# AI Model Registry đăng ký mô hình

Tiếng Anh: AI Model Registry

Hệ thống quản lý phiên bản và vòng đời mô hình, hỗ trợ kiểm soát thay đổi và truy vết theo yêu cầu kiểm toán tại ngân hàng.

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

## AI Model Registry đăng ký mô hình là gì?

**AI Model Registry** (Đăng ký mô hình AI) là hệ thống quản lý tập trung đóng vai trò như một "sổ đăng ký" số cho toàn bộ các mô hình trí tuệ nhân tạo (Artificial Intelligence - AI) và máy học (Machine Learning - ML) được phát triển, triển khai và vận hành trong ngân hàng. Đây là thành phần cốt lõi của khung quản trị mô hình (Model Governance), giúp ghi nhận đầy đủ thông tin về phiên bản, nguồn gốc, trạng thái và vòng đời của từng mô hình. Hệ thống đảm bảo tính minh bạch, khả năng truy vết và kiểm soát thay đổi theo yêu cầu kiểm toán nội bộ lẫn cơ quan quản lý nhà nước.

Về mặt kỹ thuật, **AI Model Registry** vận hành như một cơ sở dữ liệu có cấu trúc lưu trữ **metadata** (siêu dữ liệu) quan trọng của mỗi mô hình, bao gồm: tên mô hình, số phiên bản (version), mô tả mục đích sử dụng, tập dữ liệu huấn luyện (training dataset), thuật toán áp dụng, **siêu tham số** (hyperparameter), các chỉ số hiệu suất như **accuracy** (độ chính xác), **precision** (độ chính xác dương), **recall** (độ bao phủ) và **AUC** (Area Under Curve - diện tích dưới đường cong ROC), đơn vị phát triển, người phê duyệt và lịch sử thay đổi. Hệ thống hỗ trợ quy trình phê duyệt nhiều giai đoạn (multi-stage approval workflow), theo dõi trạng thái mô hình xuyên suốt các giai đoạn: phát triển (Development), kiểm thử (Testing/UAT), phê duyệt (Approved), triển khai (Production), giám sát (Monitoring) và ngừng sử dụng (Retired).

Khi một mô hình mới được đăng ký hoặc cập nhật, registry sẽ tự động sinh mã phiên bản duy nhất, đóng dấu thời gian (timestamp) và ghi nhận chữ ký số của các bên liên quan, tạo thành chuỗi truy vết không thể chỉnh sửa (**immutable audit trail**). Điều này đặc biệt quan trọng trong môi trường ngân hàng, nơi các quyết định cho vay, phát hiện gian lận hay chống rửa tiền đều dựa trên đầu ra của mô hình AI. Một quyết định từ chối cho vay sai có thể khiến ngân hàng bị khiếu nại hàng loạt, mất uy tín và chịu phạt từ cơ quan quản lý. Do đó, việc truy vết được chính xác mô hình nào đã đưa ra quyết định tại thời điểm nào, với bộ dữ liệu nào, là yêu cầu bắt buộc về mặt pháp lý.

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

## Đặc điểm và phân loại

### Các thành phần cốt lõi của AI Model Registry

| Thành phần | Mô tả chi tiết | Vai trò trong ngân hàng |
|---|---|---|
| **Model Metadata** | Thông tin mô tả mô hình: tên, phiên bản, mục đích, thuật toán | Giúp phân loại và tìm kiếm mô hình nhanh chóng |
| **Version Control** | Quản lý các phiên bản mô hình theo mã version (v1.0, v1.1, v2.0) | So sánh hiệu quả giữa các phiên bản, khôi phục khi lỗi |
| **Approval Workflow** | Quy trình phê duyệt đa giai đoạn từ Data Science → Quản trị rủi ro → Tuân thủ | Đảm bảo tuân thủ quy định nội bộ và pháp luật |
| **Audit Trail** | Chuỗi log bất biến ghi nhận mọi thay đổi, ai thay đổi, khi nào | Phục vụ kiểm toán nội bộ và thanh tra NHNN |
| **Lineage Tracking** | Truy vết nguồn gốc từ dữ liệu đầu vào → đặc trưng → mô hình → đầu ra | Giải trình khi cơ quan quản lý yêu cầu |
| **Performance Metrics** | Lưu trữ các chỉ số: AUC, KS, Gini, precision, recall | Đánh giá hiệu quả mô hình định kỳ |
| **Champion-Challenger** | Khung so sánh mô hình hiện tại với mô hình ứng viên | Hỗ trợ ra quyết định thay thế mô hình |

### Phân loại AI Model Registry theo mức độ triển khai

| Mức độ | Mô tả | Đặc điểm | Phù hợp với |
|---|---|---|---|
| **Cơ bản** | Quản lý thủ công bằng Excel/SharePoint | Chi phí thấp, dễ triển khai nhưng khó truy vết | Ngân hàng nhỏ, mới bắt đầu ứng dụng AI |
| **Trung bình** | Sử dụng MLflow, DVC hoặc công cụ mã nguồn mở | Tự động hóa một phần, cần kỹ sư vận hành | Ngân hàng có đội ngũ data science 5-15 người |
| **Nâng cao** | Tích hợp với nền tảng MLOps doanh nghiệp (SageMaker, Azure ML, Vertex AI) | Tự động hóa toàn phần, tích hợp CI/CD | Ngân hàng lớn, triển khai hàng trăm mô hình |
| **Doanh nghiệp** | Hệ thống riêng tích hợp quản trị rủi ro (GRC) | Tuân thủ Basel III/IV, kết nối kiểm toán tự động | Ngân hàng quy mô toàn quốc, niêm yết |

### Trạng thái vòng đời mô hình trong Registry

- **Development (Phát triển):** Mô hình đang được data scientist xây dựng, chưa hoàn thiện.
- **Staging (Kiểm thử):** Mô hình đã huấn luyện xong, đang được kiểm thử trên môi trường UAT.
- **Approved (Đã phê duyệt):** Mô hình đã được phòng quản trị rủi ro và tuân thủ phê duyệt, sẵn sàng triển khai.
- **Production (Vận hành):** Mô hình đang phục vụ khách hàng thực, mọi quyết định đều dựa trên đầu ra của mô hình này.
- **Monitoring (Giám sát):** Mô hình đang được theo dõi hiệu suất, phát hiện **model drift** (suy giảm hiệu suất theo thời gian).
- **Retired (Ngừng sử dụng):** Mô hình đã được thay thế nhưng vẫn lưu trữ để truy vết các quyết định trong quá khứ.

## 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 triển khai **AI Model Registry** để quản lý hệ thống chấm điểm tín dụng (credit scoring) phục vụ cho vay cá nhân. Đầu năm 2024, đội ngũ data science phát triển mô hình **Credit Score Model v3.2** sử dụng thuật toán **XGBoost** với 47 đặc trưng (features), thay thế phiên bản cũ v2.5 sử dụng **Logistic Regression**. Mô hình mới đạt AUC = 0.87 (cao hơn 0.12 điểm so với phiên bản cũ) và KS = 0.42. Khi mô hình được đăng ký vào registry:

- Hệ thống tự động tạo version tag `credit_scoring_v3.2_prod` và ghi nhận timestamp `2024-03-15 09:23:17 UTC+7`.
- Workflow yêu cầu phê duyệt từ 3 bên: Trưởng phòng Data Science, Giám đốc Quản trị Rủi ro, và Trưởng phòng Tuân thủ. Tổng thời gian phê duyệt mất 7 ngày làm việc.
- Phiên bản cũ v2.5 được chuyển sang trạng thái **Retired** nhưng vẫn lưu trữ trong 7 năm theo quy định.
- Mỗi quyết định cho vay từ ngày 15/03/2024 đều được gắn mã phiên bản mô hình, giúp truy vết ngược khi có khiếu nại.

Kết quả: Trong 6 tháng đầu vận hành, Ngân hàng A xử lý 1,2 triệu hồ sơ vay, tỷ lệ nợ xấu (NPL) giảm từ 3,8% xuống 2,9%, tương đương giảm 1.090 tỷ đồng nợ xấu tiềm ẩn.

### Ví dụ 2: Truy vết mô hình phát hiện gian lận thẻ tại Ngân hàng B

Ngân hàng B vận hành mô hình **Fraud Detection Model v5.0** phát hiện giao dịch thẻ tín dụng bất thường. Vào tháng 6/2024, một khách hàng VIP phản ánh giao dịch 250 triệu đồng bị từ chối dù đúng chủ thẻ. Khi tiếp nhận khiếu nại, bộ phận vận hành tra cứu trong **AI Model Registry** và xác định:

- Giao dịch bị chặn bởi mô hình `fraud_detection_v5.0_prod` được triển khai từ 12/04/2024.
- Lý do mô hình cảnh báo: đặc trưng `transaction_amount_deviation = 4.2 sigma` (vượt ngưỡng bất thường) và `merchant_category = high_risk`.
- Đội ngũ truy vết lineage cho thấy tập dữ liệu huấn luyện mô hình được cập nhật lần cuối vào 01/03/2024 từ 8,5 triệu giao dịch lịch sử.
- Sau khi xác minh thủ công, giao dịch được chấp thuận và khách hàng được bồi thường 5 triệu đồng phí phạt sinh.

Trường hợp này cho thấy nếu không có **AI Model Registry**, ngân hàng sẽ mất trung bình 5-7 ngày để truy vết, trong khi với registry chỉ mất 45 phút.

### Ví dụ 3: Tuân thủ Quyết định 2345/QĐ-NHNN tại Ngân hàng C

Ngân hàng C triển khai **AI Model Registry** để đáp ứng Quyết định số 2345/QĐ-NHNN ngày 18/12/2023 của Thống đốc Ngân hàng Nhà nước về triển khai các ứng dụng trí tuệ nhân tạo trong hoạt động ngân hàng. Hệ thống registry được tích hợp với:

- **Hệ thống CRM** để tự động gắn nhãn mô hình vào mỗi quyết định tác động đến khách hàng.
- **Hệ thống kiểm toán nội bộ** để xuất báo cáo theo yêu cầu của thanh tra NHNN.
- **Hệ thống GRC** (Governance, Risk, Compliance) để đánh giá rủi ro mô hình theo khung Basel III.

Sau 12 tháng triển khai, Ngân hàng C đã đăng ký thành công 127 mô hình AI, trong đó 89 mô hình ở trạng thái Production, 23 mô hình đang Monitoring, 15 mô hình đang Testing. Chi phí đầu tư ban đầu khoảng 8,5 tỷ đồng nhưng giúp tiết kiệm 12-15 tỷ đồng/năm nhờ giảm thời gian xử lý khiếu nại và tránh phạt từ cơ quan quản lý.

## AI Model Registry đăng ký mô hình trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI Model Registry | /eɪ aɪ ˈmɒdl ˈrɛdʒɪstri/ |
| Tiếng Nhật | AIモデルレジストリ | AI moderu rejisutori |
| Tiếng Hàn | AI 모델 레지스트리 | AI model lejiseuteuli |
| Tiếng Trung | AI模型注册表 (Moxíng zhùcè biǎo) | Mó xíng zhù cè biǎo |
| Tiếng Tây Ban Nha | Registro de modelos de IA | /rexˈistɾo ðe moˈðelos ðe inˈtelixensja aɾtifisjal/ |

## Câu hỏi thường gặp

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

**AI Model Registry** khác **Model Repository** ở chỗ: Repository chỉ đơn thuần là nơi lưu trữ vật lý các file mô hình (như file .pkl, .h5) trên ổ cứng hoặc cloud storage, không quản lý vòng đời hay quy trình phê duyệt. Trong khi đó, Registry là lớp quản lý cao hơn, chứa metadata, trạng thái, lịch sử phiên bản và workflow phê duyệt. Còn **Feature Store** lại là nơi lưu trữ và quản lý các đặc trưng (features) dùng để huấn luyện và dự đoán, đảm bảo tính nhất quán giữa môi trường training và production. Ba thành phần này cùng tạo nên kiến trúc MLOps hoàn chỉnh nhưng có vai trò riêng biệt.

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

Người học cần nắm vững **AI Model Registry** khi ứng tuyển vào các vị trí: chuyên viên quản trị rủi ro mô hình (Model Risk Manager), chuyên viên tuân thủ (Compliance Officer) liên quan đến AI, kỹ sư MLOps, Data Scientist cấp cao, Kiểm toán viên IT (IT Auditor) và cán bộ phòng Công nghệ thông tin phụ trách AI Governance. Ngoài ra, trong các kỳ thi chứng chỉ như FRM (Financial Risk Manager), CFA hay các chương trình đào tạo nội bộ của ngân hàng về quản trị rủi ro AI, kiến thức về registry thường xuất hiện trong phần tình huống và bài thi trắc nghiệm về Model Governance. Đặc biệt từ năm 2024 trở đi, khi Quyết định 2345/QĐ-NHNN có hiệu lực, câu hỏi về registry xuất hiện ngày càng nhiều trong các bài thi nội bộ ngân hàng.

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

**AI Model Registry** ảnh hưởng gián tiếp nhưng sâu sắc đến khách hàng: khi ngân hàng quản lý mô hình chặt chẽ, quyết định cho vay, duyệt thẻ hay phát hiện gian lận sẽ chính xác và công bằng hơn. Khách hàng bị từ chối cho vay có quyền yêu cầu ngân hàng giải thích lý do dựa trên mô hình nào, phiên bản nào, và đặc trưng nào đã ảnh hưởng đến quyết định - đây là yêu cầu minh bạch theo nguyên tắc "Explainable AI" (AI có khả năng giải thích). Trong trường hợp xảy ra sai sót, thời gian truy vết và khắc phục được rút ngắn từ vài tuần xuống còn vài giờ, giúp khách hàng giảm thiểu thiệt hại. Ngược lại, nếu ngân hàng không có registry, khách hàng có thể phải chịu quyết định thiếu minh bạch và rất khó khiếu nại.

## Tổng kết

**AI Model Registry** không chỉ là một công cụ kỹ thuật mà đã trở thành yêu cầu pháp lý bắt buộc trong quản trị AI ngân hàng tại Việt Nam từ năm 2024. Hệ thống này đóng vai trò "hộ chiếu số" cho mỗi mô hình AI, giúp ngân hàng vận hành an toàn, minh bạch và tuân thủ quy định của Ngân hàng Nhà nước. Đối với người ôn thi tuyển dụng ngân hàng, việc hiểu rõ cấu trúc, vòng đời và vai trò của registry sẽ là lợi thế cạnh tranh lớn, đặc biệt khi ứng tuyển vào các vị trí quản trị rủi ro, tuân thủ hoặc MLOps. Trong bối cảnh AI ngày càng được ứng dụng rộng rãi trong tín dụng, phát hiện gian lận và chăm sóc khách hàng, **AI Model Registry** chính là nền tảng để ngân hàng Việt Nam xây dựng niềm tin với khách hàng và cơ quan quản lý, đồng thời hướng đến mục tiêu phát triển ngân hàng số bền vững theo Quyết định 2345/QĐ-NHNN và Chiến lược chuyển đổi số quốc gia đến năm 2030.

## 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.
- [Mô hình chấm điểm rủi ro](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-cham-diem-rui-ro-la-gi) — Mô hình tính toán điểm rủi ro tổng hợp từ nhiều yếu tố định lượng và định tính, hỗ trợ phê duyệt khoản vay nhanh chóng và nhất quán.
- [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 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.
- [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.
- [Phát hiện gian lận thẻ](https://vieclam.nganhang.com/thuat-ngu/phat-hien-gian-lan-the-la-gi) — Hệ thống phân tích real-time các giao dịch thẻ tín dụng/ghi nợ dựa trên địa điểm, thiết bị, số tiền để chặn giao dịch gian lận trong vòng milisecond.
- [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…