# Học vài mẫu Few-Shot

Tiếng Anh: Few-Shot Learning

Khả năng mô hình học từ một số rất ít ví dụ có gán nhãn, hữu ích cho phát hiện loại gian lận mới xuất hiện.

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

**Học vài mẫu (Few-Shot Learning)** là một phương pháp thuộc lĩnh vực trí tuệ nhân tạo (**Artificial Intelligence - AI**) và học máy (**Machine Learning - ML**), cho phép mô hình có thể nhận diện, phân loại hoặc đưa ra dự đoán về một đối tượng hoặc danh mục hoàn toàn mới chỉ từ một số lượng rất nhỏ dữ liệu mẫu có gán nhãn — thường từ 1 đến 5 mẫu. Đây là bước tiến quan trọng so với phương pháp học máy truyền thống vốn yêu cầu hàng nghìn đến hàng triệu mẫu dữ liệu để huấn luyện mô hình có độ chính xác chấp nhận được. Trong bối cảnh ngân hàng, nơi các hình thức gian lận liên tục biến đổi và việc thu thập dữ liệu lịch sử lớn là bất khả thi đối với các hiểm họa mới xuất hiện, **Few-Shot Learning** trở thành công cụ chiến lược giúp các tổ chức tín dụng phản ứng nhanh chóng với rủi ro.

Về cách thức hoạt động, **Few-Shot Learning** khai thác **kiến thức nền tảng (prior knowledge)** mà mô hình đã tích lũy được từ quá trình huấn luyện trên các tác vụ liên quan trước đó. Thay vì học từ đầu, mô hình chỉ cần một vài ví dụ minh họa để tổng quát hóa và áp dụng cho tình huống mới. Quy trình này thường diễn ra theo hai giai đoạn: giai đoạn **meta-learning** (học cách học) trên một tập dữ liệu lớn gồm nhiều tác vụ phụ, và giai đoạn **fine-tuning** (tinh chỉnh) chỉ với vài mẫu của tác vụ mới. Các kiến trúc mô hình phổ biến bao gồm **Siamese Networks**, **Prototypical Networks**, **Matching Networks**, thuật toán **Model-Agnostic Meta-Learning (MAML)** và đặc biệt là khả năng **in-context learning** của các mô hình ngôn ngữ lớn (**Large Language Model - LLM**) thế hệ mới.

Trong ngành ngân hàng Việt Nam, **Few-Shot Learning** đặc biệt có giá trị khi tích hợp vào hệ thống phòng chống gian lận (**Fraud Detection**), giúp nhận diện nhanh các kiểu giao dịch bất thường chưa từng có trong lịch sử dữ liệu. Phương pháp này giúp giảm đáng kể thời gian huấn luyện lại mô hình — từ vài tuần xuống còn vài giờ — đồng thời tiết kiệm chi phí gán nhãn dữ liệu và hạ tầng tính toán. Điều này đặc biệt phù hợp với yêu cầu tại Điều 14 Thông tư 17/2024/TT-NHNN về ứng dụng công nghệ thông tin và chuyển đổi số, cũng như Thông tư 09/2020/TT-NHNN quy định về quản trị rủi ro công nghệ thông tin trong hoạt động ngân hàng.

**Thuật ngữ tiếng Anh:** Few-Shot Learning
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

**Few-Shot Learning** có những đặc điểm nổi bật giúp phân biệt với các phương pháp học máy khác. Dưới đây là bảng tổng hợp các đặc điểm chính và phân loại chi tiết:

| Tiêu chí | Nội dung chi tiết |
|---|---|
| **Số lượng mẫu huấn luyện** | Từ 1 đến 5 mẫu có gán nhãn cho mỗi lớp mới (chuẩn N-way K-shot, ví dụ: 5-way 3-shot = 5 lớp, mỗi lớp 3 mẫu) |
| **Kiến thức nền tảng** | Mô hình được tiền huấn luyện trên tập dữ liệu lớn, sau đó tổng quát hóa cho tác vụ mới |
| **Thời gian triển khai** | Từ vài giờ đến vài ngày, thay vì vài tuần như học máy truyền thống |
| **Chi phí dữ liệu** | Giảm 80-95% so với yêu cầu gán nhãn dữ liệu truyền thống |
| **Độ chính xác** | Đạt 85-95% so với mô hình huấn luyện đầy đủ dữ liệu trong nhiều tác vụ thực tế |

**Bảng phân loại các dạng Few-Shot Learning:**

| Loại hình | Số mẫu/lớp | Đặc điểm | Ứng dụng ngân hàng điển hình |
|---|---|---|---|
| **One-Shot Learning** | 1 mẫu | Yêu cầu tối thiểu, thường dùng cho tác vụ xác thực sinh trắc học | Nhận diện khuôn mặt khách hàng mới khi mở tài khoản eKYC |
| **Few-Shot Learning** | 2-5 mẫu | Cân bằng giữa hiệu quả và độ chính xác | Phát hiện giao dịch gian lận mới, phân loại khiếu nại |
| **Zero-Shot Learning** | 0 mẫu | Sử dụng mô tả ngữ nghĩa hoặc thuộc tính để suy luận | Phát hiện loại gian lận chưa từng xuất hiện qua mô tả |
| **Transfer Learning** | Hàng nghìn mẫu | Tận dụng mô hình nền đã huấn luyện, tinh chỉnh cho tác vụ mới | Tùy chỉnh chatbot ngân hàng theo từng phân khúc khách hàng |

**Các kỹ thuật cốt lõi trong Few-Shot Learning:**

- **Siamese Networks:** Sử dụng hai mạng neural song song để so sánh mức độ tương đồng giữa hai mẫu dữ liệu, phù hợp cho tác vụ xác minh danh tính.
- **Prototypical Networks:** Tính toán điểm đại diện (prototype) cho mỗi lớp trong không gian embedding, sau đó phân loại mẫu mới dựa trên khoảng cách gần nhất.
- **Matching Networks:** Kết hợp cơ chế attention để so khớp mẫu mới với tập hỗ trợ (support set) đã có.
- **MAML (Model-Agnostic Meta-Learning):** Tối ưu hóa khả năng thích nghi nhanh của mô hình với tác vụ mới chỉ qua vài gradient step.
- **LLM In-Context Learning:** Tận dụng các mô hình ngôn ngữ lớn như GPT-4, Claude, hay các phiên bản nội bộ để học từ vài ví dụ trong prompt mà không cần cập nhật trọng số.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Phát hiện gian lận thẻ tín dụng mới xuất hiện

**Ngân hàng A** — một trong những ngân hàng thương mại cổ phần lớn tại Việt Nam — ghi nhận tình huống vào tháng 3/2025 khi một hình thức gian lận thẻ tín dụng mới xuất hiện với đặc điểm: giao dịch có giá trị nhỏ dưới 500.000 đồng được thực hiện liên tiếp tại các merchant nước ngoài ở khu vực Đông Nam Á, xen kẽ với giao dịch lớn trong nước để đánh lừa hệ thống. Trước đây, hệ thống phát hiện gian lận truyền thống mất khoảng 3-4 tuần để nhận diện pattern mới, gây thiệt hại trung bình 2,3 tỷ đồng cho mỗi đợt tấn công. Sau khi triển khai **Few-Shot Learning**, chỉ với 12 mẫu giao dịch bất thường được chuyên gia gán nhãn, hệ thống đã học và cảnh báo trong vòng 6 giờ, giúp giảm 78% số giao dịch gian lận thành công và tiết kiệm ước tính 1,8 tỷ đồng trong tháng đầu tiên áp dụng.

### Ví dụ 2: Phân loại khiếu nại khách hàng theo ngữ cảnh mới

**Ngân hàng B** triển khai hệ thống **Few-Shot Learning** để xử lý khiếu nại khách hàng qua tổng đài và ứng dụng di động. Khi Ngân hàng Nhà nước ban hành quy định mới về phí giao dịch ngoại tệ, một loại khiếu nại hoàn toàn mới xuất hiện với tần suất tăng 340% trong 2 tuần đầu. Thay vì phải thu thập hàng nghìn mẫu khiếu nại để huấn luyện lại mô hình phân loại (mất 4-6 tuần), đội ngũ AI chỉ cần cung cấp 5 mẫu khiếu nại đại diện cho mỗi lớp mới. Hệ thống tự động phân loại chính xác 89,2% khiếu nại về đúng bộ phận xử lý, giảm thời gian phản hồi trung bình từ 48 giờ xuống còn 6 giờ, đồng thời nâng cao điểm hài lòng khách hàng (CSAT) từ 7,2 lên 8,6 trên thang 10.

### Ví dụ 3: Nhận diện hành vi rửa tiền phức tạp

Một ngân hàng quốc doanh lớn tại Việt Nam đã ứng dụng **Few-Shot Learning** kết hợp với hệ thống **Anti-Money Laundering (AML)** để phát hiện các mẫu rửa tiền mới thông qua tài khoản tiền gửi có kỳ hạn. Cụ thể, một tổ chức tội phạm sử dụng kỹ thuật **structuring** — chia nhỏ giao dịch lớn thành nhiều giao dịch dưới ngưỡng báo cáo 200 triệu đồng, sau đó luân chuyển qua 8-12 tài khoản trung gian. Hệ thống **Few-Shot Learning** với kiến trúc **Graph Neural Network** kết hợp **Prototypical Networks** đã nhận diện pattern này chỉ sau 18 giờ từ khi có 7 giao dịch đầu tiên được cảnh báo, giúp phòng ngừa tổng giá trị giao dịch đáng ngờ lên tới 87 tỷ đồng trong vòng 30 ngày.

## Học vài mẫu Few-Shot trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Few-Shot Learning | /fjuː ʃɒt ˈlɜːnɪŋ/ |
| Tiếng Nhật | 少数ショット学習 (Shōshū Shotto Gakushū) | Shō-shū Shot-to Ga-ku-shū |
| Tiếng Hàn | 퓨샷 학습 (Pyusat Hagseup) | Pyu-sat Hag-seup |
| Tiếng Trung | 小样本学习 (Xiǎo yàngběn xuéxí) | Xiǎo yàng-běn xué-xí |
| Tiếng Tây Ban Nha | Aprendizaje con Pocos Ejemplos | /a.pɾen.diˈsa.xe kon ˈpo.kos eˈxem.plos/ |

## Câu hỏi thường gặp

### Học vài mẫu Few-Shot khác gì so với Học chuyển giao (Transfer Learning)?

**Few-Shot Learning** và **Transfer Learning (Học chuyển giao)** đều tận dụng kiến thức từ mô hình đã huấn luyện trước, nhưng khác biệt cơ bản ở số lượng dữ liệu cần thiết và cách tiếp cận. **Transfer Learning** vẫn yêu cầu từ hàng trăm đến hàng nghìn mẫu để tinh chỉnh mô hình cho tác vụ mới, trong khi **Few-Shot Learning** chỉ cần 1-5 mẫu nhờ kỹ thuật **meta-learning**. Ngoài ra, **Few-Shot Learning** được thiết kế đặc biệt để xử lý các tình huống cực kỳ khan hiếm dữ liệu, ví dụ phát hiện gian lận mới chỉ với vài giao dịch bất thường, trong khi **Transfer Learning** phù hợp hơn với việc tùy chỉnh mô hình cho phân khúc khách hàng hoặc sản phẩm mới với lượng dữ liệu vừa phải.

### Khi nào ngân hàng cần ứng dụng Few-Shot Learning?

Ngân hàng nên cân nhắc triển khai **Few-Shot Learning** trong bốn tình huống chính: (1) Khi xuất hiện hình thức gian lận mới mà hệ thống cũ chưa từng ghi nhận, cần phản ứng trong vòng vài giờ thay vì vài tuần; (2) Khi Ngân hàng Nhà nước ban hành quy định mới tạo ra các loại khiếu nại hoặc giao dịch đặc thù cần phân loại ngay; (3) Khi triển khai sản phẩm ngân hàng số cho phân khúc khách hàng mới với dữ liệu lịch sử hạn chế; (4) Khi cần cá nhân hóa trải nghiệm khách hàng cao cấp với hồ sơ dữ liệu riêng biệt. Đây cũng là yêu cầu nằm trong chiến lược chuyển đổi số ngành ngân hàng giai đoạn 2025-2030 và tuân thủ Điều 14 Thông tư 17/2024/TT-NHNN.

### Học vài mẫu Few-Shot ảnh hưởng thế nào đến khách hàng?

**Few-Shot Learning** mang lại ba tác động tích cực rõ rệt đến khách hàng ngân hàng. Thứ nhất, khách hàng được bảo vệ tốt hơn nhờ hệ thống phát hiện gian lận phản ứng nhanh — giảm trung bình 60-80% thời gian phát hiện so với phương pháp cũ, qua đó hạn chế thiệt hại tài chính. Thứ hai, thời gian xử lý khiếu nại và yêu cầu hỗ trợ được rút ngắn từ vài ngày xuống còn vài giờ, nâng cao trải nghiệm dịch vụ. Thứ ba, mô hình này giúp ngân hàng cá nhân hóa sản phẩm chính xác hơn ngay cả với nhóm khách hàng mới ít dữ liệu, ví dụ đề xuất sản phẩm thẻ tín dụng phù hợp cho khách hàng mới sau 3-5 giao dịch đầu tiên thay vì phải chờ 6 tháng tích lũy dữ liệu.

## Tổng kết

**Học vài mẫu (Few-Shot Learning)** đang trở thành công nghệ cốt lõi trong chiến lược chuyển đổi số của ngành ngân hàng Việt Nam, đặc biệt trong bối cảnh các hình thức gian lận tài chính ngày càng tinh vi và yêu cầu pháp lý ngày càng chặt chẽ từ Ngân hàng Nhà nước. Với khả năng học từ chỉ 1-5 mẫu dữ liệu, phương pháp này giúp các tổ chức tín dụng rút ngắn thời gian phản ứng với rủi ro mới từ vài tuần xuống còn vài giờ, tiết kiệm chi phí vận hành đáng kể và nâng cao chất lượng dịch vụ khách hàng. Đối với người ôn thi tuyển dụng ngân hàng, việc nắm vững khái niệm **Few-Shot Learning**, phân biệt rõ với **One-Shot Learning**, **Zero-Shot Learning** và **Transfer Learning**, cùng khả năng liên hệ với các quy định pháp lý hiện hành sẽ là lợi thế cạnh tranh quan trọng trong các bài thi chuyên ngành AI & Machine Learning trong ngân hàng.

## 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.
- [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 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.
- [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.
- [Thông tư 17/2024/TT-NHNN](https://vieclam.nganhang.com/thuat-ngu/thong-tu-172024tt-nhnn-la-gi) — Thông tư của Ngân hàng Nhà nước Việt Nam quy định về an toàn thông tin trong hoạt động ngân hàng, có hiệu lực từ năm 2025.