# AI Named Entity Recognition nhận diện thực thể

Tiếng Anh: Named Entity Recognition (NER)

Kỹ thuật NLP trích xuất thực thể có tên (tên người, số tài khoản, số tiền, ngày tháng) từ văn bản hợp đồng tín dụng và báo cáo tài chính.

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

AI Named Entity Recognition nhận diện thực thể là gì?

**Named Entity Recognition (NER)** — hay còn gọi là "Nhận diện thực thể có tên" — là một trong những kỹ thuật nền tảng quan trọng nhất thuộc lĩnh vực **Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)** trong hệ sinh thái **Trí tuệ nhân tạo (Artificial Intelligence - AI)**. Kỹ thuật này cho phép hệ thống máy tính tự động phát hiện, phân loại và trích xuất các "thực thể" — tức là những đối tượng thông tin có ý nghĩa cụ thể — từ những đoạn văn bản phi cấu trúc hoặc bán cấu trúc. Một thực thể trong ngữ cảnh NER có thể là tên người, tên tổ chức, địa điểm, ngày tháng, số tiền, số tài khoản, mã số thuế, hoặc bất kỳ chuỗi thông tin nào mang giá trị dữ liệu mà doanh nghiệp cần khai thác.

Trong bối cảnh ngân hàng, **NER** đóng vai trò như một "trợ lý đọc hiểu thông minh", giúp máy tính "hiểu" được nội dung văn bản mà trước đây chỉ có con người mới xử lý được. Khi một khách hàng gửi email khiếu nại, khi nhân viên tín dụng nhận hồ sơ vay vốn dày hàng chục trang, hay khi hệ thống phải quét hàng triệu giao dịch trong ngày để tìm dấu hiệu bất thường — **NER** chính là công cụ đầu tiên giúp biến "văn bản chết" thành "dữ liệu sống", sẵn sàng cho các bước phân tích, ra quyết định hoặc tự động hóa tiếp theo.

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

Về cách thức hoạt động, **NER** không phải là một thuật toán đơn lẻ mà là một quy trình nhiều bước kết hợp giữa các mô hình học máy (**Machine Learning**), học sâu (**Deep Learning**) và trong nhiều trường hợp là cả các bộ luật ngôn ngữ (**Rule-based**). Quy trình tổng quát bao gồm bốn bước chính: (1) Tiền xử lý văn bản — bao gồm tách từ (**tokenization**), loại bỏ từ dừng (**stop words**), chuẩn hóa chữ hoa/thường; (2) Mã hóa đặc trưng — chuyển văn bản thành vector số thông qua các kỹ thuật như **Word Embedding** (Word2Vec, GloVe) hoặc **Contextual Embedding** (BERT, PhoBERT); (3) Phân loại chuỗi — sử dụng mô hình học sâu để gán nhãn cho từng token; (4) Trích xuất và chuẩn hóa — gom nhóm các token thành thực thể hoàn chỉnh và chuẩn hóa định dạng. Mỗi thực thể thường được gán nhãn theo hệ thống **BIO** (Beginning, Inside, Outside) hoặc **BILOU** (Begin, Inside, Last, Outside, Unit) để xác định chính xác vị trí bắt đầu, kết thúc và phân loại.

## Đặc điểm và phân loại

### Phân loại thực thể phổ biến trong ngân hàng

| Loại thực thể | Mô tả | Ví dụ minh họa |
|---|---|---|
| **PERSON** (Cá nhân) | Tên người, họ tên đầy đủ | Nguyễn Văn A, Trần Thị B |
| **ORG** (Tổ chức) | Tên doanh nghiệp, ngân hàng, cơ quan nhà nước | Ngân hàng A, Công ty Cổ phần X |
| **LOC** (Địa điểm) | Địa chỉ, tỉnh/thành, quốc gia | Hà Nội, Quận 1, Việt Nam |
| **MONEY** (Số tiền) | Giá trị tiền tệ kèm đơn vị | 500.000.000 VNĐ, 2 tỷ đồng |
| **ACCOUNT** (Tài khoản) | Số tài khoản ngân hàng | 1234567890 |
| **DATE** (Thời gian) | Ngày, tháng, năm, mốc thời gian | 15/03/2024, ngày 20 tháng 4 |
| **TAX_ID** (Mã số thuế) | Mã số thuế cá nhân/doanh nghiệp | 0312444555 |
| **CONTRACT** (Hợp đồng) | Số hợp đồng, mã giao dịch | HĐ-2024-001 |
| **PHONE** (Điện thoại) | Số điện thoại liên hệ | 0987654321 |
| **PRODUCT** (Sản phẩm) | Tên sản phẩm ngân hàng | Gói tiết kiệm Online, Thẻ tín dụng Platinum |

### Phân loại mô hình NER

| Mô hình | Đặc điểm | Ưu điểm | Nhược điểm |
|---|---|---|---|
| **Rule-based (Dựa trên luật)** | Sử dụng từ điển, biểu thức chính quy (Regex), luật ngữ pháp | Minh bạch, dễ giải thích, không cần dữ liệu huấn luyện | Khó mở rộng, hiệu suất thấp với văn bản phức tạp |
| **Machine Learning cổ điển** | Sử dụng CRF (Conditional Random Fields), SVM, HMM | Cần ít dữ liệu hơn, hoạt động tốt với thực thể có cấu trúc | Phụ thuộc đặc trưng thủ công, khó bắt ngữ cảnh sâu |
| **Deep Learning** | Mạng nơ-ron tích chập (**CNN**), mạng nơ-ron hồi quy (**RNN**), **Bidirectional LSTM** | Tự học đặc trưng, độ chính xác cao hơn | Cần lượng lớn dữ liệu gán nhãn, chi phí tính toán lớn |
| **Transformer-based** | **BERT**, **PhoBERT**, **XLM-RoBERTa**, **SpanBERT** | Hiểu ngữ cảnh hai chiều, F1-score thường trên 92% | Tốn tài nguyên GPU, khó triển khai trên thiết bị nhẹ |

### Chỉ số đánh giá hiệu suất

| Chỉ số | Ý nghĩa | Mức chấp nhận được trong ngân hàng |
|---|---|---|
| **Precision (Độ chính xác)** | Tỷ lệ thực thể dự đoán đúng trên tổng số dự đoán | ≥ 90% |
| **Recall (Độ bao phủ)** | Tỷ lệ thực thể được nhận diện trên tổng số thực thể thực tế | ≥ 88% |
| **F1-score** | Trung bình điều hòa giữa Precision và Recall | ≥ 90% |
| **Throughput** | Số token xử lý mỗi giây | ≥ 1.000 token/giây |

### Đặc điểm nhận biết NER chất lượng cao

- **Nhận diện đa ngôn ngữ**: Hỗ trợ tiếng Việt có dấu, tiếng Anh, đồng thời các từ vay mượn như "email", "OTP"
- **Xử lý tốt tiếng Việt không dấu và viết tắt**: Ví dụ "tk", "stk", "ms thue", "cmnd/cccd"
- **Chống nhập nhằng**: Phân biệt được "Apple" (tổ chức) và "apple" (quả tác) dựa trên ngữ cảnh
- **Khả năng trích xuất thực thể lồng nhau**: Ví dụ "Phòng tín dụng Ngân hàng A chi nhánh Hà Nội" chứa nhiều thực thể trong một chuỗi
- **Khả năng tổng quát hóa**: Hoạt động tốt với dữ liệu mới chưa thấy trong tập huấn luyện

## Ví dụ thực tế trong ngành ngân hàng

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

**Ngân hàng B** — một ngân hàng thương mại cổ phần lớn tại Việt Nam — trước đây mất trung bình **4 giờ làm việc** để một chuyên viên tín dụng xử lý một hồ sơ vay vốn doanh nghiệp, trong đó khoảng 60% thời gian dành cho việc nhập liệu thủ công từ các tài liệu như: giấy đăng ký kinh doanh, báo cáo tài chính 3 năm gần nhất, hợp đồng mua bán, sao kê ngân hàng. Sau khi triển khai hệ thống **NER** kết hợp **OCR** (Nhận dạng ký tự quang học) và mô hình **PhoBERT-large** được fine-tune trên tập dữ liệu gồm 50.000 hồ sơ lịch sử, kết quả đạt được như sau:

- Thời gian xử lý giảm từ 4 giờ xuống còn **45 phút** (giảm 81%)
- Độ chính xác trích xuất đạt **F1-score 94,2%** trên tập kiểm thử
- Số lỗi nhập liệu giảm từ trung bình **8 lỗi/hồ sơ** xuống còn **0,7 lỗi/hồ sơ**
- Chi phí vận hành cho khối tín dụng tiết kiệm khoảng **18 tỷ đồng/năm**

Cụ thể, khi hệ thống nhận được một đoạn văn bản trong hồ sơ: *"Công ty Cổ phần X, MST: 0312444555, địa chỉ: Số 12 đường Láng, Phường Thịnh Quang, Quận Đống Đa, Hà Nội, đề nghị vay vốn 5.000.000.000 VNĐ (Năm tỷ đồng) vào ngày 15/03/2024"*, **NER** sẽ tự động trích xuất thành các trường dữ liệu có cấu trúc:

- **ORG**: Công ty Cổ phần X
- **TAX_ID**: 0312444555
- **LOC**: Số 12 đường Láng, Phường Thịnh Quang, Quận Đống Đa, Hà Nội
- **MONEY**: 5.000.000.000 VNĐ
- **DATE**: 15/03/2024

### Ví dụ 2: Phát hiện gian lận và phòng chống rửa tiền (AML)

**Ngân hàng A** đã triển khai hệ thống giám sát giao dịch dựa trên **NER** để phân tích hơn **3,2 triệu giao dịch/ngày**. Hệ thống không chỉ phân tích các con số trong giao dịch mà còn đọc hiểu các trường thông tin bằng văn bản đi kèm như: nội dung chuyển khoản, mô tả giao dịch, địa chỉ người nhận. Khi phát hiện các mẫu thực thể khả nghi như tên cá nhân nằm trong danh sách đen quốc tế, địa điểm thuộc vùng có rủi ro cao, hoặc số tiền giao dịch vượt ngưỡng đáng ngờ, hệ thống sẽ tự động đánh dấu và chuyển cho nhân viên compliance xử lý trong vòng **30 phút**. Nhờ vậy, tỷ lệ phát hiện giao dịch đáng ngờ tăng **47%** so với phương pháp thủ công, đồng thời giảm **65%** số lượng cảnh báo sai (false positive).

### Ví dụ 3: Chatbot thông minh cho dịch vụ khách hàng

**Ngân hàng C** triển khai chatbot tích hợp **NER** trên ứng dụng di động và website chính thức. Khi khách hàng nhập: *"Tôi muốn chuyển 2 triệu cho Nguyễn Văn A, số tài khoản 9876543210 tại Ngân hàng D vào lúc 3 giờ chiều nay"*, hệ thống **NER** sẽ trích xuất ngay lập tức:

- **PERSON**: Nguyễn Văn A
- **MONEY**: 2.000.000 VNĐ
- **ACCOUNT**: 9876543210
- **ORG**: Ngân hàng D
- **TIME**: 15:00 hôm nay

Sau đó, chatbot xác nhận lại thông tin với khách hàng và thực hiện giao dịch chỉ trong vòng **dưới 10 giây**. Theo thống kê, **78%** yêu cầu của khách hàng được xử lý tự động mà không cần đến nhân viên hỗ trợ, giúp ngân hàng tiết kiệm chi phí vận hành call center khoảng **24 tỷ đồng/năm** và cải thiện điểm hài lòng khách hàng (CSAT) từ 82% lên **91%**.

## AI Named Entity Recognition nhận diện thực thể 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) | "koyuu hyougen chuushutsu" |
| 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 diện thực thể khác gì **OCR** và **Sentiment Analysis**?

**NER** tập trung vào việc phát hiện và phân loại các thực thể có tên trong văn bản đã được số hóa (ví dụ: trích xuất tên khách hàng, số tài khoản, số tiền từ email). **OCR** (Nhận dạng ký tự quang học) lại làm nhiệm vụ chuyển đổi hình ảnh văn bản (như ảnh chụp CCCD, hợp đồng giấy) thành văn bản số. Trong khi đó, **Sentiment Analysis** (Phân tích cảm xúc) xác định thái độ, cảm xúc tích cực/tiêu cực/trung tính trong văn bản. Ba kỹ thuật này thường được kết hợp trong cùng một pipeline xử lý tài liệu ngân hàng: **OCR** đọc ảnh → **NER** trích xuất thông tin → **Sentiment Analysis** đánh giá phản hồi khách hàng.

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

Ngân hàng cần **NER** khi phải xử lý lượng lớn văn bản phi cấu trúc từ email, hồ sơ tín dụng, hợp đồng, ticket hỗ trợ khách hàng, hoặc nội dung giao dịch. Đặc biệt, **NER** trở nên không thể thiếu trong các nghiệp vụ như: tự động hóa quy trình tín dụng (đọc hồ sơ vay), giám sát tuân thủ **AML/KYC** (trích xuất tên từ danh sách đen), xây dựng hệ thống tìm kiếm thông minh nội bộ, và phát triển chatbot/giao diện thoại (**voicebot**). Một ngân hàng xử lý trên **100.000 giao dịch/ngày** hoặc tiếp nhận hơn **5.000 hồ sơ tín dụng/tháng** thường sẽ thu hồi vốn đầu tư cho hệ thống **NER** trong vòng **12-18 tháng**.

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

**NER** giúp rút ngắn đáng kể thời gian xử lý yêu cầu từ vài giờ xuống còn vài phút, giảm thiểu lỗi nhập liệu và nâng cao tính chính xác của các thông tin tài chính. Khách hàng khi gửi hồ sơ vay trực tuyến sẽ được phản hồi nhanh hơn, chatbot có thể hiểu đúng yêu cầu phức tạp như "chuyển tiền cho mẹ 500 nghìn", và nhân viên ngân hàng có thêm thời gian tư vấn thay vì nhập liệu. Tuy nhiên, ngân hàng cần đảm bảo **NER** được huấn luyện với dữ liệu đa dạng để tránh nhận diện sai với tiếng địa phương, viết tắt, hoặc cách diễn đạt đặc trưng của từng vùng miền.

## Tổng kết

**AI Named Entity Recognition (NER)** — Nhận diện thực thể — là một trong những kỹ thuật nền tảng không thể thiếu trong chiến lược chuyển đổi số của ngành ngân hàng hiện đại. Với khả năng biến văn bản phi cấu trúc thành dữ liệu có cấu trúc, **NER** đóng vai trò cốt lõi trong tự động hóa quy trình tín dụng, phòng chống gian lận, tuân thủ pháp lý và nâng cao trải nghiệm khách hàng. Đối với người ôn thi ngân hàng, việc nắm vững khái niệm **NER**, cách phân loại thực thể, các mô hình triển khai (đặc biệt là **Transformer** và **PhoBERT**), cùng các ứng dụng thực tiễn sẽ là lợi thế lớn trong các câu hỏi về chuyển đổi số, **AI** và công nghệ ngân hàng. Hãy nhớ rằng, trong kỷ nguyên mà dữ liệu là "dầu mới", **NER** chính là "máy lọc dầu" giúp ngân hàng khai thác giá trị từ khối tài sản văn bản khổng lồ mà họ đang sở hữu.

## 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.
- [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.
- [Phân tích báo cáo tài chính](https://vieclam.nganhang.com/thuat-ngu/phan-tich-bao-cao-tai-chinh-la-gi) — Quá trình rà soát và đánh giá các báo cáo tài chính (bảng cân đối kế toán, báo cáo kết quả kinh doanh, báo cáo lưu chuyển tiền tệ) để đưa ra quyết định tín dụn…
- [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.
- [Tuân thủ quy định phòng chống rửa tiền](https://vieclam.nganhang.com/thuat-ngu/tuan-thu-quy-dinh-phong-chong-rua-tien-la-gi) — Việc ngân hàng tuân thủ các quy định pháp luật về chống rửa tiền, bao gồm xây dựng chính sách, kiểm soát nội bộ và báo cáo cơ quan chức năng.
- [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.