# AI Supervised vs Unsupervised có và không giám sát

Tiếng Anh: Supervised vs Unsupervised Learning

So sánh hai phương pháp học máy có nhãn và không nhãn trong bài toán phân nhóm khách hàng và phát hiện gian lận ngân hàng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-supervised-vs-unsupervised-co-va-khong-giam-sat-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## Học máy có giám sát và không giám sát (Supervised vs Unsupervised Learning) là gì?

**Học máy có giám sát** (Supervised Learning) và **học máy không giám sát** (Unsupervised Learning) là hai phương pháp nền tảng trong lĩnh vực Trí tuệ nhân tạo (**AI** - Artificial Intelligence) và **Học máy** (Machine Learning), được ứng dụng rộng rãi trong hoạt động ngân hàng hiện đại. Đây là hai cách tiếp cận khác nhau về cách thức máy tính "học" từ dữ liệu để đưa ra dự đoán hoặc phát hiện các mẫu thông tin, phục vụ cho các bài toán trọng yếu như phân nhóm khách hàng, chấm điểm tín dụng, phát hiện gian lận và quản trị rủi ro.

Trong **học máy có giám sát**, mô hình được huấn luyện trên tập dữ liệu đã được **gán nhãn** (labeled data) sẵn, tức là mỗi bản ghi đầu vào đều đi kèm với kết quả đầu ra mong muốn. Ví dụ, khi xây dựng mô hình phát hiện giao dịch gian lận, ngân hàng sẽ cung cấp dữ liệu lịch sử gồm hàng triệu giao dịch trong đó đã đánh dấu rõ giao dịch nào là gian lận (nhãn "1"), giao dịch nào là hợp lệ (nhãn "0"). Thuật toán sẽ học cách phân biệt hai loại này dựa trên các đặc trưng (**features**) như số tiền, địa điểm, thời gian, tần suất giao dịch, loại thiết bị và hành vi người dùng. Sau khi huấn luyện, mô hình có thể dự đoán nhãn cho các giao dịch mới chưa từng xuất hiện trong tập huấn luyện.

Ngược lại, **học máy không giám sát** hoạt động trên dữ liệu **chưa được gán nhãn** (unlabeled data), mô hình tự tìm kiếm cấu trúc, mẫu ẩn hoặc nhóm tự nhiên trong dữ liệu mà không cần biết trước câu trả lời đúng. Phương pháp này đặc biệt hữu ích khi ngân hàng chưa biết trước các kịch bản gian lận mới xuất hiện hoặc muốn khám phá phân khúc khách hàng tiềm năng mà chưa được định danh trước. Các thuật toán phổ biến trong nhóm này bao gồm **phân cụm K-means** (K-means clustering), **phân cụm phân cấp** (Hierarchical Clustering), **phân tích thành phần chính** (PCA - Principal Component Analysis) và **mạng nơ-ron tự tổ chức** (Self-Organizing Maps). Ngoài ra, ngân hàng còn sử dụng phương pháp **học bán giám sát** (Semi-supervised Learning) và **học tăng cường** (Reinforcement Learning) để kết hợp ưu điểm của cả hai phương pháp trên.

**Thuật ngữ tiếng Anh:** Supervised vs Unsupervised Learning
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### So sánh hai phương pháp học máy

| Tiêu chí | Học máy có giám sát (Supervised) | Học máy không giám sát (Unsupervised) |
|---|---|---|
| **Dữ liệu đầu vào** | Dữ liệu có gán nhãn (labeled) | Dữ liệu chưa gán nhãn (unlabeled) |
| **Mục tiêu** | Dự đoán kết quả cụ thể (phân loại, hồi quy) | Khám phá cấu trúc, mẫu ẩn trong dữ liệu |
| **Loại bài toán** | Classification (phân loại), Regression (hồi quy) | Clustering (phân cụm), Association (kết hợp), Dimensionality Reduction (giảm chiều) |
| **Thuật toán phổ biến** | Hồi quy logistic, Cây quyết định, Random Forest, SVM, Neural Networks | K-means, DBSCAN, Hierarchical Clustering, PCA, Apriori |
| **Độ chính xác** | Cao nếu dữ liệu huấn luyện chất lượng | Khó đánh giá, phụ thuộc vào diễn giải |
| **Yêu cầu dữ liệu** | Cần lượng lớn dữ liệu đã gán nhãn (tốn kém) | Chỉ cần dữ liệu thô, không cần gán nhãn |
| **Ứng dụng ngân hàng** | Chấm điểm tín dụng, phát hiện gian lận, dự đoán nợ xấu | Phân nhóm khách hàng, phát hiện bất thường, phân tích giỏ hàng |
| **Khả năng giải thích** | Tùy thuộc thuật toán (Cây quyết định dễ hiểu hơn) | Thường khó giải thích kết quả |

### Các thuật toán tiêu biểu trong học máy có giám sát

1. **Hồi quy logistic (Logistic Regression):** Dùng để dự đoán xác suất khách hàng vỡ nợ trong 12 tháng tới.
2. **Cây quyết định (Decision Tree):** Phân loại hồ sơ vay thành nhóm nên duyệt hoặc từ chối dựa trên thu nhập, lịch sử tín dụng.
3. **Random Forest:** Kết hợp nhiều cây quyết định để tăng độ chính xác trong phát hiện giao dịch bất thường.
4. **Support Vector Machine (SVM):** Phân loại giao dịch thẻ tín dụng thành hợp lệ hoặc gian lận.
5. **Mạng nơ-ron sâu (Deep Neural Networks):** Nhận diện khuôn mặt, giọng nói trong các ứng dụng eKYC và xác thực sinh trắc học.

### Các thuật toán tiêu biểu trong học máy không giám sát

1. **K-means Clustering:** Phân chia khách hàng thành 5-7 nhóm dựa trên thu nhập, độ tuổi, hành vi giao dịch.
2. **Phân cụm phân cấp (Hierarchical Clustering):** Xây dựng cây phân cụm khách hàng VIP, khách hàng tiềm năng.
3. **DBSCAN:** Phát hiện các giao dịch bất thường nằm ngoài cụm thông thường.
4. **Phân tích thành phần chính (PCA):** Giảm số chiều dữ liệu khách hàng từ 50 biến xuống còn 10 biến chính.
5. **Apriori / FP-Growth:** Khai phá luật kết hợp, ví dụ khách hàng gửi tiết kiệm thường mua bảo hiểm nhân thọ.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Ứng dụng học máy có giám sát trong chấm điểm tín dụng

**Ngân hàng A** triển khai hệ thống chấm điểm tín dụng (**credit scoring**) sử dụng thuật toán **hồi quy logistic** và **Random Forest** trên tập dữ liệu 500.000 hồ sơ khách hàng cá nhân đã được gán nhãn "tốt" hoặc "xấu" trong vòng 5 năm qua. Mô hình sử dụng 25 đặc trưng đầu vào bao gồm: thu nhập hàng tháng, độ tuổi, thời gian làm việc, lịch sử trả nợ, tỷ lệ nợ trên thu nhập (**DTI** - Debt-to-Income ratio), số lượng thẻ tín dụng đang sử dụng, điểm tín dụng từ CIC.

Kết quả cho thấy mô hình có **độ chính xác 92%**, **độ nhạy (recall) 88%** và **AUC = 0.94** trên tập kiểm thử. Nhờ đó, Ngân hàng A giảm **35% tỷ lệ nợ xấu** (NPL ratio) trong 18 tháng đầu triển khai, đồng thời rút ngắn thời gian phê duyệt khoản vay từ 3 ngày xuống còn 15 phút đối với các hồ sơ có điểm tín dụng cao. Hệ thống cũng giúp phân loại khách hàng thành 5 nhóm rủi ro từ A1 (rất an toàn) đến C5 (rất rủi ro), phục vụ cho việc định giá lãi suất và hạn mức tín dụng phù hợp.

### Ví dụ 2: Ứng dụng học máy không giám sát trong phân nhóm khách hàng

**Ngân hàng B** muốn cá nhân hóa các chương trình marketing cho 2 triệu khách hàng cá nhân. Thay vì dựa vào phân khúc cố định, ngân hàng sử dụng thuật toán **K-means clustering** để tự động phân nhóm dựa trên 12 biến như: độ tuổi, thu nhập, tần suất giao dịch, số dư tài khoản trung bình, sản phẩm đang sử dụng, kênh giao dịch ưa thích (app/website/chi nhánh).

Kết quả thu được **6 cụm khách hàng** rõ ràng:
- **Cụm 1 - "Nhân viên văn phòng trẻ"**: Giao dịch nhiều trên app, thích sản phẩm số.
- **Cụm 2 - "Doanh nhân thu nhập cao"**: Có nhu cầu vay mua xe, đầu tư.
- **Cụm 3 - "Hưu trí ổn định"**: Ưu tiên tiết kiệm và bảo hiểm.
- **Cụm 4 - "Sinh viên"**: Giao dịch nhỏ, thường xuyên, nhạy với giá.
- **Cụm 5 - "Khách hàng ngủ quên"**: Ít giao dịch, số dư thấp.
- **Cụm 6 - "Khách hàng VIP"**: Số dư lớn, sử dụng nhiều dịch vụ private banking.

Sau khi phân nhóm, chiến dịch marketing thu hồi khách hàng "ngủ quên" đạt **tỷ lệ phản hồi 18%** (so với 3% trước đó), doanh thu từ bán chéo sản phẩm tăng **27%** trong 6 tháng. Ngân hàng B cũng ước tính tiết kiệm được **8 tỷ đồng chi phí quảng cáo** mỗi năm nhờ nhắm đúng đối tượng.

### Ví dụ 3: Kết hợp cả hai phương pháp trong phát hiện gian lận

**Ngân hàng C** xử lý khoảng **15 triệu giao dịch thẻ tín dụng mỗi ngày**, trong đó có khoảng 200-300 giao dịch nghi ngờ gian lận. Ngân hàng triển khai hệ thống lai (**hybrid system**) kết hợp cả hai phương pháp:

- **Bước 1 - Học không giám sát (DBSCAN):** Sàng lọc toàn bộ giao dịch trong ngày, phát hiện các giao dịch nằm ngoài cụm thông thường (outliers) - chiếm khoảng 2% tổng số giao dịch.
- **Bước 2 - Học có giám sát (XGBoost):** Phân loại 2% giao dịch bất thường thành 3 nhóm: gian lận có chủ đích, gian dịch do nhầm lẫn, và giao dịch hợp lệ nhưng bất thường.

Hệ thống đạt **độ chính xác 96,5%** trong phát hiện gian lận, **giảm 60% số lượng giao dịch gian lận thành công** so với hệ thống cũ chỉ dùng quy tắc cứng (**rule-based**). Tỷ lệ cảnh báo sai (**false positive**) giảm từ 8% xuống còn 1,2%, giúp giảm phiền toái cho khách hàng hợp lệ và tiết kiệm **chi phí vận hành trung tâm chống gian lận khoảng 12 tỷ đồng/năm**.

## AI Supervised vs Unsupervised có và không giám sát trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh (Học có giám sát) | Supervised Learning | /ˈsuː.pərˌvaɪzd ˈlɜːr.nɪŋ/ |
| Tiếng Anh (Học không giám sát) | Unsupervised Learning | /ʌnˈsuː.pərˌvaɪzd ˈlɜːr.nɪŋ/ |
| Tiếng Nhật (Học có giám sát) | 教師あり学習 (Kyōshi ari gakushū) | きょうし あり がくしゅう |
| Tiếng Nhật (Học không giám sát) | 教師なし学習 (Kyōshi nashi gakushū) | きょうし なし がくしゅう |
| Tiếng Hàn (Học có giám sát) | 지도 학습 (Jido hakseup) | 지도 학습 |
| Tiếng Hàn (Học không giám sát) | 비지도 학습 (Bijido hakseup) | 비지도 학습 |
| Tiếng Trung (Học có giám sát) | 监督式学习 (Jiāndū shì xuéxí) | jiān dū shì xué xí |
| Tiếng Trung (Học không giám sát) | 非监督式学习 (Fēi jiāndū shì xuéxí) | fēi jiān dū shì xué xí |
| Tiếng Tây Ban Nha (Học có giám sát) | Aprendizaje supervisado | /a.pɾen.diˈsa.xe su.pɛɾ.βiˈsa.ðo/ |
| Tiếng Tây Ban Nha (Học không giám sát) | Aprendizaje no supervisado | /a.pɾen.diˈsa.xe no su.pɛɾ.βiˈsa.ðo/ |

## Câu hỏi thường gặp

### Học máy có giám sát khác gì học máy không giám sát?

Điểm khác biệt cốt lõi nằm ở **dữ liệu đầu vào** và **mục tiêu** của bài toán. Học máy có giám sát cần dữ liệu đã được gán nhãn sẵn (ví dụ: giao dịch gian lận hay hợp lệ) để học cách dự đoán kết quả mới, trong khi học máy không giám sát làm việc với dữ liệu thô và tự tìm ra cấu trúc ẩn bên trong. Nói cách khác, có giám sát giống như học sinh có thầy giáo chấm bài, còn không giám sát giống như tự mày mò khám phá quy luật tự nhiên.

### Khi nào cần biết về Học máy có giám sát và không giám sát?

Người làm trong ngành ngân hàng cần nắm vững hai phương pháp này khi tham gia vào các dự án chuyển đổi số, xây dựng hệ thống chấm điểm tín dụng, phát triển chatbot chăm sóc khách hàng, hay phân tích dữ liệu lớn (**Big Data**). Đặc biệt với vị trí quản lý rủi ro, data analyst, chuyên viên phát triển sản phẩm số, hiểu biết về hai phương pháp này giúp đưa ra quyết định lựa chọn mô hình phù hợp với bài toán kinh doanh. Trong các kỳ thi tuyển dụng ngân hàng, đây là thuật ngữ xuất hiện thường xuyên trong phần thi công nghệ và phỏng vấn chuyên môn.

### Học máy có giám sát và không giám sát ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng cá nhân, học máy có giám sát giúp quyết định nhanh chóng và chính xác hơn khi vay vốn, mở thẻ tín dụng hoặc đăng ký bảo hiểm - thay vì chờ 3-5 ngày, khách hàng có thể nhận phản hồi trong vài phút. Học máy không giám sát giúp phát hiện các hoạt động bất thường trong tài khoản, bảo vệ khách hàng khỏi gian lận mà không cần khai báo trước các mẫu gian lận. Tuy nhiên, khách hàng cũng cần lưu ý rằng các quyết định tự động phải tuân thủ **Nghị định 13/2023/NĐ-CP** về bảo vệ dữ liệu cá nhân và đảm bảo tính minh bạch, có thể giải thích được (**Explainable AI**).

## Tổng kết

**Học máy có giám sát** (Supervised Learning) và **học máy không giám sát** (Unsupervised Learning) là hai trụ cột quan trọng trong chiến lược ứng dụng AI của ngân hàng hiện đại, giúp nâng cao hiệu quả vận hành, quản trị rủi ro và trải nghiệm khách hàng. Trong khi học máy có giám sát phù hợp với các bài toán dự đoán có dữ liệu lịch sử rõ ràng (chấm điểm tín dụng, phát hiện gian lận đã biết), học máy không giám sát lại tỏa sáng trong việc khám phá mẫu ẩn và phát hiện bất thường mới. Xu hướng hiện nay là kết hợp cả hai phương pháp cùng với học tăng cường để tận dụng tối đa sức mạnh của dữ liệu. Đối với người ôn thi tuyển dụng ngân hàng, việc nắm vững đặc điểm, thuật toán và ứng dụng thực tế của hai phương pháp này là yêu cầu bắt buộc trong bối cảnh chuyển đổi số mạnh mẽ của ngành tài chính Việt Nam, đặc biệt khi Ngân hàng Nhà nước đang khuyến khích ứng dụng công nghệ AI trong phát hiện gian lận và bảo vệ khách hàng theo Quyết định 2345/QĐ-NHNN và Nghị định 13/2023/NĐ-CP.

## 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.
- [Kịch bản gian lận](https://vieclam.nganhang.com/thuat-ngu/kich-ban-gian-lan-la-gi) — Mô tả chi tiết các phương thức gian lận cụ thể mà ngân hàng có thể gặp phải để xây dựng kế hoạch phòng ngừa và ứng phó.
- [Phát hiện bất thường](https://vieclam.nganhang.com/thuat-ngu/phat-hien-bat-thuong-la-gi) — Kỹ thuật nhận diện các mẫu dữ liệu lệch chuẩn so với hành vi thông thường, được ứng dụng rộng rãi trong giám sát giao dịch và cảnh báo rủi ro ngân hàng.
- [Phát hiện gian lận](https://vieclam.nganhang.com/thuat-ngu/phat-hien-gian-lan-la-gi) — Hệ thống sử dụng AI và phân tích dữ liệu để nhận diện các giao dịch bất thường hoặc có dấu hiệu gian lận.
- [Phân cụm phân cấp](https://vieclam.nganhang.com/thuat-ngu/phan-cum-phan-cap-la-gi) — Phân cụm phân cấp xây dựng cây cụm phân cấp, được dùng để phân khúc khách hàng ngân hàng theo nhiều cấp độ chi tiết.
- [Phân khúc khách hàng](https://vieclam.nganhang.com/thuat-ngu/phan-khuc-khach-hang-la-gi) — Phân chia khách hàng thành các nhóm đồng nhất theo hành vi, thu nhập, nhân khẩu học, giúp cá nhân hóa sản phẩm và chiến dịch tiếp thị.
- [Trí tuệ nhân tạo](https://vieclam.nganhang.com/thuat-ngu/tri-tue-nhan-tao-la-gi) — Lĩnh vực nghiên cứu tạo ra hệ thống có khả năng thực hiện tác vụ đòi hỏi trí thông minh của con người, đang được ứng dụng sâu rộng trong ngân hàng từ chatbot đ…