# AI PDP đồ thị phụ thuộc cục bộ

Tiếng Anh: AI Partial Dependence Plot

Biểu đồ thể hiện ảnh hưởng của một đặc trưng đến dự đoán, được dùng trong kiểm định tính hợp lý của mô hình tín dụng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-pdp-do-thi-phu-thuoc-cuc-bo-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

Trong bối cảnh ngân hàng hiện đại, các mô hình trí tuệ nhân tạo (AI) và học máy (Machine Learning) ngày càng đóng vai trò trung tâm trong việc ra quyết định tín dụng, phê duyệt khoản vay, phát hiện gian lận và phân khúc khách hàng. Tuy nhiên, một thách thức lớn mà các chuyên gia phải đối mặt chính là **tính minh bạch và khả năng giải thích** của những mô hình phức tạp — đặc biệt là các mô hình hộp đen (black-box) như Gradient Boosting, Random Forest hay mạng nơ-ron sâu. Đây chính là lúc công cụ **AI PDP — đồ thị phụ thuộc cục bộ (Partial Dependence Plot — PDP)** phát huy vai trò then chốt.

**AI PDP** là một phương pháp trực quan hóa (visualization) thuộc nhóm **Explainable AI (XAI)** — trí tuệ nhân tạo có khả năng giải thích — được phát triển bởi nhà khoa học Jerome Friedman vào năm 2001. Về bản chất, PDP là biểu đồ thể hiện **mối quan hệ biên (marginal effect)** giữa một hoặc nhiều đặc trưng (feature) và kết quả dự đoán của mô hình, sau khi đã loại bỏ ảnh hưởng của các biến còn lại trong tập dữ liệu. Nói cách khác, PDP cho phép chuyên gia tín dụng và ngân hàng nhìn thấy: *"Nếu giữ mọi yếu tố khác không đổi, thì khi đặc trưng X thay đổi, xác suất khách hàng bị nợ xấu sẽ biến động như thế nào?"*

Trong ngành ngân hàng, PDP đặc biệt giá trị vì nó giúp giải quyết xung đột cốt lõi giữa **hiệu suất dự đoán cao** của mô hình AI và **yêu cầu tuân thủ quản trị rủi ro** theo chuẩn Basel II/III, Thông tư 13/2018/TT-NHNN của Việt Nam, hoặc quy định GDPR của Liên minh châu Âu (vốn yêu cầu quyền giải thích — right to explanation). Khi kiểm định một mô hình chấm điểm tín dụng (credit scoring), PDP cho phép nhà phát triển mô hình chứng minh rằng: *"Tỷ lệ khoản vay trên thu nhập (Debt-to-Income ratio) càng cao, xác suất vỡ nợ càng tăng theo đường cong phi tuyến"* — một phát hiện mà các chuyên gia tín dụng hoàn toàn có thể kiểm chứng bằng trực giác nghề nghiệp.

**Thuật ngữ tiếng Anh:** AI Partial Dependence Plot (PDP)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng — Risk Management & Explainable AI

---

## Đặc điểm và phân loại đồ thị PDP

Đồ thị PDP sở hữu nhiều đặc điểm kỹ thuật riêng biệt mà chuyên gia ngân hàng cần nắm rõ trước khi ứng dụng vào kiểm định mô hình. Dưới đây là bảng phân loại chi tiết:

### Bảng 1: Đặc điểm kỹ thuật cốt lõi của PDP

| Đặc điểm | Mô tả chi tiết |
|---|---|
| **Loại biểu đồ** | Đường cong 2D (một biến) hoặc bản đồ nhiệt 3D (hai biến) |
| **Trục hoành (X)** | Giá trị của đặc trưng được phân tích (ví dụ: thu nhập từ 5–500 triệu VNĐ) |
| **Trục tung (Y)** | Giá trị dự đoán trung bình (xác suất vỡ nợ, điểm tín dụng, hoặc log-odds) |
| **Cơ chế tính** | Lấy trung bình dự đoán trên toàn bộ tập dữ liệu khi "cố định" biến X ở một giá trị cụ thể |
| **Giả định độc lập** | Yêu cầu biến được khảo sát **không tương quan cao** với các biến khác (nếu không sẽ sinh "nhiễu cấu trúc") |
| **Phạm vi đường cong** | Đơn điệu tăng/giảm, phi tuyến, hoặc hình chuông — tùy quan hệ thực tế |
| **Khoảng tin cậy** | Có thể bổ sung dải bootstrap (thường 95%) để đánh giá độ ổn định |

### Bảng 2: Phân loại biến thể của PDP trong thực tiễn ngân hàng

| Biến thể | Đặc điểm | Ứng dụng trong ngân hàng |
|---|---|---|
| **PDP 1D (Univariate)** | Hiển thị ảnh hưởng của **1 đặc trưng** | Phân tích tác động của thu nhập, độ tuổi, lịch sử tín dụng đến xác suất nợ xấu |
| **PDP 2D (Bivariate)** | Hiển thị ảnh hưởng của **2 đặc trưng đồng thời** | Đánh giá tương tác giữa thu nhập × thời hạn vay, hoặc độ tuổi × số năm kinh nghiệm |
| **PDP có nhóm (Grouped PDP)** | Phân tách đường cong theo phân khúc khách hàng | So sánh hành vi tín dụng giữa nhóm khách hàng doanh nghiệp SME và khách hàng cá nhân |
| **PDP lũy tích (cPDP)** | Tích lũy ảnh hưởng qua nhiều biến | Giải thích đóng góp tổng thể của cụm biến (ví dụ: cụm thông tin tài chính) |
| **PDP so sánh (Compare PDP)** | Đặt cạnh hai mô hình khác nhau | So sánh mô hình XGBoost và LightGBM trong hệ thống chấm điểm tín dụng |
| **PDP có đối chiếu ICE** | Bổ sung **Individual Conditional Expectation** plots | Phát hiện hiệu ứng tương tác ẩn mà PDP trung bình hóa có thể che lấp |

### Điểm mạnh và hạn chế của PDP

| Ưu điểm | Hạn chế |
|---|---|
| Trực quan, dễ hiểu ngay cả với người không chuyên kỹ thuật | Giả định độc lập — nếu vi phạm sẽ cho kết quả sai lệch |
| Tính toán nhanh, triển khai đơn giản với thư viện `sklearn`, `pdpbox`, `fastai` | Bị che lấp hiệu ứng tương tác khi có nhiều nhóm dữ liệu dị biệt (heterogeneous) |
| Có thể kết hợp với SHAP và LIME để kiểm định chéo | Khi tập dữ liệu nhỏ hoặc biến có phân phối lệch (skewed), đường cong có thể dao động mạnh |
| Được các cơ quan quản lý (OCC, ECB, SBV) chấp nhận trong hồ sơ kiểm định mô hình | Không cho biết mức độ quan trọng của biến — cần kết hợp với **Feature Importance** |

---

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Ngân hàng A triển khai PDP cho mô hình chấm điểm tín dụng khách hàng cá nhân

Ngân hàng A — một ngân hàng thương mại cổ phần tầm trung tại Việt Nam với khoảng 4,2 triệu khách hàng cá nhân — triển khai mô hình XGBoost để chấm điểm tín dụng trên nền tảng AI. Sau khi mô hình đạt AUC = 0,87 trên tập kiểm định, đội ngũ risk management buộc phải giải thích cho Hội đồng tín dụng và cơ quan quản lý về lý do từng quyết định. Đội ngũ data science đã sử dụng PDP để phân tích 8 đặc trưng chính:

- **Thu nhập hàng tháng:** PDP cho thấy đường cong tăng đều từ 8 triệu VNĐ đến 35 triệu VNĐ, sau đó thoái hoá (flattening). Điều này cho thấy thu nhập trên 35 triệu VNĐ chỉ mang lại cải thiện khiêm tốn về điểm tín dụng — một phát hiện hữu ích để điều chỉnh chính sách cho vay.
- **Tỷ lệ nợ trên thu nhập (DTI):** Đường cong đơn điệu tăng mạnh khi DTI vượt 40%, phù hợp với khuyến nghị của Thông tư 22/2019/TT-NHNN. Hội đồng tín dụng coi đây là bằng chứng hợp lý để giữ nguyên ngưỡng DTI = 50% làm hàng rào từ chối tự động.
- **Độ tuổi:** PDP có hình parabol ngược — điểm tín dụng cao nhất ở nhóm 35–55 tuổi, thấp hơn ở hai đầu. Phát hiện này được nhóm phát triển dùng để điều chỉnh biến độ tuổi thành dạng phi tuyến (polynomial features) trong mô hình thế hệ tiếp theo.

Kết quả: trong vòng 6 tháng, tỷ lệ nợ xấu (NPL ratio) của danh mục cho vay cá nhân giảm từ 2,8% xuống 2,1%, đồng thời thời gian phê duyệt khoản vay rút từ 48 giờ xuống còn 12 phút cho các hồ sơ chấm điểm cao. PDP đã giúp Ngân hàng A xây dựng câu chuyện dữ liệu (data storytelling) thuyết phục cho ban kiểm toán nội bộ và cơ quan quản lý NHNN.

### Ví dụ 2: Ngân hàng B ứng dụng PDP trong phát hiện gian lận thẻ tín dụng

Ngân hàng B — chuyên về ngân hàng số với hơn 12 triệu thẻ đang lưu hành — phát triển mô hình phát hiện giao dịch bất thường (anomaly detection). Khi đối mặt với vấn đề tỷ lệ cảnh báo giả (false positive) lên tới 18%, gây phiền toái cho khách hàng, đội ngũ data scientist đã sử dụng **PDP 2D** giữa hai biến: *khoảng cách địa lý giao dịch* và *giá trị giao dịch*.

PDP 2D cho thấy vùng rủi ro cao nằm ở góc phần tư phía trên bên phải: giao dịch trên 50 triệu VNĐ kết hợp với khoảng cách địa lý trên 1.000 km từ lần giao dịch trước. Phát hiện này được đội phát triển mã hoá thành quy tắc tự động trong hệ thống giao dịch thời gian thực (real-time decisioning), giúp giảm 42% cảnh báo giả trong quý tiếp theo. Đặc biệt, nhờ tính minh bạch của PDP, phòng tuân thủ có thể giải thích cho khách hàng tại sao giao dịch bị tạm khóa, cải thiện đáng kể điểm hài lòng khách hàng (NPS) từ 28 lên 41 điểm.

### Ví dụ 3: Ngân hàng C sử dụng PDP để phân khúc khách hàng doanh nghiệp SME

Ngân hàng C triển khai mô hình dự đoán khả năng mở rộng hạn mức tín dụng cho khách hàng doanh nghiệp vừa và nhỏ (SME). Bằng cách kết hợp **PDP có nhóm (Grouped PDP)** theo ngành nghề, ngân hàng phát hiện: trong khi biến "doanh thu hàng năm" có quan hệ tuyến tính dương với xác suất được duyệt tăng hạn mức đối với doanh nghiệp sản xuất, thì với doanh nghiệp dịch vụ, đường cong lại bằng phẳng từ mức 50 tỷ VNĐ. Phát hiện này dẫn đến việc xây dựng hai chính sách tín dụng riêng biệt theo ngành — giúp gia tăng 23% tỷ lệ chấp thuận tín dụng đúng đối tượng trong 9 tháng.

---

## AI PDP đồ thị phụ thuộc cục bộ trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Partial Dependence Plot (PDP) | /ˈpɑːʃəl dɪˈpɛndəns plɒt/ |
| Tiếng Nhật | 部分依存プロット (Bubu Ison Purotto) | /bu-bu i-son pu-rot-to/ |
| Tiếng Hàn | 부분 의존성 플롯 (Bubun Ujonsong Peulros) | /bu-bun u-jon-sŏng p'ŭl-rot/ |
| Tiếng Trung | 偏依赖图 (Piān Yīlài Tú) | /pʰiɛn⁵⁵ i⁵⁵ lai⁵¹ tʰu³⁵/ |
| Tiếng Tây Ban Nha | Gráfico de dependencia parcial (GDP) | /ˈɡɾa.fi.ko ðe de.penˈðen.θja paɾˈθjal/ |

**Ghi chú về phiên âm:**
- IPA tiếng Anh: phát âm "Par-shəl Di-pen-dəns Plot"
- Romaji tiếng Nhật: thường gặp dưới dạng "Partial Dependence Plot (PDP)" trong tài liệu kỹ thuật, hoặc dịch thuần Nhật là "部分依存プロット"
- Romanization tiếng Hàn: hay dùng nguyên bản tiếng Anh trong cộng đồng AI Hàn Quốc
- Pinyin tiếng Trung: nhấn thanh ngang vào chữ "Piān Yīlài"
- IPA tiếng Tây Ban Nha: nhấn mạnh âm "θ" (theta) đặc trưng của vùng Castile

---

## Câu hỏi thường gặp

### AI PDP đồ thị phụ thuộc cục bộ khác gì SHAP và LIME?

Cả ba đều thuộc nhóm **Explainable AI (XAI)**, nhưng cách tiếp cận khác nhau. **PDP** cho bức tranh **toàn cục (global)** — trung bình ảnh hưởng của biến trên **toàn bộ tập dữ liệu**, phù hợp để trình bày cho ban lãnh đạo và cơ quan quản lý. **SHAP** (SHapley Additive exPlanations) dựa trên lý thuyết trò chơi (game theory) của Lloyd Shapley, vừa giải thích toàn cục vừa **cục bộ (local)** cho từng cá nhân — ví dụ giải thích vì sao *anh Nguyễn Văn A bị từ chối cho vay*. **LIME** (Local Interpretable Model-agnostic Explanations) xây dựng mô hình tuyến tính đơn giản **xung quanh từng điểm dữ liệu** để giải thích cục bộ, nhanh nhưng kém ổn định. Trong thực tiễn ngân hàng, PDP và SHAP thường được dùng song song: PDP cho tầm nhìn chiến lược, SHAP cho giải thích cá nhân trong quyết định tín dụng.

### Khi nào cần biết về AI PDP trong ngân hàng?

Chuyên gia cần PDP trong ít nhất **bốn tình huống quan trọng**. **Thứ nhất**, khi xây dựng hoặc tái triển khai mô hình tín dụng, PDP giúp kiểm định logic kinh doanh (business sense) — ví dụ đường cong phải đi lên khi thu nhập tăng, phải đi xuống khi khoản vay tăng. **Thứ hai**, khi chuẩn bị hồ sơ kiểm định mô hình (model validation report) cho kiểm toán nội bộ hoặc NHNN, PDP là minh chứng định lượng mạnh mẽ về tính hợp lý. **Thứ ba**, khi giải thích cho khách hàng tại sao họ bị từ chối hoặc được duyệt — đặc biệt ở thị trường có quy định về quyền giải thích. **Thứ tư**, khi so sánh nhiều mô hình ứng viên (candidate models) trước khi chọn mô hình sản xuất (production model).

### AI PDP ảnh hưởng thế nào đến khách hàng và chiến lược ngân hàng?

Ảnh hưởng của PDP được thể hiện ở **ba cấp độ**. **Với khách hàng:** họ nhận được quyết định tín dụng **minh bạch, công bằng hơn** và có cơ sở để khiếu nại khi bị từ chối — đặc biệt quan trọng đối với khách hàng SME. **Với chiến lược kinh doanh:** PDP giúp phát hiện những đặc trưng mà mô hình đang "nghiêng" quá mức (over-relying), từ đó điều chỉnh chính sách tín dụng cho phù hợp với thị trường mục tiêu. **Với quản trị rủi ro:** PDP cung cấp bằng chứng cho ban lãnh đạo rằng mô hình AI hoạt động đúng logic ngân hàng, giảm rủi ro pháp lý và rủi ro mô hình (model risk) — yếu tố ngày càng được nhấn mạnh trong Basel III và các chuẩn mực quốc tế.

---

## Tổng kết

**AI PDP đồ thị phụ thuộc cục bộ (Partial Dependence Plot)** không chỉ là một công cụ kỹ thuật đơn thuần mà đã trở thành **ngôn ngữ chung** giữa đội ngũ data science, ban quản trị rủi ro, kiểm toán nội bộ và cơ quan quản lý trong ngành ngân hàng hiện đại. PDP cầu nối giữa sức mạnh dự đoán của các mô hình AI phức tạp và yêu cầu tối thượng về **tính minh bạch, giải thích được và tuân thủ quy định**. Đối với ứng viên thi tuyển vào ngân hàng — đặc biệt ở các vị trí data analyst, risk modeler, credit risk officer hay AI governance specialist — việc thành thạo PDP không chỉ là lợi thế cạnh tranh mà còn là **kiến thức nền tảng bắt buộc** trong kỷ nguyên AI banking. Khi thế giới tài chính ngày càng vận hành bởi các thuật toán, khả năng "đọc vị" và "giải mã" mô hình sẽ là kỹ năng phân biệt giữa một chuyên gia ngân hàng thông thường và một chuyên gia dẫn đầu xu hướng.

## Thuật ngữ liên quan

- [AI có thể giải thích](https://vieclam.nganhang.com/thuat-ngu/ai-co-the-giai-thich-la-gi) — Lĩnh vực AI nhằm tạo ra các mô hình trong suốt để ngân hàng giải trình quyết định tín dụng trước khách hàng và cơ quan quản lý.
- [Chấm điểm tín dụng](https://vieclam.nganhang.com/thuat-ngu/cham-diem-tin-dung-la-gi) — Mô hình đánh giá mức độ tín nhiệm của khách hàng dựa trên lịch sử tài chính, hành vi giao dịch và nhiều yếu tố khác.
- [Chấm điểm tín dụng cá nhân](https://vieclam.nganhang.com/thuat-ngu/cham-diem-tin-dung-ca-nhan-la-gi) — Hệ thống đánh giá mức độ tín nhiệm của khách hàng dựa trên lịch sử vay, thu nhập, nghề nghiệp và dữ liệu từ CIC.
- [Gradient boosting](https://vieclam.nganhang.com/thuat-ngu/gradient-boosting-la-gi) — Thuật toán xây dựng cây quyết định tuần tự, mỗi cây sau sửa lỗi cây trước, được ứng dụng rộng rãi trong chấm điểm tín dụng và phát hiện gian lận ngân hàng.
- [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…
- [Mô hình chấm điểm tín dụng cá nhân](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-cham-diem-tin-dung-ca-nhan-la-gi) — Hệ thống đánh giá và xếp hạng khả năng trả nợ của khách hàng dựa trên thu nhập, lịch sử tín dụng và nhiều yếu tố khác bằng thuật toán.
- [Tỷ lệ nợ trên thu nhập](https://vieclam.nganhang.com/thuat-ngu/ty-le-no-tren-thu-nhap-la-gi) — Chỉ tiêu đánh giá khả năng trả nợ của khách hàng cá nhân, tính bằng tổng nghĩa vụ nợ hàng tháng chia cho thu nhập ròng.
- [Điểm tín dụng cá nhân](https://vieclam.nganhang.com/thuat-ngu/diem-tin-dung-ca-nhan-la-gi) — Chỉ số đánh giá mức độ uy tín tín dụng của khách hàng cá nhân dựa trên lịch sử vay và trả nợ.