# AI Model Risk Management quản trị rủi ro mô hình

Tiếng Anh: AI Model Risk Management (MRM)

Khung quản trị rủi ro theo Thông tư hướng dẫn của NHNN, đảm bảo mô hình AI định chuẩn, hợp lệ và được giám sát liên tục trước khi vận hành.

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

## AI Model Risk Management là gì?

**AI Model Risk Management** (viết tắt là **MRM**) là tập hợp các nguyên tắc, quy trình, công cụ và cơ chế kiểm soát toàn diện nhằm **nhận diện**, **đo lường**, **giám sát** và **giảm thiểu** các rủi ro phát sinh xuyên suốt vòng đời của các mô hình trí tuệ nhân tạo (**Artificial Intelligence - AI**) và học máy (**Machine Learning - ML**) trong hoạt động ngân hàng. Đây là một bộ phận cấu thành quan trọng trong khung **quản trị rủi ro hoạt động** (**Operational Risk Management - ORM**) và **quản trị rủi ro công nghệ thông tin** (**IT Risk Management**), đặc biệt khi các mô hình AI/ML ngày càng được sử dụng rộng rãi trong các quyết định tín dụng, phát hiện gian lận, chống rửa tiền (**Anti-Money Laundering - AML**), phân khúc khách hàng và tự động hóa quy trình vận hành.

Trong bối cảnh ngân hàng số (**Digital Banking**) phát triển mạnh mẽ, các mô hình AI không chỉ đơn thuần là công cụ hỗ trợ ra quyết định mà đã trở thành **hạ tầng chiến lược** có ảnh hưởng trực tiếp đến lợi nhuận, chi phí rủi ro và uy tín của tổ chức tín dụng. Một mô hình chấm điểm tín dụng sai lệch có thể khiến hàng nghìn tỷ đồng cho vay không thu hồi được; một mô hình phát hiện gian lận bỏ sót có thể gây thất thoát hàng trăm tỷ đồng mỗi năm; một mô hình phân khúc khách hàng chứa **thiên kiến** (**bias**) có thể dẫn đến vi phạm nguyên tắc bảo vệ người tiêu dùng tài chính. Chính vì vậy, **MRM** được xem là "lá chắn" cuối cùng đảm bảo các mô hình hoạt động đáng tin cậy, minh bạch, công bằng và tuân thủ quy định pháp luật.

Tại Việt Nam, dù khái niệm **MRM** chưa được luật hóa một cách chuyên biệt, các ngân hàng thương mại phải tuân thủ **Thông tư 13/2018/TT-NHNN** về hệ thống công nghệ thông tin, **Thông tư 09/2020/TT-NHNN** về quản lý rủi ro công nghệ thông tin, **Quyết định 2345/QĐ-NHNN** năm 2023 phê duyệt Đề án ngân hàng số, đồng thời tham khảo các nguyên tắc quốc tế của **Ủy ban Basel** (**BCBS 239**, **BCBS 425**) và hướng dẫn của các cơ quan giám sát tiên tiến như **OCC 2011-12** (Hoa Kỳ), **EBA** (Liên minh châu Âu) và **MAS** (Singapore).

**Thuật ngữ tiếng Anh:** AI Model Risk Management (MRM)  
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

Quản trị rủi ro mô hình AI có những đặc điểm riêng biệt so với quản trị rủi ro truyền thống, đòi hỏi khung quản trị phải bao trùm toàn bộ **vòng đời mô hình** (**Model Lifecycle**): từ khâu thiết kế, phát triển, kiểm định, triển khai, giám sát đến khi nghỉ hưu (**model retirement**).

### Bảng 1: Các trụ cột chính của AI Model Risk Management

| Trụ cột | Nội dung chính | Công cụ/Kỹ thuật điển hình |
|---|---|---|
| **Model Inventory** (Danh mục mô hình) | Lập sổ đăng ký toàn bộ mô hình AI/ML đang vận hành, bao gồm thông tin chủ sở hữu, mục đích sử dụng, tần suất sử dụng, mức độ rủi ro | Hệ thống **MRM Platform** tập trung, gắn mã định danh mô hình (**Model ID**), mô tả logic kinh doanh |
| **Model Tiering** (Phân loại theo mức độ) | Phân nhóm mô hình theo tính quan trọng: **Tier 1** (cao - ảnh hưởng tới vốn, lợi nhuận), **Tier 2** (trung bình), **Tier 3** (thấp - hỗ trợ vận hành) | Ma trận đánh giá dựa trên **tác động tài chính** (financial impact), **quy mô khách hàng bị ảnh hưởng** và **rủi ro tuân thủ** |
| **Model Validation** (Kiểm định độc lập) | Đánh giá chất lượng dữ liệu, độ chính xác, độ ổn định, khả năng giải thích (**explainability**), thiên kiến (**bias**) trước khi đưa vào sử dụng | Backtesting, sensitivity analysis, **SHAP**, **LIME**, kiểm định fairness metrics (demographic parity, equalized odds) |
| **Ongoing Monitoring** (Giám sát liên tục) | Theo dõi **model performance**, **data drift**, **concept drift** theo thời gian thực | Các chỉ số **AUC**, **PSI (Population Stability Index)**, **KS**, **CSI**, dashboard giám sát tự động |
| **Three Lines of Defense** (Ba tuyến bảo vệ) | Tuyến 1: đơn vị kinh doanh/người dùng mô hình; Tuyến 2: bộ phận MRM độc lập; Tuyến 3: kiểm toán nội bộ | Quy chế phân tách trách nhiệm, cơ chế báo cáo leo thang |

### Bảng 2: Phân loại các loại rủi ro mô hình AI

| Loại rủi ro | Mô tả | Ví dụ thực tế |
|---|---|---|
| **Rủi ro dự báo** (Prediction Risk) | Sai số trong kết quả đầu ra của mô hình, dẫn đến quyết định sai | Mô hình chấm điểm tín dụng phê duyệt khoản vay cho khách hàng có xác suất vỡ nợ cao |
| **Rủi ro dữ liệu** (Data Risk) | Chất lượng dữ liệu đầu vào kém, dữ liệu thiếu, sai lệch, lỗi thời | Dữ liệu lịch sử không phản ánh điều kiện kinh tế vĩ mô mới sau đại dịch |
| **Rủi ro giải thích** (Interpretability Risk) | Không giải thích được lý do mô hình ra quyết định, gây khó khăn khi giải trình với cơ quan quản lý và khách hàng | Mô hình "hộp đen" (**black-box**) như Deep Neural Network từ chối cho vay mà không giải thích được |
| **Rủi ro thiên kiến** (Bias/Ethical Risk) | Mô hình phân biệt đối xử theo giới tính, vùng miền, dân tộc, nghề nghiệp | Mô hình chấm điểm tín dụng phê duyệt tỷ lệ nam cao hơn nữ do dữ liệu lịch sử thiên lệch |
| **Rủi ro tuân thủ** (Compliance Risk) | Mô hình vi phạm quy định pháp luật về bảo vệ dữ liệu cá nhân, cho vay có trách nhiệm | Vi phạm **Nghị định 13/2023/NĐ-CP** về bảo vệ dữ liệu cá nhân |
| **Rủi ro vận hành** (Operational Risk) | Mô hình ngừng hoạt động do lỗi hệ thống, mất kết nối API, sự cố hạ tầng | Hệ thống chấm điểm tín dụng tự động sập trong giờ cao điểm |
| **Rủi ro danh tiếng** (Reputational Risk) | Quyết định sai của mô hình gây tranh cãi công khai, mất niềm tin | Chatbot AI tư vấn sai về sản phẩm tài chính, gây hiểu lầm cho hàng triệu khách hàng |

### Bảng 3: Các chỉ số giám sát mô hình AI quan trọng

| Chỉ số | Ý nghĩa | Ngưỡng cảnh báo tham khảo |
|---|---|---|
| **AUC (Area Under Curve)** | Đo lường khả năng phân biệt của mô hình phân loại nhị phân | Giảm > 5% so với baseline |
| **PSI (Population Stability Index)** | Đo lường mức độ thay đổi phân phối dữ liệu đầu vào theo thời gian | PSI < 0,1: ổn định; 0,1 - 0,25: cần theo dõi; > 0,25: cảnh báo |
| **KS (Kolmogorov-Smirnov)** | Đo lường khoảng cách phân phối giữa hai nhóm khách hàng tốt/xấu | KS < 20: yếu; 20-40: trung bình; > 40: tốt |
| **Data Drift** | Phân phối dữ liệu đầu vào thay đổi theo thời gian | Phát hiện qua **KS test**, **Chi-square test** |
| **Concept Drift** | Mối quan hệ giữa biến đầu vào và biến mục tiêu thay đổi | Theo dõi qua AUC/accuracy giảm liên tục 3 tháng |
| **Fairness Metrics** | Đo lường sự công bằng giữa các nhóm nhân khẩu học | Demographic Parity Ratio trong khoảng 0,8 - 1,25 |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Mô hình chấm điểm tín dụng bán lẻ

**Ngân hàng A** triển khai mô hình **XGBoost** để chấm điểm tín dụng cho khoản vay mua ô tô, xử lý khoảng **50.000 hồ sơ/tháng**. Sau khi mô hình vận hành được 14 tháng, bộ phận **MRM** phát hiện **PSI** của biến "tỷ lệ thu nhập ổn định" tăng từ 0,08 lên **0,27**, vượt ngưỡng cảnh báo. Đồng thời, **AUC** mô hình giảm từ 0,82 xuống 0,74. Nguyên nhân được xác định là do dữ liệu huấn luyện được thu thập trong giai đoạn 2020-2021 (thời kỳ đại dịch, nhiều khách hàng chuyển sang làm việc tự do, thu nhập không ổn định), không còn phù hợp với bối cảnh kinh tế phục hồi 2024. Ngân hàng A đã kích hoạt quy trình **model re-development**, bổ sung dữ liệu mới 18 tháng gần nhất, kiểm định lại và đưa vào vận hành phiên bản 2.0, qua đó phục hồi AUC về 0,83 và giảm tỷ lệ nợ xấu (**NPL**) ước tính khoảng **1,2 điểm phần trăm**.

### Ví dụ 2: Mô hình phát hiện gian lận thẻ tín dụng

**Ngân hàng B** vận hành hệ thống **Real-time Fraud Detection** xử lý trung bình **3 triệu giao dịch/ngày** trên nền tảng AI. Trong quá trình kiểm định định kỳ, đội ngũ **MRM** phát hiện mô hình có dấu hiệu **thiên kiến vùng miền**: tỷ lệ cảnh báo giao dịch khả nghi đối với khách hàng ở khu vực miền núi phía Bắc cao gấp **2,3 lần** so với khu vực đồng bằng, dù tỷ lệ gian lận thực tế không chênh lệch đáng kể. Nguyên nhân đến từ việc dữ liệu huấn luyện chứa nhiều giao dịch bị đánh dấu nhầm do đặc thù giao dịch ở vùng sâu vùng xa (chuyển tiền nhỏ lẻ nhiều lần, thanh toán tại điểm bán lẻ nhỏ). Ngân hàng B đã áp dụng kỹ thuật **re-weighting** và **post-processing fairness correction**, đồng thời bổ sung biến đặc trưng về kênh thanh toán phù hợp với từng vùng miền. Sau điều chỉnh, tỷ lệ cảnh báo sai (**false positive**) giảm **18%**, tiết kiệm chi phí vận hành khoảng **12 tỷ đồng/năm**.

### Ví dụ 3: Mô hình phân tích dòng tiền phục vụ tuân thủ AML

**Ngân hàng C** triển khai mô hình **Graph Neural Network (GNN)** để phát hiện các giao dịch đáng ngờ phục vụ tuân thủ **AML/CFT** (chống rửa tiền, chống tài trợ khủng bố). Mô hình phân tích hơn **12 triệu tài khoản** và **25 triệu giao dịch/tháng**, giúp giảm **45%** khối lượng báo cáo thủ công cho phòng tuân thủ. Tuy nhiên, do tính chất "hộp đen" của mạng nơ-ron đồ thị, khi cơ quan quản lý yêu cầu giải trình về một trường hợp cụ thể, ngân hàng C gặp khó khăn trong việc giải thích lý do mô hình đánh dấu giao dịch đáng ngờ. Bộ phận **MRM** đã đề xuất triển khai kỹ thuật **GNNExplainer** kết hợp **SHAP values** để cung cấp lý do chi tiết cho từng cảnh báo, đáp ứng yêu cầu minh bạch theo quy định của **Luật Phòng chống rửa tiền 2022** và các văn bản hướng dẫn của **Ngân hàng Nhà nước**.

## AI Model Risk Management trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI Model Risk Management (MRM) | /eɪ aɪ ˈmɒdəl rɪsk ˈmænɪdʒmənt/ |
| Tiếng Nhật | AIモデルリスク管理 (AI moderu risuku kanri) | /eɪ aɪ moˈdeɾɯ ɾisɯkɯ kaɴɾi/ |
| Tiếng Hàn | AI 모델 리스크 관리 (AI model riseukeu gwanri) | /eɪ aɪ moˈdel ɾisɯkɯ ˈkwaɴli/ |
| Tiếng Trung | AI 模型风险管理 (AI móxíng fēngxiǎn guǎnlǐ) | /eɪ aɪ mɔɕyŋ fəŋɕjɛn kwanli/ |
| Tiếng Tây Ban Nha | Gestión de Riesgos de Modelos de IA | /xesˈtion ðe ˈrjesɣos ðe moˈðelos ðe iˈa/ |

## Câu hỏi thường gặp

### AI Model Risk Management khác gì quản trị rủi ro mô hình truyền thống?

Quản trị rủi ro mô hình truyền thống (ví dụ mô hình **scorecard** logistic trong chấm điểm tín dụng) chủ yếu tập trung vào **rủi ro dự báo** và **rủi ro tuân thủ** thông qua kiểm định thống kê cổ điển (Hosmer-Lemeshow, Gini). **AI Model Risk Management** mở rộng phạm vi sang các rủi ro đặc thù của AI/ML như **rủi ro giải thích** (interpretability), **rủi ro thiên kiến** (bias/ethical), **data drift**, **concept drift** và **adversarial attack**. Ngoài ra, MRM còn đòi hỏi giám sát liên tục theo thời gian thực thay vì kiểm định định kỳ hàng quý/năm.

### Khi nào cần áp dụng AI Model Risk Management?

Cần áp dụng MRM ngay từ **giai đoạn thiết kế** bất kỳ mô hình AI/ML nào được sử dụng trong quyết định kinh doanh có ý nghĩa tài chính hoặc ảnh hưởng đến khách hàng: chấm điểm tín dụng, phát hiện gian lận, định giá sản phẩm, phân khúc khách hàng, chatbot tư vấn, phân tích rủi ro thị trường, dự báo thanh khoản, **IFRS 9 ECL** (mô hình dự phòng tổn thất tín dụng theo chuẩn quốc tế). Trong thực tế, bất kỳ mô hình nào được phân loại **Tier 1** hoặc **Tier 2** đều phải trải qua đầy đủ chu trình MRM trước khi đưa vào vận hành.

### AI Model Risk Management ảnh hưởng thế nào đến khách hàng?

**MRM** giúp bảo vệ khách hàng khỏi các quyết định thiếu công bằng của mô hình AI, đảm bảo quyền được giải thích lý do từ chối tín dụng, ngăn ngừa phân biệt đối xử gián tiếp qua thuật toán. Đối với khách hàng là doanh nghiệp, MRM giúp giảm thiểu rủi ro bị đánh giá sai năng lực tài chính do dữ liệu lỗi thời. Đối với khách hàng cá nhân, MRM đảm bảo mô hình phát hiện gian lận hoạt động chính xác, tránh làm phiền bằng các cảnh báo sai (**false positive**). Về tổng thể, MRM góp phần xây dựng niềm tin của khách hàng vào hệ thống ngân hàng số, thúc đẩy tài chính toàn diện (**financial inclusion**) một cách bền vững.

## Tổng kết

**AI Model Risk Management** là nền tảng không thể thiếu trong chiến lược chuyển đổi số của ngân hàng hiện đại. Khi các mô hình AI/ML ngày càng đóng vai trò cốt lõi trong ra quyết định kinh doanh, việc thiết lập một khung **MRM** chặt chẽ, độc lập và tuân thủ chuẩn quốc tế không chỉ giúp giảm thiểu rủi ro tài chính, pháp lý và danh tiếng mà còn tạo lợi thế cạnh tranh bền vững. Đối với người ôn thi tuyển dụng ngân hàng, việc nắm vững kiến thức về **MRM** kết hợp với các văn bản pháp lý trong nước (**Thông tư 09/2020**, **Thông tư 13/2018**) và chuẩn quốc tế (**Basel BCBS 239, BCBS 425, OCC 2011-12**) sẽ là lợi thế nổi bật, thể hiện năng lực chuyên môn sâu rộng và tư duy quản trị rủi ro bài bản. Trong bối cảnh **Dự thảo Thông tư hướng dẫn về ứng dụng AI có trách nhiệm** của **Ngân hàng Nhà nước** đang được xây dựng, vai trò của bộ phận **MRM** chuyên trách tại các ngân hàng sẽ ngày càng được khẳng định và nâng cao tầm quan trọng.

## Thuật ngữ liên quan

- [Chatbot chăm sóc khách hàng](https://vieclam.nganhang.com/thuat-ngu/chatbot-cham-soc-khach-hang-la-gi) — Bot tự động xử lý các yêu cầu thường gặp trên website, app và mạng xã hội, tự chuyển sang chuyên viên khi vượt khả năng hiểu.
- [Khung quản trị rủi ro](https://vieclam.nganhang.com/thuat-ngu/khung-quan-tri-rui-ro-la-gi) — Khung tổng thể bao gồm chiến lược, chính sách, quy trình nhận diện, đo lường, giám sát và kiểm soát rủi ro.
- [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…
- [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.
- [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 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.
- [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.