Trong kỷ nguyên của trí tuệ nhân tạo, dữ liệu được ví như “nhiên liệu” giúp vận hành các mô hình học máy. Tuy nhiên, với các startup AI non trẻ, việc tiếp cận nguồn dữ liệu lớn, sạch và có cấu trúc là một rào cản lớn. Không có dữ liệu tốt, các mô hình AI dù thông minh đến đâu cũng khó có thể huấn luyện hiệu quả, từ đó khó cạnh tranh với các ông lớn công nghệ đã có sẵn hệ sinh thái dữ liệu khổng lồ.
Như chúng ta đã biết, trong lĩnh vực trí tuệ nhân tạo (AI), dữ liệu không chỉ đóng vai trò là nguyên liệu đầu vào mà còn quyết định trực tiếp đến độ chính xác, tính ứng dụng và khả năng mở rộng của các mô hình AI. Một hệ thống AI được huấn luyện bằng dữ liệu không đầy đủ, thiếu tính đại diện hoặc bị sai lệch sẽ dẫn đến những dự đoán thiếu chính xác, thậm chí gây rủi ro trong thực tiễn.
Các thuật toán AI, đặc biệt là học sâu (deep learning), yêu cầu một lượng dữ liệu khổng lồ để “học” và rút ra các quy luật. Dữ liệu chất lượng cao phải đảm bảo:
(1) Đúng và đầy đủ thông tin: Hạn chế lỗi, sai sót và thiếu dữ liệu.
(2) Đa dạng và đại diện: Phản ánh đúng các tình huống thực tế, không bị thiên lệch (bias).
(3) Có nhãn rõ ràng (trong học có giám sát): Giúp huấn luyện mô hình nhanh hơn, hiệu quả hơn.
Ví dụ: Một startup phát triển AI nhận diện bệnh trên cây trồng cần hàng trăm nghìn ảnh lá cây bệnh – được gán nhãn chính xác – ở các điều kiện ánh sáng, thời tiết khác nhau.
Các startup rất khó khăn của startup khi xây dựng tập dữ liệu riêng, đây là một khó khăn chung trên toàn thế giới.
Không giống các tập đoàn lớn như Google, Meta hay Amazon – những công ty sở hữu lượng dữ liệu khổng lồ từ người dùng – các startup thường phải bắt đầu từ con số 0. Việc xây dựng cơ sở dữ liệu riêng đòi hỏi nhiều công sức, tài chính và thời gian:
(1) Thu thập dữ liệu gốc (hình ảnh, âm thanh, văn bản, số liệu…)
(2) Tiền xử lý dữ liệu: Làm sạch, loại bỏ nhiễu, chuẩn hóa định dạng…
(3) Gán nhãn dữ liệu: Tốn nhân lực hoặc chi phí thuê ngoài.
(4) Bảo mật và tuân thủ pháp luật: Đảm bảo không vi phạm quyền riêng tư hay luật dữ liệu cá nhân.
Nhiều nhóm khởi nghiệp tại Việt Nam cho biết họ mất 6-12 tháng chỉ để xây dựng một bộ dữ liệu đầu tiên đủ lớn và đủ chất lượng để thử nghiệm mô hình.
Dữ liệu còn quyết định khả năng duy trì và mở rộng của các startup AI.
Một mô hình AI khi triển khai thực tế cần được liên tục cải tiến và thích nghi với dữ liệu mới – đây gọi là quá trình “học liên tục” (continual learning). Do đó, dữ liệu không chỉ cần ở giai đoạn đầu mà còn trong suốt vòng đời sản phẩm.
Nếu không có dữ liệu cập nhật thường xuyên, sản phẩm AI dễ trở nên lỗi thời, giảm hiệu quả, đặc biệt trong các lĩnh vực thay đổi nhanh như y tế, tài chính hay giao thông đô thị.
Vậy trong thời gian tới, chúng ta cần có giải pháp để hỗ trợ dữ liệu cho startup AI. Các chuyên gia khuyến nghị Việt Nam cần nhanh chóng xây dựng chính sách thúc đẩy chia sẻ dữ liệu giữa cơ quan nhà nước, viện nghiên cứu và doanh nghiệp. Một số đề xuất đáng chú ý:
-
Phát triển kho dữ liệu mở quốc gia: Tập trung vào các lĩnh vực như y tế, giáo dục, môi trường, đô thị thông minh…
-
Hỗ trợ pháp lý cho startup trong tiếp cận dữ liệu cá nhân: Có khung pháp lý rõ ràng về quyền sử dụng, ẩn danh hóa dữ liệu.
-
Khuyến khích doanh nghiệp lớn chia sẻ dữ liệu: Thông qua các chương trình đổi mới sáng tạo mở (open innovation).
Việc sớm tháo gỡ rào cản dữ liệu không chỉ giúp startup AI Việt Nam phát triển mà còn thu hút đầu tư và tạo đà cho ngành công nghệ cao bứt phá.
Mạnh Hùng (Tổng hợp)
