# AI Recall độ thu hồi độ nhạy

Tiếng Anh: Recall Sensitivity True Positive Rate

Tỷ lệ dự báo đúng trên tổng số trường hợp thực sự dương, đo lường khả năng phát hiện giao dịch rửa tiền.

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

## AI Recall độ thu hồi độ nhạy là gì?

**AI Recall** (độ thu hồi), còn được gọi là **độ nhạy** (Sensitivity) hay **tỷ lệ dương tính thực** (**True Positive Rate - TPR**), là một trong những chỉ số quan trọng nhất trong đánh giá hiệu năng của các mô hình phân loại nhị phân (**binary classification**) trong lĩnh vực trí tuệ nhân tạo (**Artificial Intelligence - AI**) và học máy (**Machine Learning - ML**). Chỉ số này đo lường tỷ lệ phần trăm các trường hợp thực sự dương tính mà mô hình dự đoán chính xác trên tổng số các trường hợp thực sự dương tính có trong tập dữ liệu. Nói cách khác, Recall trả lời câu hỏi: "Trong tất cả các trường hợp dương tính thực sự, mô hình đã phát hiện đúng được bao nhiêu trường hợp?"

Công thức tính Recall được biểu diễn như sau: **Recall = TP / (TP + FN)**, trong đó **TP** (**True Positive** - dương tính thực) là số trường hợp dương tính mà mô hình dự đoán đúng, còn **FN** (**False Negative** - âm tính giả) là số trường hợp dương tính thực tế nhưng mô hình đã bỏ sót. Recall có giá trị nằm trong khoảng từ 0 đến 1 (hoặc từ 0% đến 100%), trong đó giá trị càng gần 1 thì mô hình càng ít bỏ sót các trường hợp dương tính thực. Ví dụ, nếu một mô hình phát hiện gian lận có Recall = 0,95, nghĩa là mô hình đó phát hiện đúng 95% các giao dịch gian lận thực sự, chỉ bỏ sót 5%.

Trong ngành ngân hàng, Recall được coi là chỉ số then chốt (**key metric**) khi đánh giá các hệ thống AI phục vụ cho phòng chống gian lận (**fraud detection**), phòng chống rửa tiền (**Anti-Money Laundering - AML**), chấm điểm tín dụng (**credit scoring**) và đánh giá rủi ro tín dụng (**credit risk assessment**). Lý do là vì trong các bài toán này, chi phí của việc bỏ sót một trường hợp dương tính (một ca gian lận, một giao dịch rửa tiền, hay một khoản vay có khả năng vỡ nợ) thường rất lớn, có thể lên tới hàng tỷ đồng hoặc gây ra hậu quả pháp lý nghiêm trọng. Vì vậy, các đội ngũ **data science** tại các ngân hàng thường đặt mục tiêu Recall tối thiểu ở mức 90% trở lên, sẵn sàng hy sinh một phần **Precision** (độ chính xác) để đảm bảo không bỏ sót các trường hợp rủi ro cao.

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

## Đặc điểm và phân loại

### Đặc điểm chính của Recall

| Đặc điểm | Mô tả chi tiết |
|---|---|
| **Phạm vi giá trị** | Từ 0 đến 1 (hoặc 0% đến 100%) |
| **Giá trị tối ưu** | Càng gần 1 càng tốt, lý tưởng là 0,95 trở lên trong ngân hàng |
| **Công thức** | Recall = TP / (TP + FN) |
| **Đơn vị đo** | Không có đơn vị (tỷ lệ/phần trăm) |
| **Yếu tố ảnh hưởng** | Ngưỡng phân loại (**threshold**), chất lượng dữ liệu huấn luyện, độ cân bằng dữ liệu |
| **Mối quan hệ với Precision** | Thường xung đột theo cơ chế đánh đổi (**trade-off**) |
| **Mối quan hệ với F1-Score** | F1-Score = 2 × (Precision × Recall) / (Precision + Recall) là trung bình điều hòa |

### Phân loại các tình huống sử dụng Recall trong ngân hàng

| Bài toán ứng dụng | Recall mục tiêu | Lý do ưu tiên Recall |
|---|---|---|
| **Phát hiện gian lận thẻ tín dụng** | ≥ 95% | Bỏ sót 1 ca gian lận có thể thiệt hại hàng trăm triệu đồng |
| **Giám sát giao dịch rửa tiền (AML)** | ≥ 90% | Tuân thủ quy định Luật Phòng chống rửa tiền, tránh bị phạt |
| **Chấm điểm tín dụng cá nhân** | ≥ 85% | Phát hiện sớm khách hàng có khả năng vỡ nợ, giảm tỷ lệ nợ xấu (NPL) |
| **Phát hiện gian lận vay vốn** | ≥ 90% | Tránh cấp tín dụng cho đối tượng gian lận, bảo vệ tài sản ngân hàng |
| **Phát hiện giao dịch bất thường (anomaly)** | ≥ 80% | Sàng lọc sớm các giao dịch có dấu hiệu bất thường |
| **Dự đoán khách hàng rời bỏ (churn)** | ≥ 75% | Chi phí giữ chân khách hàng thấp hơn nhiều so với chi phí tìm khách mới |

### Các chỉ số liên quan cần phân biệt

- **Precision (độ chính xác):** Precision = TP / (TP + FP) - đo lường trong số các dự đoán dương tính, có bao nhiêu là đúng
- **Specificity (độ đặc hiệu):** Specificity = TN / (TN + FP) - đo lường khả năng nhận biết đúng các trường hợp âm tính
- **F1-Score:** Trung bình điều hòa của Precision và Recall, dùng khi cần cân bằng cả hai chỉ số
- **AUC-ROC:** Diện tích dưới đường cong ROC, đo lường khả năng phân biệt tổng thể của mô hình ở mọi ngưỡng
- **Accuracy (độ chính xác tổng thể):** (TP + TN) / (TP + TN + FP + FN) - thường không phù hợp với dữ liệu mất cân bằng trong ngân hàng

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Mô hình phát hiện giao dịch rửa tiền tại Ngân hàng A

Ngân hàng A triển khai hệ thống AI giám sát giao dịch đáng ngờ trên nền tảng **core banking** để tuân thủ Luật Phòng chống rửa tiền 2022. Hệ thống xử lý khoảng **2,5 triệu giao dịch mỗi ngày**. Trong tháng 09/2024, kết quả đánh giá mô hình trên tập dữ liệu kiểm thử cho thấy:

- Tổng số giao dịch thực sự có dấu hiệu rửa tiền (Actual Positive): **1.200 giao dịch**
- Số giao dịch mô hình phát hiện đúng (TP): **1.080 giao dịch**
- Số giao dịch mô hình bỏ sót (FN): **120 giao dịch**
- Số giao dịch mô hình cảnh báo nhầm (FP): **3.500 giao dịch**
- Số giao dịch âm tính đúng (TN): **2.495.300 giao dịch**

Áp dụng công thức: **Recall = 1.080 / (1.080 + 120) = 1.080 / 1.200 = 0,90 (90%)**. Mô hình đã phát hiện đúng 90% các giao dịch rửa tiền thực sự, đáp ứng yêu cầu tối thiểu theo chuẩn quốc tế. Precision trong trường hợp này chỉ đạt 1.080 / (1.080 + 3.500) = **23,6%**, nghĩa là trong số các giao dịch bị cảnh báo, chỉ có gần 1/4 là thực sự nghi vấn. Tuy nhiên, Ngân hàng A vẫn chấp nhận đánh đổi này vì đội ngũ compliance có thể xử lý thêm 3.500 trường hợp cảnh báo sai mà chi phí nhân sự bỏ ra vẫn thấp hơn nhiều so với việc bỏ sót một ca rửa tiền có thể bị phạt hàng chục tỷ đồng theo Nghị định 19/2023/NĐ-CP.

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

Ngân hàng B xây dựng mô hình **credit scoring** sử dụng thuật toán **Gradient Boosting** và **Random Forest** để dự đoán khả năng vỡ nợ trong vòng 12 tháng tới của khách hàng cá nhân. Dữ liệu huấn luyện gồm **500.000 hồ sơ tín dụng** trong 3 năm (2021-2023), trong đó có **15.000 hồ sơ** thực sự vỡ nợ (tỷ lệ 3% - đây là dữ liệu mất cân bằng - **imbalanced data**).

Kết quả kiểm thử trên tập **test set** 100.000 hồ sơ:
- Tổng số khách hàng thực sự vỡ nợ: **3.000 người**
- Mô hình dự đoán đúng vỡ nợ (TP): **2.550 người**
- Mô hình bỏ sót (FN): **450 người**
- Mô hình dự đoán nhầm là vỡ nợ (FP): **8.200 người**

**Recall = 2.550 / 3.000 = 0,85 (85%)**. Mô hình phát hiện đúng 85% khách hàng có nguy cơ vỡ nợ thực sự, giúp Ngân hàng B giảm tỷ lệ nợ xấu (NPL) từ 2,8% xuống còn 2,1% trong vòng 6 tháng sau khi triển khai, tương đương giảm thiệt hại khoảng **450 tỷ đồng** tiền vốn có nguy cơ mất. Precision đạt 2.550 / (2.550 + 8.200) = **23,7%**, có nghĩa là khoảng 1/4 số khách hàng bị từ chối cho vay thực sự có nguy cơ vỡ nợ. Phần còn lại tuy không vỡ nỡ nhưng cũng có dấu hiệu rủi ro, giúp ngân hàng siết chặt điều kiện cho vay hoặc yêu cầu tài sản đảm bảo bổ sung.

### Ví dụ 3: Hệ thống phát hiện gian lận thẻ tín dụng tại Ngân hàng C

Ngân hàng C triển khai hệ thống **real-time fraud detection** xử lý khoảng **150 giao dịch thẻ/giây** trong giờ cao điểm. Mô hình **Deep Learning** sử dụng mạng nơ-ron tích chập (**CNN**) kết hợp với **Long Short-Term Memory (LSTM)** để phân tích chuỗi giao dịch.

Trong tháng 10/2024, hệ thống ghi nhận:
- Tổng giao dịch gian lận thực sự: **5.000 giao dịch**
- Phát hiện đúng (TP): **4.800 giao dịch**
- Bỏ sót (FN): **200 giao dịch**
- Cảnh báo sai (FP): **12.000 giao dịch**

**Recall = 4.800 / 5.000 = 0,96 (96%)**. Mô hình chỉ bỏ sót 4% giao dịch gian lận, vượt mục tiêu đề ra (95%). Trung bình mỗi giao dịch gian lận có giá trị khoảng **8,5 triệu đồng**, tổng thiệt hại từ 200 giao dịch bị bỏ sót là **1,7 tỷ đồng/tháng**. Tuy nhiên, nếu không có mô hình AI, con số thiệt hại ước tính có thể lên tới **42,5 tỷ đồng/tháng** (5.000 giao dịch × 8,5 triệu). Như vậy, hệ thống đã giúp Ngân hàng C giảm thiệu khoảng **40,8 tỷ đồng** thiệt hại mỗi tháng, chứng minh hiệu quả rõ rệt của việc ưu tiên Recall cao trong bài toán phát hiện gian lận.

## AI Recall độ thu hồi độ nhạy trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Recall / Sensitivity / True Positive Rate (TPR) | /rɪˈkɔːl/ /ˌsɛnsɪˈtɪvɪti/ /truː ˈpɒzətɪv reɪt/ |
| Tiếng Nhật | 再現率 (saigenritsu) / 感度 (kando) / 真陽性率 (shin'yōsei-ritsu) | Saigen-ritsu / Kando / Shin'yōsei-ritsu |
| Tiếng Hàn | 재현율 (jaehyeon-yul) / 민감도 (mingamdo) / 참양성률 (cham-yangseong-ryul) | Jae-hyeon-yul / Min-gam-do / Cham-yang-seong-ryul |
| Tiếng Trung | 召回率 (zhàohuílǜ) / 灵敏度 (língmǐndù) / 真阳性率 (zhēnyángxìnglǜ) | Zhào huí lǜ / Líng mǐn dù / Zhēn yáng xìng lǜ |
| Tiếng Tây Ban Nha | Exhaustividad / Sensibilidad / Tasa de Verdaderos Positivos (TVP) | /eɡsaus.ti.βiˈðað/ /sen.si.bi.liˈðað/ /ˈta.sa ðe βeɾˈða.ðe.ɾos po.siˈti.βos/ |

## Câu hỏi thường gặp

### AI Recall khác gì Precision trong phát hiện gian lận ngân hàng?

Recall và Precision là hai chỉ số đo lường hiệu năng mô hình từ hai góc độ khác nhau. Recall (độ thu hồi) đo lường khả năng mô hình phát hiện đúng các trường hợp dương tính thực sự, tức là trong tất cả các giao dịch gian lận có thật, mô hình tìm ra được bao nhiêu. Precision (độ chính xác) lại đo lường trong số các giao dịch mà mô hình cảnh báo là gian lận, có bao nhiêu là đúng. Trong ngân hàng, hai chỉ số này thường xung đột nhau theo cơ chế đánh đổi: nếu hạ thấp ngưỡng phân loại để bắt thêm gian lận (tăng Recall), số cảnh báo sai cũng tăng theo (giảm Precision). Các ngân hàng thường ưu tiên Recall cao (≥90%) trong phát hiện gian lận vì chi phí bỏ sót một ca gian lận lớn hơn nhiều so với chi phí xử lý các cảnh báo sai.

### Khi nào cần biết về AI Recall trong công việc ngân hàng?

Kiến thức về Recall là bắt buộc đối với nhiều vị trí trong ngân hàng, đặc biệt là các vị trí thuộc khối công nghệ thông tin, phân tích dữ liệu, quản trị rủi ro và phòng chống gian lận. Cụ thể, các chuyên viên **Data Scientist**, **Data Analyst**, **Risk Analyst**, chuyên viên phòng chống rửa tiền (**AML Compliance**), chuyên viên tín dụng ứng dụng mô hình chấm điểm, và quản lý dự án AI đều cần thành thạo Recall. Trong các kỳ thi tuyển dụng ngân hàng lớn như Ngân hàng A, Ngân hàng B, các câu hỏi về Recall thường xuất hiện trong phần thi chuyên ngành cho vị trí chuyên viên dữ liệu, chuyên viên rủi ro, hoặc trong bài thi **case study** về phát triển sản phẩm số. Ngoài ra, khi tham gia phỏng vấn, ứng viên có thể được hỏi cách tính Recall từ bảng **Confusion Matrix**, cách đánh đổi giữa Recall và Precision, hoặc cách áp dụng Recall trong một bài toán ngân hàng cụ thể.

### AI Recall ảnh hưởng thế nào đến khách hàng ngân hàng?

Recall có tác động trực tiếp và gián tiếp đến trải nghiệm khách hàng ngân hàng. Tác động tích cực: khi mô hình AI có Recall cao, ngân hàng phát hiện sớm các giao dịch gian lận, bảo vệ tài khoản khách hàng khỏi bị mất tiền; đồng thời phát hiện sớm khách hàng có nguy cơ vỡ nợ để tư vấn tái cơ cấu khoản vay, tránh bị liệt vào nợ xấu trên hệ thống **CIC**. Tác động tiêu cực: nếu Recall quá cao nhưng Precision thấp, khách hàng có thể bị từ chối giao dịch hợp lệ, bị khóa thẻ oan, hoặc bị từ chối cho vay dù có khả năng trả nợ tốt - gây phiền toái và mất niềm tin. Vì vậy, các ngân hàng hiện đại đặt mục tiêu Recall cao nhưng vẫn duy trì Precision ở mức chấp nhận được (thường ≥ 30%) và kết hợp thêm lớp **human-in-the-loop** để chuyên viên xác minh lại các cảnh báo trước khi đưa ra quyết định cuối cùng, đảm bảo cân bằng giữa an toàn và trải nghiệm khách hàng.

## Tổng kết

**AI Recall** (độ thu hồi / độ nhạy / tỷ lệ dương tính thực) là chỉ số không thể thiếu trong việc đánh giá hiệu quả của các mô hình trí tuệ nhân tạo ứng dụng trong ngân hàng, đặc biệt trong các bài toán phát hiện gian lận, phòng chống rửa tiền, chấm điểm tín dụng và quản trị rủi ro. Với công thức đơn giản **Recall = TP / (TP + FN)**, chỉ số này giúp đo lường khả năng mô hình không bỏ sót các trường hợp dương tính thực sự - yếu tố mang tính quyết định trong việc bảo vệ tài sản ngân hàng và khách hàng. Đối với người ôn thi tuyển dụng ngân hàng, việc nắm vững khái niệm Recall, phân biệt rõ với Precision, F1-Score và AUC-ROC, đồng thời hiểu cách áp dụng trong các tình huống thực tế theo quy định của Ngân hàng Nhà nước (Thông tư 17/2024/TT-NHNN, Luật Phòng chống rửa tiền 2022) sẽ là lợi thế cạnh tranh lớn trong các vòng thi chuyên ngành và phỏng vấn. Hãy nhớ rằng trong ngân hàng, một mô hình có Recall cao không chỉ là yêu cầu kỹ thuật mà còn là yêu cầu tuân thủ pháp lý và đạo đức nghề nghiệp.

## Thuật ngữ 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.
- [Luật Phòng chống rửa tiền](https://vieclam.nganhang.com/thuat-ngu/luat-phong-chong-rua-tien-la-gi) — Văn bản pháp lý cao nhất của Việt Nam quy định nghĩa vụ của tổ chức tài chính trong nhận biết, báo cáo và ngăn chặn hoạt động rửa tiền.
- [Luật Phòng chống rửa tiền 2022](https://vieclam.nganhang.com/thuat-ngu/luat-phong-chong-rua-tien-2022-la-gi) — Luật 14/2022/QH3 quy định nhận biết khách hàng KYC, báo cáo giao dịch đáng ngờ và trách nhiệm tuân thủ cho ngân hàng Việt Nam.
- [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 phát hiện gian lận](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-phat-hien-gian-lan-la-gi) — Thuật toán AI/ML được đào tạo để nhận diện hành vi lừa đảo trong các giao dịch ngân hàng.
- [Phòng chống gian lận](https://vieclam.nganhang.com/thuat-ngu/phong-chong-gian-lan-la-gi) — Hệ thống quy trình và công nghệ ngân hàng nhằm ngăn chặn giao dịch gian lận.
- [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.
- [Đề án 06 của Chính phủ](https://vieclam.nganhang.com/thuat-ngu/de-an-06-cua-chinh-phu-la-gi) — Đề án phát triển ứng dụng dữ liệu về dân cư, định danh và xác thực điện tử phục vụ chuyển đổi số quốc gia.