# AI Synthetic Data

Tiếng Anh: Synthetic Data

Synthetic Data là dữ liệu được tạo ra bằng mô hình AI như GAN hoặc mô phỏng thống kê, giúp ngân hàng giải quyết vấn đề thiếu dữ liệu và bảo vệ thông...

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

## AI Synthetic Data là gì?

**AI Synthetic Data** (Dữ liệu tổng hợp từ trí tuệ nhân tạo) là tập dữ liệu nhân tạo được sinh ra bởi các thuật toán **Trí tuệ nhân tạo (Artificial Intelligence)** và **Học máy (Machine Learning)**, mô phỏng đặc tính thống kê, cấu trúc và phân phối của dữ liệu thực mà không chứa thông tin nhận dạng cá nhân. Khác với dữ liệu gốc được thu thập trực tiếp từ giao dịch của khách hàng, dữ liệu tổng hợp được "tạo sinh" bởi máy dựa trên các mô hình toán học phức tạp, có khả năng tái tạo các mẫu hành vi tài chính, đặc điểm tín dụng hay kịch bản giao dịch với độ chính xác đến 95-98% so với dữ liệu thật. Đây được xem là giải pháp công nghệ đột phá giúp các ngân hàng vượt qua ba rào cản lớn: **tính riêng tư (privacy)**, **sự khan hiếm dữ liệu (data scarcity)** và các quy định pháp lý nghiêm ngặt khi cần dữ liệu để huấn luyện, kiểm thử hoặc chia sẻ mô hình AI giữa các tổ chức.

Cách thức hoạt động của Synthetic Data dựa trên ba nhóm kỹ thuật chính. Thứ nhất, mạng **GAN (Generative Adversarial Networks)** gồm hai mạng neural cạnh tranh nhau — mạng **Generator** tạo dữ liệu giả và mạng **Discriminator** phân biệt dữ liệu thật - giả, qua quá trình huấn luyện liên tục cho ra dữ liệu ngày càng giống thật. Thứ hai, mô hình **VAE (Variational Autoencoders)** mã hóa dữ liệu thành không gian tiềm ẩn rồi tái tạo lại, giúp sinh ra các mẫu mới có cùng phân phối xác suất. Thứ ba, phương pháp mô phỏng thống kê như **Copula**, **Bayesian Network** hay **Monte Carlo** dựa trên phân tích mối tương quan giữa các biến để tạo dữ liệu mới. Dữ liệu tổng hợp chất lượng cao phải đảm bảo hai tiêu chí cốt lõi: **tính hữu dụng (utility)** — vẫn giữ được các đặc tính thống kê của dữ liệu gốc để mô hình học máy hoạt động hiệu quả, và **tính riêng tư (privacy)** — không thể truy ngược lại cá nhân cụ thể trong tập dữ liệu ban đầu, thường được đo lường qua chỉ số **Differential Privacy** với ngưỡng epsilon ε ≤ 1.0.

Theo báo cáo của Gartner công bố năm 2024, đến năm 2030, dữ liệu tổng hợp dự kiến sẽ chiếm khoảng 60% tổng lượng dữ liệu được sử dụng trong các dự án AI toàn cầu, vượt qua dữ liệu thực trong nhiều ứng dụng. Trong ngành tài chính - ngân hàng, tỷ lệ này thậm chí còn cao hơn do áp lực tuân thủ GDPR (châu Âu), Nghị định 13/2023/NĐ-CP của Việt Nam về bảo vệ dữ liệu cá nhân, cùng các chuẩn mực quốc tế như Basel II/III. Thị trường Synthetic Data toàn cầu được định giá 1,84 tỷ USD vào năm 2024 và dự kiến đạt 11,8 tỷ USD vào năm 2030 với tốc độ tăng trưởng kép hàng năm (CAGR) khoảng 36,6%.

**Thuật ngữ tiếng Anh:** Synthetic Data (AI-generated Synthetic Data)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

Dữ liệu tổng hợp sở hữu nhiều đặc điểm nổi bật và được phân loại theo nhiều tiêu chí khác nhau. Dưới đây là bảng phân loại chi tiết:

| **Tiêu chí** | **Loại** | **Đặc điểm** | **Ứng dụng trong ngân hàng** |
|---|---|---|---|
| **Theo cấu trúc dữ liệu** | Dữ liệu dạng bảng (Tabular) | Mô phỏng bảng dữ liệu khách hàng, giao dịch | Chấm điểm tín dụng, phân khúc khách hàng |
| | Dữ liệu chuỗi thời gian (Time-series) | Tái tạo chuỗi giao dịch theo thời gian | Phát hiện gian lận, dự báo dòng tiền |
| | Dữ liệu hình ảnh (Image) | Sinh ảnh chữ ký, ảnh CMND/CCCD giả | Huấn luyện eKYC, xác thực sinh trắc học |
| | Dữ liệu văn bản (Text) | Tạo email, tin nhắn mô phỏng | Huấn luyện chatbot, phân tích sentiment |
| **Theo mức độ riêng tư** | Fully Synthetic | Toàn bộ dữ liệu được sinh mới, không có bản ghi gốc | Chia sẻ dữ liệu giữa các ngân hàng |
| | Partially Synthetic | Chỉ thay thế một số trường nhạy cảm | Bảo toàn tính chính xác cho phân tích |
| | Hybrid Synthetic | Kết hợp dữ liệu thật và giả | Mô phỏng kịch bản hiếm gặp |
| **Theo công nghệ sinh** | GAN-based | Hai mạng neural đối kháng | Sinh ảnh, dữ liệu phức tạp |
| | VAE-based | Mã hóa - giải mã không gian tiềm ẩn | Tabular data, anomaly detection |
| | Diffusion Model | Mô hình khuếch tán sinh ảnh chất lượng cao | Xác thực khuôn mặt, chữ ký |
| | Statistical Method | Copula, Bayesian, Monte Carlo | Stress test, mô phỏng rủi ro |
| **Theo mục đích sử dụng** | Training Data | Huấn luyện mô hình AI | Xây dựng mô hình chấm điểm tín dụng |
| | Testing Data | Kiểm thử hệ thống | UAT (User Acceptance Testing) |
| | Sharing Data | Chia sẻ giữa tổ chức | Sandbox ngành, hợp tác fintech |
| | Augmentation Data | Tăng cường tập dữ liệu nhỏ | Cải thiện độ chính xác mô hình |

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

- **Tính hữu dụng cao (High Utility):** Kết quả mô hình AI huấn luyện trên dữ liệu tổng hợp phải có độ chính xác tương đương 90-95% so với khi huấn luyện trên dữ liệu thật.
- **Tính riêng tư tuyệt đối (Privacy Preservation):** Không thể truy ngược từ bản ghi tổng hợp về cá nhân cụ thể trong tập dữ liệu gốc, đảm bảo chỉ số Differential Privacy ε < 1.0.
- **Tính đa dạng (Diversity):** Phải bao phủ được các trường hợp hiếm gặp (edge cases) như giao dịch gian lận, khách hàng nợ xấu, biến động thị trường cực đoan.
- **Khả năng mở rộng (Scalability):** Có thể sinh ra hàng triệu bản ghi mới trong thời gian ngắn, tiết kiệm chi phí thu thập dữ liệu thật lên đến 70-80%.
- **Tuân thủ pháp lý (Compliance):** Được xem là dữ liệu không chứa thông tin cá nhân theo Nghị định 13/2023/NĐ-CP của Việt Nam, không thuộc phạm vi điều chỉnh của các quy định bảo vệ dữ liệu nghiêm ngặt.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Ngân hàng A — Huấn luyện mô hình chấm điểm tín dụng

Ngân hàng A — một ngân hàng thương mại cổ phần top đầu Việt Nam với hơn 12 triệu khách hàng cá nhân — gặp thách thức khi triển khai mô hình AI chấm điểm tín dụng cho nhóm khách hàng mới (thin-file customers), nhóm chưa có hoặc có rất ít lịch sử tín dụng. Theo thống kê nội bộ, có khoảng 35% khách hàng vay vốn lần đầu thuộc nhóm này, gây khó khăn cho việc đánh giá rủi ro. Ngân hàng A đã triển khai dự án Synthetic Data với sự hợp tác của một công ty AI Việt Nam, sử dụng mô hình GAN để sinh ra **2,5 triệu bản ghi dữ liệu tài chính giả lập** mô phỏng các kịch bản: thu nhập từ 8-50 triệu đồng/tháng, độ tuổi 22-55, lịch sử vay từ 0-10 năm. Kết quả: mô hình **Credit Scoring** được huấn luyện trên dữ liệu tổng hợp đạt độ chính xác AUC = 0,87, tăng 22% so với mô hình cũ chỉ dùng dữ liệu thật. Tỷ lệ phê duyệt khoản vay hợp lý tăng từ 58% lên 73%, đồng thời giảm 18% tỷ lệ nợ xấu trong 6 tháng đầu triển khai. Chi phí phát triển mô hình tiết kiệm khoảng **4,2 tỷ đồng** so với phương pháp thu thập dữ liệu truyền thống.

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

Ngân hàng B quản lý hơn 5 triệu thẻ tín dụng, ghi nhận trung bình 18 triệu giao dịch/ngày. Trước đây, hệ thống **Fraud Detection** chỉ phát hiện được khoảng 67% giao dịch gian lận do tập dữ liệu huấn luyện thiếu các mẫu gian lận hiếm gặp (chiếm chưa đến 0,01% tổng giao dịch). Năm 2024, Ngân hàng B triển khai giải pháp Synthetic Data kết hợp **VAE và Diffusion Model** để sinh ra **15 triệu giao dịch giả lập** chứa 47 kịch bản lừa đảo khác nhau: skimming, card-not-present, account takeover, money mule, deepfake xác thực. Mỗi kịch bản được tạo với 300.000-500.000 biến thể. Sau 8 tháng triển khai, tỷ lệ phát hiện gian lận tăng từ 67% lên **91,4%**, số tiền gian lận được ngăn chặn ước tính **320 tỷ đồng**. Hệ thống cũng giảm 43% số lượng cảnh báo sai (false positive), giúp trải nghiệm khách hàng được cải thiện đáng kể — chỉ số NPS (Net Promoter Score) tăng 12 điểm.

### Ví dụ 3: Công ty Fintech C — Kiểm thử hệ thống và chia sẻ dữ liệu liên ngân hàng

Công ty Fintech C (đối tác của 3 ngân hàng lớn tại Việt Nam, xử lý hơn 2 triệu giao dịch/ngày qua ví điện tử) đã ứng dụng Synthetic Data để giải quyết bài toán **chia sẻ dữ liệu phòng chống rửa tiền (AML)** giữa các tổ chức tài chính mà vẫn tuân thủ quy định bảo mật. Cụ thể, Fintech C tạo ra một tập dữ liệu tổng hợp gồm **800.000 hồ sơ giao dịch** mô phỏng các mẫu rửa tiền phổ biến tại Việt Nam: chia nhỏ giao dịch, layering, sử dụng tiền mã hóa. Tập dữ liệu này được chia sẻ cho Ngân hàng D và Ngân hàng E để cùng huấn luyện mô hình AML, giúp phát hiện thêm **1.247 tài khoản nghi ngờ** trong 4 tháng đầu tiên, trong đó có 23 vụ việc được chuyển cơ quan điều tra. Đồng thời, Fintech C còn dùng Synthetic Data để kiểm thử hệ thống trong môi trường staging, giảm **85% thời gian UAT** và loại bỏ hoàn toàn rủi ro lộ dữ liệu khách hàng thật trong quá trình test. Chi phí tuân thủ (compliance cost) tiết kiệm khoảng **2,8 tỷ đồng/năm**.

## AI Synthetic Data trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Synthetic Data (AI-generated Synthetic Data) | /sɪnˈθɛtɪk ˈdeɪtə/ |
| Tiếng Nhật | 合成データ（AI生成データ） | Gōsei dēta (AI seisei dēta) |
| Tiếng Hàn | 합성 데이터 (AI 생성 합성 데이터) | Hapseong deiteo (AI saengseong hapseong deiteo) |
| Tiếng Trung | 合成数据（AI 生成合成数据） | Héchéng shùjù (AI shēngchéng héchéng shùjù) |
| Tiếng Tây Ban Nha | Datos sintéticos (Datos sintéticos generados por IA) | /daˈtos sinˈte.ti.kos/ |

## Câu hỏi thường gặp

### AI Synthetic Data khác gì Anonymization (ẩn danh hóa)?

**AI Synthetic Data** và **Anonymization (ẩn danh hóa)** đều nhằm bảo vệ quyền riêng tư của khách hàng, nhưng có bản chất khác nhau. Anonymization chỉ che đi hoặc mã hóa các trường thông tin nhận dạng (tên, số CMND, số điện thoại) trên dữ liệu gốc, nên vẫn có nguy cơ bị **re-identification** (tái nhận dạng) thông qua kỹ thuật liên kết dữ liệu — một số nghiên cứu cho thấy 87% người dùng có thể bị nhận dạng lại chỉ từ 3 thuộc tính (ngày sinh, giới tính, mã ZIP). Trong khi đó, Synthetic Data hoàn toàn được sinh ra mới bởi AI, không phải là bản sao của dữ liệu gốc, nên không thể truy ngược về cá nhân cụ thể, đảm bảo an toàn cao hơn rất nhiều.

### Khi nào ngân hàng cần triển khai AI Synthetic Data?

Ngân hàng cần triển khai **Synthetic Data** trong bốn trường hợp chính. **Thứ nhất**, khi thiếu dữ liệu lịch sử cho các sản phẩm mới (ví dụ: cho vay mua xe điện, tín dụng xanh) hoặc nhóm khách hàng mới (Gen Z, freelancer). **Thứ hai**, khi cần mô phỏng các kịch bản hiếm gặp như khủng hoảng tài chính, gian lận tinh vi để huấn luyện mô hình AI — những dữ liệu này gần như không thể thu thập đủ trong thực tế. **Thứ ba**, khi cần chia sẻ dữ liệu giữa các ngân hàng hoặc với fintech để phát triển mô hình chung (như phòng chống rửa tiền) mà vẫn tuân thủ Nghị định 13/2023/NĐ-CP. **Thứ tư**, khi cần kiểm thử hệ thống trong môi trường staging/UAT mà không muốn dùng dữ liệu khách hàng thật vì lý do bảo mật. Theo khảo sát của McKinsey năm 2024, có đến 78% ngân hàng tại khu vực châu Á - Thái Bình Dương đang trong giai đoạn thử nghiệm hoặc triển khai Synthetic Data.

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

**AI Synthetic Data** mang lại nhiều lợi ích thiết thực cho khách hàng ngân hàng. **Về tốc độ phê duyệt**, mô hình AI được huấn luyện trên dữ liệu tổng hợp giúp đánh giá rủi ro chính xác hơn, rút ngắn thời gian phê duyệt khoản vay từ 3-5 ngày xuống còn vài phút — Ngân hàng A đã chứng minh điều này khi tăng tỷ lệ phê duyệt tự động lên 68%. **Về khả năng tiếp cận tín dụng**, nhóm khách hàng mới, khách hàng ở vùng nông thôn (nơi thiếu dữ liệu tín dụng) có cơ hội tiếp cận vốn vay cao hơn 30-40%. **Về bảo mật thông tin**, dữ liệu cá nhân của khách hàng được bảo vệ tốt hơn vì các mô hình AI phát hiện gian lận hoạt động hiệu quả hơn mà không cần "nhìn thấy" thông tin thật. Tuy nhiên, khách hàng cũng cần lưu ý một rủi ro tiềm ẩn: nếu dữ liệu tổng hợp không đảm bảo chất lượng, có thể dẫn đến quyết định tín dụng sai lệch, ảnh hưởng đến khả năng tiếp cận dịch vụ tài chính của một số nhóm khách hàng.

## Tổng kết

**AI Synthetic Data** đang trở thành công nghệ nền tảng không thể thiếu trong hành trình chuyển đổi số của ngân hàng Việt Nam và toàn cầu. Với khả năng giải quyết đồng thời ba thách thức lớn — bảo vệ quyền riêng tư, khắc phục sự khan hiếm dữ liệu và đảm bảo tuân thủ pháp lý theo Nghị định 13/2023/NĐ-CP cùng các chuẩn mực quốc tế — Synthetic Data mở ra cơ hội cho các ngân hàng phát triển mô hình AI mạnh mẽ hơn, từ chấm điểm tín dụng, phát hiện gian lận đến phòng chống rửa tiền. Trong bối cảnh Ngân hàng Nhà nước Việt Nam đang xây dựng sandbox regulatory cho các công nghệ AI mới nổi và thúc đẩy hợp tác giữa ngân hàng với các công ty công nghệ trong nước, việc nắm vững kiến thức về AI Synthetic Data sẽ là lợi thế cạnh tranh quan trọng cho các ứng viên tham gia kỳ thi tuyển dụng ngân hàng. Đây không chỉ là một thuật ngữ kỹ thuật đơn thuần mà là **chìa khóa chiến lược** định hình tương lai ngành tài chính - ngân hàng trong kỷ nguyên số hóa.

## 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.
- [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.
- [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.
- [Phòng chống gian lận](https://vieclam.nganhang.com/thuat-ngu/phong-chong-gian-lan-la-gi) — Hệ thống quy trình và công nghệ ngân hàng nhằm ngăn chặn giao dịch gian lận.
- [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.