# AI Recall độ phủ

Tiếng Anh: AI Recall

Tỷ lệ mẫu dương tính thực sự được mô hình phát hiện, giúp ngân hàng không bỏ sót các giao dịch đáng ngờ hoặc khách hàng có rủi ro cao trong phân loại.

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

## AI Recall độ phủ là gì?

Trong bối cảnh ngân hàng hiện đại, các mô hình **trí tuệ nhân tạo (Artificial Intelligence - AI)** và **học máy (Machine Learning - ML)** đã trở thành công cụ không thể thiếu trong việc phân loại, đánh giá và dự đoán rủi ro. Một trong những chỉ số quan trọng nhất để đo lường hiệu quả của các mô hình phân loại này chính là **Recall** (còn được gọi là **độ phủ**, **độ nhạy**, **tỷ lệ thu hồi** hay **True Positive Rate - TPR**). Khi chỉ số này được ứng dụng trong các hệ thống AI của ngân hàng, người ta thường gọi là **AI Recall độ phủ** để nhấn mạnh bản chất kỹ thuật của nó.

Về mặt định nghĩa, **AI Recall** là tỷ lệ phần trăm các mẫu dương tính thực sự (true positives) mà mô hình AI phát hiện và phân loại đúng, tính trên tổng số các mẫu dương tính thực sự có trong tập dữ liệu. Công thức toán học của chỉ số này là: **Recall = TP / (TP + FN)**, trong đó **TP (True Positive)** là số mẫu dương tính được mô hình dự đoán đúng, và **FN (False Negative)** là số mẫu dương tính mà mô hình bỏ sót (dự đoán nhầm thành âm tính).

Trong ngành ngân hàng, **AI Recall** đóng vai trò đặc biệt quan trọng vì hậu quả của việc "bỏ sót" một trường hợp dương tính (false negative) thường nghiêm trọng hơn nhiều so với việc "cảnh báo nhầm" (false positive). Ví dụ, nếu một mô hình phát hiện gian lận (fraud detection) bỏ sót một giao dịch bất hợp pháp, ngân hàng có thể thiệt hại hàng tỷ đồng, mất uy tín và vi phạm quy định phòng chống rửa tiền. Ngược lại, nếu mô hình cảnh báo nhầm một giao dịch hợp pháp, hậu quả chỉ dừng lại ở việc khách hàng phải xác minh thêm — một chi phí vận hành có thể chấp nhận được.

**Thuật ngữ tiếng Anh:** AI Recall (còn gọi là Sensitivity, True Positive Rate, Hit Rate)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Đặc điểm chính của AI Recall độ phủ

- **Phạm vi giá trị:** Recall nằm trong khoảng từ 0 đến 1 (hoặc 0% đến 100%). Giá trị càng cao, mô hình càng ít bỏ sót các trường hợp dương tính thực sự.
- **Tập trung vào phủ định sai (False Negative):** Recall đo lường mức độ mô hình "lộ" các trường hợp quan trọng, khác với **Precision (độ chính xác)** tập trung vào các cảnh báo sai.
- **Phù hợp với bài toán mất cân đối dữ liệu (imbalanced data):** Trong ngân hàng, số giao dịch gian lận thường chỉ chiếm 0,01% — 0,1% tổng số giao dịch, khiến các chỉ số như Accuracy tổng thể trở nên kém ý nghĩa.
- **Phụ thuộc vào ngưỡng phân loại (threshold):** Recall có thể tăng bằng cách giảm ngưỡng, nhưng thường đi kèm với việc Precision giảm — một hiện tượng gọi là **precision-recall trade-off**.

### Phân loại các dạng Recall trong ngân hàng

| Loại Recall | Mô tả | Ứng dụng cụ thể |
|---|---|---|
| **Macro Recall** | Trung bình cộng của Recall trên tất cả các lớp, không phân biệt số lượng mẫu | Đánh giá mô hình phân loại nhiều loại giao dịch bất thường |
| **Micro Recall** | Tính trên tổng số mẫu dương tính ở tất cả các lớp | Đánh giá tổng thể hệ thống phát hiện gian lận |
| **Weighted Recall** | Trung bình Recall có trọng số theo số lượng mẫu mỗi lớp | Dùng khi dữ liệu mất cân đối giữa các nhóm khách hàng |
| **Recall theo từng phân khúc** | Đo riêng cho từng nhóm khách hàng (VIP, doanh nghiệp, cá nhân) | Tối ưu hóa chiến lược chấm điểm tín dụng (credit scoring) |
| **Recall@K (Top-K)** | Tỷ lệ trường hợp dương tính nằm trong K kết quả có xác suất cao nhất | Dùng trong hệ thống gợi ý sản phẩm tài chính |

### Recall và các chỉ số liên quan

Để hiểu rõ vị trí của Recall, người học cần nắm các chỉ số sau:

- **Precision (độ chính xác):** TP / (TP + FP) — trong số các cảnh báo, bao nhiêu là đúng.
- **F1-Score:** Trung bình điều hòa của Precision và Recall = 2 × (Precision × Recall) / (Precision + Recall).
- **F-beta Score:** Cho phép điều chỉnh trọng số giữa Precision và Recall. Trong ngân hàng, **F2-Score** (ưu tiên Recall gấp đôi Precision) thường được sử dụng.
- **AUC-PR (Area Under Precision-Recall Curve):** Đánh giá tổng thể mô hình ở mọi ngưỡng phân loại.
- **Confusion Matrix (Ma trận nhầm lẫn):** Bảng 2×2 chứa TP, FP, TN, FN — nền tảng để tính mọi chỉ số trên.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Hệ thống phát hiện gian lận thẻ tín dụng tại Ngân hàng A

Ngân hàng A triển khai mô hình **Random Forest** để phát hiện giao dịch thẻ tín dụng gian lận. Trong một tháng, mô hình xử lý 10.000.000 giao dịch, trong đó có 500 giao dịch thực sự gian lận. Kết quả phân loại như sau:

- **True Positive (TP):** 450 giao dịch gian lận được phát hiện đúng.
- **False Negative (FN):** 50 giao dịch gian lận bị bỏ sót.
- **False Positive (FP):** 4.500 giao dịch hợp pháp bị cảnh báo nhầm.

Áp dụng công thức: **Recall = 450 / (450 + 50) = 0,90 (90%)**. Điều này có nghĩa mô hình phát hiện được 90% số vụ gian lận, bỏ sót 10%. Với mỗi giao dịch bỏ sót gây thiệt hại trung bình 8 triệu đồng, tổng tổn thất từ 50 vụ bỏ sót là 400 triệu đồng/tháng. Do đó, đội ngũ Data Scientist của ngân hàng tiếp tục tinh chỉnh mô hình để đẩy Recall lên 95%, đồng thời chấp nhận Precision giảm từ 9,1% xuống 7,8% — đánh đổi có chủ đích để giảm tổn thất.

### Ví dụ 2: Mô hình chấm điểm tín dụng khách hàng doanh nghiệp tại Ngân hàng B

Ngân hàng B xây dựng mô hình **Gradient Boosting** để dự đoán khách hàng doanh nghiệp có khả năng nợ xấu (NPL - Non-Performing Loan) trong 12 tháng tới. Tập dữ liệu gồm 50.000 khách hàng, trong đó 1.000 doanh nghiệp thực sự gặp khó khăn tài chính.

Kết quả:

- **TP:** 780 doanh nghiệp được cảnh báo đúng.
- **FN:** 220 doanh nghiệp không được cảnh báo (bỏ sót).
- **Recall:** 780 / 1.000 = **0,78 (78%)**.

Trong bối cảnh cho vay, mỗi khoản nợ xấu trung bình trị giá 5 tỷ đồng, 220 trường hợp bỏ sót tương đương rủi ro tiềm ẩn 1.100 tỷ đồng. Vì vậy, ban lãnh đạo Ngân hàng B đặt mục tiêu **Recall ≥ 85%** và yêu cầu đội ngũ AI sử dụng **SMOTE (Synthetic Minority Over-sampling Technique)** để cân bằng dữ liệu huấn luyện trước khi tinh chỉnh siêu tham số (hyperparameter).

### Ví dụ 3: Hệ thống phân loại khách hàng rửa tiền (AML) tại Ngân hàng C

Tuân thủ quy định phòng chống rửa tiền (Anti-Money Laundering - AML), Ngân hàng C dùng mô hình **Deep Learning (LSTM)** phân tích chuỗi giao dịch để phát hiện hành vi đáng ngờ. Với tập 200 mẫu giao dịch thực sự đáng ngờ trong tổng số 5 triệu giao dịch/tháng:

- **TP:** 184
- **FN:** 16
- **FP:** 12.000 (cảnh báo nhầm)
- **Recall:** 184 / 200 = **0,92 (92%)**
- **Precision:** 184 / (184 + 12.000) = **0,015 (1,5%)**

Dù Precision rất thấp, Recall 92% là chấp nhận được vì trong lĩnh vực AML, một báo cáo sai (SAR - Suspicious Activity Report) gửi nhầm cơ quan quản lý chỉ gây phiền hành, nhưng bỏ sót một vụ rửa tiền có thể khiến ngân hàng bị phạt hàng trăm tỷ đồng và thu hồi giấy phép.

## AI Recall độ phủ trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI Recall (Sensitivity / True Positive Rate) | /riˈkɔːl/ hoặc /ˌsɛnsɪˈtɪvɪti/ |
| Tiếng Nhật | AI再現率 (AI saigen-ritsu) | エーアイ さいげんりつ |
| Tiếng Hàn | AI 재현율 (AI jaehyeon-yul) | 에이아이 재현율 |
| Tiếng Trung | AI召回率 (AI zhàohuí lǜ) | āi 召回率 |
| Tiếng Tây Ban Nha | Exhaustividad de IA / Sensibilidad de IA | /ek.saos.ti.βi.ðað ðe ˈi.a/ hoặc /sen.si.bi.li.ðað/ |

## Câu hỏi thường gặp

### AI Recall độ phủ khác gì Precision (độ chính xác)?

**Recall** đo lường khả năng mô hình "tìm ra" tất cả các trường hợp dương tính thực sự, tức là tập trung vào việc không bỏ sót. Trong khi đó, **Precision** đo lường chất lượng của các cảnh báo, tức là trong số các trường hợp được cảnh báo, bao nhiêu là thực sự đúng. Ví dụ, một mô hình phát hiện gian lận có Recall 95% nghĩa là phát hiện được 95% vụ gian lận; cùng mô hình đó có Precision 10% nghĩa là cứ 10 cảnh báo thì chỉ 1 là đúng. Hai chỉ số này luôn có sự đánh đổi (trade-off) và trong ngân hàng, Recall thường được ưu tiên hơn vì chi phí bỏ sót cao hơn chi phí cảnh báo nhầm.

### Khi nào cần biết về AI Recall độ phủ?

Bất kỳ chuyên gia nào làm việc trong lĩnh vực phân tích dữ liệu, khoa học dữ liệu (data science) hay quản trị rủi ro ngân hàng đều cần hiểu rõ Recall. Cụ thể, khi xây dựng hoặc đánh giá các mô hình AI cho: phát hiện gian lận (fraud detection), chấm điểm tín dụng (credit scoring), phân loại khách hàng rủi ro cao (high-risk customer segmentation), hệ thống cảnh báo sớm nợ xấu, phát hiện giao dịch đáng ngờ (AML), hoặc các hệ thống gợi ý sản phẩm (recommender systems). Trong phỏng vấn tuyển dụng ngân hàng, ứng viên thường được hỏi về Recall khi giải thích cách họ đánh giá một mô hình phân loại nhị phân (binary classification).

### AI Recall độ phủ ảnh hưởng thế nào đến khách hàng?

Recall cao giúp bảo vệ khách hàng khỏi các rủi ro tài chính: phát hiện sớm giao dịch gian lận, cảnh báo kịp thời các khoản vay có dấu hiệu nợ xấu, ngăn chặn tội phạm rửa tiền sử dụng tài khoản của khách hàng vô tội. Tuy nhiên, nếu Recall quá cao đi kèm Precision thấp, khách hàng có thể bị làm phiền bởi quá nhiều cảnh báo sai — thẻ bị khóa oan, giao dịch bị từ chối, tài khoản bị đóng băng tạm thời. Do đó, ngân hàng phải cân bằng giữa Recall và Precision để vừa bảo vệ khách hàng vừa không gây trải nghiệm tồi tệ.

## Tổng kết

**AI Recall độ phủ** là một trong những chỉ số nền tảng và quan trọng bậc nhất trong việc đánh giá các mô hình phân loại của hệ thống AI ngân hàng. Với công thức đơn giản **TP / (TP + FN)**, chỉ số này cho biết mức độ mô hình không bỏ sót các trường hợp dương tính quan trọng — đặc biệt có ý nghĩa trong các bài toán như phát hiện gian lận, chấm điểm tín dụng, và tuân thủ AML. Hiểu và vận dụng thành thạo Recall không chỉ giúp chuyên gia ngân hàng đánh giá đúng hiệu quả mô hình AI mà còn hỗ trợ đưa ra các quyết định kinh doanh cân bằng giữa rủi ro, chi phí vận hành và trải nghiệm khách hàng — yếu tố sống còn trong ngành tài chính ngân hàng hiện đại.

## 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.
- [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.
- [Giao dịch đáng ngờ](https://vieclam.nganhang.com/thuat-ngu/giao-dich-dang-ngo-la-gi) — Giao dịch có dấu hiệu bất thường về giá trị, tần suất hoặc đối tượng, ngân hàng có nghĩa vụ xem xét và báo cáo SAR theo luật AML.
- [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.
- [Phát hiện gian lận thẻ](https://vieclam.nganhang.com/thuat-ngu/phat-hien-gian-lan-the-la-gi) — Hệ thống phân tích real-time các giao dịch thẻ tín dụng/ghi nợ dựa trên địa điểm, thiết bị, số tiền để chặn giao dịch gian lận trong vòng milisecond.
- [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.
- [Triển khai mô hình](https://vieclam.nganhang.com/thuat-ngu/trien-khai-mo-hinh-la-gi) — Đưa mô hình đã phê duyệt vào môi trường vận hành production thông qua API, container hoặc nhúng vào hệ thống core banking.