# AI SHAP Values giải thích mô hình

Tiếng Anh: SHAP (SHapley Additive exPlanations)

Phương pháp giải thích đóng góp của từng đặc trưng vào dự đoán của mô hình AI, giúp ngân hàng tuân thủ yêu cầu giải trình quyết định tín dụng theo quy...

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

**AI SHAP Values** (tên đầy đủ: **SHapley Additive exPlanations**) là một phương pháp thuộc lĩnh vực **Trí tuệ nhân tạo có thể giải thích** (Explainable AI – XAI), được sử dụng để đo lường mức độ đóng góp của từng **đặc trưng** (feature) vào kết quả dự đoán của một mô hình học máy (machine learning). Phương pháp này được xây dựng dựa trên **lý thuyết trò chơi hợp tác** của nhà toán học Lloyd Shapley – người đã đoạt giải Nobel Kinh tế năm 2012. Trong đó, mỗi biến đầu vào được ví như một "người chơi" cùng tham gia tạo ra kết quả chung, và SHAP tính toán xem mỗi "người chơi" đã đóng góp công bằng bao nhiêu vào phần thưởng cuối cùng.

Về cách thức hoạt động, **SHAP** tính toán **đóng góp cận biên** (marginal contribution) của từng đặc trưng bằng cách so sánh dự đoán của mô hình khi có và không có biến đó, đồng thời xem xét mọi tổ hợp có thể của các đặc trưng để đảm bảo tính công bằng trong phân bổ đóng góp. Tổng giá trị SHAP của tất cả các đặc trưng luôn bằng hiệu số giữa dự đoán cụ thể và dự đoán trung bình của mô hình – đảm bảo **tính nhất quán** (consistency) và dễ diễn giải. Đây chính là lý do SHAP được xem là **"tiêu chuẩn vàng"** (gold standard) trong giải thích mô hình AI, vượt trội so với các phương pháp trước đó như **LIME** (Local Interpretable Model-agnostic Explanations) hay **Feature Importance** truyền thống.

Trong bối cảnh ngân hàng Việt Nam, khi các mô hình AI ngày càng được sử dụng rộng rãi trong các quyết định tài chính quan trọng (chấm điểm tín dụng, phê duyệt khoản vay, phát hiện gian lận), câu hỏi "Tại sao mô hình đưa ra quyết định này?" trở nên cấp thiết hơn bao giờ hết. SHAP chính là câu trả lời, giúp các ngân hàng chuyển từ mô hình **"hộp đen"** (black box) sang mô hình **"hộp kính"** (glass box), đáp ứng yêu cầu minh bạch từ cơ quan quản lý và kỳ vọng của khách hàng.

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

## Đặc điểm và phân loại

Để hiểu rõ SHAP, người học cần nắm vững các đặc điểm cốt lõi và các biến thể phổ biến sau đây:

### Đặc điểm nổi bật của SHAP

| Đặc điểm | Mô tả chi tiết |
|---|---|
| **Tính cộng (Additivity)** | Tổng giá trị SHAP của tất cả đặc trưng bằng hiệu số giữa dự đoán cá nhân và giá trị trung bình (baseline) |
| **Tính nhất quán (Consistency)** | Nếu mô hình thay đổi sao cho một đặc trưng đóng góp nhiều hơn, giá trị SHAP của nó không bao giờ giảm |
| **Tính cục bộ (Local Accuracy)** | Giải thích chính xác cho từng dự đoán cá nhân, không chỉ ảnh hưởng tổng thể |
| **Tính model-agnostic** | Áp dụng được cho hầu hết mọi mô hình học máy, không phụ thuộc vào cấu trúc thuật toán |
| **Nền tảng lý thuyết vững chắc** | Dựa trên lý thuyết Shapley – có chứng minh toán học chặt chẽ về tính công bằng |
| **Khả năng phát hiện thiên kiến** | Giúp nhận diện các đặc trưng có bias (giới tính, dân tộc, khu vực) trong mô hình |

### Phân loại các biến thể SHAP

| Biến thể | Đặc điểm | Ứng dụng trong ngân hàng |
|---|---|---|
| **TreeSHAP** | Tối ưu cho mô hình cây (XGBoost, LightGBM, Random Forest); tốc độ nhanh, chính xác cao | Chấm điểm tín dụng, dự đoán rủi ro vỡ nợ |
| **KernelSHAP** | Áp dụng cho mọi loại mô hình; sử dụng kernel để xấp xỉ; chậm hơn TreeSHAP | Mạng nơ-ron phát hiện gian lận, mô hình ensemble phức tạp |
| **DeepSHAP** | Mở rộng cho mô hình deep learning (CNN, RNN, Transformer) | Nhận diện gian lận trong giao dịch trực tuyến, phân tích hành vi khách hàng |
| **LinearSHAP** | Dành riêng cho mô hình tuyến tính; cho kết quả chính xác tuyệt đối | Hồi quy logistic trong phân tích tài chính truyền thống |
| **SamplingSHAP** | Ước lượng bằng lấy mẫu; phù hợp với tập dữ liệu lớn | Big data khách hàng hàng triệu bản ghi |
| **PartitionSHAP** | Phân vùng đặc trưng theo cụm; tăng tốc tính toán | Phân khúc khách hàng theo hành vi giao dịch |

### So sánh SHAP với các phương pháp giải thích khác

| Phương pháp | Cơ chế | Ưu điểm | Hạn chế |
|---|---|---|---|
| **SHAP** | Dựa trên lý thuyết Shapley | Nhất quán, chính xác, nền tảng lý thuyết vững | Tốn tài nguyên tính toán với mô hình phức tạp |
| **LIME** | Xấp xỉ cục bộ bằng mô hình tuyến tính | Đơn giản, nhanh, dễ triển khai | Không đảm bảo tính nhất quán toàn cục |
| **Feature Importance** | Đo lường tầm quan trọng tổng thể | Trực quan, dễ hiểu | Không giải thích được cho từng cá nhân cụ thể |
| **Partial Dependence Plot (PDP)** | Hiển thị ảnh hưởng trung bình | Trực quan hóa tốt | Giả định độc lập giữa các đặc trưng |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Giải thích quyết định từ chối khoản vay mua ô tô

Khách hàng B nộp hồ sơ vay mua xe ô tô trị giá 800 triệu đồng tại **Ngân hàng A**. Hệ thống AI chấm điểm tín dụng trả về kết quả **TỪ CHỐI** với xác suất vỡ nợ là 78% (vượt ngưỡng chấp nhận 60%). Nhân viên tín dụng sử dụng **SHAP Values** để giải thích cho khách hàng:

| Đặc trưng | Giá trị | SHAP Value | Diễn giải |
|---|---|---|---|
| Tỷ lệ nợ/thu nhập (DTI) | 65% | **-0.18** | Đẩy xác suất vỡ nợ lên cao (tiêu cực) |
| Lịch sử tín dụng CIC | 2 lần trễ hạn | **-0.12** | Đẩy xác suất vỡ nợ lên cao (tiêu cực) |
| Thu nhập hàng tháng | 18 triệu VNĐ | **-0.05** | Ảnh hưởng nhẹ tiêu cực |
| Thời gian làm việc | 8 tháng | **-0.04** | Ảnh hưởng nhẹ tiêu cực |
| Độ tuổi | 35 tuổi | **+0.03** | Ảnh hưởng tích cực nhẹ |
| Sở hữu bất động sản | Có | **+0.06** | Giảm xác suất vỡ nợ (tích cực) |
| **Tổng cộng** | | **-0.30** | Chênh lệch so với baseline |

Nhờ bảng SHAP này, nhân viên tín dụng có thể giải thích rõ ràng: *"Hồ sơ của anh/chị bị từ chối chủ yếu vì tỷ lệ DTI 65% đã vượt ngưỡng an toàn 50%, kết hợp với lịch sử trễ hạn 2 lần trên hệ thống CIC. Để được phê duyệt, anh/chị cần giảm DTI xuống dưới 50% hoặc tăng khoản trả trước lên 40%."*

### Ví dụ 2: Phát hiện gian lận thẻ tín dụng theo thời gian thực

**Ngân hàng B** triển khai hệ thống phát hiện gian lận sử dụng mô hình XGBoost xử lý 50.000 giao dịch/phút. Một giao dịch bất thường của Khách hàng C (thanh toán 25 triệu VNĐ tại cửa hàng điện tử lúc 2 giờ sáng) bị hệ thống cảnh báo với điểm rủi ro 0.91. SHAP cho thấy:

- **Địa điểm giao dịch khác quốc gia thường trú:** +0.35 (rất bất thường)
- **Thời điểm giao dịch 2h sáng:** +0.22 (bất thường)
- **Giá trị giao dịch gấp 8 lần trung bình:** +0.18 (bất thường)
- **Merchant code thuộc nhóm rủi ro cao:** +0.10
- **Thiết bị mới (chưa từng dùng):** +0.06

Tổng SHAP = +0.91, vượt ngưỡng cảnh báo 0.85 → Hệ thống tự động khóa thẻ và gửi OTP xác nhận đến khách hàng trong vòng 30 giây.

### Ví dụ 3: Đánh giá rủi ro danh mục cho vay doanh nghiệp

**Ngân hàng C** xây dựng mô hình AI đánh giá rủi ro cho vay doanh nghiệp SME với 47 đặc trưng. Khi phân tích hồ sơ của một doanh nghiệp xây dựng đề xuất vay 5 tỷ VNĐ, **SHAP Summary Plot** (biểu đồ tổng hợp SHAP) cho thấy 5 yếu tố quan trọng nhất ảnh hưởng đến xếp hạng rủi ro toàn danh mục:

1. **Tỷ lệ vốn chủ sở hữu/Tổng tài sản** (ảnh hưởng 23%)
2. **Dòng tiền từ hoạt động kinh doanh 12 tháng gần nhất** (ảnh hưởng 19%)
3. **Ngành nghề có trong danh sách hạn chế** (ảnh hưởng 15%)
4. **Lịch sử trả nợ với ngân hàng** (ảnh hưởng 12%)
5. **Tỷ lệ đòn bẩy tài chính** (ảnh hưởng 10%)

Nhờ đó, ban lãnh đạo có thể điều chỉnh chiến lược tín dụng theo ngành và ban hành chính sách lãi suất phù hợp cho từng phân khúc.

### Quy định pháp lý liên quan tại Việt Nam

Việc triển khai SHAP trong ngân hàng Việt Nam phải tuân thủ các quy định quan trọng:

- **Thông tư 13/2018/TT-NHNN** về hoạt động cho vay: yêu cầu minh bạch trong quyết định tín dụng, cung cấp lý do từ chối cho khách hàng.
- **Nghị định 13/2023/NĐ-CP** về bảo vệ dữ liệu cá nhân: đảm bảo không sử dụng dữ liệu cá nhân nhạy cảm một cách thiên kiến.
- **Quyết định 2345/QĐ-NHNN năm 2023** về chiến lược chuyển đổi số: nhấn mạnh tính minh bạch, giải trình và khả năng kiểm tra của mô hình AI.
- **Thông tư 17/2024/TT-NHNN** về quản lý rủi ro công nghệ thông tin: yêu cầu kiểm soát và giám sát thuật toán AI, trong đó khả năng giải thích là yếu tố bắt buộc.

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

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | SHAP (SHapley Additive exPlanations) | /ʃæp ˌʃæp.li əˈdɪt.ɪv ˌɛks.pləˈneɪ.ʃənz/ |
| Tiếng Nhật | SHAP（シャープ値）- SHAP (Shāpu-chi) | しゃーぷち (shāpu-chi) |
| Tiếng Hàn | SHAP (샵 값) - SHAP (Syap gap) | 샵 갭 (syap gap) |
| Tiếng Trung | SHAP（沙普利加性解释）- Shāpǔlì jiāxìng jiěshì | 沙普利加性解释 (Shāpǔlì jiāxìng jiěshì) |
| Tiếng Tây Ban Nha | SHAP (Valores de Shapley Aditivos) | /ˈʃap baˈlo.ɾes ðe ˈʃap.lej aðiˈti.βos/ |

## Câu hỏi thường gặp

### AI SHAP Values giải thích mô hình khác gì LIME?

**SHAP** và **LIME** đều là phương pháp giải thích mô hình hậu kỳ (post-hoc) và model-agnostic, nhưng khác biệt cơ bản nằm ở nền tảng lý thuyết. **LIME** xấp xỉ cục bộ bằng một mô hình tuyến tính đơn giản quanh điểm dự đoán, nên cho kết quả nhanh nhưng **không đảm bảo tính nhất quán toàn cục** – cùng một đặc trưng có thể có mức đóng góp khác nhau giữa các lần giải thích. Trong khi đó, **SHAP** dựa trên lý thuyết Shapley với chứng minh toán học chặt chẽ, đảm bảo **tính nhất quán, công bằng và cộng** (tổng SHAP = dự đoán cá nhân − baseline). Vì vậy, SHAP được xem là **tiêu chuẩn vàng** và được nhiều ngân hàng lớn ưu tiên sử dụng hơn.

### Khi nào cần biết về AI SHAP Values giải thích mô hình?

Người làm trong ngành ngân hàng cần hiểu về **SHAP** trong các tình huống sau: (1) Khi triển khai hoặc giám sát mô hình AI phục vụ quyết định tín dụng, chấm điểm rủi ro, phát hiện gian lận; (2) Khi cần giải thích cho khách hàng lý do hồ sơ vay bị từ chối hoặc tại sao lãi suất được áp dụng ở mức cụ thể (tuân thủ Thông tư 13/2018/TT-NHNN); (3) Khi tham gia kiểm toán mô hình, đánh giá rủi ro mô hình (Model Risk Management); (4) Khi ôn thi các chứng chỉ nghề nghiệp như FRM, PRM, hoặc các kỳ thi tuyển dụng vào vị trí Data Scientist, Risk Analyst, AI Engineer ngân hàng.

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

**SHAP** mang lại nhiều tác động tích cực cho khách hàng ngân hàng. Thứ nhất, khách hàng được **minh bạch thông tin** – biết rõ đặc trưng nào khiến hồ sơ vay bị từ chối (ví dụ: tỷ lệ DTI quá cao, lịch sử CIC xấu) thay vì nhận câu trả lời chung chung "không đủ điều kiện". Thứ hai, khách hàng có thể **cải thiện hồ sơ** một cách mục tiêu: trả bớt nợ để giảm DTI, xây dựng lịch sử tín dụng tốt. Thứ ba, **SHAP** giúp phát hiện và loại bỏ thiên kiến (bias) về giới tính, dân tộc, địa chỉ, đảm bảo quyết định tín dụng **công bằng hơn**. Cuối cùng, khách hàng có thêm **niềm tin** vào ngân hàng khi thấy quy trình ra quyết định rõ ràng, có căn cứ.

## Tổng kết

**AI SHAP Values** là một công cụ không thể thiếu trong kỷ nguyên ngân hàng số, đóng vai trò cầu nối giữa sức mạnh dự đoán của các mô hình AI phức tạp và yêu cầu minh bạch, giải trình từ cơ quan quản lý cũng như kỳ vọng của khách hàng. Với nền tảng lý thuyết vững chắc từ **lý thuyết trò chơi hợp tác của Lloyd Shapley**, SHAP cung cấp khả năng giải thích nhất quán, công bằng và có thể kiểm chứng – những yếu tố then chốt để xây dựng hệ thống AI **đáng tin cậy** (Trustworthy AI) trong ngành tài chính. Đối với người ôn thi ngân hàng, việc nắm vững nguyên lý hoạt động, các biến thể (TreeSHAP, KernelSHAP) và khả năng so sánh SHAP với LIME, PDP hay Feature Importance là chìa khóa để đạt điểm cao trong các bài thi về AI, Machine Learning và Quản trị rủi ro mô hình. Trong tương lai, khi các quy định về **Explainable AI** ngày càng chặt chẽ, SHAP sẽ tiếp tục là kỹ năng cốt lõi mà mọi chuyên gia ngân hàng cần trang bị.

## Thuật ngữ liên quan

- [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…
- [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.
- [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.
- [Quản lý rủi ro công nghệ thông tin](https://vieclam.nganhang.com/thuat-ngu/quan-ly-rui-ro-cong-nghe-thong-tin-la-gi) — Quy trình xác định, đánh giá và kiểm soát rủi ro từ hệ thống CNTT ngân hàng.
- [Rủi ro công nghệ thông tin](https://vieclam.nganhang.com/thuat-ngu/rui-ro-cong-nghe-thong-tin-la-gi) — Rủi ro từ hệ thống CNTT bị lỗi, gián đoạn, lạc hậu hoặc không đáp ứng yêu cầu bảo mật, gây tác động tiêu cực đến hoạt động ngân hàng.
- [Thông tư 17/2024/TT-NHNN](https://vieclam.nganhang.com/thuat-ngu/thong-tu-172024tt-nhnn-la-gi) — Thông tư của Ngân hàng Nhà nước Việt Nam quy định về an toàn thông tin trong hoạt động ngân hàng, có hiệu lực từ năm 2025.
- [Đánh giá rủi ro khách hàng](https://vieclam.nganhang.com/thuat-ngu/danh-gia-rui-ro-khach-hang-la-gi) — Quy trình chấm điểm rủi ro khách hàng dựa trên ngành nghề, quốc gia, sản phẩm sử dụng và hồ sơ giao dịch để phân loại thành thấp - trung bình - cao.