# AI Named Entity Recognition NER trích xuất thực thể

Tiếng Anh: Named Entity Recognition

Kỹ thuật NLP tự động nhận diện tên người, tổ chức, số tài khoản, số tiền trong văn bản hợp đồng và giao dịch ngân hàng.

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

## AI Named Entity Recognition NER trích xuất thực thể là gì?

Trong bối cảnh chuyển đổi số mạnh mẽ của ngành ngân hàng Việt Nam, **Named Entity Recognition (NER)** - hay còn gọi là trích xuất thực thể - đã trở thành một trong những kỹ thuật Xử lý ngôn ngữ tự nhiên (**Natural Language Processing - NLP**) có giá trị chiến lược hàng đầu. NER là kỹ thuật tự động nhận diện và phân loại các thực thể có tên trong văn bản phi cấu trúc thành các nhóm ngữ nghĩa đã được định sẵn, chẳng hạn như tên người, tên tổ chức, địa điểm, ngày tháng, số tiền, số tài khoản, mã số thuế, hoặc các thuật ngữ chuyên ngành tài chính.

Đối với ngành ngân hàng, **NER** đặc biệt có ý nghĩa bởi hàng ngày các ngân hàng phải xử lý khối lượng khổng lồ văn bản phi cấu trúc: hợp đồng tín dụng, báo cáo tài chính, email khách hàng, đơn đăng ký vay vốn, biên bản cuộc gọi, tin nhắn trên ứng dụng di động, tài liệu pháp lý... Việc trích xuất thủ công các thực thể từ những nguồn dữ liệu này không chỉ tốn kém thời gian mà còn dễ phát sinh sai sót, ảnh hưởng đến chất lượng ra quyết định và tuân thủ quy định. Theo thống kê của Hiệp hội Ngân hàng Việt Nam, một hợp đồng tín dụng trung bình có thể chứa từ 50 đến 200 thực thể quan trọng cần được nhận diện chính xác, và một chi nhánh ngân hàng cỡ trung bình xử lý khoảng 300-500 hồ sơ mỗi ngày.

Khi tích hợp với Trí tuệ nhân tạo (**Artificial Intelligence - AI**) và Học máy (**Machine Learning - ML**), NER hiện đại không chỉ dừng lại ở việc nhận diện các thực thể rõ ràng mà còn có khả năng suy luận ngữ cảnh, phân biệt ý nghĩa của cùng một từ trong các ngữ cảnh khác nhau, thậm chí phát hiện các thực thể ẩn hoặc sai chính tả. Ví dụ, cụm từ "Hà Nội" có thể là địa điểm (LOC) hoặc tên riêng (PER) tùy theo câu, hay "tháng 9" có thể là ngày tháng (DATE) hoặc tên riêng của một quỹ đầu tư (ORG) tùy ngữ cảnh giao dịch.

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

## Đặc điểm và phân loại

### Đặc điểm cốt lõi của NER

NER có năm đặc điểm cốt lõi giúp phân biệt với các kỹ thuật NLP khác:

1. **Tính định hướng ngữ nghĩa:** NER không chỉ phân tích cú pháp mà còn gán nhãn ngữ nghĩa cho từng đoạn văn bản, ví dụ: "Ông Nguyễn Văn A" được gán nhãn PER (Person), "Ngân hàng TMCP A" được gán nhãn ORG (Organization).

2. **Tính phụ thuộc ngữ cảnh:** Cùng một chuỗi ký tự có thể thuộc nhiều loại thực thể khác nhau tùy ngữ cảnh xuất hiện. Đây là thách thức lớn nhất của NER trong văn bản tài chính.

3. **Tính domain-specific:** Trong ngân hàng, NER được tùy chỉnh với các thực thể đặc thù như: số tài khoản (ACCOUNT_NO), số thẻ tín dụng (CARD_NO), mã SWIFT, mã CIF, số hợp đồng (CONTRACT_ID), lãi suất (INTEREST_RATE), kỳ hạn (TENOR).

4. **Tính không chắc chắn (uncertainty):** Hệ thống NER thường đi kèm với điểm tin cậy (confidence score), giúp người dùng đánh giá mức độ chắc chắn của kết quả nhận diện.

5. **Khả năng mở rộng:** Các mô hình NER hiện đại có thể học thêm các loại thực thể mới thông qua kỹ thuật transfer learning mà không cần xây dựng lại từ đầu.

### Phân loại NER theo phương pháp

| Phương pháp | Đặc điểm | Ưu điểm | Nhược điểm | Độ chính xác (F1-score) |
|---|---|---|---|---|
| **Rule-based (Dựa trên luật)** | Sử dụng biểu thức chính quy, từ điển, pattern | Dễ triển khai, minh bạch, không cần dữ liệu huấn luyện | Khó mở rộng, không xử lý được biến thể ngôn ngữ | 70-80% |
| **Statistical ML (Học máy thống kê)** | Sử dụng CRF, HMM, SVM với đặc trưng thủ công | Cân bằng giữa độ chính xác và khả năng diễn giải | Cần feature engineering kỹ lưỡng | 80-88% |
| **Deep Learning (Học sâu)** | Sử dụng BiLSTM, Transformer, BERT | Hiểu ngữ cảnh sâu, xử lý tốt các trường hợp phức tạp | Cần lượng lớn dữ liệu huấn luyện | 90-96% |
| **Hybrid (Kết hợp)** | Kết hợp rule-based và ML | Tận dụng ưu điểm của cả hai phương pháp | Phức tạp trong bảo trì | 88-94% |
| **LLM-based (Dựa trên mô hình ngôn ngữ lớn)** | Sử dụng GPT, LLaMA, PhoGPT với few-shot prompting | Linh hoạt, xử lý tốt thực thể hiếm | Chi phí tính toán cao, có thể hallucinate | 85-93% |

### Phân loại thực thể trong ngân hàng

| Loại thực thể | Ký hiệu | Ví dụ | Ứng dụng |
|---|---|---|---|
| Tên người | PER | "Nguyễn Văn A", "Trần Thị B" | KYC, xác minh danh tính |
| Tên tổ chức | ORG | "Ngân hàng A", "Công ty chứng khoán B" | Phân tích quan hệ đối tác |
| Địa điểm | LOC | "Quận 1, TP.HCM", "Hà Nội" | Đánh giá rủi ro khu vực |
| Ngày tháng | DATE | "15/03/2024", "ngày 15 tháng 3" | Tính toán kỳ hạn, đáo hạn |
| Số tiền | MONEY | "500 triệu VND", "1.000.000.000 đồng" | Xác nhận giao dịch, kiểm toán |
| Số tài khoản | ACCOUNT | "1234567890" | Đối chiếu giao dịch |
| Số CMND/CCCD | ID_NO | "079123456789" | Xác minh khách hàng |
| Số điện thoại | PHONE | "+84 901 234 567" | Liên hệ khách hàng |
| Email | EMAIL | "khachhang@example.com" | Gửi thông báo, xác thực |
| Mã SWIFT/BIC | SWIFT | "BFTVVNVX" | Xử lý thanh toán quốc tế |
| Tỷ giá | RATE | "23,500 VND/USD" | Giao dịch ngoại tệ |
| Lãi suất | INTEREST | "8.5%/năm" | Tính toán nghĩa vụ tài chính |

### Các mô hình NER phổ biến trong ngân hàng

1. **PhoBERT-NER:** Mô hình BERT được huấn luyện cho tiếng Việt, đạt F1-score khoảng 94-95% trên tập dữ liệu ngân hàng.
2. **ViDeBERTa:** Mô hình DeBERTa được tối ưu cho tiếng Việt, phù hợp với văn bản tài chính.
3. **mBERT (multilingual BERT):** Mô hình đa ngôn ngữ, hữu ích khi xử lý hợp đồng song ngữ Việt-Anh.
4. **Custom CRF + BiLSTM:** Kiến trúc truyền thống nhưng vẫn hiệu quả cho các bài toán có dữ liệu huấn luyện hạn chế.
5. **Span-based NER:** Phương pháp hiện đại nhận diện toàn bộ span thực thể thay vì từng token, giảm thiểu lỗi ranh giới thực thể.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Tự động hóa xử lý hợp đồng tín dụng tại Ngân hàng A

Ngân hàng A, một trong những ngân hàng thương mại cổ phần lớn tại Việt Nam, xử lý trung bình 800-1.200 hồ sơ vay vốn mỗi ngày. Trước đây, mỗi hồ sơ cần 2-3 chuyên viên tín dụng mất khoảng 45-60 phút để trích xuất thông tin từ bộ hồ sơ giấy gồm: đơn đề nghị vay vốn, hợp đồng mua bán, giấy tờ tài sản đảm bảo, báo cáo tài chính. Tỷ lệ sai sót trong quá trình nhập liệu thủ công lên đến 8-12%, đặc biệt với những con số tài chính phức tạp.

Sau khi triển khai hệ thống NER dựa trên PhoBERT được tinh chỉnh (fine-tune) trên 50.000 hồ sơ lịch sử, Ngân hàng A đã đạt được những kết quả ấn tượng:

- **Thời gian xử lý giảm từ 60 phút xuống còn 7-8 phút mỗi hồ sơ**, tiết kiệm 87% thời gian.
- **Tỷ lệ nhận diện chính xác đạt 96,3%** đối với số tài khoản, 95,8% đối với tên khách hàng, 94,1% đối với số tiền và 92,5% đối với địa chỉ.
- **Chi phí vận hành giảm khoảng 4,2 tỷ đồng/năm** do giảm nhân sự nhập liệu và sửa lỗi.
- **Tỷ lệ tuân thủ quy định (compliance rate) tăng từ 89% lên 98,5%** nhờ phát hiện sớm các thông tin bất thường.

Hệ thống NER tự động trích xuất được 47 loại thực thể khác nhau từ mỗi bộ hồ sơ, bao gồm: họ tên vợ/chồng, số CMND/CCCD, ngày cấp, nơi cấp, địa chỉ thường trú, địa chỉ tạm trú, số điện thoại, nghề nghiệp, tên đơn vị công tác, mã số thuế cá nhân, số tài khoản nhận giải ngân, mục đích vay, số tiền vay, lãi suất, kỳ hạn, phương thức trả nợ, giá trị tài sản đảm bảo, v.v.

### Ví dụ 2: Phát hiện gian lận và rửa tiền tại Ngân hàng B

Ngân hàng B triển khai hệ thống NER kết hợp với Phân tích mạng lưới (Graph Analytics) để giám sát giao dịch đáng ngờ. Hệ thống phân tích real-time các email, tin nhắn, biên bản chat giữa nhân viên ngân hàng và khách hàng, tự động phát hiện:

- **Các thực thể nhạy cảm bị che giấu:** Ví dụ, việc sử dụng biệt danh "anh Hai", "chị Ba" kết hợp với số tài khoản lạ giúp hệ thống cảnh báo giao dịch có dấu hiệu chuyển tiền cho người thứ ba.
- **Mô hình giao dịch bất thường:** Khi hệ thống NER trích xuất được rằng khách hàng X thường xuyên chuyển tiền đến 5-7 tài khoản khác nhau tại nhiều ngân hàng, với tổng giá trị 2,3 tỷ đồng/tuần, hệ thống sẽ tự động gắn cờ cảnh báo.
- **Tuân thủ quy định FATF và Ngân hàng Nhà nước:** Tự động nhận diện các thực thể liên quan đến danh sách đen (sanction list), danh sách PEP (Politically Exposed Persons) với độ chính xác 97,2%.

Kết quả: Trong 6 tháng đầu triển khai, Ngân hàng B đã phát hiện thêm 23 vụ việc có dấu hiệu rửa tiền với tổng giá trị 187 tỷ đồng, góp phần giảm 35% tỷ lệ gian lận so với cùng kỳ năm trước. Hệ thống cũng tự động tạo báo cáo SAR (Suspicious Activity Report) tuân thủ chuẩn quốc tế, tiết kiệm 70% thời gian của bộ phận compliance.

### Ví dụ 3: Tối ưu hóa trải nghiệm khách hàng và chatbot thông minh

Khách hàng B khi gọi đến tổng đài của Ngân hàng C thường phải cung cấp nhiều thông tin: họ tên, số CMND/CCCD, số tài khoản, số thẻ. Hệ thống NER được tích hợp trong hệ thống Speech-to-Text có thể tự động trích xuất các thực thể này từ giọng nói của khách hàng, ngay cả khi khách nói với giọng địa phương, tốc độ nhanh, hoặc trong môi trường ồn ào.

Một ví dụ cụ thể: Khi khách hàng nói *"Tôi tên Nguyễn Văn An, số CCCD 079123456789, tài khoản 1234567890 tại chi nhánh Quận 1, hôm qua tôi chuyển 5 triệu không thấy nhận"*, hệ thống NER sẽ trích xuất:

- **PER:** "Nguyễn Văn An"
- **ID_NO:** "079123456789"
- **ACCOUNT:** "1234567890"
- **LOC:** "Quận 1"
- **DATE:** "hôm qua"
- **MONEY:** "5 triệu"

Nhờ đó, chatbot có thể tự động tra cứu lịch sử giao dịch, kiểm tra trạng thái chuyển tiền, và đưa ra phản hồi trong vòng 3-5 giây, thay vì 3-5 phút như trước. Theo báo cáo của Ngân hàng C, điểm hài lòng khách hàng (CSAT) tăng từ 78% lên 91% sau khi triển khai hệ thống này. Đồng thời, tỷ lệ First Call Resolution (FCR) cũng tăng từ 65% lên 84%, giảm đáng kể chi phí vận hành tổng đài.

## AI Named Entity Recognition NER trích xuất thực thể trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Named Entity Recognition (NER) | /neɪmd ˈɛntɪti rɪˈkɒɡnɪʃən/ |
| Tiếng Nhật | 固有表現抽出 (Koyū Hyōgen Chūshutsu) | /kojuː hjoːgen tɕuːɕɯtsɯ/ |
| Tiếng Hàn | 개체명 인식 (Gaechemyeong Insik) | /kɛtɕʰʌmjoŋ ɪnɕik/ |
| Tiếng Trung | 命名实体识别 (Mìngmíng Shítǐ Shíbié) | /miŋ˥˩ miŋ˧˥ ʂɨ˧˥ tʰi˨˩˦ ʂɨ˧˥ pjɛ˧˥/ |
| Tiếng Tây Ban Nha | Reconocimiento de Entidades Nombradas | /rekonoθimjento ðe entiðaðes nombraðas/ |

**Ghi chú bổ sung về thuật ngữ đa ngôn ngữ:**

- Trong tiếng Anh, thuật ngữ viết tắt **NER** được sử dụng phổ biến nhất trong cộng đồng nghiên cứu và công nghiệp toàn cầu.
- Tiếng Nhật sử dụng thuật ngữ 固有表現抽出, đôi khi cũng dùng 固有表現認識 (Koyū Hyōgen Ninshiki) trong tài liệu học thuật.
- Tiếng Hàn trong tài liệu học thuật thường ghi là 개체명 인식, viết tắt GMI, hoặc dùng thuật ngữ "개체명 추출" (Gaechemyeong Chuchul - trích xuất thực thể).
- Tiếng Trung phổ biến thuật ngữ 命名实体识别, viết tắt NER, tương đương với tiếng Anh.
- Tiếng Tây Ban Nha, thuật ngữ chính thức là Reconocimiento de Entidades Nombradas, viết tắt REN, được sử dụng trong các tài liệu kỹ thuật tại Mỹ Latinh.

## Câu hỏi thường gặp

### AI Named Entity Recognition NER trích xuất thực thể khác gì với Text Classification (Phân loại văn bản)?

NER và **Text Classification** đều là kỹ thuật NLP nhưng có mục tiêu khác nhau. Text Classification gán một hoặc nhiều nhãn cho toàn bộ văn bản (ví dụ: phân loại email là "spam" hay "không spam"), trong khi NER nhận diện và gán nhãn cho từng thực thể cụ thể bên trong văn bản (ví dụ: trong email đó có tên khách hàng nào, số tài khoản nào, số tiền bao nhiêu). Nói cách khác, Text Classification trả lời câu hỏi *"Văn bản này nói về chủ đề gì?"*, còn NER trả lời câu hỏi *"Trong văn bản này có những thực thể nào và chúng thuộc loại gì?"*. Trong ngân hàng, hai kỹ thuật này thường được sử dụng kết hợp: Text Classification phân loại hồ sơ vay theo mức độ rủi ro, sau đó NER trích xuất các chi tiết cụ thể để đưa vào báo cáo tín dụng.

### Khi nào cần biết về AI Named Entity Recognition NER trích xuất thực thể?

Bạn cần hiểu về NER khi làm việc trong các vị trí như: chuyên viên phân tích dữ liệu ngân hàng, kỹ sư AI/ML trong fintech, chuyên viên tín dụng xử lý hồ sơ vay, nhân viên tuân thủ (compliance) phòng chống rửa tiền (AML - Anti-Money Laundering), chuyên viên xử lý hợp đồng pháp lý, hoặc quản lý dự án chuyển đổi số. Đặc biệt, nếu bạn dự thi vào các vị trí liên quan đến **Data Analytics**, **Risk Management**, hoặc **Digital Banking** tại các ngân hàng, kiến thức về NER là lợi thế cạnh tranh rất lớn. Theo khảo sát của Ngân hàng Nhà nước năm 2024, có khoảng 67% ngân hàng tại Việt Nam đã hoặc đang triển khai các giải pháp NER trong hoạt động vận hành, và con số này được dự báo sẽ tăng lên 85% vào năm 2026.

### AI Named Entity Recognition NER trích xuất thực thể ảnh hưởng thế nào đến khách hàng?

NER mang lại nhiều tác động tích cực đến trải nghiệm khách hàng ngân hàng. Thứ nhất, thời gian xử lý hồ sơ vay vốn được rút ngắn từ 3-5 ngày xuống còn vài giờ, giúp khách hàng tiếp cận vốn nhanh hơn. Thứ hai, độ chính xác cao của NER giúp giảm thiểu các sai sót trong hợp đồng, bảo vệ quyền lợi khách hàng khỏi các điều khoản bất lợi do nhập liệu sai. Thứ ba, hệ thống chatbot và tổng đài thông minh ứng dụng NER giúp khách hàng được phục vụ 24/7 với tốc độ phản hồi dưới 5 giây. Tuy nhiên, cũng cần lưu ý rằng NER đặt ra thách thức về bảo mật dữ liệu cá nhân, đòi hỏi ngân hàng phải tuân thủ nghiêm ngặt các quy định về bảo vệ dữ liệu theo Nghị định 13/2023/NĐ-CP của Chính phủ và các tiêu chuẩn quốc tế như GDPR (General Data Protection Regulation).

## Tổng kết

**AI Named Entity Recognition (NER) - Trích xuất thực thể** là một trong những kỹ thuật nền tảng và có giá trị cao nhất trong hệ sinh thái AI của ngân hàng hiện đại. Từ việc tự động hóa xử lý hợp đồng tín dụng, phát hiện gian lận và rửa tiền, đến nâng cao trải nghiệm khách hàng qua chatbot thông minh, NER đã và đang tái định hình cách ngân hàng vận hành và cung cấp dịch vụ. Với sự phát triển không ngừng của các mô hình ngôn ngữ lớn (LLM) như GPT-4, PhoGPT, và các kiến trúc Transformer tiên tiến, độ chính xác của NER trong ngân hàng được kỳ vọng sẽ vượt mốc 98% trong 2-3 năm tới, đồng thời mở rộng sang các thực thể phức tạp hơn như phân tích cảm xúc, trích xuất quan hệ (Relation Extraction), và xử lý đa phương thức (multimodal) kết hợp văn bản với hình ảnh, âm thanh. Đối với ứng viên tham gia các kỳ thi tuyển dụng ngân hàng, việc nắm vững khái niệm NER, các phương pháp triển khai, cũng như ứng dụng thực tiễn của nó không chỉ là lợi thế mà còn là yêu cầu cơ bản để thể hiện năng lực chuyên môn trong bối cảnh chuyển đổi số ngành tài chính - ngân hàng.

## 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.
- [Hệ thống giám sát giao dịch](https://vieclam.nganhang.com/thuat-ngu/he-thong-giam-sat-giao-dich-la-gi) — Công cụ phần mềm tự động phân tích giao dịch thời gian thực theo các kịch bản nghiệp vụ để cảnh báo hoạt động bất thường.
- [Lộ trình chuyển đổi số](https://vieclam.nganhang.com/thuat-ngu/lo-trinh-chuyen-doi-so-la-gi) — Kế hoạch chi tiết các giai đoạn chuyển đổi số của ngân hàng từ hạ tầng công nghệ, quy trình nghiệp vụ đến trải nghiệm khách hàng.
- [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.
- [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.
- [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.