# AI Model Registry đăng ký kho mô hình

Tiếng Anh: AI Model Registry

Kho lưu trữ tập trung các phiên bản mô hình AI, lịch sử huấn luyện và metadata, hỗ trợ truy vết và quản lý vòng đời tại ngân hàng.

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

## AI Model Registry (Đăng ký kho mô hình) là gì?

**AI Model Registry** (Đăng ký kho mô hình) là một hệ thống quản lý tập trung, đóng vai trò như "sổ đăng ký số hóa" cho toàn bộ vòng đời của các mô hình trí tuệ nhân tạo (AI) trong tổ chức tài chính. Nếu hình dung quy trình phát triển mô hình AI trong ngân hàng giống như việc sản xuất một dòng sản phẩm phần mềm liên tục cập nhật, thì **AI Model Registry** chính là nơi lưu giữ mọi "phiên bản" của sản phẩm đó, kèm theo lý lịch, thông số kỹ thuật và lịch sử thay đổi. Hệ thống này là thành phần cốt lõi của khung **MLOps (Machine Learning Operations)** — tập hợp các quy trình, công cụ và phương pháp giúp vận hành mô hình học máy một cách tự động, có kiểm soát và có khả năng kiểm toán.

Về cơ chế hoạt động, khi một nhóm **data scientist** (nhà khoa học dữ liệu) hoàn thiện một mô hình mới — chẳng hạn mô hình chấm điểm tín dụng (credit scoring) — phiên bản đó sẽ được đăng ký vào **AI Model Registry** cùng với một bộ **metadata** (siêu dữ liệu) đầy đủ: mã định danh duy nhất, thuật toán sử dụng (XGBoost, Random Forest, Neural Network…), bộ dữ liệu huấn luyện (training dataset), **hyperparameters** (siêu tham số), các chỉ số hiệu suất như **accuracy** (độ chính xác), **precision** (độ chính xác dương), **recall** (độ nhạy), **AUC – Area Under the Curve** (diện tích dưới đường cong ROC), ngày tạo, người phát triển, trạng thái phê duyệt và ghi chú về mục đích sử dụng. Sau khi đăng ký, mô hình sẽ trải qua quy trình kiểm thử tự động (validation) và phê duyệt bởi nhiều bên liên quan — **risk officer** (chuyên viên quản trị rủi ro), **compliance officer** (chuyên viên tuân thủ) và **model owner** (người sở hữu mô hình) — trước khi được chuyển sang trạng thái "production-ready" (sẵn sàng vận hành).

Điểm khác biệt cốt lõi giữa **AI Model Registry** và một thư mục lưu trữ mô hình thông thường nằm ở khả năng quản trị toàn diện. Một thư mục thông thường chỉ lưu file, trong khi **AI Model Registry** cung cấp khả năng **lineage tracking** (truy vết nguồn gốc), cho phép truy xuất chính xác phiên bản mô hình nào được huấn luyện từ bộ dữ liệu nào, bằng thuật toán nào, vào thời điểm nào, bởi ai. Nhờ vậy, khi cơ quan quản lý yêu cầu giải trình hoặc khi xảy ra sự cố, ngân hàng có thể phản hồi trong vài giờ thay vì vài tuần. Đây chính là lý do **AI Model Registry** được xem là xương sống của chiến lược **Model Governance** (quản trị mô hình) trong ngành ngân hàng hiện đại.

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

## Đặc điểm và phân loại

### Các thành phần chính của AI Model Registry

| Thành phần | Mô tả chức năng | Ví dụ thông tin lưu trữ |
|---|---|---|
| **Model Versioning** (Quản lý phiên bản) | Theo dõi từng phiên bản mô hình, cho phép so sánh và khôi phục | model_v1.2.3, model_v1.2.4 |
| **Metadata Storage** (Lưu trữ siêu dữ liệu) | Lưu thông tin mô tả về mô hình | Thuật toán, framework, hyperparameters |
| **Lineage Tracking** (Truy vết nguồn gốc) | Liên kết mô hình với dữ liệu và pipeline huấn luyện | Dataset hash, training run ID |
| **Access Control** (Kiểm soát truy cập) | Phân quyền theo vai trò (RBAC) | Data scientist, risk officer, admin |
| **Approval Workflow** (Quy trình phê duyệt) | Quy trình đa bên phê duyệt trước khi triển khai | Pending → Approved → Production |
| **Performance Monitoring** (Giám sát hiệu suất) | Theo dõi hiệu suất mô hình theo thời gian thực | Accuracy drift, latency, error rate |
| **Audit Trail** (Nhật ký kiểm toán) | Ghi lại mọi thao tác thay đổi | Ai sửa, lúc nào, nội dung gì |

### Phân loại AI Model Registry theo mô hình triển khai

| Loại | Đặc điểm | Ưu điểm | Hạn chế |
|---|---|---|---|
| **Cloud-native Registry** | Sử dụng dịch vụ đám mây có sẵn | Triển khai nhanh, tích hợp tốt | Phụ thuộc nhà cung cấp, chi phí dài hạn |
| **On-premise Registry** | Triển khai trên hạ tầng nội bộ ngân hàng | Kiểm soát toàn diện, bảo mật cao | Chi phí đầu tư ban đầu lớn |
| **Hybrid Registry** | Kết hợp đám mây và tại chỗ | Linh hoạt, cân bằng chi phí | Phức tạp trong vận hành |
| **Open-source Registry** | Sử dụng mã nguồn mở như MLflow | Tùy biến cao, chi phí thấp | Yêu cầu đội ngũ kỹ thuật mạnh |

### Phân loại theo chức năng quản trị

- **Lightweight Registry**: Chỉ lưu trữ phiên bản và metadata cơ bản, phù hợp với đội ngũ nhỏ.
- **Enterprise-grade Registry**: Tích hợp đầy đủ workflow phê duyệt, kiểm toán, giám sát hiệu suất, phù hợp ngân hàng lớn với hàng trăm mô hình.
- **Regulatory-focused Registry**: Thiết kế đặc thù cho ngành tài chính với khả năng giải trình theo yêu cầu của Ngân hàng Nhà nước (NHNN) và các cơ quan quản lý.

### Đặc điểm nhận biết một hệ thống AI Model Registry chuẩn

1. **Tính bất biến (Immutability)**: Mỗi phiên bản mô hình sau khi đăng ký không thể bị sửa đổi, chỉ có thể tạo phiên bản mới.
2. **Khả năng tái lập (Reproducibility)**: Có thể tái huấn luyện mô hình từ metadata lưu trữ.
3. **Tích hợp CI/CD**: Kết nối liền mạch với pipeline **Continuous Integration/Continuous Deployment** (tích hợp và triển khai liên tục).
4. **Hỗ trợ rollback** (khôi phục phiên bản): Cho phép quay lại phiên bản trước đó khi phiên bản mới gặp sự cố.
5. **Multi-tenancy** (đa người dùng): Nhiều phòng ban có thể sử dụng đồng thời với phân quyền rõ ràng.

## Ví dụ thực tế trong ngành ngân hàng

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

Ngân hàng A là một ngân hàng thương mại cổ phần lớn tại Việt Nam với hơn 12 triệu khách hàng cá nhân. Trước khi triển khai **AI Model Registry**, đội ngũ **data science** của ngân hàng gặp tình trạng: cùng một mô hình chấm điểm tín dụng tồn tại ở nhiều phiên bản khác nhau trên các máy chủ khác nhau, không có cách nào xác định phiên bản nào đang vận hành thực tế. Khi cơ quan quản lý yêu cầu giải trình về một quyết định từ chối cho vay, phòng rủi ro phải mất trung bình 5–7 ngày làm việc để truy xuất thông tin.

Sau khi triển khai **AI Model Registry**, mỗi lần cập nhật mô hình — trung bình 2–3 lần mỗi quý — phiên bản mới sẽ tự động được đăng ký với đầy đủ thông tin: bộ dữ liệu 2,3 triệu mẫu khách hàng, thuật toán **XGBoost** với 156 cây, learning rate 0,05, AUC đạt 0,87. Quy trình phê duyệt gồm 3 bước: (1) **Data scientist** xác nhận kết quả kiểm thử, (2) **Risk officer** đánh giá tác động rủi ro, (3) **CIO/CDO** ký phê duyệt cuối cùng. Kết quả: thời gian truy xuất thông tin giảm từ 5–7 ngày xuống còn **dưới 2 giờ**, và khả năng tái lập mô hình đạt 100%.

### Ví dụ 2: Hệ thống phát hiện gian lận giao dịch tại Ngân hàng B

Ngân hàng B xử lý trung bình 8 triệu giao dịch thẻ mỗi ngày. Hệ thống **fraud detection** (phát hiện gian lận) sử dụng mô hình học máy cần được cập nhật liên tục để theo kịp các thủ đoạn lừa đảo mới. Trước đây, mỗi lần cập nhật mô hình, đội ngũ phải thay thế trực tiếp trên môi trường production — điều này tiềm ẩn rủi ro gián đoạn dịch vụ và thiếu khả năng rollback nhanh chóng.

Với **AI Model Registry**, quy trình được tự động hóa hoàn toàn: khi mô hình mới đạt **recall** trên 92% và **false positive rate** dưới 0,3% trên tập kiểm thử, hệ thống tự động đăng ký phiên bản mới và chuyển sang trạng thái "staging" (chờ triển khai). Trong 6 tháng đầu năm, Ngân hàng B đã đăng ký thành công **47 phiên bản** mô hình fraud detection, trong đó 12 phiên bản được đưa vào vận hành, giúp giảm **23% tỷ lệ gian lận** so với cùng kỳ năm trước. Đặc biệt, khi một phiên bản mới gặp hiện tượng **model drift** (suy giảm hiệu suất do dữ liệu thay đổi), đội vận hành có thể rollback về phiên bản trước đó chỉ trong **vòng 15 phút**.

### Ví dụ 3: Tuân thủ quy định tại Ngân hàng C

Ngân hàng C đang triển khai chiến lược AI toàn diện với hơn **80 mô hình** đang vận hành, bao gồm chấm điểm tín dụng, phân khúc khách hàng, dự báo rủi ro thanh khoản và phát hiện rửa tiền (AML). Để đáp ứng **Thông tư 17/2024/TT-NHNN** về quản lý rủi ro công nghệ thông tin và **Quyết định 2345/QĐ-NHNN** về an toàn bảo mật, ngân hàng đã xây dựng **AI Model Registry nội bộ** tích hợp với hệ thống SIEM (Security Information and Event Management).

Mỗi mô hình trong registry phải khai báo rõ: mục đích sử dụng, nhóm khách hàng bị ảnh hưởng, biến đầu vào, biến đầu ra, rủi ro mô hình (model risk) theo khung phân loại 4 cấp độ. Khi có sự cố hoặc khi NHNN yêu cầu kiểm tra định kỳ, phòng **compliance** có thể tạo báo cáo tự động về toàn bộ lịch sử thay đổi của một mô hình bất kỳ trong vòng **30 phút**. Nhờ vậy, trong đợt kiểm tra gần nhất, Ngân hàng C là một trong những đơn vị hoàn thành yêu cầu giải trình về mô hình AI sớm nhất trong nhóm ngân hàng cùng hạng.

## AI Model Registry trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI Model Registry | /eɪ aɪ ˈmɒdəl ˈrɛdʒɪstri/ |
| Tiếng Nhật | AIモデルレジストリ | AI moderu rejisutori |
| Tiếng Hàn | AI 모델 레지스트리 | AI model lejiseuteuri |
| Tiếng Trung | AI模型注册表 | AI móxíng zhùcèbiǎo |
| Tiếng Tây Ban Nha | Registro de Modelos de IA | /reˈxistro ðe moˈðelos ðe ˈi.a/ |

## Câu hỏi thường gặp

### AI Model Registry khác gì Feature Store và Model Serving?

**AI Model Registry** quản lý **vòng đời** của mô hình (phiên bản, metadata, phê duyệt, kiểm toán), trong khi **Feature Store** (kho đặc trưng) là nơi lưu trữ và quản lý các **đặc trưng** (features) dùng để huấn luyện và dự đoán — đảm bảo tính nhất quán giữa dữ liệu huấn luyện và dữ liệu vận hành. Còn **Model Serving** (triển khai mô hình) là lớp hạ tầng thực sự chạy mô hình để đưa ra dự đoán theo thời gian thực (real-time) hoặc theo lô (batch). Nói ngắn gọn: **Feature Store** cung cấp "nguyên liệu", **AI Model Registry** quản lý "sản phẩm đã đóng gói", và **Model Serving** đưa sản phẩm đến "khách hàng cuối". Ba thành phần này tạo thành một chuỗi MLOps hoàn chỉnh.

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

Bạn cần nắm vững **AI Model Registry** khi: (1) tham gia các vị trí liên quan đến phát triển và triển khai mô hình AI trong ngân hàng, (2) ôn thi vào các vị trí **data scientist**, **data engineer**, **MLOps engineer**, **risk analyst** hoặc **compliance** tại ngân hàng, (3) tìm hiểu về quy trình quản trị mô hình theo yêu cầu của NHNN và các chuẩn quốc tế như **SR 11-7** của FED (Mỹ) hay **TR 4.0** của công ty kiểm toán KPMG. Đặc biệt, trong các kỳ thi tuyển dụng ngân hàng gần đây, câu hỏi về MLOps và quản trị mô hình AI xuất hiện ngày càng nhiều, đặc biệt ở các vị trí liên quan đến chuyển đổi số.

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

Dù khách hàng không trực tiếp tương tác với **AI Model Registry**, hệ thống này ảnh hưởng gián tiếp đến họ theo nhiều cách: (1) **Quyết định tín dụng nhanh và chính xác hơn** — khi mô hình được quản lý tốt, việc phê duyệt khoản vay hoặc cấp hạn mức thẻ tín dụng diễn ra suôn sẻ và minh bạch hơn; (2) **Phát hiện gian lận kịp thời** — các giao dịch bất thường được phát hiện và ngăn chặn sớm, bảo vệ tài khoản khách hàng; (3) **Quyền được giải thích** — khi khách hàng bị từ chối cho vay, họ có thể yêu cầu ngân hàng giải thích lý do dựa trên phiên bản mô hình cụ thể đã được sử dụng, đảm bảo tính công bằng và tuân thủ quy định về **Explainable AI** (AI có khả năng giải thích).

## Tổng kết

**AI Model Registry** là thành phần không thể thiếu trong kiến trúc MLOps của ngân hàng hiện đại, đặc biệt trong bối cảnh các quy định về quản lý rủi ro công nghệ thông tin và ứng dụng AI trong tài chính ngân hàng ngày càng chặt chẽ tại Việt Nam. Hệ thống này không chỉ giúp ngân hàng quản lý hiệu quả hàng chục đến hàng trăm mô hình AI đang vận hành, mà còn đảm bảo khả năng truy vết, kiểm toán và tuân thủ quy định — những yếu tố sống còn đối với một tổ chức tài chính. Đối với ứng viên thi tuyển dụng ngân hàng, việc hiểu rõ **AI Model Registry** cùng các khái niệm liên quan như **Model Lineage**, **Model Governance**, **Model Drift** và **Feature Store** sẽ là lợi thế cạnh tranh đáng kể trong các vòng thi chuyên môn về AI, dữ liệu và công nghệ.

## Thuật ngữ liên quan

- [AI có khả năng giải thích](https://vieclam.nganhang.com/thuat-ngu/ai-co-kha-nang-giai-thich-la-gi) — Mô hình trí tuệ nhân tạo có thể đưa ra lý do rõ ràng cho mỗi quyết định như chấp nhận khoản vay, giúp ngân hàng tuân thủ quy định và tạo sự tin tưởng.
- [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…
- [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 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 tín dụng](https://vieclam.nganhang.com/thuat-ngu/quan-ly-rui-ro-tin-dung-la-gi) — Quy trình nhận diện, đo lường, kiểm soát rủi ro vỡ nợ của khách hàng vay.
- [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.