Dữ liệu sẵn sàng cho AI: năm bước và cách kiểm một tác vụ

Đăng ngày 25/10/2026

Tóm tắt: sẵn sàng cho một tác vụ, không phải cho mọi mô hình

Dữ liệu sẵn sàng cho AI cần được xác định theo công việc dự kiến, người dùng và hậu quả khi hệ thống sai. Một kho đã tập trung hoặc một bộ tài liệu đã chuyển thành chữ chưa tự chứng minh điều đó. Doanh nghiệp nên chọn tác vụ hẹp, kiểm mẫu thực tế và làm rõ quyền dùng trước khi mở rộng. Kết quả cần được đánh giá cả ở dữ liệu đầu vào lẫn công việc người dùng nhận lại.

• Chốt AI sẽ giúp việc gì và khi nào cần chuyển cho người có trách nhiệm.
• Gắn mỗi nguồn với phiên bản, người quản lý, giới hạn sử dụng và cách sửa.
• Làm sạch theo lỗi có thể ảnh hưởng tác vụ, không theo lời hứa dữ liệu hoàn hảo.
• Kiểm cả trường hợp đủ căn cứ, thiếu thông tin và người dùng không có quyền.
• Đo lại sau khi thay dữ liệu hoặc mô hình; một lần thử tốt chưa phải trạng thái sẵn sàng lâu dài.

Một bộ hồ sơ có thể sẵn sàng cho mọi mục đích không?

Trong cách dùng của bài, sự sẵn sàng là một quan hệ giữa dữ liệu và tác vụ AI. Tài liệu hướng dẫn có thể đủ để tìm một điều kiện bảo hành nhưng không đủ để dự báo máy nào sắp hỏng. Lịch sử đơn hàng có thể giúp phân loại nhu cầu mà chưa có nhãn phù hợp để huấn luyện mô hình. Cần nói rõ công việc trước khi đưa ra một đánh giá chung về độ tốt của cả kho.

Báo cáo RAND công bố năm 2024 dựa trên 65 cuộc phỏng vấn người làm AI trong công nghiệp và học thuật. Các tác giả nêu cả vấn đề hiểu sai bài toán lẫn thiếu dữ liệu phù hợp để huấn luyện [1]. Đây là nghiên cứu định tính về trải nghiệm, không phải phép đo tỷ lệ thất bại đại diện. Nó giúp đặt câu hỏi dữ liệu được chuẩn bị để làm gì, thay vì chỉ hỏi đã có bao nhiêu tệp hoặc dung lượng lưu trữ bao lớn.

Một tình huống do bài dựng: nhóm hỗ trợ muốn AI tìm đúng điều kiện đổi hàng theo thời điểm mua. Những tài liệu thiếu ngày áp dụng có thể vẫn dễ đọc nhưng không giải quyết được câu hỏi ấy. Nếu nhóm đo hệ thống bằng việc tìm thấy từ khóa, bản thử có thể được đánh giá tốt dù câu trả lời dùng chính sách cũ. Điểm cần chuẩn bị là dấu thời gian và quan hệ giữa tài liệu với giao dịch, không chỉ bước đưa chữ vào kho.

Vì sao không dùng một dự báo làm bằng chứng dự án đã thất bại?

Trong thông cáo ngày 26/02/2025, Gartner dự báo đến năm 2026 các tổ chức sẽ bỏ 60% dự án AI thiếu dữ liệu phù hợp. Hãng đồng thời dẫn khảo sát 1.203 lãnh đạo quản trị dữ liệu tháng 7/2024, trong đó 63% không có hoặc không chắc có thực hành quản trị phù hợp cho AI [2]. Dự báo và câu trả lời khảo sát là hai loại thông tin khác nhau; không nên viết rằng tỷ lệ bỏ dự án ấy đã được quan sát trong thực tế.

Gartner bán dịch vụ nghiên cứu và tư vấn; thông cáo không trình bày đầy đủ cách chọn mẫu. Điều này không làm mọi cảnh báo mất giá trị, nhưng giới hạn cách sử dụng con số. Doanh nghiệp có thể xem đây là lý do để kiểm thiết kế dự án, không phải bằng chứng rằng dự án của mình chắc chắn sẽ hỏng. Bài cũng không dùng một nhãn dữ liệu sẵn sàng như chứng nhận do hãng cấp cho một bộ dữ liệu cụ thể.

Eurostat thống kê năm 2025 ở doanh nghiệp EU từ mười lao động cho thấy, trong nhóm đã cân nhắc nhưng không dùng AI, thiếu chuyên môn là lý do được nêu nhiều nhất, tiếp theo là vấn đề pháp lý và quyền riêng tư [3]. Đây không phải cùng mẫu hay cùng câu hỏi với khảo sát Gartner. Phần mô tả lý do của Eurostat không cho phép suy mức ảnh hưởng riêng của chất lượng dữ liệu; càng không chứng minh dữ liệu không phải trở ngại tại Việt Nam.

Bước chọn tác vụ: đầu ra nào khiến công việc khác đi?

Chuẩn bị dữ liệu cho AI nên bắt đầu bằng một câu hỏi có người dùng thật. Nhóm cần nêu đầu ra được chấp nhận, đầu ra phải từ chối và người nhận khi cần xử lý tiếp. Nếu chỉ viết AI sẽ trả lời mọi câu hỏi nội bộ, gần như không thể xác định phạm vi nguồn nào đủ. Một câu hẹp về điều kiện đổi hàng thường dễ kiểm hơn một lời hứa trợ lý hiểu toàn bộ doanh nghiệp.

Sau đó mô tả điều mà hệ thống được phép làm với câu trả lời. Tìm tài liệu cho nhân viên đọc khác với tự gửi cam kết cho khách. Một mô hình chỉ hỗ trợ soạn nháp có thể chấp nhận người kiểm lại; hệ thống tác động trực tiếp tới quyền lợi cần mức kiểm soát khác. Bài đề nghị viết giới hạn hành động ngay cạnh phạm vi dữ liệu, tránh tình trạng người dùng mở rộng quyền vì bản trình diễn trông có vẻ thuyết phục.

Bước kiểm kê: cần biết dữ liệu đến từ đâu và còn hiệu lực không

Với dữ liệu phi cấu trúc, hãy kiểm nhiều hơn phần chữ. Tài liệu có thể có bảng, hình, chú thích và một thông báo thay thế bản trước. Nếu công đoạn trích xuất chỉ giữ câu rời, AI có thể nhận phần nội dung mà mất điều kiện áp dụng. Nhóm nghiệp vụ cần chọn một số hồ sơ khó để xem bản sau xử lý còn đủ nghĩa hay không, thay vì chỉ đo tỷ lệ tệp được nhập thành công.

Mỗi nguồn nên có một hồ sơ ngắn: chủ việc, nơi gốc, thời điểm cập nhật, mục đích được phép dùng và người xử lý khi có lỗi. Khuyến nghị của W3C về dữ liệu trên Web nhấn mạnh vai trò thông tin mô tả và nguồn gốc trong việc hiểu, dùng lại dữ liệu [4]. Bài vận dụng nguyên tắc ấy cho hồ sơ đầu vào AI, không khẳng định W3C đã chứng nhận quy trình hoặc yêu cầu mọi doanh nghiệp phải dùng một công nghệ cụ thể.

Giữ liên kết giữa bản đã xử lý và bản gốc cũng giúp sửa lỗi. Khi người dùng báo một câu trả lời không còn đúng, đội phụ trách cần tìm được tài liệu tạo ra câu đó và biết nó đã đi qua bước nào. Nếu chỉ còn một kho đoạn chữ không rõ xuất xứ, việc sửa một chỗ có thể không xóa được các bản sao liên quan. Công việc kiểm kê vì vậy nên tính cả đường cập nhật và thu hồi.

Bước làm sạch tối thiểu: sửa lỗi có thể đổi câu trả lời

Không nhất thiết làm sạch toàn bộ tài sản trước khi thử AI. Hãy bắt đầu từ lỗi trực tiếp ảnh hưởng việc định làm: hồ sơ trùng nhưng trái nhau, mã không nhất quán, đơn vị thiếu, phiên bản không rõ hoặc trường bắt buộc còn trống. Cần giữ một bản gốc để đối chiếu. Việc tự điền phần thiếu bằng suy đoán có thể khiến dữ liệu nhìn đầy đủ hơn nhưng giảm khả năng biết điều gì đã được xác nhận.

Trong ví dụ đổi hàng, hai bản chính sách gần giống có thể khác một điều kiện quan trọng. Xóa một bản vì coi là trùng mà không kiểm thời kỳ áp dụng sẽ làm mất thông tin cần thiết. Nhóm nên ghi lý do gộp, bỏ hoặc sửa, đồng thời xem một mẫu sau biến đổi. Nếu dùng AI hỗ trợ phân loại tài liệu, chính kết quả phân loại cũng cần kiểm; không đưa nhãn do mô hình đoán thành sự thật trong danh mục nguồn.

Tách dữ liệu dùng để phát triển khỏi bộ câu hỏi đánh giá. Nếu chỉ kiểm bằng các câu đã dùng khi sửa hệ thống, nhóm dễ bỏ sót lỗi ở tình huống mới. Đây là đề xuất thiết kế kiểm thực hành của bài, không cam kết độ tin cậy thống kê. Người phụ trách nên giữ cả trường hợp thường gặp, ngoại lệ và trường hợp thiếu thông tin, đồng thời ghi hạn chế của bộ kiểm thay vì gọi nó là đại diện toàn bộ hoạt động.

Bước quyền dùng và an ninh: tài liệu nội bộ không tự được đưa ra ngoài

Một tệp do doanh nghiệp giữ có thể chứa thông tin của nhân viên, khách hàng hoặc đối tác. Trước khi nạp vào hệ thống AI, cần xem quyền và mục đích sử dụng cùng nơi xử lý thực tế. Chỉ đổi tên thư mục thành dữ liệu thử không làm nội dung hết nhạy cảm. Bài không đưa hướng dẫn lách quy định, cũng không suy rằng mọi dữ liệu đã được thu thập hợp lệ đều có thể chuyển sang bất kỳ dịch vụ AI nào.

NIST AI 600-1 đưa ra các hành động quản trị đối với nguy cơ lộ thông tin, quyền của bên thứ ba và cách dùng dữ liệu khi phát triển AI [5]. Đây là tài liệu tự nguyện từ năm 2024, không thay đánh giá pháp lý cho một luồng dữ liệu ở Việt Nam. Trong bản thử, đội nên kiểm bằng các vai trò khác nhau: người được xem tài liệu, người chỉ xem một phần và người không được phép tiếp cận.

Nguyên tắc thực hành là chỉ cấp phần cần cho tác vụ và giữ khả năng rút lại. Nếu quyền truy cập thay đổi nhưng chỉ mục AI vẫn chứa bản cũ, hệ thống có thể trả lời từ một nguồn người hỏi không còn được xem. Cần có người chịu trách nhiệm cho cả dữ liệu gốc lẫn các bản xử lý. Một câu trả lời có trích dẫn không tự chứng minh rằng người hỏi được quyền nhìn nội dung đứng sau trích dẫn ấy.

Bước đo lại: dữ liệu tốt hơn có làm đầu ra tốt hơn không?

Sau khi sửa đầu vào, hãy chạy lại cùng bộ câu hỏi để xem lỗi nào đã giảm và lỗi nào mới xuất hiện. Nếu đồng thời đổi mô hình hoặc cách tìm kiếm, cần ghi các phiên bản để tránh quy nhầm kết quả. Nhóm nên xem cả câu trả lời cuối, nguồn được tìm thấy và phần người kiểm phải sửa. Một chỉ tiêu số lượng tài liệu đã xử lý không thể thay kết quả của công việc dự kiến.

Bài đề nghị phân biệt ba trạng thái cho từng nguồn. Có thể thử khi quyền, phiên bản và cách kiểm đã rõ. Cần bổ sung điều kiện khi còn thiếu định nghĩa, người chịu trách nhiệm hoặc phép đối chiếu. Chưa nên nạp khi không giải thích được quyền dùng, không thể bảo vệ thông tin hoặc không còn cách xác minh nội dung. Đây là cách tổ chức công việc do bài gợi ý, không một hệ thống chấm điểm đã được kiểm định.

Cũng cần theo dõi khi dữ liệu mới đi vào. Một thay đổi nhỏ ở mẫu biểu, đơn vị hay chính sách có thể làm phép thử cũ không còn phù hợp. Người phụ trách nên biết ai được báo, bộ kiểm nào cần cập nhật và khi nào tạm giới hạn chức năng AI. Tính sẵn sàng không nằm ở ngày hoàn thành nhập dữ liệu mà ở khả năng phát hiện và xử lý thay đổi sau đó.

Góc nhìn AI: dữ liệu sẵn sàng cho AI có cần RAG?

Nghiên cứu của Lewis và cộng sự, được nhận tại NeurIPS năm 2020, kết hợp mô hình ngôn ngữ đã huấn luyện với một chỉ mục thông tin để truy hồi khi sinh câu trả lời. Tóm tắt mô tả chỉ mục Wikipedia và kết quả trên những tác vụ xử lý ngôn ngữ được đánh giá [6]. Đây là cơ sở khái niệm của RAG; không phải bằng chứng rằng đưa tài liệu nội bộ vào một hệ thống truy hồi sẽ luôn trả lời đúng.

Có thể hình dung RAG cho phép hệ thống tìm phần tài liệu liên quan trước khi tạo câu trả lời. Nhưng trong một bài toán doanh nghiệp, nhóm vẫn phải xác định tìm vào nguồn nào và người hỏi có quyền tới đâu. Nếu chỉ mục giữ bản đã hết hạn, bước tìm có thể rất nhanh mà vẫn đưa căn cứ không phù hợp. Nếu đoạn trích mất tiêu đề hoặc chú thích, mô hình cũng có thể giải thích quá phạm vi của đoạn.

Vì vậy, làm việc với tài liệu phi cấu trúc cần phép kiểm ý nghĩa. Ví dụ tự dựng: trong một sổ tay, điều kiện chung và ngoại lệ nằm ở hai trang khác nhau. Nhân viên biết phải đọc cả hai, nhưng công đoạn chia đoạn có thể chỉ đưa một trang cho AI. Thử nghiệm nên có câu hỏi buộc xem ngoại lệ, thay vì chỉ chọn câu dễ tìm. Khi AI thiếu căn cứ, kết quả cần thể hiện phần chưa biết hoặc chuyển cho người phụ trách.

RAG cũng không xóa nhu cầu cập nhật. Khi một nguồn bị thu hồi, cần biết bản trích, chỉ mục và phần kết quả liên quan được xử lý thế nào. Đội nên kiểm đường đi ấy bằng tài liệu thử đã được phép dùng, ghi dấu phiên bản và đo lại. Bài không đưa một kiến trúc hạ tầng chung cho mọi tổ chức; mục tiêu ở đây là tránh nhầm việc tìm được chữ với việc có dữ liệu phù hợp, đúng quyền và còn hiệu lực.

Dữ liệu tổng hợp có thay được phần thực tế đang thiếu không?

Công trình Nature của Shumailov và cộng sự, công bố ngày 24/07/2024, nghiên cứu việc dùng thiếu kiểm soát nội dung do mô hình sinh để huấn luyện các thế hệ tiếp theo. Tác giả chỉ ra hiện tượng mất phần đuôi của phân bố gốc, gọi là model collapse [7]. Kết luận có điều kiện này không có nghĩa mọi dữ liệu tổng hợp đều vô dụng hoặc mọi hệ thống dùng AI hỗ trợ soạn tài liệu đều tự động sụp đổ.

Cần phân biệt tạo ví dụ để thử giao diện với tạo dữ liệu huấn luyện được coi là đại diện thực tế. Những ví dụ do AI dựng có thể thuận tiện để kiểm một luồng thao tác, nhưng không chứng minh nhu cầu hay biến cố hiếm trong hoạt động thật. Nếu không có nguồn thực để đối chiếu, việc tăng số lượng bản ghi có thể chỉ lặp lại giả định của người tạo. Bài khuyên ghi nhãn nguồn gốc và giới hạn trước khi dùng kết quả thử để quyết định mở rộng.

Đối với nhóm doanh nghiệp, câu hỏi thực hành là phần dữ liệu nào còn thiếu, vì sao thiếu và phép kiểm nào sẽ phát hiện dữ liệu sinh làm sai kết luận. Không nên tự bổ sung hồ sơ khách hàng bằng một câu trả lời có vẻ hợp lý rồi đưa vào báo cáo như thông tin thực. Khi cần một mô hình dự báo mà dữ liệu lịch sử không đủ, có thể phải thu hẹp mục tiêu hoặc thu thập đúng cách, thay vì chỉ yêu cầu AI tạo thêm mẫu.

Bộ kiểm mười lăm điểm cho một tác vụ đã chọn

Danh sách dưới đây do bài xây dựng để rà một luồng dữ liệu, không thay bảng đánh giá năng lực AI chung của tổ chức. Nhóm nên ghi bằng chứng hoặc người xử lý ở từng điểm, thay vì chỉ đánh dấu đã có. Với phần việc định làm, cần thống nhất câu hỏi, người nhận và cách biết câu trả lời có ích trước khi tiếp tục chuẩn bị nguồn.

• Có một tác vụ AI được mô tả cụ thể.
• Biết ai dùng và ai nhận khi cần chuyển tiếp.
• Có ví dụ đầu ra được chấp nhận và không chấp nhận.
• Phân biệt hỗ trợ người làm với tự hành động.
• Giữ một bộ câu hỏi để đánh giá kết quả.

Đối với nguồn, hãy chọn mẫu đủ khó để lộ phần bị mất nghĩa sau xử lý. Đừng chỉ kiểm các trang chữ sạch hoặc bản ghi đầy đủ nhất. Một dữ liệu đầu vào bị hiểu nhầm có thể khiến nhiều câu trả lời cùng sai; việc tìm nguyên nhân cần giữ dấu vết về bản gốc và những thay đổi đã thực hiện trong quá trình chuẩn bị.

• Xác định nguồn gốc và người quản lý.
• Giữ được phiên bản, thời kỳ hoặc điều kiện áp dụng.
• Ghi định nghĩa và đơn vị quan trọng.
• Xem mẫu sau trích xuất, gộp hoặc làm sạch.
• Tách dữ liệu phát triển khỏi bộ kiểm.

Cuối cùng là quyền và vận hành sau khi thử. Một hệ thống AI chỉ hữu ích lâu dài nếu nhóm có cách cập nhật, giảm quyền và sửa sai. Những điểm chưa đạt không nhất thiết khiến mọi nghiên cứu phải dừng, nhưng cần giới hạn đúng phần chức năng liên quan. Không nên cho phép dữ liệu thật đi xa hơn mức kiểm soát đang có.

• Có căn cứ cho mục đích sử dụng dự kiến.
• Kiểm quyền theo vai trò người hỏi.
• Biết nơi lưu và xử lý các bản dữ liệu.
• Có cách cập nhật hoặc thu hồi nguồn.
• Giao người theo dõi lỗi và quyết định giới hạn chức năng.

Doanh nghiệp vừa và lớn ở Việt Nam nên thu hẹp thử nghiệm thế nào?

Luật Bảo vệ dữ liệu cá nhân, văn bản mang số 91/2025/QH15, có ngày hiệu lực 01/01/2026 theo Điều 38 khoản 1 [8]. Bài không xác định nghĩa vụ của một hệ thống AI cụ thể. Khi chuẩn bị dữ liệu khách hàng, doanh nghiệp cần xem mục đích, người nhận và luồng xử lý thực tế cùng người có chuyên môn; không coi việc dùng nội bộ hay gọi là thử nghiệm là câu trả lời đủ về quyền.

FPT IS giới thiệu dịch vụ Data & AI, trong đó mô tả việc xem chất lượng và khả năng khai thác nguồn dữ liệu [9]. Đây là cách tiếp cận do nhà cung cấp tự trình bày, không đánh giá độc lập mức sẵn sàng của doanh nghiệp đọc bài. Khi thuê dịch vụ, có thể yêu cầu bàn giao danh mục nguồn, giả định, kết quả kiểm và việc chưa đạt, thay vì chỉ nhận bản trình diễn hoặc lời xác nhận hệ thống đã dùng AI.

Doanh nghiệp vừa có thể gom một nhóm nghiệp vụ với người phụ trách kỹ thuật để thử một loại hồ sơ. Doanh nghiệp lớn nên làm rõ quan hệ giữa chủ nguồn, người giữ chỉ mục và đội dùng AI ở nhiều đơn vị. Doanh nghiệp nhỏ thuê hệ thống cũng cần người hiểu dữ liệu để nhận bàn giao. Mọi quy mô phải xem các bản sao ngoài nơi lưu gốc. Khác biệt nằm ở phạm vi phối hợp; điều kiện cho phép dùng và cách sửa sai vẫn phải đủ cụ thể để người làm thực hiện.

Hỏi đáp trước khi đưa bộ dữ liệu đầu tiên vào AI

Dữ liệu huấn luyện AI có phải là mọi tài liệu doanh nghiệp đang lưu? Không. Tài liệu có thể phục vụ truy hồi, đánh giá hoặc công việc khác mà không dùng để huấn luyện mô hình. Cần nói rõ cách xử lý thực tế và giới hạn hợp đồng, thay vì dùng một tên chung. Điều này giúp nhóm biết phải chuẩn bị nguồn, kiểm quyền và đánh giá kết quả ở khâu nào.

Làm sạch dữ liệu cho AI có phải sửa hết lỗi rồi mới bắt đầu? Không nhất thiết. Có thể chọn một tác vụ hẹp, xác định lỗi ảnh hưởng trực tiếp và thử bằng nguồn đã đủ điều kiện. Tuy vậy, không được che phần chưa biết bằng nhãn đã sạch. Những thiếu sót còn lại cần được ghi cùng giới hạn chức năng để người dùng không suy khả năng của hệ thống rộng hơn kết quả đã kiểm.

RAG là gì và có cần huấn luyện mô hình từ đầu không? Có thể hiểu ở mức khái niệm là kết hợp bước tìm thông tin với bước sinh câu trả lời. Một dự án cụ thể có thể có nhiều cách triển khai. Việc lựa chọn không nằm trong phạm vi bài này; dù dùng cách nào, nhóm vẫn cần kiểm nguồn được tìm, quyền tiếp cận và câu trả lời cuối trong công việc dự kiến.

AI-ready data có phải một trạng thái vĩnh viễn không? Không. Nguồn có thể hết hạn, quy trình có thể đổi và người dùng có thể đặt thêm câu hỏi ngoài phạm vi. Nên giữ dấu phiên bản và bộ kiểm để xem lại khi có thay đổi. Nếu chưa đủ bằng chứng ở trường hợp mới, cách phù hợp là giới hạn hoặc chuyển người xử lý, không mặc định kết quả thử cũ vẫn đúng.

Nguồn và phương pháp

Bài tổng hợp có AI hỗ trợ, viết bằng lập luận riêng, không phải bản dịch; đối chiếu nguồn ngày 24/10/2026. Gartner là hãng tư vấn với dự báo và khảo sát tự khai; RAND là phỏng vấn định tính. Nature và nghiên cứu RAG chỉ được dẫn trong điều kiện đã nêu. W3C, NIST là tài liệu hướng dẫn; FPT IS bán dịch vụ nên có lợi ích thương mại. Chưa kiểm chứng hiệu quả thực tế của bộ kiểm và ví dụ tự dựng; chưa chứng minh khả năng của một hệ thống thực tế tại Việt Nam. Nội dung không phải tư vấn pháp lý, thuế hay tài chính; nên kiểm nguồn gốc trước khi áp dụng.