# Học few-shot phân loại giao dịch

Tiếng Anh: Few-shot Learning for Transaction Classification

Mô hình học phân loại loại giao dịch mới chỉ với vài mẫu, hữu ích khi ngân hàng phát hiện hình thức gian lận mới chưa có nhiều dữ liệu lịch sử.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/hoc-few-shot-phan-loai-giao-dich-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## Học few-shot phân loại giao dịch là gì?

**Học few-shot phân loại giao dịch** (tiếng Anh: **Few-shot Learning for Transaction Classification**) là một phương pháp trong lĩnh vực trí tuệ nhân tạo (Artificial Intelligence) và học máy (Machine Learning), cho phép mô hình máy tính học cách phân loại các loại giao dịch tài chính mới chỉ với một số lượng rất ít mẫu dữ liệu huấn luyện (thông thường từ 1 đến 20 mẫu cho mỗi lớp). Đây là một bước tiến quan trọng so với phương pháp học máy truyền thống (**traditional Machine Learning**), vốn đòi hỏi hàng nghìn đến hàng triệu mẫu dữ liệu được gán nhãn để đạt được độ chính xác chấp nhận được.

Trong bối cảnh ngành ngân hàng, học few-shot (**Few-shot Learning** – FSL) đặc biệt có giá trị khi các ngân hàng phải đối mặt với những hình thức gian lận (**fraud**) mới xuất hiện liên tục. Ví dụ, khi một phương thức lừa đảo qua thẻ tín dụng mới xuất hiện trên thị trường, hệ thống phát hiện gian lận truyền thống sẽ cần hàng tháng hoặc hàng năm để thu thập đủ dữ liệu gian lận và huấn luyện lại mô hình. Trong khi đó, với học few-shot, ngân hàng chỉ cần 5-10 mẫu giao dịch gian lận mới là có thể cập nhật mô hình để nhận diện hình thức gian lận đó gần như ngay lập tức. Phương pháp này giúp giảm đáng kể "thời gian mù" (**cold start period**) – giai đoạn mà hệ thống chưa nhận diện được các mối đe dọa mới.

Học few-shot hoạt động dựa trên nguyên lý "học cách học" (**learning to learn** hay **meta-learning**). Thay vì chỉ học một nhiệm vụ cụ thể, mô hình sẽ học cách tổng quát hóa kiến thức từ nhiều nhiệm vụ phân loại khác nhau để có thể thích ứng nhanh chóng với nhiệm vụ mới chỉ với vài ví dụ. Trong ngân hàng, điều này có nghĩa là mô hình được huấn luyện trên hàng trăm loại giao dịch khác nhau (chuyển khoản, rút tiền ATM, thanh toán thẻ, giao dịch QR, v.v.) và sau đó có thể nhận diện một loại giao dịch mới (ví dụ: giao dịch qua ví điện tử X mới ra mắt) chỉ sau vài lần quan sát.

**Thuật ngữ tiếng Anh:** Few-shot Learning for Transaction Classification
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

Học few-shot trong phân loại giao dịch có nhiều đặc điểm nổi bật và được phân thành nhiều phương pháp khác nhau. Dưới đây là bảng phân loại chi tiết:

| Phương pháp | Đặc điểm chính | Ứng dụng trong ngân hàng | Số mẫu cần thiết |
|---|---|---|---|
| **Prototypical Networks** (Mạng nguyên mẫu) | Tạo ra một "nguyên mẫu" trung bình cho mỗi lớp giao dịch, phân loại dựa trên khoảng cách | Phân loại giao dịch thẻ tín dụng theo Merchant Category Code (MCC) | 1-5 mẫu/lớp |
| **Siamese Networks** (Mạng song sinh) | So sánh cặp giao dịch để xác định mức độ tương đồng | Xác minh giao dịch có phải của cùng một khách hàng hay không | 5-10 mẫu/lớp |
| **Model-Agnostic Meta-Learning (MAML)** | Học tham số khởi tạo tối ưu để thích ứng nhanh với tác vụ mới | Phát hiện hình thức gian lận mới trong thanh toán trực tuyến | 3-10 mẫu/lớp |
| **Relation Networks** (Mạng quan hệ) | Học mối quan hệ giữa các cặp mẫu để phân loại | Nhận diện giao dịch bất thường theo khu vực địa lý | 5-15 mẫu/lớp |
| **Matching Networks** (Mạng đối chiếu) | Sử dụng cơ chế attention để so sánh mẫu mới với tập hỗ trợ | Phân loại giao dịch theo mục đích (tiêu dùng, đầu tư, tiết kiệm) | 1-5 mẫu/lớp |
| **Transfer Learning kết hợp** | Kết hợp kiến thức từ mô hình lớn đã huấn luyện với few-shot | Áp dụng cho ngân hàng mới triển khai AI chưa có nhiều dữ liệu | 10-20 mẫu/lớp |
| **Zero-shot Learning** | Phân loại lớp hoàn toàn mới chưa từng thấy trong huấn luyện | Phát hiện loại tiền điện tử mới chưa có trong dữ liệu lịch sử | 0 mẫu (dựa vào mô tả) |
| **One-shot Learning** | Trường hợp đặc biệt với đúng 1 mẫu cho mỗi lớp mới | Xác thực giao dịch sinh trắc học (vân tay, khuôn mặt) | 1 mẫu/lớp |

**Đặc điểm nhận biết của Few-shot Learning trong ngân hàng:**

- **Khả năng tổng quát hóa cao:** Mô hình có thể áp dụng kiến thức từ hàng triệu giao dịch cũ để phân loại các giao dịch mới chỉ sau vài ví dụ.
- **Tiết kiệm chi phí gán nhãn:** Thay vì cần chuyên gia gán nhãn hàng nghìn giao dịch, ngân hàng chỉ cần 5-10 mẫu đại diện.
- **Thích ứng nhanh với thay đổi:** Khi có quy định mới (ví dụ: Thông tư 17/2024/TT-NHNN về chuyển tiền), mô hình có thể được cập nhật nhanh chóng.
- **Hiệu quả với dữ liệu mất cân bằng:** Giải quyết bài toán khi một loại giao dịch rất hiếm gặp (ví dụ: giao dịch crypto chỉ chiếm 0,01% tổng giao dịch).
- **Yêu cầu hạ tầng tính toán vừa phải:** So với việc huấn luyện lại toàn bộ mô hình lớn, few-shot chỉ cần fine-tune nhẹ, tiết kiệm GPU.
- **Kết hợp được với Active Learning:** Hệ thống có thể chủ động đề xuất những giao dịch cần chuyên gia xem xét để bổ sung vào tập huấn luyện.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Phát hiện gian lận qua ví điện tử mới

**Ngân hàng A** – một ngân hàng thương mại cổ phần lớn tại Việt Nam – vào tháng 3/2024 phát hiện một hình thức gian lận mới: kẻ gian sử dụng tài khoản ví điện tử vừa tạo (dưới 24 giờ) để nhận tiền chuyển khoản từ nhiều nạn nhân, sau đó rút tiền mặt ngay lập tức tại các cây ATM. Trước đây, hệ thống phát hiện gian lận (**Fraud Detection System**) mất khoảng 6-8 tuần để thu thập đủ dữ liệu và cập nhật mô hình. Lần này, đội ngũ AI chỉ cần:

- Thu thập 12 mẫu giao dịch gian lận đã xác nhận
- Áp dụng mô hình **Prototypical Networks** đã được huấn luyện trước trên 2,3 triệu giao dịch lịch sử
- Tinh chỉnh mô hình trong vòng 4 giờ

Kết quả: Mô hình few-shot đạt độ chính xác 87,3% trong việc phát hiện hình thức gian lận mới chỉ sau 48 giờ triển khai, so với 76,5% của mô hình cũ. Trong 30 ngày đầu tiên, hệ thống đã ngăn chặn được 847 giao dịch gian lận với tổng giá trị khoảng 12,6 tỷ đồng, giảm 64% thiệt hại so với 30 ngày trước khi triển khai.

### Ví dụ 2: Phân loại giao dịch cho khách hàng doanh nghiệp FDI

**Ngân hàng B** phục vụ khoảng 3.200 doanh nghiệp có vốn đầu tư nước ngoài (**FDI**). Khi một khách hàng FDI từ Hàn Quốc mở tài khoản thanh toán, mô hình phân loại giao dịch gặp khó khăn vì các mã ngành nghề (theo chuẩn **Vietnamese Standard Industrial Classification – VSIC**) của doanh nghiệp Hàn Quốc không hoàn toàn tương đồng với dữ liệu huấn luyện. Đội ngũ AI áp dụng **Siamese Networks** kết hợp với few-shot learning:

- Sử dụng 8 mẫu giao dịch đầu tiên của khách hàng FDI Hàn Quốc
- So sánh với 15.000 mẫu giao dịch tương tự từ doanh nghiệp FDI Nhật Bản và Đài Loan
- Mô hình tự động học được pattern đặc thù: thanh toán cho nhà cung cấp nguyên liệu, chi phí logistics, lương thưởng bằng ngoại tệ

Sau 2 tuần, tỷ lệ phân loại đúng (**classification accuracy**) đạt 94,2%, giúp bộ phận kế toán khách hàng tiết kiệm khoảng 40 giờ làm việc mỗi tháng và giảm 78% yêu cầu phân loại lại thủ công.

### Ví dụ 3: Nhận diện hình thức rửa tiền qua NFT

Vào quý 4/2024, nhiều ngân hàng tại Việt Nam bắt đầu ghi nhận các giao dịch liên quan đến tài sản số (**digital assets**) và **NFT (Non-Fungible Token)**. **Ngân hàng C** – chuyên phục vụ khách hàng cá nhân có thu nhập cao – cần phân loại các giao dịch mua bán NFT (dù hạn chế) để phục vụ công tác phòng chống rửa tiền (**AML – Anti-Money Laundering**). Do chỉ có 23 giao dịch NFT được ghi nhận trong 6 tháng, không đủ để huấn luyện mô hình truyền thống, ngân hàng áp dụng **MAML (Model-Agnostic Meta-Learning)**:

- Pre-train trên 500.000 giao dịch liên quan đến crypto, forex, chứng khoán
- Fine-tune với 23 giao dịch NFT trong 2 giờ
- Đạt F1-score = 0,82 trong việc phân biệt giao dịch NFT hợp pháp và đáng ngờ

Hệ thống sau đó đã hỗ trợ phát hiện 3 trường hợp có dấu hiệu rửa tiền qua NFT với tổng giá trị 8,9 tỷ đồng, giúp cơ quan chức năng điều tra kịp thời.

## Học few-shot phân loại giao dịch trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Few-shot Learning for Transaction Classification | /fjuː ʃɒt ˈlɜːnɪŋ fɔː trænˈzækʃən ˌklæsɪfɪˈkeɪʃən/ |
| Tiếng Nhật | 少数ショット学習による取引分類 (Shōsū shotto gakushū ni yoru torihiki bunrui) | Shōsū shotto gakushū ni yoru torihiki bunrui |
| Tiếng Hàn | 퓨샷 학습 기반 거래 분류 (Pyusyat hagseup giban georae bunryu) | Pyusyat hagseup giban georae bunryu |
| Tiếng Trung | 小样本学习交易分类 (Xiǎo yàngběn xuéxí jiāoyì fēnlèi) | Xiǎo yàngběn xuéxí jiāoyì fēnlèi |
| Tiếng Tây Ban Nha | Aprendizaje de Pocas Muestras para Clasificación de Transacciones | /a.pɾen.dɪˈsa.xe ðe ˈpo.kas ˈmwes.tɾas paˈɾa kla.si.fi.kaˈsjon ðe tɾan.sakˈsjo.nes/ |

## Câu hỏi thường gặp

### Học few-shot phân loại giao dịch khác gì so với học máy truyền thống?

Học máy truyền thống (**traditional Machine Learning**) yêu cầu hàng nghìn đến hàng triệu mẫu dữ liệu được gán nhãn cho mỗi lớp giao dịch, trong khi học few-shot chỉ cần 1-20 mẫu cho mỗi lớp mới. Học few-shot đặc biệt phù hợp với bài toán phát hiện gian lận mới, loại giao dịch hiếm gặp hoặc khi ngân hàng mới triển khai hệ thống AI chưa có đủ dữ liệu lịch sử. Tuy nhiên, độ chính xác của few-shot thường thấp hơn 5-15% so với mô hình truyền thống khi có đủ dữ liệu, nên trong thực tế các ngân hàng thường kết hợp cả hai phương pháp.

### Khi nào ngân hàng cần áp dụng few-shot learning?

Ngân hàng nên cân nhắc áp dụng few-shot learning trong các tình huống: (1) Khi xuất hiện hình thức gian lận mới và chỉ có vài chục mẫu xác nhận; (2) Khi mở rộng sang phân khúc khách hàng mới (ví dụ: khách hàng FDI, doanh nghiệp SME ngành nghề đặc thù); (3) Khi có quy định pháp lý mới từ Ngân hàng Nhà nước yêu cầu phân loại giao dịch theo tiêu chí mới; (4) Khi tích hợp dịch vụ mới như ví điện tử, crypto, thanh toán xuyên biên giới. Theo khảo sát của **Vietnam Banking Report 2024**, khoảng 67% ngân hàng Việt Nam đã hoặc đang triển khai few-shot learning cho ít nhất một use case.

### Few-shot learning ảnh hưởng thế nào đến trải nghiệm khách hàng?

Few-shot learning giúp cải thiện đáng kể trải nghiệm khách hàng theo ba cách: **Thứ nhất**, giảm tỷ lệ giao dịch hợp lệ bị từ chối nhầm (**false positive rate**) từ 8-12% xuống còn 2-4%, giúp khách hàng không bị làm phiền bởi các cảnh báo sai. **Thứ hai**, tăng tốc độ phê duyệt giao dịch từ trung bình 3-5 giây xuống dưới 1 giây nhờ mô hình đã học được pattern nhanh hơn. **Thứ ba**, cá nhân hóa dịch vụ tốt hơn – hệ thống có thể nhận diện nhanh thói quen chi tiêu của từng khách hàng chỉ sau vài giao dịch, từ đó đề xuất sản phẩm phù hợp (ví dụ: gợi ý thẻ tín dụng có cashback cho khách hàng hay mua sắm online).

## Tổng kết

Học few-shot phân loại giao dịch (**Few-shot Learning for Transaction Classification**) đang trở thành công nghệ cốt lõi trong chiến lược chuyển đổi số của ngành ngân hàng Việt Nam. Với khả năng học nhanh từ ít dữ liệu, phương pháp này giúp giải quyết bài toán "cold start" – vốn là rào cản lớn nhất trong việc ứng dụng AI vào phát hiện gian lận và phân loại giao dịch tài chính. Đối với ứng viên tham gia tuyển dụng ngân hàng, việc nắm vững thuật ngữ này không chỉ giúp trả lời phỏng vấn mà còn thể hiện sự hiểu biết về xu hướng công nghệ tài chính (**FinTech**) mà ngân hàng đang theo đuổi. Trong bối cảnh các hình thức gian lận ngày càng tinh vi và quy định pháp lý ngày càng chặt chẽ, few-shot learning sẽ tiếp tục là công cụ chiến lược giúp ngân hàng duy trì lợi thế cạnh tranh và bảo vệ khách hàng hiệu quả hơn.

## 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.
- [Chiếm đoạt tài khoản](https://vieclam.nganhang.com/thuat-ngu/chiem-doat-tai-khoan-la-gi) — Kẻ gian chiếm quyền kiểm soát tài khoản ngân hàng của nạn nhân thông qua phishing, SIM swap hoặc lộ mật khẩu. Là nguy cơ hàng đầu trong ngân hàng số và ví điện…
- [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 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.
- [Phòng chống rửa tiền](https://vieclam.nganhang.com/thuat-ngu/phong-chong-rua-tien-la-gi) — Hệ thống quy trình và công nghệ giúp ngân hàng phát hiện, ngăn chặn các giao dịch có dấu hiệu rửa tiền.
- [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.