# AI Named Entity Recognition nhận dạng thực thể tên

Tiếng Anh: Named Entity Recognition

Tự động trích xuất tên người, tổ chức, số tài khoản từ văn bản hợp đồng và hồ sơ tín dụng khách hàng.

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

## AI Named Entity Recognition là gì?

**Named Entity Recognition** (viết tắt là **NER**), hay còn gọi là Nhận dạng thực thể tên, là một kỹ thuật cốt lõi thuộc lĩnh vực Xử lý ngôn ngữ tự nhiên (**Natural Language Processing - NLP**) và Trí tuệ nhân tạo (**Artificial Intelligence - AI**). Kỹ thuật này có khả năng tự động phát hiện, trích xuất và phân loại các thực thể có tên gọi trong văn bản phi cấu trúc vào những danh mục đã được định sẵn, chẳng hạn như tên người, tên tổ chức, địa điểm, ngày tháng, số tiền, số tài khoản ngân hàng, mã số thuế và rất nhiều loại thực thể chuyên ngành khác.

Trong bối cảnh ngân hàng hiện đại, hàng ngày khối lượng văn bản khổng lồ được tạo ra từ nhiều nguồn khác nhau như hợp đồng tín dụng, hồ sơ pháp lý, báo cáo tài chính, email khiếu nại, tin nhắn từ khách hàng qua các kênh chatbot và callbot. Việc xử lý thủ công toàn bộ khối lượng văn bản này là điều gần như bất khả thi. Chính vì vậy, NER trở thành giải pháp công nghệ nền tảng giúp máy tính "hiểu" được nội dung của tài liệu, từ đó hỗ trợ đắc lực cho con người trong quá trình ra quyết định và xử lý nghiệp vụ.

Về mặt kỹ thuật, hệ thống NER trải qua quá trình phát triển từ các phương pháp dựa trên luật (**rule-based**) và từ điển (**dictionary-based**), đến các mô hình học máy truyền thống như **Conditional Random Fields (CRF)**, rồi tiến tới các kiến trúc học sâu hiện đại như **Bidirectional Long Short-Term Memory (BiLSTM)**, **Transformer** và đặc biệt là các mô hình ngôn ngữ lớn (**Large Language Models - LLMs**) như **BERT**, **PhoBERT** (chuyên biệt cho tiếng Việt) hay **viBERT**. Quy trình hoạt động của NER thường bao gồm các bước: tiền xử lý văn bản, tách từ (**tokenization**), gán nhãn theo chuẩn **BIO** hoặc **BIOES** (trong đó **B-PER, I-PER** dùng cho tên người; **B-ORG, I-ORG** cho tổ chức; **B-LOC** cho địa điểm; **B-MONEY** cho số tiền), sau đó có thể thực hiện bước liên kết thực thể (**Entity Linking**) để ánh xạ thực thể về cơ sở dữ liệu chuẩn của ngân hàng.

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

## Đặc điểm và phân loại

### Đặc điểm nổi bật của NER trong ngân hàng

- **Tính tự động hóa cao:** Có thể xử lý hàng triệu văn bản mỗi ngày mà không cần sự can thiệp trực tiếp của con người, giúp giảm tới **70-85%** khối lượng công việc nhập liệu thủ công.
- **Khả năng mở rộng:** Dễ dàng tích hợp với các hệ thống **Core Banking**, **CRM**, **eKYC** và các nền tảng quản lý tài liệu doanh nghiệp.
- **Độ chính xác ngày càng cao:** Các mô hình hiện đại đạt độ chính xác **F1-score** từ **92% đến 97%** trên các tập dữ liệu tiếng Việt chuyên ngành tài chính ngân hàng.
- **Khả năng nhận dạng đa dạng thực thể:** Không chỉ dừng lại ở tên người, tên địa điểm mà còn nhận diện được số CMND/CCCD, mã SWIFT/BIC, số tài khoản, tên sản phẩm tín dụng.
- **Yêu cầu bảo mật cao:** Do xử lý dữ liệu nhạy cảm, NER trong ngân hàng phải tuân thủ nghiêm ngặt các quy định về bảo vệ dữ liệu cá nhân.

### Phân loại các dạng NER

| **Phương pháp** | **Mô tả** | **Ưu điểm** | **Hạn chế** |
|---|---|---|---|
| **Rule-based NER** | Dựa trên các quy tắc ngữ pháp, biểu thức chính quy (**Regular Expression**) và từ điển | Dễ triển khai, minh bạch logic | Khó mở rộng, kém linh hoạt với ngôn ngữ tự nhiên |
| **Dictionary-based NER** | Sử dụng danh sách thực thể có sẵn để đối chiếu | Độ chính xác cao với thực thể phổ biến | Không nhận diện được thực thể mới xuất hiện |
| **Statistical ML-based NER** | Áp dụng các thuật toán như CRF, HMM (Hidden Markov Model) | Cân bằng giữa độ chính xác và khả năng tổng quát | Cần feature engineering thủ công |
| **Deep Learning NER** | Sử dụng BiLSTM-CRF, CNN-CRF | Tự động học đặc trưng, độ chính xác cao | Cần lượng lớn dữ liệu huấn luyện |
| **Transformer-based NER** | Sử dụng BERT, PhoBERT, RoBERTa | Hiểu ngữ cảnh sâu, xử lý đa ngôn ngữ | Tốn tài nguyên tính toán, chi phí cao |
| **LLM-based NER** | Dùng các mô hình GPT, LLaMA kết hợp prompt engineering | Khả năng suy luận tốt, few-shot learning | Có thể tạo thực thể "ảo" (**hallucination**) |

### Các thực thể chuyên ngành ngân hàng thường gặp

| **Loại thực thể** | **Ký hiệu (BIO tag)** | **Ví dụ thực tế** |
|---|---|---|
| Họ và tên khách hàng | B-PER / I-PER | Nguyễn Văn An, Trần Thị Bình |
| Số CMND/CCCD/Hộ chiếu | B-ID_NUM | 001085123456, 079203001234 |
| Số tài khoản ngân hàng | B-ACC_NO | 1234567890, 9876543210123 |
| Mã SWIFT/BIC | B-SWIFT | VNIBVNVX, DEUTDEFF |
| Số tiền giao dịch | B-MONEY | 500.000.000 VNĐ, 25 tỷ đồng |
| Tên ngân hàng | B-BANK | Ngân hàng A, Ngân hàng TMCP B |
| Địa chỉ | B-LOC / I-LOC | Quận 1, TP. Hồ Chí Minh |
| Ngày tháng | B-DATE | Ngày 25/12/2024, 01/01/2025 |
| Mã số thuế | B-TAX_ID | 0312345678 |
| Loại sản phẩm tín dụng | B-PRODUCT | Vay mua nhà, thẻ tín dụng |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Tự động hóa xử lý hồ sơ tín dụng

**Ngân hàng A** triển khai hệ thống NER để xử lý hồ sơ vay vốn online của khoảng **15.000 hồ sơ/ngày**. Trước đây, mỗi hồ sơ cần một nhân viên tín dụng mất trung bình **45-60 phút** để nhập liệu thủ công các thông tin từ sổ hộ khẩu, CCCD, hợp đồng lao động, sao kê lương. Sau khi ứng dụng NER kết hợp **OCR (Optical Character Recognition)** và mô hình **PhoBERT** được fine-tune trên tập dữ liệu gồm **200.000 văn bản** chuyên ngành tài chính, thời gian xử lý trung bình giảm xuống chỉ còn **3-5 phút/hồ sơ**. Độ chính xác trích xuất đạt **95,7%** với tên khách hàng, **98,2%** với số CCCD và **93,4%** với địa chỉ. Nhờ vậy, chi phí vận hành của khối tín dụng tiết kiệm được khoảng **32 tỷ đồng/năm**.

### Ví dụ 2: Phòng chống rửa tiền và tuân thủ AML

**Ngân hàng B** tích hợp NER vào hệ thống **Anti-Money Laundering (AML)** để giám sát khoảng **8 triệu giao dịch/ngày**. Hệ thống NER có khả năng nhận diện tự động tên cá nhân, tổ chức nằm trong **danh sách đen (sanction list)** của **OFAC**, **UN**, **EU** với độ chính xác **99,1%**. Khi kết hợp với **phân tích đồ thị (graph analytics)** để phát hiện các mối quan hệ giữa các thực thể, ngân hàng đã phát hiện **47 vụ giao dịch đáng ngờ** trong quý I/2024 mà phương pháp truyền thống bỏ sót, giúp giảm thiểu rủi ro pháp lý ước tính hàng trăm tỷ đồng tiền phạt tiềm ẩn.

### Ví dụ 3: Chatbot thông minh và xử lý khiếu nại

**Ngân hàng C** xây dựng hệ thống chatbot AI sử dụng NER để xử lý khoảng **120.000 cuộc hội thoại/ngày** qua các kênh Facebook Messenger, Zalo OA và ứng dụng di động. Khi khách hàng nhập: *"Tôi là Nguyễn Văn Nam, số tài khoản 1234567890 tại Ngân hàng D, hôm qua tôi chuyển nhầm 5 triệu cho tài khoản 9876543210, làm ơn hỗ trợ tra soát gấp"*, hệ thống NER chỉ mất **0,3 giây** để trích xuất đầy đủ **6 thực thể**: tên khách hàng, 2 số tài khoản, số tiền, tên ngân hàng và yêu cầu "tra soát". Kết quả là **87%** yêu cầu được xử lý tự động mà không cần chuyển sang nhân viên, giúp giảm tải cho tổng đài và nâng cao **CSAT (Customer Satisfaction Score)** lên **4,6/5**.

## AI Named Entity Recognition nhận dạng thực thể tên trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | **Named Entity Recognition (NER)** | /ˈneɪmɪd ˈɛntɪti ˌrɛkəɡˈnɪʃən/ |
| Tiếng Nhật | 固有表現抽出 (Koyū Hyōgen Chūshutsu) | こゆうひょうげんちゅうしゅつ |
| Tiếng Hàn | 개체명 인식 (Gaechemyeong Insik) | gaechemyeong insik |
| Tiếng Trung | 命名实体识别 (Mìngmíng Shítǐ Shíbié) | mìngmíng shítǐ shíbié |
| Tiếng Tây Ban Nha | Reconocimiento de Entidades Nombradas | /rekonoˈθimiento ðe entiˈðaðes nomˈbɾaðas/ |

## Câu hỏi thường gặp

### AI Named Entity Recognition (Nhận dạng thực thể tên) khác gì với Text Classification (Phân loại văn bản)?

**NER** là tác vụ trích xuất và gán nhãn cho **từng cụm từ cụ thể** trong văn bản (ví dụ: tách được "Nguyễn Văn A" là tên người, "500 triệu" là số tiền), trong khi **Text Classification** chỉ gán **một nhãn duy nhất** cho toàn bộ văn bản (ví dụ: phân loại email là "khiếu nại" hay "tư vấn"). Nói cách khác, NER hoạt động ở cấp độ **token/cụm từ**, còn Text Classification hoạt động ở cấp độ **toàn tài liệu**.

### Khi nào ngân hàng cần ứng dụng NER?

Ngân hàng cần NER khi phải xử lý khối lượng lớn văn bản phi cấu trúc như hồ sơ tín dụng, email khiếu nại, hợp đồng pháp lý, báo cáo tài chính. Đặc biệt, các ngân hàng đang triển khai **eKYC**, **tự động hóa quy trình (RPA)**, **phòng chống rửa tiền (AML)** hay xây dựng **chatbot tư vấn** thì NER gần như là yếu tố bắt buộc. Ngoài ra, trong các kỳ thi chứng chỉ nghiệp vụ ngân hàng về chuyển đổi số và công nghệ thông tin, câu hỏi về NER cũng xuất hiện thường xuyên.

### NER ảnh hưởng thế nào đến trải nghiệm khách hàng?

NER giúp rút ngắn đáng kể thời gian xử lý hồ sơ và phản hồi yêu cầu của khách hàng — từ hàng giờ xuống còn vài phút, thậm chí vài giây đối với chatbot. Khách hàng không cần phải nhập lại thông tin nhiều lần vì hệ thống đã tự động trích xuất chính xác từ tài liệu scan hoặc từ câu nói tự nhiên. Tuy nhiên, đi kèm với đó là yêu cầu bảo mật dữ liệu cá nhân theo **Nghị định 13/2023/NĐ-CP**, đòi hỏi ngân hàng phải có sự đồng thuận rõ ràng từ khách hàng trước khi xử lý.

## Tổng kết

**Named Entity Recognition (Nhận dạng thực thể tên)** là một trong những công nghệ nền tảng quan trọng nhất trong hành trình **chuyển đổi số** của ngành ngân hàng Việt Nam. Với khả năng tự động "đọc hiểu" và trích xuất thông tin từ văn bản phi cấu trúc, NER đã và đang giúp các ngân hàng tối ưu quy trình vận hành, nâng cao hiệu quả tuân thủ pháp lý và cải thiện đáng kể trải nghiệm khách hàng. Đối với người học và ôn thi ngân hàng, việc nắm vững khái niệm NER không chỉ giúp trả lời tốt các câu hỏi lý thuyết mà còn mở ra góc nhìn thực tiễn về cách AI đang thay đổi toàn diện ngành tài chính ngân hàng trong kỷ nguyên số hóa.

## 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.
- [Mô hình ngôn ngữ lớn](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-ngon-ngu-lon-la-gi) — Mô hình học sâu được huấn luyện trên lượng lớn văn bản, hỗ trợ ngân hàng trong phân tích hợp đồng, tóm tắt báo cáo tín dụng và tự động hóa dịch vụ 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.
- [Phòng chống rửa tiền](https://vieclam.nganhang.com/thuat-ngu/phong-chong-rua-tien-la-gi) — Hệ thống quy trình và công nghệ giúp ngân hàng phát hiện, ngăn chặn các giao dịch có dấu hiệu rửa tiền.
- [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.
- [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.