Chuẩn hóa dữ liệu quốc gia để phát triển AI

Bộ Khoa học và Công nghệ đang dự thảo Quyết định của Thủ tướng Chính phủ ban hành Danh mục bộ dữ liệu phục vụ phát triển trí tuệ nhân tạo trong các lĩnh vực thiết yếu.

Mục tiêu của dự thảo là thiết lập một hệ sinh thái dữ liệu AI đồng bộ, mở và an toàn, hoàn thiện các kho dữ liệu lớn và hồ dữ liệu trong các lĩnh vực thiết yếu. 

Đến năm 2030, 100% các cơ sở dữ liệu ưu tiên sẽ được số hóa và chuẩn hóa để tích hợp vào Cơ sở dữ liệu tổng hợp quốc gia phục vụ phát triển AI. Điều này không chỉ giúp Việt Nam làm chủ các mô hình ngôn ngữ lớn tiếng Việt và các thuật toán AI cốt lõi mà còn phù hợp với đặc thù văn hóa và ngôn ngữ của đất nước.

Danh mục bộ dữ liệu được xây dựng dựa trên các tiêu chí sàng lọc cốt lõi như phù hợp với nguyên tắc phát triển AI quốc gia, gắn với lợi ích công cộng và lĩnh vực thiết yếu, có tính khả thi triển khai tại Việt Nam, khả năng chuẩn hóa và khử nhận dạng, không vi phạm pháp luật về dữ liệu và bảo vệ dữ liệu cá nhân, có cơ quan chủ quản rõ ràng và khả năng cập nhật định kỳ. Cấu trúc của danh mục được chia thành hai phụ lục chi tiết, định hướng lộ trình đầu tư và khai thác.

Phụ lục I bao gồm nhóm danh mục bộ dữ liệu trong các lĩnh vực thiết yếu phục vụ phát triển AI, được ví như "bản đồ tài nguyên dữ liệu số" của quốc gia. 

Các nhóm tiêu biểu bao gồm dữ liệu ngôn ngữ tiếng Việt và tiếng dân tộc thiểu số, tri thức quốc gia, pháp luật và quản lý nhà nước, dữ liệu các chuyên ngành trọng điểm như y tế, giáo dục, nông nghiệp, giao thông, tài nguyên và môi trường, kinh tế và thị trường, cùng với dữ liệu hạ tầng và an ninh như bản đồ và không gian địa lý, viễn thông và hạ tầng số, an toàn, an ninh và quản lý rủi ro. Mục tiêu là xác định rõ các nguồn tài nguyên dữ liệu cốt lõi do Nhà nước quản lý cần phải được chuẩn hóa để sẵn sàng kết nối, chia sẻ cho hệ sinh thái AI.

Phụ lục II tập trung vào các nhóm dữ liệu có giá trị cao, giải quyết các bài toán "nghẽn" về công nghệ hiện nay, trong đó gồm 5 nhóm trọng điểm. 

Nhóm 1 là dữ liệu cho Mô hình ngôn ngữ lớn tiếng Việt, tập trung vào kho dữ liệu văn bản quy mô lớn, báo chí, học thuật và tiếng nói đa vùng miền để làm chủ công nghệ AI nội sinh, bảo vệ chủ quyền văn hóa trên không gian số. 

Nhóm 2 là dữ liệu kiểm thử và đánh giá hệ thống AI, cung cấp các bộ "thước đo" chuẩn hóa gồm đề thi, tình huống pháp lý và kịch bản hội thoại để đo lường năng lực và độ chính xác của các hệ thống AI trước khi vận hành thực tế. 

Nhóm 3 là dữ liệu AI thị giác máy tính, tập trung vào dữ liệu hình ảnh, video từ camera giao thông, đô thị, hình ảnh y tế chuyên sâu, nông nghiệp và ảnh vệ tinh/viễn thám. 

Nhóm 4 là dữ liệu AI trong các lĩnh vực chuyên ngành, ưu tiên các dữ liệu cấu trúc, bảng biểu thống kê trong y tế, giáo dục, tài chính, năng lượng và môi trường. 

Cuối cùng, nhóm 5 là dữ liệu AI an toàn và đáng tin cậy, xây dựng các bộ dữ liệu đặc thù để huấn luyện các bộ lọc tin giả, nội dung độc hại, lừa đảo và các kịch bản tấn công hệ thống nhằm bảo đảm an ninh mạng.