# AI Supervised vs Unsupervised học

Tiếng Anh: Supervised vs Unsupervised Learning

So sánh hai phương pháp học máy, học có giám sát dùng cho chấm điểm tín dụng, học không giám sát dùng cho phát hiện bất thường.

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

## AI Supervised vs Unsupervised học là gì?

**Supervised Learning** (học có giám sát) và **Unsupervised Learning** (học không giám sát) là hai phương pháp nền tảng trong lĩnh vực **Machine Learning** (học máy), đóng vai trò cốt lõi trong cuộc cách mạng ứng dụng trí tuệ nhân tạo (**Artificial Intelligence** – **AI**) vào ngành ngân hàng. Sự khác biệt căn bản giữa hai phương pháp này nằm ở bản chất của dữ liệu đầu vào: mô hình học có giám sát được huấn luyện trên tập dữ liệu đã được gán nhãn sẵn (cặp đầu vào – đầu ra cụ thể), trong khi mô hình học không giám sát hoạt động với dữ liệu thô chưa có nhãn và tự tìm kiếm cấu trúc, quy luật ẩn bên trong dữ liệu. Đây chính là điểm khởi đầu để phân biệt mục tiêu, cách thức vận hành và bài toán ứng dụng của từng phương pháp trong thực tiễn.

Trong **Supervised Learning**, người xây dựng mô hình cung cấp cho thuật toán một tập dữ liệu lịch sử trong đó mỗi mẫu đều đi kèm một "đáp án" đã biết. Ví dụ điển hình trong ngânh ngân hàng là tập dữ liệu gồm hồ sơ của hàng triệu khách hàng vay vốn kèm theo nhãn "trả nợ đúng hạn" hoặc "trả nợ trễ hạn", hoặc tập giao dịch thẻ tín dụng đã được đánh dấu là "giao dịch hợp lệ" hay "giao dịch gian lận". Thuật toán sẽ học ra một hàm ánh xạ từ biến đầu vào (thu nhập, lịch sử tín dụng, độ tuổi, ngành nghề…) sang biến mục tiêu (rủi ro tín dụng), sau đó áp dụng quy tắc đã học để dự đoán cho các trường hợp mới. Hai bài toán kinh điển của học có giám sát là **Classification** (phân loại) và **Regression** (hồi quy), lần lượt được sử dụng để dự đoán nhãn rời rạc và giá trị liên tục.

Ngược lại, **Unsupervised Learning** hoạt động trên dữ liệu không có nhãn – tức là không có "đáp án" đúng để đối chiếu. Thuật toán phải tự tìm ra cấu trúc tiềm ẩn thông qua các kỹ thuật như **Clustering** (phân cụm), **Dimensionality Reduction** (giảm chiều dữ liệu), **Association Rules** (luật kết hợp) hay **Anomaly Detection** (phát hiện bất thường). Trong ngân hàng, bài toán điển hình là phân nhóm khách hàng theo hành vi giao dịch để thiết kế chương trình chăm sóc phù hợp, hoặc phát hiện những giao dịch "lệch chuẩn" so với mặt bằng chung để cảnh báo gian lận. Bên cạnh hai phương pháp chính, người học còn cần biết thêm **Semi-supervised Learning** (học bán giám sát – kết hợp cả dữ liệu có nhãn và chưa có nhãn) và **Reinforcement Learning** (học tăng cường – học thông qua tương tác với môi trường và nhận thưởng/phạt, ứng dụng trong giao dịch thuật toán và tối ưu danh mục).

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

---

## Đặc điểm và phân loại

Để phân biệt rõ hai phương pháp, bảng dưới đây tổng hợp các tiêu chí so sánh cốt lõi, đồng thời đặt cạnh **Reinforcement Learning** – phương pháp thứ ba thường xuất hiện trong đề thi tuyển dụng ngân hàng:

| Tiêu chí | Supervised Learning | Unsupervised Learning | Reinforcement Learning |
|---|---|---|---|
| **Dữ liệu đầu vào** | Có gán nhãn (labeled data) | Không có nhãn (unlabeled data) | Tương tác với môi trường, nhận phản hồi thưởng/phạt |
| **Mục tiêu** | Dự đoán kết quả cụ thể cho dữ liệu mới | Khám phá cấu trúc, mẫu ẩn trong dữ liệu | Tối ưu hành động để cực đại phần thưởng dài hạn |
| **Bài toán điển hình** | Classification, Regression | Clustering, Anomaly Detection, Dimensionality Reduction | Sequential Decision Making, Portfolio Optimization |
| **Độ phức tạp khi chuẩn bị dữ liệu** | Cao – phải gán nhãn thủ công hoặc bán tự động, tốn kém chi phí | Thấp – không cần gán nhãn | Trung bình – cần thiết kế hàm phần thưởng (reward function) |
| **Khả năng giải thích** | Tốt – có thể đo lường độ chính xác so với nhãn thực tế | Hạn chế – khó đánh giá chất lượng mô hình | Khá phức tạp – phụ thuộc vào reward function |
| **Ứng dụng ngân hàng** | Chấm điểm tín dụng, phê duyệt khoản vay, dự đoán churn | Phát hiện gian lận, phân nhóm khách hàng, giảm chiều dữ liệu | Giao dịch thuật toán, tối ưu danh mục đầu tư |
| **Thuật toán phổ biến** | Logistic Regression, Decision Tree, Random Forest, XGBoost, Neural Network | K-Means, DBSCAN, Hierarchical Clustering, PCA, Autoencoder | Q-Learning, Deep Q-Network (DQN), Policy Gradient |

**Các dạng bài toán trong Supervised Learning:**

- **Classification (Phân loại):** Dự đoán nhãn rời rạc. Ví dụ: phân loại khách hàng thành "rủi ro thấp – rủi ro trung bình – rủi ro cao"; phân loại giao dịch thành "bình thường – nghi ngờ – gian lận".
- **Regression (Hồi quy):** Dự đoán giá trị liên tục. Ví dụ: dự đoán doanh số bán chéo sản phẩm ngân hàng, ước lượng giá trị vòng đời khách hàng (CLV), dự báo nhu cầu tiền mặt tại ATM.

**Các dạng bài toán trong Unsupervised Learning:**

- **Clustering (Phân cụm):** Nhóm các đối tượng có đặc điểm tương đồng. Ví dụ: phân nhóm khách hàng để cá nhân hóa dịch vụ, phân vùng địa lý giao dịch.
- **Anomaly Detection (Phát hiện bất thường):** Xác định điểm dữ liệu lệch xa phân phối chung. Ví dụ: phát hiện giao dịch rửa tiền, cảnh báo truy cập hệ thống bất thường.
- **Dimensionality Reduction (Giảm chiều):** Rút gọn số biến nhưng vẫn giữ thông tin cốt lõi. Ví dụ: PCA, t-SNE dùng để trực quan hóa dữ liệu khách hàng ở 2D/3D.
- **Association Rules (Luật kết hợp):** Tìm mối liên hệ giữa các sự kiện. Ví dụ: khách hàng mua bảo hiểm nhân thọ thường có xu hướng mở thẻ tín dụng trong vòng 6 tháng.

**Đặc điểm nhận biết khi gặp câu hỏi trắc nghiệm:**

1. Nếu đề bài nhắc đến "dữ liệu lịch sử kèm kết quả đã biết", "nhãn", "đầu ra cụ thể" → **Supervised Learning**.
2. Nếu đề bài nhắc đến "khám phá cấu trúc ẩn", "phân nhóm tự động", "phát hiện bất thường" → **Unsupervised Learning**.
3. Nếu đề bài nhắc đến "tương tác với môi trường", "tối ưu phần thưởng", "ra quyết định tuần tự" → **Reinforcement Learning**.

---

## Ví dụ thực tế trong ngành ngân hàng

**Ví dụ 1 – Chấm điểm tín dụng (Supervised Learning):**
Ngân hàng A triển khai mô hình **Credit Scoring** dựa trên dữ liệu lịch sử của 2,8 triệu khoản vay cá nhân trong 5 năm (2019–2024). Mỗi khoản vay trong tập huấn luyện được gán nhãn "trả nợ đúng hạn (good)" hoặc "trả nợ trễ hạn ≥ 90 ngày (bad)". Mô hình **XGBoost** được huấn luyện với 47 biến đầu vào (thu nhập, độ tuổi, ngành nghề, tỷ lệ nợ trên thu nhập, lịch sử CIC…). Kết quả triển khai cho thấy mô hình đạt **AUC = 0,87**, giúp giảm **18% tỷ lệ nợ xấu** và rút ngắn thời gian phê duyệt khoản vay từ 48 giờ xuống còn **6 phút** đối với khoản vay tiêu dùng dưới 200 triệu đồng. Đây là bài toán **Classification** kinh điển của **Supervised Learning**.

**Ví dụ 2 – Phát hiện gian lận thẻ tín dụng (Unsupervised Learning):**
Ngân hàng B vận hành hệ thống giám sát giao dịch thẻ với khoảng **12 triệu giao dịch/ngày**. Do nhãn "gian lận" chỉ chiếm khoảng 0,03% tổng giao dịch và thường xuất hiện theo mô típ mới chưa từng thấy trong lịch sử, ngân hàng kết hợp **Isolation Forest** và **Autoencoder** (mạng nơ-ron tự mã hóa) để phát hiện bất thường. Mô hình học phân phối hành vi chi tiêu bình thường của từng khách hàng, sau đó cảnh báo khi một giao dịch lệch xa quá 4 độ lệch chuẩn. Trong 6 tháng đầu triển khai, hệ thống phát hiện thêm **3.200 trường hợp gian lận** trị giá 47 tỷ đồng mà hệ thống rule-based cũ bỏ sót, đồng thời giảm **62% số lượng cảnh báo sai** (false positive), giúp giảm tải cho đội ngũ vận hành.

**Ví dụ 3 – Phân nhóm khách hàng và cá nhân hóa sản phẩm (Unsupervised Learning):**
Ngân hàng C ứng dụng thuật toán **K-Means Clustering** kết hợp **RFM Analysis** (Recency – Frequency – Monetary) trên tập 4,5 triệu khách hàng cá nhân. Kết quả phân thành 6 cụm hành vi: (1) Khách hàng VIP giao dịch tần suất cao, (2) Khách hàng tiết kiệm truyền thống, (3) Khách hàng trẻ ưa công nghệ, (4) Khách hàng vay tiêu dùng, (5) Khách hàng ít hoạt động, (6) Khách hàng rủi ro cao. Dựa trên phân nhóm này, ngân hàng thiết kế **6 chiến dịch marketing** riêng biệt, tăng **tỷ lệ phản hồi (response rate)** từ 1,8% lên **6,4%** và tăng **doanh thu bán chéo** thêm 23% trong vòng 9 tháng. Đây là bài toán **Customer Segmentation** điển hình của **Unsupervised Learning**.

**Ví dụ 4 – Kết hợp cả hai phương pháp (Hybrid Approach):**
Một số ngân hàng lớn kết hợp cả hai phương pháp trong cùng một quy trình. Đầu tiên, **Unsupervised Learning** được dùng để phân cụm khách hàng và phát hiện bất thường, tạo ra các đặc trưng mới (feature engineering). Sau đó, các đặc trưng này được đưa vào mô hình **Supervised Learning** để dự đoán churn hoặc rủi ro tín dụng. Cách tiếp cận này giúp tận dụng lợi thế của cả hai phương pháp: khám phá cấu trúc dữ liệu từ unsupervised và đạt độ chính xác cao từ supervised.

---

## AI Supervised vs Unsupervised học trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Supervised Learning / Unsupervised Learning | /suː.pərˈvaɪzd ˈlɜː.nɪŋ/ /ʌn.suː.pərˈvaɪzd ˈlɜː.nɪŋ/ |
| Tiếng Nhật | 教師あり学習 / 教師なし学習 | Kyōshi ari gakushū / Kyōshi nashi gakushū |
| Tiếng Hàn | 지도 학습 / 비지도 학습 | Jido hakseup / Bijido hakseup |
| Tiếng Trung | 监督学习 / 无监督学习 | Jiāndū xuéxí / Wú jiāndū xuéxí |
| Tiếng Tây Ban Nha | Aprendizaje supervisado / Aprendizaje no supervisado | /a.pɾen.diˈsa.xe su.pɛr.biˈsa.ðo/ /a.pɾen.diˈsa.xe no su.pɛr.biˈsa.ðo/ |

---

## Câu hỏi thường gặp

### Supervised Learning khác Unsupervised Learning ở điểm nào quan trọng nhất?

Điểm khác biệt quan trọng nhất nằm ở **dữ liệu huấn luyện**: **Supervised Learning** yêu cầu dữ liệu đã được gán nhãn sẵn (biết trước đầu ra) để học ra mối quan hệ đầu vào – đầu ra, thường dùng cho các bài toán **dự đoán** như chấm điểm tín dụng hay phê duyệt khoản vay. Trong khi đó, **Unsupervised Learning** không cần nhãn và tự khám phá cấu trúc ẩn trong dữ liệu, phù hợp với bài toán **phân cụm** khách hàng hoặc **phát hiện bất thường** trong giao dịch. Nói cách khác, Supervised Learning học để "trả lời câu hỏi đã biết", còn Unsupervised Learning học để "khám phá điều chưa biết".

### Khi nào ngân hàng nên ứng dụng Supervised Learning và khi nào nên ứng dụng Unsupervised Learning?

Ngân hàng nên ứng dụng **Supervised Learning** khi đã có lượng lớn dữ liệu lịch sử kèm nhãn và cần đưa ra quyết định dự đoán có độ chính xác cao, chẳng hạn như chấm điểm tín dụng, phê duyệt khoản vay, dự đoán khả hàng rời bỏ dịch vụ (churn) hay phân loại giao dịch. Ngược lại, **Unsupervised Learning** phù hợp khi dữ liệu chưa có nhãn hoặc nhãn quá hiếm (như gian lận), cần khám phá cấu trúc dữ liệu mới, phân nhóm khách hàng phục vụ marketing, hoặc phát hiện giao dịch bất thường. Trong thực tế, các ngân hàng lớn thường kết hợp cả hai phương pháp để tận dụng ưu điểm của từng loại.

### Supervised Learning và Unsupervised Learning ảnh hưởng thế nào đến trải nghiệm khách hàng ngân hàng?

Cả hai phương pháp đều nâng cao đáng kể trải nghiệm khách hàng nhưng theo những cách khác nhau. **Supervised Learning** giúp khách hàng được phê duyệt khoản vay nhanh hơn (từ vài ngày xuống vài phút), nhận đề xuất sản phẩm phù hợp với nhu cầu, và được bảo vệ tốt hơn nhờ hệ thống phát hiện gian lận chính xác. **Unsupervised Learning** mang đến trải nghiệm cá nhân hóa tốt hơn nhờ phân nhóm hành vi, đồng thời giúp khách hàng yên tâm hơn khi giao dịch nhờ phát hiện sớm các hoạt động bất thường trên tài khoản. Tuy nhiên, khách hàng cũng cần được minh bạch thông tin về việc dữ liệu cá nhân được sử dụng, đảm bảo tuân thủ quy định bảo vệ dữ liệu cá nhân theo Nghị định 13/2023/NĐ-CP và các quy định của Ngân hàng Nhà nước.

---

## Tổng kết

**Supervised Learning** và **Unsupervised Learning** là hai trụ cột của **Machine Learning** ứng dụng trong ngân hàng hiện đại. **Supervised Learning** phù hợp với các bài toán dự đoán có nhãn như chấm điểm tín dụng, phê duyệt khoản vay, dự đoán churn, trong khi **Unsupervised Learning** tỏa sáng ở các bài toán khám phá như phát hiện gian lận, phân nhóm khách hàng và giảm chiều dữ liệu. Đối với người ôn thi tuyển dụng ngân hàng, việc nắm vững bảng so sánh đặc điểm – ứng dụng giữa hai phương pháp (và mở rộng sang **Reinforcement Learning**) sẽ giúp trả lời tốt cả câu hỏi trắc nghiệm lẫn tự luận, đồng thời tạo nền tảng vững chắc để theo kịp xu hướng chuyển đổi số đang diễn ra mạnh mẽ tại các ngân hàng Việt Nam hiện nay.

## Thuật ngữ 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.
- [Giảm chiều dữ liệu](https://vieclam.nganhang.com/thuat-ngu/giam-chieu-du-lieu-la-gi) — Giảm số biến đầu vào trong khi bảo toàn thông tin quan trọng, giúp mô hình nhanh hơn và tránh nhiễu.
- [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.
- [Học không giám sát](https://vieclam.nganhang.com/thuat-ngu/hoc-khong-giam-sat-la-gi) — Mô hình tự tìm cấu trúc ẩn trong dữ liệu chưa gán nhãn, như phân nhóm khách hàng tự động theo hành vi giao dịch.
- [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…
- [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.
- [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.