Kỹ sư QLTT Ghi chú ôn thi
← Về danh sách
AI & Dữ liệu
#모델카드#ModelCard#데이터시트#DatasheetsForDatasets#AI투명성#AI거버넌스#MLOps#책임있는AI
Cập nhật lần cuối · 2026-09-24

Minh bạch AI dựa trên Thẻ mô hình AI (Model Card) và Bảng dữ liệu tập dữ liệu (Datasheet)

1. Tổng quan

Định nghĩa: Thẻ mô hình AI là tài liệu ghi lại mục đích, hiệu năng, phạm vi áp dụng, giới hạn, rủi ro và điều kiện đánh giá của mô hình đã được huấn luyện và triển khai; bảng dữ liệu tập dữ liệu là tài liệu ghi lại quá trình tạo, thu thập, thành phần, mục đích sử dụng, chất lượng, thiên lệch và các ràng buộc của tập dữ liệu.

Khó giải thích chất lượng của hệ thống trí tuệ nhân tạo chỉ bằng độ chính xác vì hành vi của mô hình được quyết định bởi sự kết hợp giữa dữ liệu, quy trình huấn luyện, môi trường đánh giá và ngữ cảnh vận hành. Cùng một mô hình có thể cho hiệu năng khác nhau ở nhóm dân cư, ngôn ngữ, điều kiện ánh sáng hay quy trình nghiệp vụ khác với dữ liệu huấn luyện. Do đó, chỉ con số “đạt độ chính xác bao nhiêu phần trăm” không đủ để phán đoán khả năng sử dụng hay rủi ro.

Thẻ mô hình và bảng dữ liệu chuyển vấn đề hộp đen này thành vấn đề tài liệu hóa và trách nhiệm giải trình. Thẻ mô hình giúp người dùng mô hình phán đoán nên dùng mô hình trong tình huống nào và không nên dùng trong tình huống nào. Bảng dữ liệu giúp bên tạo và bên dùng dữ liệu cùng xem xét nguồn gốc, thành phần, phần thiếu sót, cách gán nhãn và tác động xã hội của dữ liệu.

Cốt lõi của tài liệu này không nằm ở việc tạo tài liệu cho có hình thức. Để có giá trị thực tế, các mục trong tài liệu phải liên kết với dòng dõi dữ liệu, bản ghi thí nghiệm, registry mô hình, quy trình phê duyệt và kết quả giám sát. Bản tuyên bố soạn thủ công dễ lỗi thời vào thời điểm triển khai, còn gói bằng chứng được tạo tự động trong pipeline và được người chịu trách nhiệm rà soát sẽ trở thành một phần của kiểm soát vận hành.

Đề xuất thẻ mô hình của Google Research đưa ra định hướng công khai đồng thời mục đích sử dụng dự kiến của mô hình và hiệu năng trong nhiều điều kiện, nhóm con khác nhau. Nghiên cứu bảng dữ liệu tập dữ liệu nêu ra nhu cầu về một bộ câu hỏi chuẩn hóa để giải thích tập dữ liệu được tạo ra như thế nào, có những đặc tính và sai lệch tiềm ẩn gì. Hai tài liệu không thay thế nhau mà bổ sung cho nhau, giải thích hai ranh giới dữ liệu và mô hình.

Kỹ sư chuyên nghiệp (Professional Engineer) không nên chỉ xem thẻ mô hình và bảng dữ liệu là tài liệu phụ của quản trị AI, mà phải thiết kế chúng thành điểm kiểm soát trong vòng đời hệ thống AI kéo dài từ phân tích yêu cầu đến loại bỏ. Mô hình vận hành phải bao gồm cả chủ thể soạn thảo, tiêu chí phê duyệt, điều kiện rà soát lại khi thay đổi, phạm vi công khai ra bên ngoài và mức bảo vệ thông tin cá nhân.

2. Cấu trúc tổng thể của tài liệu minh bạch

Minh bạch AI không phải hoạt động chỉ công khai nguồn dữ liệu, cũng không phải chỉ công khai cấu trúc mô hình. Đó là hoạt động cung cấp thông tin cần thiết phù hợp mục đích để các bên liên quan bị ảnh hưởng hiểu rủi ro, khiếu nại và phán đoán việc sử dụng có phù hợp không. Nhà nghiên cứu, lập trình viên, người phụ trách mua sắm, người dùng nghiệp vụ, kiểm toán viên, cơ quan quản lý và người dân bị ảnh hưởng cần mức thông tin khác nhau.

Thay vì chuyển cùng một văn bản gốc cho các bên liên quan, thẻ mô hình và bảng dữ liệu thiết kế cách thể hiện và phạm vi công khai theo vai trò xoay quanh sự thật chung. Bên trong có thể lưu phiên bản tập dữ liệu chi tiết, log thí nghiệm, lỗ hổng bảo mật, căn cứ xử lý thông tin cá nhân, còn bên ngoài cung cấp bản tóm tắt an toàn và điều kiện sử dụng. Tuy nhiên, tài liệu công khai không được mâu thuẫn với tài liệu nội bộ, và phải lưu lại lý do không công khai cùng trách nhiệm rà soát.

flowchart LR
    R[Yêu cầu nghiệp vụ·đánh giá tác động] --> D[Bảng dữ liệu tập dữ liệu]
    D --> T[Pipeline huấn luyện·kiểm định]
    T --> M[Thẻ mô hình]
    M --> G[Rà soát rủi ro·bảo mật·pháp lý]
    G --> A[Phê duyệt·đăng ký·triển khai]
    A --> O[Giám sát vận hành]
    O --> U[Phản hồi người dùng·sự cố·trôi dạt]
    U --> R
    D -. Bằng chứng dòng dõi·nhãn·chất lượng dữ liệu .-> M
    M -. Hiệu năng·giới hạn·điều kiện sử dụng .-> O

Trong luồng trên, bảng dữ liệu không phải tài liệu chỉ soạn một lần trước khi huấn luyện mô hình. Khi tập dữ liệu được bổ sung, chính sách gán nhãn thay đổi hay vùng thu thập mở rộng thì phải tạo phiên bản mới. Tương tự, thẻ mô hình phải được cập nhật sau khi phân tích tác động không chỉ khi tham số mô hình thay đổi, mà cả khi prompt suy luận, tiền xử lý, ngưỡng, cơ chế bảo vệ, đối tượng sử dụng thay đổi.

Để liên kết tài liệu với hệ thống, cần gán định danh duy nhất và phiên bản cho mỗi tài liệu. Nếu cho dataset_id, dataset_version, model_id, model_version, ID lần chạy đánh giá, ticket phê duyệt tham chiếu lẫn nhau, có thể tái hiện mô hình nào dựa trên dữ liệu và kết quả thí nghiệm nào. Nếu chỉ quản lý phiên bản bằng tên tệp, các tệp cùng tên sẽ bị ghi đè và bằng chứng kiểm toán trở nên yếu.

Tính minh bạch được đánh giá bằng mức phù hợp của thông tin cần cho ra quyết định chứ không phải lượng công khai. Không cần công khai toàn bộ bí mật kinh doanh vẫn có thể nêu rõ vùng cấm sử dụng mô hình, lỗi đã biết, phương pháp giám sát, kênh khiếu nại. Ngược lại, nếu công khai hàng chục trang bảng biểu mà không giải thích được các trường hợp nguy hiểm cho người dùng thực tế thì chỉ là minh bạch hình thức.

3. Thành phần và nguyên lý soạn thẻ mô hình

A. Định danh mô hình và mục đích sử dụng dự kiến

Điểm khởi đầu của thẻ mô hình là tên mô hình, phiên bản, tổ chức sở hữu, người phụ trách, ngày phát hành, mô hình nền và giấy phép. Chỉ định danh tham số mô hình là không đủ, mà phạm vi phải bao gồm các cấu phần ảnh hưởng đến kết quả như tokenizer, tiền xử lý, hậu xử lý, mẫu prompt, chỉ mục tìm kiếm, bộ lọc an toàn. Lý do là mô hình vận hành không phải một sản phẩm huấn luyện đơn lẻ mà là đơn vị triển khai bao gồm cả các cấu phần xung quanh.

Mục đích sử dụng dự kiến không được viết trừu tượng như “mô hình phân loại”. Cần mô tả cụ thể đối tượng đầu vào, người dùng, vị trí của đầu ra trong quá trình ra quyết định, mức tự động hóa cho phép, điều kiện cần con người rà soát. Ví dụ, mô hình hỗ trợ phân loại yêu cầu khách hàng theo mức ưu tiên và mô hình tự động quyết định phê duyệt khoản vay, dù cùng là bài toán phân loại, có mức lỗi chấp nhận được và mức kiểm soát khác nhau.

Các mục đích bị cấm hoặc không khuyến nghị cũng được ghi lại với mức quan trọng tương đương. Nếu dữ liệu huấn luyện lệch về một ngôn ngữ và khu vực cụ thể thì không được dùng để tự động phán định văn bản pháp luật bằng ngôn ngữ khác. Trong các lĩnh vực rủi ro cao liên quan đến an toàn con người, việc làm, tín dụng, phúc lợi, phải nêu rõ nguyên tắc đầu ra của mô hình không thay thế quyết định cuối cùng và quy trình phê duyệt ngoại lệ.

B. Hiệu năng và điều kiện đánh giá

Bảng hiệu năng ghi cùng tên chỉ số, phiên bản dữ liệu đánh giá, phương pháp lấy mẫu, đường cơ sở, khoảng tin cậy hoặc độ biến động, giai đoạn đánh giá. Nếu không giải thích accuracy, precision, recall, F1, AUROC có ý nghĩa gì trong ngữ cảnh nghiệp vụ thì việc so sánh con số sẽ gây hiểu lầm. Với dữ liệu mất cân bằng, chỉ trình bày độ chính xác có thể che giấu lỗi của lớp thiểu số.

Tách riêng trung bình tổng thể và hiệu năng theo nhóm con. Xác định trước các trục đáng lo ngại về khác biệt kết quả như giới tính, tuổi, khu vực, ngôn ngữ, khuyết tật, thiết bị, kênh, và đánh giá ở mức tổng hợp không tái định danh cá nhân. Khi công khai thêm nhóm con, cần kiểm tra cỡ mẫu có quá nhỏ đến mức suy ra được cá nhân không, và hiển thị kèm độ bất định thống kê.

Điểm benchmark ngoại tuyến và hiệu năng vận hành thực tế có thể khác nhau. Đầu vào của người dùng thực có phân phối khác với dữ liệu huấn luyện, đánh giá, và cách người dùng báo cáo lỗi mô hình cũng ảnh hưởng đến kết quả. Vì vậy thẻ mô hình phải phân biệt hiệu năng ngoại tuyến với chỉ số giám sát vận hành, và đặt chu kỳ đánh giá lại sau triển khai cùng tiêu chí dừng.

C. Giới hạn, rủi ro, cơ chế an toàn

Giới hạn được viết bằng điều kiện thất bại và tác động thay vì câu bao quát “có thể không hoàn hảo”. Nêu các tình huống quan sát được như lỗi của mô hình ảnh trong môi trường tối, suy giảm nhận dạng phương ngữ của mô hình giọng nói, phản hồi không có căn cứ của mô hình sinh, không phát hiện loại mới của mô hình phân loại. Nếu có thể, liên kết các ca lỗi tiêu biểu và điều kiện tái hiện với bằng chứng nội bộ.

Rủi ro không chỉ phát sinh từ lỗi của bản thân mô hình mà từ cách mô hình được chèn vào quy trình nghiệp vụ. Có các trường hợp người dùng nghiệp vụ hiểu nhầm điểm xác suất thành phán định chắc chắn, tổ chức tự động hóa hàng loạt khuyến nghị của mô hình mà không rà soát, hoặc kẻ tấn công thao túng đầu vào để vượt qua cơ chế an toàn. Thẻ mô hình phải được đọc cùng quy trình vận hành, phân tách quyền, rà soát của con người, ghi log và kênh khiếu nại.

Cơ chế an toàn phải là kiểm soát có thể kiểm chứng chứ không phải tuyên bố trong thẻ mô hình. Xác định ai vận hành từng hạng mục: kiểm tra đầu vào, che thông tin nhạy cảm, bộ lọc prompt/đầu ra, ngưỡng bất định, phản hồi từ chối, phê duyệt của con người, log kiểm toán, mô hình rollback. Cũng nêu rõ điều kiện chuyển sang dừng triển khai và ứng phó sự cố khi kiểm soát thất bại.

Lĩnh vực Câu hỏi cốt lõi ghi trong thẻ mô hình Bằng chứng vận hành
Mục đích Hỗ trợ nghiệp vụ nào của ai, đến mức nào? Yêu cầu, phạm vi phê duyệt, hướng dẫn người dùng
Dữ liệu Huấn luyện, kiểm định bằng dữ liệu và tiền xử lý nào? Bảng dữ liệu, dòng dõi, báo cáo chất lượng
Hiệu năng Trong điều kiện nào phát sinh lỗi ở mức nào? Lần chạy đánh giá tái hiện được, chỉ số nhóm con
An toàn Đã tính đến lạm dụng và tấn công nào? Red team, kiểm thử bảo mật, log kiểm soát
Vận hành Khi nào đánh giá lại, dừng, rollback? Dashboard giám sát, ticket sự cố

Các mục trong bảng vừa là mục lục tài liệu vừa là điểm kiểm tra phê duyệt. Không được coi thẻ mô hình là hoàn chỉnh chỉ vì đã điền giá trị hiệu năng, mà phải liên kết vị trí bằng chứng có thể kiểm chứng trong vận hành thực tế. Đặc biệt, mô hình để trống các mục rủi ro và vận hành có thể giữ lại cho nghiên cứu nhưng không được tự động phê duyệt cho dịch vụ nghiệp vụ.

4. Thành phần và nguyên lý soạn bảng dữ liệu tập dữ liệu

A. Động cơ, thành phần, quá trình thu thập

Bảng dữ liệu giải thích trước tiên vì sao tập dữ liệu được tạo ra, hơn là tên và kích thước. Ghi lại mục đích ban đầu là nghiên cứu hay dịch vụ thương mại, dành cho người dùng nào, và những cách sử dụng nào không được tính đến. Khi mục đích thay đổi, không coi đó là tái sử dụng đơn thuần cùng tập dữ liệu mà phải rà soát lại mức phù hợp mục đích, quyền và rủi ro.

Mục thành phần bao gồm số bản ghi, định dạng tệp, định nghĩa biến và nhãn, giá trị thiếu, trùng lặp, phạm vi thời gian, phạm vi địa lý, ngôn ngữ và miền. Không chỉ thống kê đơn giản mà còn mô tả các nhóm dữ liệu không đại diện và các tình huống không được quan sát. Sự vắng mặt của dữ liệu dẫn tới giới hạn của mô hình, nên “không rõ” cũng là siêu dữ liệu quan trọng.

Quá trình thu thập truy vết nguồn gốc, thời điểm thu thập, công cụ thu thập, sự đồng ý hoặc căn cứ sử dụng, quy tắc lọc, người gán nhãn và phương pháp quản lý chất lượng. Nếu đã gia công lại tập dữ liệu công khai, lưu lại phiên bản gốc và mã chuyển đổi, các mục bị loại bỏ/bổ sung, điều kiện giấy phép. Khi nhà cung cấp cung cấp dữ liệu, khả năng tái sử dụng, kiểm toán, xóa theo hợp đồng cũng thuộc phạm vi của bảng dữ liệu.

B. Nhãn, chất lượng, thiên lệch

Nhãn có thể không phải giá trị sự thật khách quan mà là giá trị quan sát có định nghĩa và quá trình phán đoán. Ghi lại hướng dẫn gán nhãn, tư cách người gán nhãn, cách xử lý bất đồng giữa nhiều người gán nhãn, cách xử lý các ca mơ hồ, kết quả kiểm tra mẫu chất lượng. Nếu dùng nhãn sinh tự động hoặc giám sát yếu, cũng công khai khả năng lan truyền lỗi và phương pháp làm sạch.

Chất lượng được xem xét theo các góc độ đầy đủ, chính xác, nhất quán, kịp thời, duy nhất, đại diện. Dù tỷ lệ thiếu thấp, nếu giá trị thiếu tập trung ở một nhóm cụ thể thì vẫn còn vấn đề công bằng. Dù tỷ lệ loại trùng cao, nếu loại bỏ sai trùng lặp theo thứ tự thời gian và theo nguồn thì có thể làm mất các sự kiện quan trọng.

Phân tích thiên lệch không phải là tuyên bố tập dữ liệu “không thiên lệch”. Đó là quá trình ghi lại đã đánh giá tính đại diện theo tiêu chí nào, không bao quát được nhóm và tình huống nào, và phản ánh giới hạn đó vào điều kiện sử dụng mô hình ra sao. Trong tài liệu công khai, cần xử lý thận trọng các thuộc tính nhạy cảm nhưng cân bằng giữa tổng hợp, phi định danh và giải thích để không dùng bảo vệ thông tin cá nhân làm lý do che giấu rủi ro.

C. Quyền, bảo mật, lưu giữ

Bảng dữ liệu bao gồm bản quyền, thông tin cá nhân, bí mật kinh doanh, hình ảnh chân dung, giọng nói, thông tin vị trí, hạn chế sử dụng theo hợp đồng. Khả năng sử dụng về mặt pháp lý không đồng nghĩa với khả năng truy cập về mặt kỹ thuật. Không phải cứ tải xuống được là được phép huấn luyện hay phân phối lại, nên cần lưu lại căn cứ đã được bộ phận pháp lý và người phụ trách bảo vệ dữ liệu xác nhận.

Về bảo mật, cần tính đến tệp độc hại, dữ liệu prompt injection, đầu độc dữ liệu, chiếm đoạt tài khoản nhà cung cấp, rò rỉ dữ liệu huấn luyện. Xác minh phiên bản bằng hash và chữ ký, tách quyền truy cập bản gốc và bản đã làm sạch, áp dụng quyền tối thiểu và thời hạn lưu giữ cho dữ liệu chứa thông tin nhạy cảm. Nếu có bản công khai và bản gốc nội bộ của tập dữ liệu, cần giải thích quan hệ và khác biệt giữa hai bản.

Lưu giữ và xóa kéo dài cả sau khi huấn luyện mô hình. Khi có yêu cầu xóa dữ liệu gốc, phải quyết định có cần huấn luyện lại mô hình không, xử lý đặc trưng phái sinh và cache ra sao, khi nào dữ liệu biến mất khỏi bản sao lưu. Ghi các quy trình này vào bảng dữ liệu giúp điều hòa xung đột giữa quyền của chủ thể dữ liệu và khả năng tái hiện của bên vận hành mô hình.

5. Quy trình soạn thảo, kiểm chứng và triển khai

Việc soạn tài liệu không bị dồn đến công việc báo cáo cuối dự án. Ở giai đoạn yêu cầu, xác định mục đích sử dụng dự kiến và mục đích bị cấm; ở giai đoạn chuẩn bị dữ liệu, tạo bản nháp bảng dữ liệu. Ở giai đoạn huấn luyện, ghi ID thí nghiệm và phiên bản mô hình; ở giai đoạn đánh giá, kiểm chứng đồng thời hiệu năng, công bằng, độ bền vững và bảo mật.

flowchart TB
    S[Yêu cầu thay đổi<br/>dữ liệu mới·mô hình mới·nơi dùng mới] --> I[Phân tích tác động<br/>bên liên quan·rủi ro·căn cứ pháp lý]
    I --> Q{Phiên bản tài liệu<br/>cần soạn lại?}
    Q -- Không --> N[Ghi lịch sử thay đổi·kết quả rà soát]
    Q -- Có --> DS[Cập nhật bảng dữ liệu]
    Q -- Có --> MC[Cập nhật thẻ mô hình]
    DS --> V[Kiểm chứng tự động·đánh giá tái hiện]
    MC --> V
    V --> H[Con người rà soát<br/>kỹ thuật·bảo mật·pháp lý·nghiệp vụ]
    H --> D{Phê duyệt}
    D -- Bổ sung --> I
    D -- Phê duyệt --> R[Đăng ký registry·triển khai]
    R --> M[Giám sát·phản hồi·kiểm toán]
    M --> S
    N --> M

Kiểm chứng tự động phải vượt qua mức chỉ xác nhận liên kết có tồn tại. Kiểm tra phiên bản mô hình trong tài liệu có trùng với phiên bản trong registry không, phiên bản dữ liệu đánh giá có trùng với bản ghi thực thi không, vùng cấm sử dụng đã được phản ánh vào cấu hình dịch vụ chưa. Nếu lược đồ nhãn ghi trong bảng dữ liệu khác với lược đồ của pipeline huấn luyện thực tế thì phải thất bại trước khi phê duyệt.

Rà soát của con người không phải thủ tục trau chuốt câu chữ của tài liệu mà là thủ tục phân chia trách nhiệm. Người phụ trách dữ liệu rà soát nguồn gốc và chất lượng, lập trình viên mô hình rà soát hiệu năng và giới hạn, người phụ trách bảo mật rà soát tấn công và kiểm soát, người phụ trách pháp lý/thông tin cá nhân rà soát quyền và công khai, người chịu trách nhiệm nghiệp vụ rà soát tác động thực tế và khiếu nại. Mỗi người rà soát phải lưu lại phạm vi và điều kiện phê duyệt.

Sau khi triển khai, kiểm tra xem các giả định ghi trong tài liệu còn đúng không. Giám sát phân phối dữ liệu, tỷ lệ lỗi, chênh lệch giữa nhóm con, tỷ lệ từ chối, tỷ lệ con người ghi đè (override), báo cáo của người dùng, sự kiện bảo mật. Xác định trước khi vượt ngưỡng sẽ ứng phó bằng đánh giá lại, cảnh báo, dừng một phần hay rollback toàn bộ.

6. So sánh và liên kết thẻ mô hình với bảng dữ liệu

Thẻ mô hình giải thích hành vi và điều kiện sử dụng của mô hình, còn bảng dữ liệu giải thích nguồn gốc, thành phần và ngữ cảnh tạo ra dữ liệu. Tài liệu thứ nhất gần với người dùng mô hình, tài liệu thứ hai gần với người tạo/quản lý dữ liệu và lập trình viên mô hình, nhưng để giải thích rủi ro thực tế phải đọc cả hai.

Ví dụ, nếu thẻ mô hình ghi hiệu năng ở một ngôn ngữ cụ thể thấp và bảng dữ liệu có sự thật rằng mẫu huấn luyện của ngôn ngữ đó thiếu, có thể nối nguyên nhân với hướng giảm thiểu. Ngược lại, dù hiệu năng trong thẻ mô hình cao, nếu bảng dữ liệu ghi phạm vi đồng ý không rõ ràng hoặc có thiên lệch xã hội trong nhãn thì chưa đủ làm căn cứ phê duyệt triển khai thương mại.

Phân loại Thẻ mô hình Bảng dữ liệu tập dữ liệu Câu hỏi liên kết
Đối tượng chính Mô hình huấn luyện, triển khai Tập dữ liệu huấn luyện, đánh giá Mô hình này dựa trên dữ liệu nào?
Trọng tâm Hiệu năng, giới hạn, sử dụng, rủi ro Nguồn gốc, thành phần, nhãn, quyền Đặc tính dữ liệu có liên quan tới lỗi mô hình không?
Phiên bản chính Phiên bản mô hình, pipeline Phiên bản dữ liệu, lược đồ, nhãn Có tái hiện được tổ hợp hai phiên bản không?
Chủ thể trách nhiệm Chủ sở hữu mô hình, dịch vụ Chủ sở hữu, người thu thập, quản lý dữ liệu Ai phê duyệt thay đổi?
Điều kiện cập nhật Thay đổi mô hình, cấu hình, mục đích Thay đổi dữ liệu, mục đích, quyền Tác động của thay đổi đã được đánh giá lại chưa?

Gộp hai tài liệu có thể trông gọn hơn, nhưng dễ đánh mất điểm rằng chi tiết nguồn dữ liệu và chi tiết kiểm soát triển khai mô hình có độc giả khác nhau. Về thực tiễn, cách liên kết trên một cổng thông tin duy nhất nhưng tách tài liệu, thể hiện quan hệ bằng ID và liên kết chung là có lợi hơn. Thông tin nguồn nhạy cảm được cung cấp các view khác nhau theo quyền, nhưng quyết định không công khai và bản tóm tắt công khai phải kiểm toán được.

7. Trường hợp áp dụng: Mô hình hỗ trợ tư vấn tài chính

Giả sử một tổ chức tài chính đưa vào mô hình sinh để tóm tắt nội dung tư vấn khách hàng và gợi ý giải thích sản phẩm liên quan. Mô hình này không tự quyết định phê duyệt khoản vay mà hỗ trợ công việc của tư vấn viên, nhưng nếu xuất ra lãi suất, điều kiện đủ tư cách sai hoặc thông tin cá nhân khách hàng thì sẽ gây thiệt hại cho khách hàng và rủi ro pháp quy. Mục đích sử dụng dự kiến trong thẻ mô hình chỉ cho phép tóm tắt tư vấn và hỗ trợ tìm kiếm nội bộ, loại trừ mục đích cung cấp trực tiếp lời khuyên tài chính mang tính xác định cho khách hàng.

Bảng dữ liệu ghi lại khoảng thời gian, kênh, ngôn ngữ của hồ sơ tư vấn, phương pháp ẩn danh, tiêu chí tóm tắt của người gán nhãn, thời hạn hiệu lực của tài liệu sản phẩm. Nếu đưa điều khoản sản phẩm cũ vào dữ liệu huấn luyện, mô hình có thể nói điều kiện trước đây như điều kiện hiện tại, nên phải kiểm chứng phiên bản dữ liệu và thời hạn hiệu lực tài liệu ở giai đoạn tìm kiếm. Nếu việc che thông tin cá nhân chỉ áp dụng cho số định danh công dân mà bỏ sót số tài khoản, địa chỉ, mô tả sự kiện hiếm thì vẫn còn rủi ro tái định danh.

Đánh giá trong thẻ mô hình bao gồm tính xác thực của bản tóm tắt, tỷ lệ bỏ sót, tỷ lệ lộ thông tin nhạy cảm, độ chính xác tìm kiếm điều kiện sản phẩm, mức phù hợp của phản hồi từ chối, tỷ lệ tư vấn viên chỉnh sửa. Không chỉ trung bình tổng thể mà còn phân tích riêng kết quả theo khách hàng cao tuổi, phát ngôn phi cấu trúc, phương ngữ, kênh tư vấn. Nếu tỷ lệ tư vấn viên sao chép nguyên đầu ra mô hình tăng lên nghĩa là rà soát của con người đã trở nên hình thức, cần thay đổi đồng thời đào tạo và thiết kế màn hình.

Trong vận hành, dùng kiến trúc tăng cường truy xuất (RAG) để trả lời dựa trên tài liệu sản phẩm mới nhất, và hiển thị phiên bản tài liệu căn cứ cùng vị trí trích dẫn trên màn hình. Nếu mô hình không tìm thấy căn cứ thì không đưa ra câu trả lời phỏng đoán mà yêu cầu tư vấn viên xác nhận. Với các mục có khả năng thay đổi cao như lãi suất hay điều kiện đủ tư cách, xác định ranh giới nghiệp vụ để ưu tiên kết quả từ quy tắc và API tra cứu hơn là sinh tự do của mô hình.

Trong trường hợp này, thành công của tài liệu được đánh giá bằng năng lực ứng phó sự cố chứ không phải số câu trong thẻ và bảng dữ liệu. Khi có báo cáo về gợi ý sai, phải tái hiện được dữ liệu, mô hình, prompt, tài liệu sản phẩm nào đã được dùng, ước tính khách hàng bị ảnh hưởng và dừng phiên bản tương ứng. Nếu ID tài liệu không liên kết với log, việc phân tích nguyên nhân và thông báo có trách nhiệm sẽ bị chậm.

8. Chỉ số chất lượng và thiết kế kiểm soát

Chất lượng tài liệu có thể được đánh giá theo năm trục: đầy đủ, chính xác, cập nhật, truy vết, dễ hiểu. Đầy đủ là các mục bắt buộc đã được điền chưa, chính xác là giá trị trong tài liệu có khớp với hệ thống thực tế không, cập nhật là có được cập nhật trong hạn định sau thay đổi không, truy vết là có thể đi tới căn cứ và bản ghi thực thi không, dễ hiểu là người không chuyên có phán đoán được rủi ro không.

Tổ chức có thể vận hành các chỉ số sau bằng dashboard. Thứ nhất, tỷ lệ mô hình đã phê duyệt có liên kết thẻ mới nhất. Thứ hai, tỷ lệ liên kết bảng dữ liệu và lần chạy đánh giá của mô hình vận hành. Thứ ba, tỷ lệ đánh giá lại sau thay đổi hoàn thành đúng hạn. Thứ tư, số trường hợp không khớp giữa tuyên bố trong tài liệu và chỉ số giám sát thực tế. Thứ năm, thời gian cần để tái hiện mô hình và tập dữ liệu gây ra sự cố liên quan đến mô hình.

Nếu tự động sinh tài liệu để nâng chỉ số, mức đầy đủ hình thức tăng lên nhưng không bảo đảm có giải thích ý nghĩa. Phân biệt mục sinh tự động và mục cần con người phán đoán. Hash dữ liệu huấn luyện, số liệu đánh giá, thời điểm thực thi được trích xuất tự động, còn mục đích sử dụng dự kiến, mục đích bị cấm, tác động xã hội và rủi ro còn lại phải do người phụ trách mô tả và phê duyệt.

Quyền truy cập cũng được phân cấp. Tài liệu công khai có thể chứa thông tin an toàn cần cho người dùng, tài liệu nội bộ chứa chi tiết vận hành, bảo mật, hợp đồng, tài liệu hạn chế chứa thông tin cá nhân và bằng chứng lỗ hổng. Tuy nhiên, hạn chế truy cập không được trở thành cách che giấu chính sự tồn tại của tài liệu, và phải lưu siêu dữ liệu ai đã hạn chế, khi nào, vì lý do gì.

9. Chuyên sâu: Quản trị AI và liên hệ bài làm Kỹ sư chuyên nghiệp

NIST AI RMF nêu các đặc tính của AI đáng tin cậy gồm hợp lệ và tin cậy, an toàn, bảo mật và khả năng phục hồi, trách nhiệm giải trình và minh bạch, khả năng giải thích và diễn giải, tăng cường quyền riêng tư, công bằng và quản lý thiên lệch có hại. Thẻ mô hình và bảng dữ liệu không phải giải pháp duy nhất hiện thực hóa các đặc tính này, nhưng có thể là phương tiện thực tiễn nối kết giả định, bằng chứng và người chịu trách nhiệm cho từng rủi ro.

Định hướng minh bạch và công khai có trách nhiệm trong Nguyên tắc AI của OECD cũng nên hiểu là cung cấp thông tin có ý nghĩa phù hợp tình huống, thay vì diễn giải là công khai mọi thông tin nội bộ. Trong hệ thống rủi ro cao, người bị ảnh hưởng phải biết lý do của kết quả và kênh khiếu nại, còn tổ chức phải truy vết được thay đổi và sự cố. Do đó cần thiết kế mục đích và phạm vi của tài liệu công khai, tài liệu kiểm toán nội bộ, tài liệu nộp cơ quan quản lý.

Trong bài thi Kỹ sư chuyên nghiệp, nếu chỉ viết thẻ mô hình và bảng dữ liệu như “tài liệu đạo đức AI” thì thiếu chiều sâu. Mở rộng vấn đề thành vấn đề liên kết giữa quản trị dữ liệu, MLOps, quản lý chất lượng, bảo vệ thông tin cá nhân, bảo mật, vận hành dịch vụ CNTT. Nếu trình bày dòng dõi dữ liệu và registry mô hình, cổng CI/CD, đánh giá thiên lệch và độ bền vững, giám sát và ứng phó sự cố thành một kiến trúc vòng đời, có thể giải thích đồng thời tính khả thi kỹ thuật và trách nhiệm quản lý.

Các luận điểm dự kiến gồm điều kiện sử dụng AI sinh và mô hình nền tảng, chuỗi cung ứng mô hình và dữ liệu bên ngoài, độ tin cậy của việc sinh tài liệu tự động, tái phê duyệt khi cập nhật mô hình, yêu cầu xóa thông tin cá nhân và huấn luyện lại, cân bằng giữa khả năng giải thích và bí mật kinh doanh. Với mỗi luận điểm, cấu trúc bài làm xoay quanh “cho phép phán đoán rủi ro nào và kiểm chứng bằng bằng chứng nào” hơn là “công khai cái gì”.

10. Những điều cần cân nhắc và hàm ý

A. Tài liệu hóa lấy mục đích và tác động làm trung tâm

Thay vì phát hành mẫu tài liệu trước, hãy nhận diện trước các quyết định và bên liên quan mà AI tác động. Cùng một mô hình nhưng mức kiểm soát khi áp dụng cho hỗ trợ tìm kiếm nội bộ và cho phán định người hưởng phúc lợi phải khác nhau. Mục đích sử dụng, mục đích bị cấm, điểm can thiệp của con người phải nằm trong tiêu chí phê duyệt.

B. Cân bằng giữa tự động hóa và rà soát của con người

Các mục lặp lại như chỉ số và phiên bản được sinh tự động trong pipeline để giảm bỏ sót và lỗi đánh máy. Ngược lại, tác động xã hội của thiên lệch, rủi ro còn lại, mục đích bị cấm không được phê duyệt chỉ bằng câu sinh tự động. Tách người soạn và người phê duyệt để tự động hóa tài liệu không trở thành phương tiện né tránh trách nhiệm.

C. Truy vết dữ liệu, mô hình, dịch vụ

Liên kết thẻ mô hình và bảng dữ liệu với registry mô hình, danh mục dữ liệu, theo dõi thí nghiệm, pipeline triển khai và log. Khi có sự cố, không chỉ tìm phiên bản mô hình mà phải tái hiện được cả lược đồ đầu vào, prompt, tài liệu truy xuất, phiên bản chính sách. Định danh chung và dòng dõi phục vụ phân tích tác động thay đổi là cốt lõi.

D. Hài hòa giữa thông tin cá nhân và công khai

Công khai dữ liệu gốc để tăng minh bạch có thể làm tăng rủi ro thông tin cá nhân và bảo mật. Thay vì bản gốc, cung cấp tóm tắt tổng hợp, phi định danh, mẫu, thống kê, và rà soát khả năng tái định danh cũng như vấn đề mẫu nhỏ. Với thông tin không công khai, lưu lý do, thời hạn bảo vệ, trách nhiệm rà soát để quản lý khoảng trống minh bạch.

E. Kiểm soát chuỗi cung ứng và mô hình bên ngoài

Khi đưa vào tập dữ liệu bên ngoài và mô hình tiền huấn luyện, không chỉ tin vào giải thích của nhà cung cấp mà phải xác nhận hợp đồng, phiên bản, giấy phép, khả năng tái hiện đánh giá, thông báo lỗ hổng. Nếu mô hình bên ngoài không có thẻ hoặc nội dung chưa đủ, bổ sung rủi ro bằng tự đánh giá và giới hạn sử dụng. Khi chuỗi cung ứng thay đổi, cập nhật cả thẻ mô hình nội bộ và đánh giá tác động dịch vụ.

F. Đánh giá lại liên tục và trách nhiệm giải trình

Thẻ mô hình vừa là tài liệu để phê duyệt phát hành vừa là tiêu chí quyết định dừng vận hành và huấn luyện lại. Đăng ký thay đổi phân phối, suy giảm hiệu năng, chênh lệch nhóm con, sự cố bảo mật, thay đổi luật và chính sách làm trigger đánh giá lại. Tổ chức không dừng ở việc lưu trữ tài liệu mà phải kiểm toán xem các cảnh báo trong tài liệu có thực sự được phản ánh vào triển khai, sử dụng, ứng phó sự cố hay không.

Tài liệu tham khảo

  1. Google Research, “Model Cards for Model Reporting”, https://research.google/pubs/model-cards-for-model-reporting/
  2. Timnit Gebru et al., “Datasheets for Datasets”, Stanford AI Lab PDF, https://ai.stanford.edu/~tgebru/papers/datasheets.pdf
  3. NIST, “Artificial Intelligence Risk Management Framework (AI RMF 1.0)”, https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
  4. NIST AI Resource Center, “AI Risks and Trustworthiness”, https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/
  5. OECD, “AI Principles”, https://www.oecd.org/en/topics/ai-principles.html

Tóm tắt một câu: Thẻ mô hình giải thích việc sử dụng, hiệu năng, rủi ro của mô hình, bảng dữ liệu giải thích nguồn gốc, chất lượng, quyền của dữ liệu, và khi liên kết hai tài liệu với vòng đời, dòng dõi, giám sát thì minh bạch AI chuyển hóa thành trách nhiệm giải trình và kiểm soát thực tế.