# AI Named Entity Recognition hợp đồng

Tiếng Anh: Named Entity Recognition in Contracts

Nhận diện thực thể có tên như khách hàng, số hợp đồng, ngày tháng, giá trị từ văn bản hợp đồng tín dụng và pháp lý của ngân hàng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-named-entity-recognition-hop-dong-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI Named Entity Recognition hợp đồng là gì?

**Nhận diện thực thể có tên trong hợp đồng** (tiếng Anh: **Named Entity Recognition in Contracts**, viết tắt: **Contract NER**) là một kỹ thuật chuyên sâu thuộc lĩnh vực Xử lý ngôn ngữ tự nhiên (**Natural Language Processing - NLP**) và Trí tuệ nhân tạo (**Artificial Intelligence - AI**), cho phép hệ thống tự động phát hiện, phân loại và trích xuất chính xác các thực thể quan trọng từ văn bản hợp đồng tín dụng, hợp đồng bảo đảm và các tài liệu pháp lý liên quan. Các thực thể tiêu biểu được trích xuất bao gồm: tên cá nhân, tên tổ chức, mã số doanh nghiệp, số hợp đồng, ngày tháng ký kết, giá trị tiền tệ, tỷ lệ lãi suất, điều kiện thanh toán, địa chỉ tài sản bảo đảm và các điều khoản pháp lý đặc thù. Trong bối cảnh chuyển đổi số ngân hàng, công nghệ này đóng vai trò hạ tầng then chốt, giúp tự động hóa quy trình xử lý chứng từ vốn chủ yếu là thủ công trước đây.

Về mặt kỹ thuật, **Contract NER** được xây dựng dựa trên các mô hình học sâu (**Deep Learning**) hiện đại như **BERT** (**Bidirectional Encoder Representations from Transformers**), **RoBERTa** (**Robustly Optimized BERT Pretraining Approach**) hoặc các phiên bản được tinh chỉnh riêng cho tiếng Việt như **PhoBERT**, **viBERT**. Quy trình hoạt động trải qua ba bước chính: (1) Tiền xử lý văn bản bao gồm tách từ (**tokenization**), chuẩn hóa chữ viết, loại bỏ ký tự đặc biệt; (2) Mã hóa chuỗi thành các **vector ngữ nghĩa** thông qua lớp **transformer encoder**; (3) Áp dụng thuật toán gán nhãn chuỗi (**sequence labeling**) theo sơ đồ **BIO** (**Begin, Inside, Outside**) để xác định ranh giới và phân loại từng thực thể. Mô hình được huấn luyện trên tập dữ liệu hợp đồng đã được gán nhãn thủ công bởi chuyên gia pháp lý, qua đó học được các đặc trưng ngữ pháp, ngữ cảnh và cấu trúc câu đặc thù của văn bản tín dụng. Độ chính xác của hệ thống thường được đánh giá qua ba chỉ số quan trọng: **Precision** (độ chính xác), **Recall** (độ phủ) và **F1-score** (trung bình điều hòa), trong đó các mô hình tiên tiến có thể đạt **F1-score trên 92%** đối với hợp đồng tiếng Việt có cấu trúc rõ ràng. Đặc biệt, công nghệ này còn được tích hợp chặt chẽ với **OCR** (**Optical Character Recognition** - Nhận dạng ký tự quang học) để xử lý hợp đồng dạng ảnh quét, PDF hoặc tài liệu viết tay, tạo thành một pipeline xử lý tài liệu hoàn chỉnh từ đầu vào dạng hình ảnh đến đầu ra dạng dữ liệu có cấu trúc.

Trong thực tiễn ngân hàng Việt Nam giai đoạn 2024-2025, **Contract NER** đã trở thành công cụ không thể thiếu trong quy trình thẩm định tín dụng. Khi khách hàng nộp hồ sơ vay vốn, hệ thống AI có thể tự động trích xuất thông tin từ hợp đồng mua bán bất động sản, hợp đồng lao động, báo cáo tài chính, giấy chứng nhận kết hôn và các văn bản pháp lý khác để nhập liệu vào hệ thống **LOS** (**Loan Origination System** - Hệ thống khởi tạo khoản vay). Theo số liệu thống kê nội bộ từ Ngân hàng A, việc triển khai **Contract NER** đã giúp rút ngắn thời gian thẩm định hồ sơ tín dụng doanh nghiệp từ trung bình 3-5 ngày làm việc xuống còn 4-6 giờ, đồng thời giảm tỷ lệ sai sót nhập liệu từ 8% xuống dưới 1,5%. Ngoài ra, công nghệ này còn hỗ trợ đắc lực cho cán bộ tín dụng trong việc phát hiện các điều khoản bất thường, mâu thuẫn nội tại hoặc các rủi ro tiềm ẩn trong hợp đồng bảo đảm - một tác vụ mà trước đây phụ thuộc hoàn toàn vào kinh nghiệm chuyên môn của con người.

**Thuật ngữ tiếng Anh:** Named Entity Recognition in Contracts (Contract NER)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

**Contract NER** có những đặc điểm kỹ thuật và nghiệp vụ riêng biệt so với **NER** trong các lĩnh vực khác. Bảng dưới đây tổng hợp các đặc điểm nhận biết và phân loại chi tiết:

| **Tiêu chí** | **Nội dung chi tiết** |
|---|---|
| **Đầu vào xử lý** | Văn bản hợp đồng tín dụng, hợp đồng bảo đảm, phụ lục hợp đồng, thỏa thuận sửa đổi, giấy tờ pháp lý đi kèm |
| **Loại thực thể trích xuất** | ORG (tổ chức), PER (cá nhân), LOC (địa điểm), MONEY (số tiền), DATE (ngày tháng), RATE (lãi suất), CONTRACT_ID (mã hợp đồng), CLAUSE (điều khoản), ASSET (tài sản) |
| **Mô hình nền tảng** | BERT, RoBERTa, PhoBERT, viBERT, XLM-RoBERTa, Legal-BERT |
| **Phương pháp gán nhãn** | Sơ đồ BIO (Begin-Inside-Outside), BIOES (Begin-Inside-Outside-End-Single) |
| **Độ chính xác trung bình** | F1-score từ 88% đến 96% tùy độ phức tạp của hợp đồng |
| **Thời gian xử lý** | 2-5 giây cho hợp đồng 20-30 trang trên cấu hình GPU tiêu chuẩn |
| **Yêu cầu dữ liệu huấn luyện** | Tối thiểu 5.000-10.000 mẫu hợp đồng đã gán nhãn thủ công |

### Phân loại theo phạm vi ứng dụng

**Phân loại 1 - Theo loại thực thể cần trích xuất:**
- **NER cơ bản:** Trích xuất tên người, tổ chức, địa điểm, ngày tháng
- **NER chuyên sâu tài chính:** Trích xuất thêm số tiền, lãi suất, kỳ hạn, phí phạt
- **NER pháp lý:** Trích xuất điều khoản, điều kiện, nghĩa vụ bên, quyền hạn bên
- **NER bảo đảm:** Trích xuất thông tin tài sản thế chấp, giá trị định giá, tỷ lệ cho vay trên giá trị tài sản (**LTV - Loan-to-Value**)

**Phân loại 2 - Theo mức độ tự động hóa:**
- **Bán tự động (Human-in-the-loop):** Hệ thống đề xuất, cán bộ tín dụng xác nhận
- **Tự động hoàn toàn:** Áp dụng cho hợp đồng mẫu có cấu trúc cố định
- **Lai (Hybrid):** Kết hợp xử lý tự động với quy tắc (**rule-based**) cho các trường hợp đặc biệt

**Phân loại 3 - Theo công nghệ lõi:**
- **Dựa trên học máy truyền thống (Traditional ML):** Sử dụng **CRF** (**Conditional Random Fields**), **SVM** (**Support Vector Machine**) với đặc trưng thủ công
- **Dựa trên học sâu (Deep Learning):** Sử dụng **BiLSTM-CRF**, **CNN-BiLSTM-CRF**
- **Dựa trên Transformer:** Sử dụng **BERT**, **RoBERTa** kết hợp lớp **CRF** ở tầng đầu ra
- **Dựa trên mô hình ngôn ngữ lớn (LLM):** Sử dụng **GPT-4**, **Llama** với kỹ thuật **few-shot learning** hoặc **fine-tuning**

### Đặc điểm nhận biết khi áp dụng cho tiếng Việt

So với tiếng Anh, việc áp dụng **Contract NER** cho tiếng Việt gặp một số thách thức đặc thù: (1) **Vấn đề nhập nhằng tên riêng** - nhiều tên người Việt trùng với tên địa danh hoặc tên tổ chức; (2) **Hiện tượng đa từ ghép** - một thực thể có thể bao gồm nhiều từ không viết hoa, khó xác định ranh giới; (3) **Thiếu dấu viết hoa phân biệt** - tiếng Việt không phân biệt danh từ riêng qua chữ hoa như tiếng Anh; (4) **Đa dạng cách viết tên** - tên tổ chức có thể viết tắt, viết đầy đủ hoặc kèm theo loại hình pháp lý (Công ty TNHH, CTCP...).

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Tự động hóa thẩm định hồ sơ vay mua nhà tại Ngân hàng A

Khách hàng B nộp hồ sơ vay vay mua căn hộ trị giá 3,2 tỷ đồng tại Ngân hàng A. Hồ sơ bao gồm 47 tài liệu, trong đó có hợp đồng mua bán bất động sản 18 trang, giấy chứng nhận quyền sở hữu, hợp đồng lao động, sao kê lương 6 tháng và bảng lương. Trước đây, nhân viên tín dụng mất trung bình 4,5 giờ để đọc, trích xuất và nhập liệu toàn bộ thông tin vào hệ thống **LOS**. Sau khi triển khai **Contract NER**, hệ thống tự động:

- Trích xuất tên bên mua, bên bán, số hợp đồng mua bán, ngày ký
- Nhận diện giá trị hợp đồng (3.200.000.000 VNĐ), tỷ lệ thanh toán đợt 1 (30%)
- Trích xuất thông tin tài sản bảo đảm: diện tích 78m², tầng 12, địa chỉ Quận 2 (nay là TP. Thủ Đức)
- Tự động tính **LTV** và đề xuất mức cho vay tối đa 2,24 tỷ đồng (LTV 70%)

Kết quả: thời gian xử lý giảm từ 4,5 giờ xuống còn 22 phút (gồm 18 phút AI xử lý và 4 phút nhân viên xác nhận), tỷ lệ sai sót giảm 94%.

### Ví dụ 2: Kiểm tra tuân thủ phòng chống rửa tiền tại Ngân hàng C

Ngân hàng C triển khai hệ thống **Contract NER** tích hợp với cơ sở dữ liệu **KYC** (**Know Your Customer** - Biết khách hàng của bạn) để rà soát 12.000 hợp đồng tín dụng doanh nghiệp mỗi tháng. Hệ thống tự động:

- Trích xuất tên người đại diện pháp luật, cổ đông sáng lập, thành viên góp vốn
- So sánh với danh sách đen (**blacklist**) và danh sách cảnh báo của **NHNN** và **FATF** (**Financial Action Task Force**)
- Phát hiện 23 trường hợp có dấu hiệu trùng lặp thông tin, trong đó 7 trường hợp được xác minh là vi phạm quy định phòng chống rửa tiền (**AML** - **Anti-Money Laundering**)
- Tổng giá trị giao dịch phát hiện có dấu hiệu rửa tiền lên tới 187 tỷ đồng trong quý III/2024

### Ví dụ 3: Trích xuất điều khoản rủi ro từ hợp đồng bảo hiểm nhân thọ liên kết với khoản vay tại Ngân hàng D

Ngân hàng D áp dụng **Contract NER** để phân tích hơn 800 hợp đồng bảo hiểm liên kết với khoản vay cá nhân mỗi tuần. Hệ thống tự động phát hiện:

- 156 hợp đồng có điều khoản loại trừ trách nhiệm bảo hiểm không được minh bạch (thường ở trang 14-18 của hợp đồng, khách hàng ít khi đọc)
- 89 hợp đồng có giá trị bảo hiểm thấp hơn 50% dư nợ khoản vay, tiềm ẩn rủi ro không đủ bù đắp tổn thất cho ngân hàng
- 42 hợp đồng có thời hạn bảo hiểm ngắn hơn thời hạn vay, vi phạm quy định nội bộ

Nhờ phát hiện sớm, Ngân hàng D đã giảm 31% tỷ lệ khoản vay có vấn đề về bảo đảm bảo hiểm, ước tính tiết kiệm 42 tỷ đồng chi phí xử lý nợ xấu trong năm 2024.

## AI Named Entity Recognition hợp đồng trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Named Entity Recognition in Contracts | /ˈneɪmd ˈɛntɪti ˌrɛkəɡˈnɪʃən ɪn ˈkɒntrækts/ |
| Tiếng Nhật | 契約書における固有表現抽出 (Keiyakusho ni okeru koyū hyōgen chūshutsu) | Keiyakusho-ni-okeru-koyū-hyōgen-chūshutsu |
| Tiếng Hàn | 계약서 내 개체명 인식 (Gyeyakseo nae gaechemyeong insik) | Gye-yak-seo nae gae-che-myeong in-sik |
| Tiếng Trung | 合同命名实体识别 (Hétong mìngmíng shítǐ shíbié) | Hétóng mìngmíng shítǐ shíbié |
| Tiếng Tây Ban Nha | Reconocimiento de Entidades Nombradas en Contratos | /rekonoˈθimiento de entiˈdades nomˈbɾaðas en konˈtɾatos/ |

## Câu hỏi thường gặp

### Contract NER khác gì Text Classification và Sentiment Analysis?

**Contract NER**, **Text Classification** và **Sentiment Analysis** đều là các kỹ thuật thuộc lĩnh vực **NLP** nhưng có chức năng hoàn toàn khác nhau. **Contract NER** tập trung vào việc **trích xuất và gán nhãn các thực thể cụ thể** (tên, số tiền, ngày tháng, điều khoản) từ văn bản hợp đồng, trả về dữ liệu có cấu trúc dạng cặp (key-value). Trong khi đó, **Text Classification** (phân loại văn bản) chỉ thực hiện việc **gán toàn bộ văn bản vào một hoặc nhiều danh mục** định sẵn (ví dụ: phân loại hợp đồng thành "hợp đồng tín dụng", "hợp đồng bảo đảm", "phụ lục sửa đổi"). Còn **Sentiment Analysis** (phân tích cảm xúc) lại **xác định sắc thái tích cực, tiêu cực hay trung lập** của văn bản, thường áp dụng cho đánh giá khách hàng hoặc phản hồi trên mạng xã hội. Trong thực tế, ba kỹ thuật này thường được **kết hợp** trong một pipeline xử lý hợp đồng hoàn chỉnh: **Text Classification** phân loại hợp đồng trước, sau đó **Contract NER** trích xuất chi tiết, và cuối cùng một mô hình phân tích rủi ro (dựa trên kết quả NER) có thể coi là dạng đặc biệt của phân tích ngữ nghĩa.

### Khi nào ngân hàng cần triển khai Contract NER?

Ngân hàng cần triển khai **Contract NER** khi **khối lượng hợp đồng cần xử lý vượt quá năng lực thủ công**, cụ thể là khi số lượng hồ sơ tín dụng xử lý mỗi tháng đạt từ vài trăm trở lên và thời gian xử lý trung bình kéo dài quá 24 ging. Đặc biệt, các ngân hàng có **chiến lược chuyển đổi số mạnh mẽ**, đang triển khai hệ thống **LOS** số hóa, hoặc cần **tuân thủ chặt chẽ các quy định về AML/KYC** thì **Contract NER** là giải pháp gần như bắt buộc. Ngoài ra, khi ngân hàng phải đối mặt với **yêu cầu giảm tỷ lệ nợ xấu** và **nâng cao chất lượng thẩm định**, việc ứng dụng **NER** giúp phát hiện sớm các điều khoản rủi ro mà nhân viên có thể bỏ sót. Theo khuyến nghị của NHNN tại Quyết định 749/QĐ-NHNN, các ngân hàng nên ưu tiên triển khai **Contract NER** từ năm 2024-2025 để hoàn thành mục tiêu chuyển đổi số giai đoạn 2025-2030.

### Contract NER ảnh hưởng thế nào đến khách hàng cá nhân và doanh nghiệp?

**Contract NER** mang lại nhiều tác động tích cực cho cả khách hàng cá nhân lẫn doanh nghiệp. Với **khách hàng cá nhân**, công nghệ này giúp **rút ngắn đáng kể thời gian duyệt hồ sơ vay** từ 3-7 ngày xuống còn vài giờ, đồng thời **giảm thiểu sai sót** trong quá trình nhập liệu khiến khách hàng phải bổ sung giấy tờ nhiều lần. Đối với **khách hàng doanh nghiệp**, **Contract NER** cho phép cán bộ tín dụng tập trung vào **phân tích chuyên sâu** thay vì xử lý giấy tờ thủ công, qua đó đưa ra **quyết định tín dụng chính xác hơn** và **đề xuất điều kiện vay phù hợp** hơn với năng lực tài chính doanh nghiệp. Tuy nhiên, khách hàng cũng cần lưu ý về **bảo mật thông tin cá nhân** khi cung cấp hợp đồng qua các kênh số, đảm bảo ngân hàng tuân thủ Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân. Một tác động tích cực khác là **minh bạch hóa các điều khoản**, khi hệ thống AI có thể **tự động tóm tắt và giải thích** các điều khoản phức tạp cho khách hàng trước khi ký kết.

## Tổng kết

**AI Named Entity Recognition trong hợp đồng** là công nghệ trụ cột trong chiến lược chuyển đổi số ngân hàng Việt Nam giai đoạn 2024-2030, đặc biệt trong bối cảnh thực hiện Quyết định 749/QĐ-NHNN và Thông tư 17/2024/TT-NHNN về hệ thống ngân hàng mở. Với khả năng trích xuất chính xác các thực thể pháp lý và tài chính từ hợp đồng, công nghệ này không chỉ giúp **tối ưu hóa quy trình nghiệp vụ**, **giảm chi phí vận hành** mà còn **nâng cao chất lượng thẩm định tín dụng** và **tuân thủ quy định phòng chống rửa tiền**. Đối với người ôn thi và làm việc trong ngành ngân hàng, việc nắm vững kiến thức về **Contract NER** - từ cơ chế kỹ thuật đến ứng dụng thực tiễn - là yêu cầu bắt buộc để theo kịp xu hướng ứng dụng AI trong tài chính ngân hàng hiện đại. Trong tương lai gần, khi các mô hình ngôn ngữ lớn tiếng Việt ngày càng hoàn thiện, **Contract NER** sẽ tiếp tục phát triển theo hướng **đa nhiệm vụ**, kết hợp đồng thời trích xuất thực thể, phân tích rủi ro và tạo báo cáo tự động, mở ra kỷ nguyên mới cho ngành ngân hàng Việt Nam.

## Thuật ngữ liên quan

- [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.
- [Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-ve-bao-ve-du-lieu-ca-nhan-la-gi) — Văn bản pháp lý quan trọng quy định bảo vệ dữ liệu cá nhân tại Việt Nam, áp dụng cho dịch vụ tài chính số.
- [Nhận dạng ký tự quang học](https://vieclam.nganhang.com/thuat-ngu/nhan-dang-ky-tu-quang-hoc-la-gi) — Số hóa văn bản từ ảnh chụp tài liệu, hỗ trợ ngân hàng tự động nhập liệu hợp đồng, hóa đơn và sao kê giấy với độ chính xác cao.
- [Phòng chống rửa tiền (AML)](https://vieclam.nganhang.com/thuat-ngu/phong-chong-rua-tien-aml-la-gi) — Hệ thống quy định và quy trình nội bộ nhằm phát hiện, ngăn chặn việc hợp pháp hóa tiền từ hoạt động phi pháp tại các tổ chức tài chính.
- [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.
- [Tuân thủ phòng chống rửa tiền](https://vieclam.nganhang.com/thuat-ngu/tuan-thu-phong-chong-rua-tien-la-gi) — Tuân thủ các quy định về phòng chống rửa tiền theo Luật Phòng chống rửa tiền 2022 và các văn bản hướng dẫn của NHNN.
- [Xử lý ngôn ngữ tự nhiên](https://vieclam.nganhang.com/thuat-ngu/xu-ly-ngon-ngu-tu-nhien-la-gi) — Công nghệ giúp máy tính hiểu, phân tích và tạo ra ngôn ngữ của con người, ứng dụng trong chatbot ngân hàng.