Dạy AI hiểu tiếng Việt: Vì sao dữ liệu cũng quan trọng như mô hình?

Hành Trình AI · 8–14/3/2025

Cùng một ý, người Việt có thể diễn đạt rất khác nhau tùy vùng miền, thế hệ và hoàn cảnh. Khi một hệ thống AI trả lời tiếng Việt trôi chảy, liệu nó đã hiểu được những khác biệt ấy? Câu hỏi này dẫn tới một phần ít nhìn thấy hơn của AI: dữ liệu dùng để huấn luyện và đánh giá mô hình.

Ngày 14/3/2025, Trung tâm Đổi mới sáng tạo Quốc gia (NIC) và Meta khởi động Chương trình Thách thức Đổi mới sáng tạo Việt Nam 2025, tập trung vào dự án ViGen. Theo NIC và Báo Điện tử Chính phủ, dự án hướng tới xây dựng các bộ dữ liệu tiếng Việt mở để phục vụ nghiên cứu, huấn luyện và đánh giá AI.

Đây là một mục tiêu được công bố tại thời điểm khởi động. Chỉ riêng lễ công bố chưa chứng minh các bộ dữ liệu đã hoàn thiện hay các mô hình đã hiểu tốt hơn mọi cách nói tiếng Việt.

Dữ liệu giúp gì cho tiếng Việt?

Một mô hình ngôn ngữ học các mẫu từ dữ liệu trong quá trình huấn luyện. Một bộ dữ liệu đánh giá lại giúp người nghiên cứu kiểm tra hệ thống làm được gì trong những trường hợp cụ thể. Hai loại dữ liệu ấy phục vụ các bước khác nhau: có nhiều văn bản để học không tự bảo đảm bài kiểm tra đủ rộng, và điểm kiểm tra tốt không bảo đảm mọi câu trả lời trong đời sống đều đúng.

Tại buổi công bố, VnExpress dẫn lời đại diện dự án về mong muốn AI xử lý tiếng Việt tự nhiên hơn và phù hợp hơn với bối cảnh văn hóa. Với một người bán hàng viết mô tả sản phẩm hay một giáo viên chuẩn bị tài liệu, cải thiện đó có thể hữu ích; đây là ví dụ của tòa soạn, chưa phải kết quả thử nghiệm của ViGen.

Theo các nguồn về chương trình, ViGen khởi nguồn từ hợp tác giữa NIC, Meta và AI for Vietnam. NIC điều phối, AI for Vietnam triển khai, còn Meta hỗ trợ kỹ thuật và tài chính. Có thêm các đối tác được nêu trong thông báo. Sự tham gia của nhiều tổ chức tạo điều kiện hợp tác, nhưng bản thân danh sách đối tác chưa cho biết dữ liệu có đủ đa dạng, chính xác hay được sử dụng hợp lệ hay không.

“Mở” không có nghĩa là bỏ qua trách nhiệm

Dữ liệu mở có thể giúp nhiều nhóm nghiên cứu và doanh nghiệp tiếp cận tài nguyên chung. Nhưng khi một tập dữ liệu cụ thể được phát hành, người dùng vẫn cần xem nguồn gốc, điều kiện cấp phép, quyền riêng tư và cách dữ liệu được chọn. Một bộ dữ liệu đại diện tốt cho một nhóm người nói chưa chắc phản ánh đủ những nhóm khác. Đây là các câu hỏi đánh giá chung; bài này chưa kiểm toán nội dung hoặc giấy phép của từng tập dữ liệu ViGen.

Trang chương trình của NIC hiện có thông tin về các hoạt động và phiên bản xuất hiện sau tháng 3/2025. Chúng không được dùng làm bằng chứng rằng những kết quả ấy đã tồn tại khi chương trình khởi động. Kỳ vọng về tác động của dự án vẫn cần được kiểm chứng qua dữ liệu và các đánh giá thực tế.

Câu chuyện của ViGen bắt đầu từ một câu hỏi gần gũi: AI có thể phục vụ ngôn ngữ và bối cảnh của chúng ta tốt đến đâu? Xây dựng tài nguyên tiếng Việt là một hướng đi đáng theo dõi. Phần quyết định sẽ nằm ở chất lượng dữ liệu, quyền của người đóng góp và bằng chứng về cách các mô hình phục vụ những người dùng khác nhau.

Tài liệu tham khảo

1. NIC — Vietnam Innovation Challenge 2025, dự án ViGen, trang chương trình của đơn vị tổ chức; trang có cập nhật sau thời điểm khởi động 14/3/2025.
2. Báo Điện tử Chính phủ — Xây dựng nền tảng AI tại Việt Nam với dữ liệu tiếng Việt mã nguồn mở, 14/3/2025.
3. VnExpress — Xây dựng bộ dữ liệu tiếng Việt mã nguồn mở phục vụ AI, 14/3/2025.