Để giải được bài toán dữ liệu Việt phải hiểu được đặc tính của người Việt

PV: Thưa ông, xin ông cho biết vai trò, giá trị của dữ liệu trong việc đào tạo trí tuệ nhân tạo?

Ông Đào Đức Minh: Sự thành công của trí tuệ nhân tạo sẽ phụ thuộc rất lớn vào việc biết chọn lựa, thu thập và xử lý dữ liệu. Để đào tạo một mô hình trí tuệ nhân tạo chất lượng cao, chúng ta thường bắt đầu bằng việc huấn luyện từ một bộ cơ sở dữ liệu khá lớn.

Sau đó, khi đưa mô hình đó vào triển khai và thực nghiệm, việc tiếp tục thu thập và xử lý dữ liệu sẽ đóng một vai trò rất quan trọng trong việc nâng cao và hoàn thiện chất lượng mô hình.

Dữ liệu cần phải đạt chuẩn về số lượng, chất lượng, sự đa dạng và tính phổ quát. Ví dụ, trong quá trình phát triển sản phẩm Trợ lý ảo ViVi cho người Việt, để đào tạo chúng tôi đã phải thu thập, xử lý hàng chục nghìn giờ dữ liệu chất lượng cao, từ hàng trăm nghìn giọng từ các vùng miền khác nhau, đa dạng lứa tuổi và giới tính, với nội dung trải dài hàng trăm lĩnh vực,…

Các dữ liệu thô ban đầu được làm sạch, gán nhãn và xử lý qua nhiều bước để tạo ra được nguồn dữ liệu chất lượng nhất đưa vào mô hình AI, từ đó cải thiện tính chính xác của ViVi. Con số này đạt mức gần như tối đa: >98%.

Việc thu thập và xử lý hàng nghìn giờ dữ liệu là rất tốn kém, phức tạp. Nhưng phải có dữ liệu tốt thì chúng ta mới có trí tuệ nhân tạo chất lượng. ChatGPT hay Bard (chatbot của Google) đều được đào tạo những nguồn dữ liệu khổng lồ thu thập từ nhiều nguồn khác nhau trên Internet.

Trí tuệ nhân tạo muốn thành công thì phải được đào tạo trên nguồn dữ liệu có quy mô rất lớn và đa dạng, như vậy, kết quả tạo ra mới có độ chính xác cao. Ngược lại, để phân tích dữ liệu lớn, chúng ta cần phải dùng tới trí tuệ nhân tạo để đảm bảo khả năng xử lí dữ liệu chính xác trên diện rộng, từ đó tạo ra những kết quả có tính quyết định hoặc tính dự đoán tốt hơn.

Đó là một sự cộng hưởng giữa trí tuệ nhân tạo và dữ liệu lớn.

PV: Xin ông cho biết quy trình chọn lựa và thu thập dữ liệu cho máy học. Các dữ liệu này sẽ được thu thập như thế nào và từ những nguồn nào? Nhất là khi nơi sở hữu thông tin người dùng Việt Nam nhiều nhất lại là các trang mạng xã hội thuộc những công ty nước ngoài (Google, Facebook…)

Ông Đào Đức Minh: Bước đầu tiên trong quy trình chọn lựa và thu nhập dữ liệu cho các mô hình máy học là phải hiểu đâu là sự lựa chọn tốt. Chúng ta có thể tham khảo mô hình 5V của dữ liệu lớn, một nguồn dữ liệu tốt sẽ gồm đầy đủ 5 yếu tố: khối lượng (volume), giá trị (value), đa dạng (variety), tốc độ (velocity) và tính xác thực (veracity).

Thông thường, để tạo ra mô hình trí tuệ nhân tạo tốt nhất cho một ứng dụng thực tiễn, nguồn dữ liệu tốt sẽ vừa cần mang tính đa dạng, phổ cập của nhiều bài toán tương tự, vừa cần tính cụ thể và cá nhân của chính ứng dụng đó.

Có một thực tế là nguồn dữ liệu (có thể coi là) lớn nhất của con người nằm trên Internet và mạng xã hội. Nguồn dữ liệu này lại do các công ty nước ngoài sở hữu phần lớn. Tuy nhiên dữ liệu có thể tới từ nhiều nguồn khác nhau và Việt Nam vẫn có lợi thế trong việc tiếp xúc những nguồn dữ liệu của riêng mình. Bên cạnh đó, có những bài toán dữ liệu mà chỉ có người Việt mới có thể giải quyết được. Bởi chính chúng ta mới hiểu được đặc tính của “dữ liệu Việt”, thấu hiểu nhu cầu và đặc điểm của người Việt, từ đó ứng dụng thành công công nghệ để phục vụ đời sống người Việt.

Với ViVi, bài toán đầu tiên mà VinBigData đặt ra là phải mang tới một sản phẩm trợ lý giọng nói của người Việt, dành cho người Việt. Tức là, chúng tôi phải làm chủ được nguồn dữ liệu Việt, kết hợp cùng công nghệ trí tuệ nhân tạo để mang tới một sản phẩm có tính ứng dụng cao, phục vụ tối ưu nhất cho nhu cầu của người Việt Nam.

Từ những mục tiêu này, chúng tôi hiểu mình cần phải thu thập những nguồn dữ liệu như thế nào và ở đâu để có thể đào tạo. Nguồn dữ liệu này không nhất thiết phải là những nguồn dữ liệu rộng trên mạng.

Với khát vọng làm chủ dữ liệu và công nghệ Việt, ngay từ khi thành lập, VinBigData đã xây dựng những nguồn dữ liệu riêng và có tính đặc trưng của người Việt. Tổng cộng lượng dữ liệu chúng tôi sở hữu đã lên tới hơn 3.500 Terabyte. Cụ thể chúng tôi có: Dữ liệu về hàng triệu giọng nói đa vùng miền của Việt Nam; hơn 2 triệu ảnh y tế từ nhiều nguồn khác nhau; hàng triệu dữ liệu về hình ảnh camera về đa đối tượng ở Việt Nam (người, phương tiện, và các loại vật thể), và hàng chục bộ cơ sở dữ liệu đa lĩnh vực khác nhau…, toàn bộ đã được thu thập, làm sạch, xử lý và gán  nhãn.

Đặc biệt trong năm 2021, chúng tôi cũng đã công bố Dự án giải trình tự 1000 hệ gen người Việt (công bố bởi Viện nghiên cứu Dữ liệu lớn – tiền thân của VinBigData), trở thành một trong những đơn vị sở hữu bộ cơ sở dữ liệu về hệ gen người Việt lớn nhất. Thành quả nghiên cứu này đã và đang được chia sẻ tới cộng đồng các y bác sỹ, các nhà di truyền học, hướng tới nền y học cá thể hóa cho Việt Nam trong tương lai.

PV: Dữ liệu sau khi được thu thập sẽ được làm gì tiếp theo và được chuẩn hóa như thế nào? Có phải dữ liệu càng lớn sẽ càng tốt?

Ông Đào Đức Minh: Như tôi đã nói, khối lượng (volume) là một trong những yếu tố quan trọng khi thu thập dữ liệu. Tuy nhiên tôi cũng muốn nhấn mạnh rằng: Nếu chưa được chọn lọc, làm sạch và phân loại rõ ràng, dữ liệu lớn thôi là chưa đủ.

Thông thường dữ liệu sẽ đi qua một chu trình xử lý cơ bản bao gồm: Thu thập (dữ liệu cấu trúc và phi cấu trúc), lưu trữ (dữ liệu được lưu trữ trong hệ cơ sở dữ liệu), xử lý (gồm một loạt các bước như lọc, làm sạch, gán nhãn, tăng cường dữ liệu, trích xuất/tổng hợp thông tin, cũng như trực quan hóa dữ liệu) và phân tích. Quy trình này có thể được lặp đi lặp lại nhiều vòng trong quá trình phát triển và hoàn thiện một hệ thống AI.

Điều đáng quan tâm là dữ liệu sẽ mang lại giá trị (value) nào cho cuộc sống? Đây là điều VinBigData ấp ủ trong suốt gần 5 năm nghiên cứu và phát triển các sản phẩm. Chúng tôi quan niệm, chỉ khi công nghệ thực sự đi vào đời sống, giải quyết những vấn đề của xã hội và nâng cao đời sống người dân thì lúc đó những nghiên cứu mới thực sự thành công.

PV: Vừa rồi ông có nói rất nhiều tới việc chúng ta tự thu thập và tự ra các kho dữ liệu. Vây đâu sẽ là tiêu chí để xác định ranh giới thu thập và sử dụng dữ liệu để đảm bảo các quyền cho người dùng?

Ông Đào Đức Minh: Quá trình thu thập và xử lý dữ liệu rất cần những quy định của pháp luật hay tiêu chuẩn bảo mật để bảo vệ người sử dụng cũng như doanh nghiệp. Việt Nam vẫn đang trong quá trình xây dựng và hoàn thiện các tiêu chuẩn cụ thể để bảo vệ dữ liệu của người dùng.

Trên thế giới đã có những bộ tiêu chuẩn ở mức độ khá hoàn thiện. Ví dụ: GDPR – bộ tiêu chuẩn bảo vệ dữ liệu người dùng của liên minh châu Âu; hay PCI-DSS là bộ tiêu chuẩn hướng tới việc bảo vệ người dùng thanh toán qua thẻ.

Khi chúng ta muốn hướng tới việc phổ cập hay đưa những sản phẩm của Việt Nam ra thị trường quốc tế thì việc tuân thủ những tiêu chuẩn quốc tế này là việc rất cần thiết.

Trước mắt, để đảm bảo quyền lợi cho người dùng, VinBigData cố gắng tạo ra sự minh bạch trong quá trình thu thập và sử dụng dữ liệu với những mục đích, mục tiêu thu thập và sử dụng dữ liệu được công khai. Đặc biệt với những dữ liệu thuộc sở hữu cá nhân.

Hiện tại VinBigData đã ký kết với hàng loạt các tổ chức quốc tế để đảm bảo tính bảo mật cũng như quyền lợi của người dùng. Sau đó, chúng tôi mong sẽ có sự đồng lòng giữa các doanh nghiệp và Chính phủ để sớm xây dựng hành lang pháp lý cũng như quy chuẩn pháp luật về bảo vệ dữ liệu của người dùng.

PV: Khi sở hữu dữ liệu lớn, trí tuệ nhân tạo sẽ đối mặt với những rủi ro hay lỗ hổng bảo mật về dữ liệu như thế nào?

Ông Đào Đức Minh: Nếu biết sử dụng đúng cách, dữ liệu sẽ là một nguồn tài sản quý. Rủi ro mất mát, rò rỉ dữ liệu là một vấn đề cần phải có biện pháp bảo đảm an toàn ngay từ đầu.

Khi chưa có sự vụ gì xảy ra, chúng ta thường chưa ý thức đầy đủ về tầm quan trọng của bảo mật dữ liệu. Nhưng khi sự cố ập đến, thiệt hại sẽ rất lớn. Vừa qua, hơn 200 triệu dữ liệu người dùng của Twitter đã bị rò rỉ. Thông tin người dùng được đem đi bán công khai trên nhiều nền tảng khác nhau. Giả sử nếu cả triệu người dùng này đều đâm đơn kiện, Twitter sẽ phải chịu tổn thất rất lớn.

Nếu rò rỉ dữ liệu chỉ liên quan đơn thuần tới kỹ thuật thì mức độ thiệt hại thường ít hơn. Nhưng nếu rò rỉ liên quan tới chủ ý ăn cắp dữ liệu thì hậu quả rất khó lường. Đối với cá nhân, kẻ xấu hoàn toàn có thể sử dụng những thông tin bị lộ cho nhiều mục đích phi pháp khác nhau. Còn đối với doanh nghiệp, việc lộ lọt thông tin không chỉ gây tổn thất rất lớn về mặt tài chính để khắc phục các sự cố liên quan, mà còn gây ra những tổn hại về danh tiếng và thương hiệu trên thương trường.