# AI Synthetic Data dữ liệu tổng hợp

Tiếng Anh: AI Synthetic Data Generation

Dữ liệu nhân tạo được sinh ra bằng mô hình AI (GAN, diffusion) nhằm bảo vệ quyền riêng tư khách hàng, mở rộng tập huấn luyện và chia sẻ dữ liệu giữa...

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-synthetic-data-du-lieu-tong-hop-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI Synthetic Data (Dữ liệu tổng hợp từ AI) là gì?

**AI Synthetic Data** (Dữ liệu tổng hợp từ AI), còn gọi đầy đủ là **AI Synthetic Data Generation** (Sinh dữ liệu tổng hợp bằng Trí tuệ nhân tạo), là tập dữ liệu nhân tạo được tạo ra bởi các thuật toán học máy, mô phỏng đặc tính thống kê và cấu trúc quan hệ của dữ liệu thực nhưng **không chứa thông tin nhận dạng cá nhân** cụ thể. Trong ngân hàng, đây là công cụ chiến lược giúp các tổ chức tài chính vượt qua ba rào cản lớn: quyền riêng tư ngày càng được siết chặt, sự khan hiếm dữ liệu gắn nhãn chi phí cao, và nhu cầu mở rộng tập huấn luyện cho các bài toán rủi ro, chấm điểm tín dụng và phát hiện gian lận.

Các mô hình sinh dữ liệu phổ biến nhất gồm **Mạng đối nghịch sinh** (**GAN - Generative Adversarial Networks**), **Mô hình khuếch tán** (**Diffusion Models**), **Bộ mã hóa tự động biến phân** (**VAE - Variational Autoencoders**) và **Mô hình ngôn ngữ lớn** (**LLM - Large Language Models**) được tinh chỉnh cho dữ liệu dạng bảng. Quy trình hoạt động trải qua ba bước cơ bản: **(1)** Mô hình được huấn luyện trên tập dữ liệu gốc để học **phân phối xác suất đồng thời** giữa các biến, các đặc trưng ẩn trong không gian tiềm ẩn (latent space) và các tương quan phi tuyến; **(2)** Mô hình lấy mẫu ngẫu nhiên từ phân phối đã học để sinh ra các bản ghi mới có cấu trúc tương tự nhưng giá trị hoàn toàn mới, không trùng lặp với dữ liệu gốc; **(3)** Dữ liệu tổng hợp được đánh giá chất lượng thông qua ba trục tiêu chí: **tính tương đồng phân phối** (**distribution similarity**) đo bằng KS-test, **độ hữu ích hạ nguồn** (**downstream utility**) đo bằng hiệu suất mô hình hạ nguồn, và **mức độ rò rỉ thông tin cá nhân** (**privacy leakage**) đo bằng **tấn công suy luận thành viên** (**membership inference attack**). Điểm mấu chốt là dữ liệu tổng hợp phải giữ được "giá trị thống kê" của dữ liệu gốc để phục vụ phân tích nhưng đồng thời không cho phép truy ngược danh tính cá nhân, đáp ứng nguyên tắc **privacy by design** (bảo vệ quyền riêng tư theo thiết kế).

Điểm khác biệt cốt lõi giữa dữ liệu tổng hợp và dữ liệu **ẩn danh hóa** (**Anonymization**) là dữ liệu tổng hợp không phải kết quả của việc thay thế/xóa trường thông tin trên bản ghi gốc, mà là sản phẩm hoàn toàn mới do mô hình sinh ra. Điều này giúp giảm đáng kể rủi ro **tái nhận dạng** (**re-identification risk**) - vốn là vấn đề nan giải của phương pháp ẩn danh hóa truyền thống khi kết hợp nhiều thuộc tính (quốc gia, ngày sinh, giới tính, mã bưu điện) có thể truy ngược danh tính - theo nghiên cứu kinh điển của Latanya Sweeney. Ưu điểm vượt trội khác là **AI Synthetic Data** cho phép mở rộng tập dữ liệu lên gấp 10-100 lần mà vẫn giữ đặc tính thống kê, đặc biệt hữu ích với các sự kiện hiếm gặp như giao dịch gian lận (chiếm ~0,03% tổng giao dịch thẻ) hoặc vỡ nợ nhóm ngách (thin-file borrowers).

**Thuật ngữ tiếng Anh:** AI Synthetic Data Generation
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

**Bảng 1: Phân loại theo mô hình sinh dữ liệu**

| Mô hình | Đặc điểm kỹ thuật | Ưu điểm | Hạn chế | Ứng dụng ngân hàng phù hợp |
|---|---|---|---|---|
| **GAN** (Generative Adversarial Networks) | Hai mạng neural đối đầu: Generator tạo dữ liệu, Discriminator phân biệt thật - giả | Chất lượng cao, sinh dữ liệu dạng bảng sắc nét | Khó huấn luyện ổn định, hiện tượng **mode collapse** (chỉ sinh lặp lại một kiểu) | Giao dịch thẻ tín dụng, phát hiện gian lận, sinh kịch bản rủi ro |
| **VAE** (Variational Autoencoders) | Encoder-decoder học phân phối **latent space** | Huấn luyện ổn định, dễ tích hợp pipeline | Chất lượng thấp hơn GAN với dữ liệu phức tạp | Hồ sơ khách hàng, dữ liệu nhân khẩu học |
| **Diffusion Models** | Quá trình khuếch tán nhiễu tiến-lùi để sinh mẫu mới | Chất lượng vượt trội, đa dạng cao, ổn định | Tốn tài nguyên tính toán (GPU lớn) | Ảnh chữ ký, giấy tờ tùy thân, dữ liệu phi cấu trúc |
| **Transformer / LLM-based** | Mô hình ngôn ngữ lớn tinh chỉnh trên dữ liệu bảng | Xử lý tốt dữ liệu dạng bảng phức tạp, mô tả văn bản | Cần tập huấn luyện lớn, chi phí cao | Mô tả giao dịch, log hoạt động, ghi chú quan hệ khách hàng |
| **SMOTE / Copulas** | Kỹ thuật thống kê cổ điển, nội suy giữa các điểm gần nhất | Đơn giản, dễ triển khai, chi phí thấp | Thiếu tính đa dạng, giữ nhiều bias | Dữ liệu mất cân bằng nhẹ, bài toán thử nghiệm |

**Bảng 2: Phân loại theo mức độ bảo vệ quyền riêng tư**

| Mức độ bảo mật | Kỹ thuật | Cam kết bảo mật |
|---|---|---|
| Không cam kết | Oversampling, Bootstrap | Không có cam kết toán học |
| Trung bình | **k-anonymity**, **l-diversity**, **t-closeness** | Khó tái nhận dạng ở mức nhóm ≥ k |
| Cao | **Differential Privacy** kết hợp Synthetic | Cam kết toán học với ngân sách ε |
| Cao nhất | **Federated Learning** + Synthetic + DP | Dữ liệu gốc không rời khỏi hệ thống ngân hàng |

**Bốn đặc điểm nhận biết dữ liệu tổng hợp chất lượng cao:**

1. **Tính trung thực thống kê** (**statistical fidelity**): phân phối biên và tương quan giữa các biến khớp với dữ liệu gốc - chỉ số phổ biến gồm KL-divergence < 0,05, Wasserstein distance nhỏ, và **Hellinger distance** < 0,1.
2. **Độ hữu ích hạ nguồn** (**downstream utility**): mô hình huấn luyện trên dữ liệu tổng hợp đạt hiệu suất ≥ 90% so với mô hình huấn luyện trên dữ liệu thật (đo bằng AUC, F1-score).
3. **Cam kết bảo mật** (**privacy guarantee**): chống chịu được các cuộc tấn công **membership inference attack**, **model inversion attack** với độ chính xác gần ngẫu nhiên (≤ 55%).
4. **Tính đa dạng** (**diversity**): các bản ghi sinh ra không trùng lặp, phản ánh được "đuôi dài" (long-tail events) của phân phối thực.

## Ví dụ thực tế trong ngành ngân hàng

**Ví dụ 1: Huấn luyện mô hình chống gian lận thẻ tại Ngân hàng A**

Ngân hàng A tại Việt Nam sở hữu khoảng 8 triệu thẻ tín dụng đang lưu hành, nhưng tỷ lệ giao dịch gian lận chỉ chiếm 0,03% (tức ~2.400 giao dịch/ngày trên tổng 8 triệu giao dịch). Tập dữ liệu gian lận thực quá nhỏ và **mất cân bằng nghiêm trọng** (imbalanced data) khiến mô hình **machine learning** truyền thống khó phát hiện. Ngân hàng A triển khai giải pháp **GAN kết hợp Differential Privacy** để sinh thêm 1,2 triệu giao dịch tổng hợp mô phỏng các kịch bản gian lận đặc trưng: skimming ATM tại chi nhánh vùng ven, giao dịch lúc 2-4 giờ sáng ở nước ngoài không khớp vị trí thẻ, thanh toán nhiều lần liên tiếp dưới 1 triệu đồng để tránh ngưỡng xác thực OTP, và mua sắm thẻ quà tặng kỹ thuật số. Kết quả triển khai sau 6 tháng: **Fraud Detection Rate** (tỷ lệ phát hiện gian lận) tăng từ 67% lên 91%, **tỷ lệ cảnh báo sai** (**false positive**) giảm 35%, giúp tiết kiệm khoảng 120 tỷ đồng/năm nhờ giảm thiệt hại gian lận và chi phí vận hành đội ngũ xử lý cảnh báo thủ công.

**Ví dụ 2: Mở rộng tập tín dụng cho phân khúc thin-file tại Ngân hàng B**

Ngân hàng B muốn triển khai sản phẩm cho vay mua ô tô trả góp tại khu vực Tây Nam Bộ - nơi có tỷ lệ **khách hàng thin-file** (chưa có hoặc có rất ít lịch sử tín dụng) lên tới 60% dân số trưởng thành. Từ 5.000 hồ sơ tín dụng thật của khách hàng tại Cần Thơ, An Giang, Hậu Giang, ngân hàng sử dụng mô hình **CTGAN** (**Conditional Tabular GAN**) để sinh ra 250.000 hồ sơ tổng hợp phản ánh đặc điểm kinh tế - xã hội đặc thù của vùng: thu nhập từ nông nghiệp thủy sản theo mùa vụ, làm việc tự do không có hợp đồng lao động, tài sản đảm bảo là đất vườn hoặc đất ruộng. Mô hình **chấm điểm tín dụng** huấn luyện trên tập mở rộng này đạt **AUC** 0,78 so với 0,62 khi chỉ dùng dữ liệu thật - giúp phê duyệt thêm 4.500 khoản vay trong 6 tháng đầu triển khai, tỷ lệ **nợ xấu** (**NPL - Non-Performing Loan**) giữ ở mức dưới 1,2%. Đây là minh chứng rõ ràng cho vai trò của synthetic data trong **tài chính toàn diện** (**financial inclusion**).

**Ví dụ 3: Chia sẻ dữ liệu liên ngân hàng trong hệ sinh thái Open Banking**

Nhóm ngân hàng gồm Ngân hàng C, Ngân hàng D và một công ty **fintech** cho vay P2P cần chia sẻ dữ liệu hành vi thanh toán để cùng xây dựng **mô hình đánh giá rủi ro vay tiêu dùng**, nhưng bị ràng buộc bởi **Nghị định 13/2023/NĐ-CP** về bảo vệ dữ liệu cá nhân. Mỗi bên sử dụng kiến trúc **Federated Learning** kết hợp sinh dữ liệu tổng hợp tại chỗ (on-premise), sau đó chỉ chia sẻ tập dữ liệu tổng hợp với cam kết **ε-differential privacy = 0,5** (mức bảo mật rất cao). Kết quả sau 9 tháng thử nghiệm trong **Sandbox** của Ngân hàng Nhà nước: cả ba bên có thể huấn luyện mô hình chung có **độ chính xác tăng 15%** so với mô hình riêng lẻ, đồng thời không có khách hàng nào bị truy ngược danh tính khi một bên độc lập thực hiện penetration test. Kiến trúc này đang được nhiều ngân hàng tại Việt Nam tham khảo để triển khai chương trình Open Banking trong tương lai.

## AI Synthetic Data (Dữ liệu tổng hợp từ AI) trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI Synthetic Data Generation | /eɪ aɪ sɪnˈθɛtɪk ˈdeɪtə dʒɛnəˈreɪʃən/ |
| Tiếng Nhật | AI合成データ (AI gōsei dēta) | エーアイ ゴウセイ データ / AI gōsei dēta |
| Tiếng Hàn | AI 합성 데이터 (AI hapseong deiteo) | 에이아이 합성 데이터 / AI hapseong deiteo |
| Tiếng Trung | AI 合成数据 (AI héchéng shùjù) | AI 合 成 数 据 / AI héchéng shùjù |
| Tiếng Tây Ban Nha | Datos sintéticos de IA | /ˈda.tos sinˈte.ti.kos ðe ˈia/ |

## Câu hỏi thường gặp

### AI Synthetic Data (Dữ liệu tổng hợp) khác gì Anonymization (Ẩn danh hóa)?

**Anonymization** chỉ thay đổi hoặc xóa các trường nhận dạng (tên, số CMND/CCCD, số tài khoản) trên bản ghi gốc. Nếu kẻ tấn công kết hợp nhiều thuộc tính còn lại (ngày sinh, giới tính, mã bưu điện, nghề nghiệp) thì vẫn có thể tái nhận dạng khách hàng, đặc biệt khi dữ liệu được ghép nối với nguồn công khai. Trong khi đó, **AI Synthetic Data** tạo ra bản ghi hoàn toàn mới do mô hình sinh, không phải bản gốc bị biến đổi nên giảm đáng kể nguy cơ re-identification. Đổi lại, synthetic data cần đánh giá chất lượng thống kê liên tục và tốn kém hơn về mặt tính toán.

### Khi nào ngân hàng cần sử dụng AI Synthetic Data?

Ngân hàng cần **AI Synthetic Data** trong bốn tình huống chính: **(1)** Tập dữ liệu gốc quá nhỏ hoặc mất cân bằng nghiêm trọng, ví dụ giao dịch gian lận chỉ chiếm 0,03% tổng giao dịch thẻ; **(2)** Cần mở rộng dữ liệu huấn luyện cho phân khúc khách hàng mới như thin-file, freelancer, nông thôn - nơi dữ liệu lịch sử gần như không tồn tại; **(3)** Cần chia sẻ dữ liệu với đối tác fintech hoặc cơ quan giám sát mà không vi phạm **Nghị định 13/2023** về bảo vệ dữ liệu cá nhân; **(4)** Cần kiểm thử hệ thống, đào tạo nhân sự mới hoặc demo sản phẩm mà không được dùng dữ liệu khách hàng thật theo nguyên tắc **data minimization**.

### AI Synthetic Data ảnh hưởng thế nào đến khách hàng?

Về tích cực, dữ liệu tổng hợp giúp ngân hàng phát triển sản phẩm tín dụng cho người chưa có lịch sử vay - điều mà dữ liệu thật không thể "nhìn thấy" - qua đó **mở rộng cơ hội tài chính toàn diện** (**financial inclusion**). Khách hàng cũng được bảo vệ tốt hơn nhờ mô hình phát hiện gian lận chính xác hơn và quy trình xét duyệt nhanh hơn. Về rủi ro, nếu dữ liệu tổng hợp phản ánh **thiên kiến** (**bias**) vốn có trong dữ liệu gốc, khách hàng thuộc nhóm yếu thế (phụ nữ, vùng sâu vùng xa, người thu nhập thấp) có thể bị từ chối tín dụng oan. Do đó, ngân hàng cần triển khai giám sát **công bằng thuật toán** (**algorithmic fairness**) theo khung **Model Risk Management** của Ngân hàng Nhà nước tại Thông tư 13/2018/TT-NHNN.

## Tổng kết

**AI Synthetic Data** là công cụ chiến lược giúp ngân hàng giải quyết "nghịch lý" vừa cần nhiều dữ liệu để đổi mới vừa phải bảo vệ quyền riêng tư của khách hàng theo Nghị định 13/2023 và các chuẩn Basel II.5 về rủi ro mô hình. Khi kết hợp với **Differential Privacy**, **Federated Learning** và khung quản trị mô hình chặt chẽ, dữ liệu tổng hợp mở ra năng lực mới cho **chấm điểm tín dụng**, **phát hiện gian lận**, **phân tích rủi ro** và **tài chính toàn diện** mà vẫn tuân thủ pháp lý. Đối với người ôn thi tuyển dụng ngân hàng, việc hiểu rõ cơ chế GAN, VAE và Diffusion Models, các ứng dụng thực tiễn trong chống gian lận và cho vay thin-file, cùng rủi ro quản trị (re-identification, bias, model risk) là lợi thế lớn trong các bài thi về AI, quản trị rủi ro và pháp lý ngân hàng hiện đại.

## 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.
- [Mô hình ngôn ngữ lớn](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-ngon-ngu-lon-la-gi) — Mô hình học sâu được huấn luyện trên lượng lớn văn bản, hỗ trợ ngân hàng trong phân tích hợp đồng, tóm tắt báo cáo tín dụng và tự động hóa dịch vụ khách hàng.
- [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.
- [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.
- [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.
- [Sandbox đổi mới sáng tạo](https://vieclam.nganhang.com/thuat-ngu/sandbox-doi-moi-sang-tao-la-gi) — Cơ chế thử nghiệm có kiểm soát do Ngân hàng Nhà nước cấp phép để phát triển sản phẩm fintech mới trước khi triển khai chính thức.
- [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.