video tua lại" của toàn bộ vòng đời mô hình.

### Khi nào ngân hàng cần triển khai AI Model Lineage truy vết nguồn gốc?

Ngân hàng cần triển khai Model Lineage ngay từ giai đoạn đầu xây dựng hệ thống AI, không nên đợi đến khi bị cơ quan quản lý yêu cầu hoặc xảy ra sự cố. Đặc biệt quan trọng khi: (1) triển khai mô hình AI ảnh hưởng đến quyết định tín dụng, phê duyệt khoản vay; (2) mô hình xử lý dữ liệu cá nhân theo Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân; (3) chuẩn bị kiểm toán nội bộ hoặc thanh tra của Ngân hàng Nhà nước; (4) vận hành hơn 5 mô hình AI cùng lúc khiến việc quản lý thủ công trở nên bất khả thi.

### AI Model Lineage truy vết nguồn gốc ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng cá nhân và doanh nghiệp, Model Lineage mang lại ba lợi ích trực tiếp. Thứ nhất, quyền được giải trình (right to explanation): khách hàng có thể yêu cầu ngân hàng giải thích lý do cụ thể khi bị từ chối khoản vay hoặc bị gắn cờ gian lận. Thứ hai, minh bạch hơn trong quy trình xét duyệt, giảm thiểu tình trạng quyết định "hộp đen" (black box). Thứ ba, khi xảy ra sai sót do mô hình (ví dụ: hệ thống nhầm lẫn chặn thẻ), ngân hàng có thể truy vết nhanh chóng để khắc phục, hoàn tiền và xin lỗi khách hàng trong vòng 24-48 giờ thay vì kéo dài nhiều tuần.

## Tổng kết

AI Model Lineage truy vết nguồn gốc không còn là lựa chọn mà đã trở thành yêu cầu bắt buộc đối với ngân hàng triển khai AI trong giai đoạn 2024-2030. Khi khung pháp lý về AI ngày càng chặt chẽ — từ Thông tư 17/2024/TT-NHNN, Quyết định 2345/QĐ-NHNN đến các tiêu chuẩn quốc tế như EU AI Act, ISO/IEC 42001 — khả năng truy vết nguồn gốc mô hình chính là nền tảng để ngân hàng xây dựng niềm tin với khách hàng, cơ quan quản lý và toàn xã hội. Đầu tư vào hệ thống Model Lineage từ sớm không chỉ giúp ngân hàng tuân thủ quy định mà còn giảm thiểu rủi ro vận hành, tăng tốc độ phát triển mô hình mới và nâng cao uy tín thương hiệu trên thị trường tài chính cạnh tranh khốc liệt hiện nay.

## Thuật ngữ liên quan

- [Bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/bao-ve-du-lieu-ca-nhan-la-gi) — Yêu cầu pháp lý ngân hàng phải thu thập, lưu trữ và xử lý dữ liệu cá nhân khách hàng theo Nghị định 13/2023/NĐ-CP và các quy định 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.
- [Diễn giải mô hình](https://vieclam.nganhang.com/thuat-ngu/dien-giai-mo-hinh-la-gi) — Phương pháp giải thích cách mô hình đưa ra dự đoán nhằm phục vụ tuân thủ quy định AI và kiểm toán nội bộ.
- [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…
- [Nghị định 13/2023/NĐ-CP](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-la-gi) — Văn bản pháp lý quan trọng quy định về xử lý và bảo vệ dữ liệu cá nhân tại Việt Nam có hiệu lực từ ngày 01/07/2023.
- [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.
- [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.
- [Đánh giá rủi ro khách hàng](https://vieclam.nganhang.com/thuat-ngu/danh-gia-rui-ro-khach-hang-la-gi) — Quy trình chấm điểm rủi ro khách hàng dựa trên ngành nghề, quốc gia, sản phẩm sử dụng và hồ sơ giao dịch để phân loại thành thấp - trung bình - cao.