# AI SHAP giải thích mô hình toàn cục

Tiếng Anh: AI SHAP (SHapley Additive exPlanations)

Phương pháp giải thích dựa trên giá trị Shapley cho biết mức độ đóng góp của từng biến vào kết quả chấm điểm tín dụng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-shap-giai-thich-mo-hinh-toan-cuc-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

SHAP giải thích mô hình toàn cục là gì?

**AI SHAP** (viết tắt của **SHapley Additive exPlanations**) là một phương pháp giải thích mô hình học máy (**Machine Learning** – ML) dựa trên lý thuyết trò chơi hợp tác (**Cooperative Game Theory**) của Lloyd Shapley, được Scott Lundberg và Su-In Lee giới thiệu năm 2017. Phương pháp này cho phép tính toán mức độ đóng góp của từng biến đầu vào (**feature**) vào kết quả dự đoán của mô hình, từ đó cung cấp cái nhìn minh bạch về cách mô hình đưa ra quyết định. Trong bối cảnh ngân hàng, **SHAP** được ứng dụng rộng rãi để giải thích các mô hình chấm điểm tín dụng (**Credit Scoring**), phát hiện gian lận (**Fraud Detection**) và đánh giá rủi ro tín dụng.

Khi nói đến **giải thích mô hình toàn cục** (**Global Model Explanation**), chúng ta đang đề cập đến việc hiểu hành vi tổng thể của mô hình trên toàn bộ tập dữ liệu, thay vì chỉ giải thích một dự đoán cụ thể (**Local Explanation**). Giải thích toàn cục trả lời câu hỏi: *"Nhìn chung, biến nào ảnh hưởng lớn nhất đến quyết định của mô hình?"* — một yêu cầu bắt buộc trong quản trị rủi ro mô hình (**Model Risk Management** – MRM) theo Thông tư hướng dẫn của Ngân hàng Nhà nước Việt Nam và các chuẩn mực quốc tế như **SR 11-7** của Cục Dự trữ Liên bang Mỹ (**FED**).

Khác với các phương pháp truyền thống như hệ số hồi quy trong mô hình **Logistic Regression**, giá trị **SHAP** cung cấp một framework thống nhất duy nhất cho mọi loại mô hình — từ mô hình cây quyết định (**Decision Tree**), rừng ngẫu nhiên (**Random Forest**), **XGBoost** cho đến mạng nơ-ron sâu (**Deep Neural Network**). Điều này đặc biệt có giá trị trong ngành ngân hàng, nơi các mô hình **black-box** ngày càng được sử dụng phổ biến nhưng vẫn phải tuân thủ nguyên tắc giải trình (**Explainability**) theo quy định của **Basel Committee on Banking Supervision** (BCBS).

**Thuật ngữ tiếng Anh:** SHAP (SHapley Additive exPlanations) – Global Model Explanation
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Đặc điểm cốt lõi của SHAP

| Đặc điểm | Mô tả chi tiết |
|---|---|
| **Tính nhất quán cục bộ** (**Local Accuracy**) | Tổng giá trị SHAP của các biến cộng với giá trị cơ sở (**base value**) bằng chính xác kết quả dự đoán của mô hình |
| **Tính không nhất quán** (**Missingness**) | Nếu một biến không đóng góp vào dự đoán, giá trị SHAP của nó bằng 0 |
| **Tính nhất quán** (**Consistency**) | Nếu mô hình thay đổi sao cho biến đó đóng góp nhiều hơn, giá trị SHAP không bao giờ giảm |
| **Tính đối xứng** | Hai biến có đóng góp ngang nhau sẽ có giá trị SHAP ngang nhau |
| **Tính phổ quát** | Áp dụng được cho mọi loại mô hình ML (model-agnostic) hoặc tối ưu cho mô hình cụ thể (model-specific) |

### Phân loại các phương pháp SHAP

| Phương pháp | Loại mô hình áp dụng | Tốc độ tính toán | Ứng dụng điển hình |
|---|---|---|---|
| **KernelSHAP** | Mọi mô hình (model-agnostic) | Chậm (ước tính qua Monte Carlo) | Giải thích tổng quát cho mô hình bất kỳ |
| **TreeSHAP** | Mô hình cây (XGBoost, LightGBM, Random Forest) | Nhanh (đa thức) | Chấm điểm tín dụng, dự báo vỡ nợ |
| **DeepSHAP** | Mạng nơ-ron sâu (DNN, CNN, RNN) | Trung bình | Phát hiện gian lận giao dịch |
| **LinearSHAP** | Mô hình tuyến tính | Rất nhanh | Mô hình hồi quy logistic truyền thống |
| **GradientSHAP** | Mô hình dựa trên gradient | Trung bình | Mô hình xử lý ảnh, văn bản trong KYC |

### Các thành phần chính trong giải thích toàn cục

| Thành phần | Ý nghĩa | Cách sử dụng |
|---|---|---|
| **Giá trị cơ sở (Base value / E[f(x)])** | Giá trị dự đoán trung bình của mô hình trên toàn tập dữ liệu | Điểm khởi đầu để so sánh |
| **Biểu đồ tổng hợp (Summary plot / Beeswarm)** | Thể hiện mức độ quan trọng và phân bố giá trị SHAP của tất cả biến | Xác định biến quan trọng nhất |
| **Biểu đồ thanh (Bar plot mean(|SHAP|))** | Trung bình giá trị tuyệt đối của SHAP theo từng biến | Xếp hạng tầm quan trọng biến toàn cục |
| **Biểu đồ phụ thuộc (Dependence plot)** | Mối quan hệ giữa giá trị biến và SHAP value | Phát hiện phi tuyến, tương tác biến |
| **Biểu đồ lực (Force plot tổng hợp)** | Trực quan hóa ảnh hưởng tích lũy của các biến | Báo cáo cho ban lãnh đạo |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Giải thích mô hình chấm điểm tín dụng cá nhân tại Ngân hàng A

Ngân hàng A triển khai mô hình **XGBoost** để chấm điểm tín dụng cho 1,2 triệu khách hàng cá nhân vay tiêu dùng. Mô hình sử dụng 24 biến đầu vào bao gồm: thu nhập hàng tháng, lịch sử tín dụng, tỷ lệ nợ trên thu nhập (**DTI**), độ tuổi, nghề nghiệp, thời gian làm việc tại đơn vị hiện tại, số lượng thẻ tín dụng đang sở hữu.

Sau khi huấn luyện mô hình đạt **AUC = 0,87** trên tập kiểm tra, đội ngũ Data Science sử dụng **TreeSHAP** để giải thích toàn cục. Kết quả **biểu đồ thanh (mean |SHAP value|)** cho thấy thứ hạng quan trọng của các biến như sau:

| Thứ hạng | Biến | Mean \|SHAP value\| | Ý nghĩa kinh doanh |
|---|---|---|---|
| 1 | Tỷ lệ nợ/thu nhập (DTI) | 0,184 | Biến quyết định lớn nhất |
| 2 | Lịch sử trả nợ 24 tháng | 0,156 | Phản ánh uy tín khách hàng |
| 3 | Thu nhập hàng tháng (sau thuế) | 0,142 | Năng lực tài chính |
| 4 | Thời gian quan hệ với ngân hàng | 0,098 | Lòng trung thành |
| 5 | Độ tuổi | 0,067 | Yếu tố nhân khẩu học |
| 6-24 | Các biến còn lại | < 0,05 | Đóng góp thấp |

Kết quả này được trình bày trong báo cáo **Model Documentation** theo chuẩn **SR 11-7**, giúp kiểm toán viên và Ủy ban Quản lý Rủi ro xác nhận rằng mô hình đưa ra quyết định dựa trên các yếu tố hợp lý về mặt kinh tế, không phụ thuộc vào biến nhạy cảm như giới tính hay dân tộc — một yêu cầu quan trọng theo Luật Bình đẳng tín dụng (**Equal Credit Opportunity Act**).

### Ví dụ 2: Phát hiện gian lận thẻ tín dụng tại Ngân hàng B

Ngân hàng B vận hành hệ thống phát hiện gian lận thẻ tín dụng xử lý khoảng **3,8 triệu giao dịch mỗi ngày**. Mô hình **LightGBM** được huấn luyện với 18 biến, trong đó có: số tiền giao dịch, quốc gia giao dịch, khoảng cách từ giao dịch trước, thời gian trong ngày, mã **MCC** (Merchant Category Code), tần suất giao dịch trong 1 giờ qua.

Khi áp dụng **TreeSHAP** để giải thích toàn cục trên 500.000 giao dịch bị gắn cờ nghi ngờ trong quý III/2024, kết quả cho thấy:

- Biến "khoảng cách địa lý giữa 2 giao dịch liên tiếp" có **mean |SHAP| = 0,213** — đây là tín hiệu mạnh nhất, giải thích **31%** tổng biến động dự đoán.
- Biến "giao dịch quốc tế tại quốc gia có chỉ số rủi ro cao (theo FATF)" đóng góp **19%**.
- Biến "số tiền giao dịch vượt 200% giá trị trung bình 30 ngày" đóng góp **14%**.

Biểu đồ **dependence plot** còn phát hiện một tương tác thú vị: giao dịch giữa đêm (từ 1h-4h sáng) kết hợp với số tiền lớn có SHAP value tăng vọt lên **0,45**, cao gấp 2,8 lần so với giao dịch ban ngày cùng giá trị. Phát hiện này được chuyển cho đội ngũ vận hành để cập nhật quy tắc giám sát, giúp giảm **22%** tỷ lệ gian lận bị bỏ sót (**false negative**) trong quý sau.

### Ví dụ 3: So sánh SHAP với Permutation Importance trong mô hình rủi ro tín dụng doanh nghiệp

Một ngân hàng thương mại cổ phần (giả định là Ngân hàng C) xây dựng mô hình dự báo khả năng vỡ nợ (**PD – Probability of Default**) cho danh mục cho vay doanh nghiệp vừa và nhỏ (SME) gồm **45.000 khách hàng** với 32 biến tài chính. Khi so sánh hai phương pháp giải thích toàn cục:

| Phương pháp | Top 5 biến quan trọng | Thời gian tính toán | Hạn chế |
|---|---|---|---|
| **Permutation Importance** | Biến A, B, C, D, E | 12 phút | Không cho biết chiều tác động, có thể thiên lệch với biến tương quan |
| **TreeSHAP** | Biến B, A, F, C, D | 45 giây | Yêu cầu hiểu biết về giá trị cơ sở |

**SHAP** không chỉ cho biết biến nào quan trọng mà còn chỉ ra **chiều tác động** (dương/âm) thông qua **beeswarm plot**. Ví dụ: biến "Tỷ lệ dòng tiền hoạt động/Doanh thu" có SHAP value âm khi giá trị biến nhỏ hơn 0,08 — nghĩa là dòng tiền yếu kéo giảm xác suất khách hàng tốt, điều này phù hợp với lý thuyết tài chính. Nhờ đó, ban quản lý rủi ro có cơ sở rõ ràng để thông qua mô hình, thay vì dựa vào cảm tính khi đánh giá **black-box**.

## AI SHAP giải thích mô hình toàn cục trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | SHAP (SHapley Additive exPlanations) – Global Model Explanation | /ʃæp ˈɡloʊbəl ˈmɒdəl ˌɛkspləˈneɪʃən/ |
| Tiếng Nhật | SHAP（シャープ値）グローバルモデル説明 | SHAP (shāpu chi) gurōbaru moderu setsumei |
| Tiếng Hàn | SHAP(샵 값) 전역 모델 설명 | SHAP (syap gap) jeonyeok model seolmyeong |
| Tiếng Trung | SHAP（夏普利附加解释）全局模型解释 | SHAP (xià pǔ lì fù jiā jiě shì) quán jú mó xíng jiě shì |
| Tiếng Tây Ban Nha | SHAP (SHapley Additive exPlanations) – Explicación global del modelo | /ʃap ˌesplikaˈθjon ˈɡloβal del moˈdelo/ |

## Câu hỏi thường gặp

### AI SHAP giải thích mô hình toàn cục khác gì với LIME?

**SHAP** và **LIME** (Local Interpretable Model-agnostic Explanations) đều là phương pháp giải thích mô hình, nhưng khác biệt cơ bản: **SHAP** dựa trên giá trị Shapley với nền tảng lý thuyết vững chắc từ lý thuyết trò chơi hợp tác, đảm bảo tính nhất quán và công bằng theo toán học. **LIME** xấp xỉ mô hình cục bộ bằng mô hình tuyến tính đơn giản, nhanh hơn nhưng kém ổn định giữa các lần chạy. Trong ngân hàng, **SHAP** thường được ưu tiên vì kiểm toán viên chấp nhận cơ sở lý thuyết chặt chẽ hơn, đặc biệt với mô hình cây có **TreeSHAP** tính chính xác trong thời gian đa thức thay vì xấp xỉ.

### Khi nào cần áp dụng AI SHAP giải thích mô hình toàn cục?

Cần áp dụng **SHAP toàn cục** trong ba tình huống chính: (1) Khi đưa mô hình mới vào vận hành, bộ phận **Model Risk Management** yêu cầu báo cáo giải thích để phê duyệt theo chuẩn **SR 11-7** hoặc quy định của Ngân hàng Nhà nước; (2) Khi kiểm tra định kỳ (**model monitoring**) hàng quý để phát hiện **concept drift** — nếu thứ hạng tầm quan trọng biến thay đổi đáng kể, mô hình có thể cần tái huấn luyện; (3) Khi giải trình với cơ quan quản lý hoặc khách hàng về lý do từ chối tín dụng, theo yêu cầu của **GDPR** tại châu Âu hoặc quy định tương đương tại Việt Nam.

### AI SHAP giải thích mô hình toàn cục ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng vay, **SHAP toàn cục** giúp ngân hàng đảm bảo quyết định tín dụng dựa trên các yếu tố kinh tế hợp lý, không phân biệt đối xử dựa trên giới tính, tôn giáo hay dân tộc — qua đó bảo vệ quyền lợi hợp pháp. Khách hàng bị từ chối có thể nhận giải thích rõ ràng về biến nào ảnh hưởng tiêu cực nhất (ví dụ: DTI quá cao, lịch sử trả nợ không tốt) để cải thiện trong tương lai. Ngoài ra, khi phát hiện biến "địa chỉ cư trú" hoặc "loại hình doanh nghiệp" có SHAP value bất thường, ngân hàng có thể điều chỉnh để loại bỏ thiên kiến (**bias**), nâng cao sự công bằng và tin tưởng của khách hàng với tổ chức tín dụng.

## Tổng kết

**AI SHAP giải thích mô hình toàn cục** là công cụ thiết yếu trong hành trình xây dựng ngân hàng minh bạch và tuân thủ quy định tại Việt Nam cũng như trên thế giới. Với nền tảng toán học vững chắc từ giá trị Shapley, khả năng áp dụng cho mọi loại mô hình và tính nhất quán được chứng minh lý thuyết, **SHAP** đã trở thành tiêu chuẩn thực tiễn trong giải thích mô hình **AI** ngân hàng. Đội ngũ Data Scientist và Model Validator cần thành thạo phương pháp này không chỉ để đáp ứng yêu cầu pháp lý mà còn để nâng cao chất lượng ra quyết định, phát hiện sớm rủi ro mô hình và xây dựng niềm tin với khách hàng — yếu tố sống còn trong kỷ nguyên **AI Banking** đang phát triển mạnh mẽ hiện nay.

## Thuật ngữ liên quan

- [Chương trình đào tạo nội bộ](https://vieclam.nganhang.com/thuat-ngu/chuong-trinh-dao-tao-noi-bo-la-gi) — Các khóa học, hội thảo do ngân hàng tổ chức nhằm phát triển năng lực cho cán bộ nhân viên theo khung năng lực đề ra.
- [Hệ thống xếp hạng tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/he-thong-xep-hang-tin-dung-noi-bo-la-gi) — Hệ thống phân hạng khách hàng do ngân hàng tự xây dựng theo chuẩn Basel, làm cơ sở tính vốn yêu cầu cho rủi ro tín dụng (phương pháp IRB).
- [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…
- [Phê duyệt khoản vay](https://vieclam.nganhang.com/thuat-ngu/phe-duyet-khoan-vay-la-gi) — Quyết định của ngân hàng đồng ý cấp tín dụng cho khách hàng cá nhân với hạn mức và lãi suất cụ thể.
- [Quản trị rủi ro mô hình](https://vieclam.nganhang.com/thuat-ngu/quan-tri-rui-ro-mo-hinh-la-gi) — Khung quy trình quản lý vòng đời mô hình phân tích nhằm đảm bảo độ chính xác và tuân thủ theo quy định NHNN.
- [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.
- [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.
- [Xếp hạng tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/xep-hang-tin-dung-noi-bo-la-gi) — Hệ thống chấm điểm khách hàng do ngân hàng tự xây dựng, quyết định lãi suất và hạn mức cho vay.