Che dữ liệu cá nhân trong bộ dữ liệu tiếng Việt là tìm và thay thế mọi thông tin giúp nhận ra một người cụ thể trước khi dùng dữ liệu để huấn luyện hay đánh giá mô hình, gồm thông tin trực tiếp (họ tên, số căn cước, số điện thoại, email, địa chỉ, số tài khoản, biển số xe) và thông tin gián tiếp (chức vụ cộng nơi làm, sự kiện riêng, mô tả đủ chi tiết để người quen nhận ra). Cách làm hiệu quả là kết hợp ba lớp: quy tắc cho thông tin có khuôn, mô hình nhận dạng thực thể cho tên và địa danh, và người rà các phần khó.
Lý do không chỉ là tuân thủ pháp luật. Mô hình ngôn ngữ có thể nhớ nguyên văn những chuỗi xuất hiện trong dữ liệu huấn luyện và lặp lại chúng khi được hỏi đúng cách; một bộ dữ liệu tổng đài chưa che có thể khiến chatbot đọc ra số điện thoại của khách hàng cũ. Bài này tập trung vào phần kỹ thuật đặc thù tiếng Việt. Nghĩa vụ pháp lý theo Luật Bảo vệ dữ liệu cá nhân (có hiệu lực từ 1/1/2026) và văn bản hướng dẫn cần đối chiếu bản hiện hành; trang AI Bảo Mật có phần giải thích cho người dùng và doanh nghiệp nhỏ.
Những loại thông tin cần tìm và cách bắt
Mỗi loại thông tin có cách phát hiện phù hợp. Thông tin có khuôn cố định bắt bằng quy tắc khá chắc; thông tin tự do như tên và mô tả cần mô hình và người.
| Loại | Đặc điểm ở Việt Nam | Cách bắt chính | Chỗ hay sót |
|---|---|---|---|
| Số căn cước, định danh | Dãy 12 chữ số | Quy tắc khuôn số, kèm từ khoá gần đó như "CCCD", "căn cước" | Số viết tách cụm, số chép thiếu |
| Số điện thoại | Thường 10 chữ số, bắt đầu bằng 0 hoặc mã quốc gia | Quy tắc nhiều biến thể | Viết bằng chữ, chèn dấu chấm, cố tình viết lách |
| Email, tài khoản mạng xã hội | Khuôn rõ | Quy tắc | Tên tài khoản không kèm ký hiệu @ |
| Số tài khoản, số thẻ | Dãy số dài, khác nhau theo ngân hàng | Quy tắc kèm từ khoá "STK", "chuyển khoản" | Dãy số đứng một mình không từ khoá |
| Biển số xe | Khuôn có chữ và số | Quy tắc | Biển số viết thiếu dấu gạch, dấu chấm |
| Họ tên | Họ phổ biến, tên trùng từ thường | Mô hình nhận dạng thực thể, danh sách họ | Tên một chữ, tên không dấu, biệt danh |
| Địa chỉ | Số nhà, đường, xã hoặc phường, tỉnh theo đơn vị mới | Mô hình kèm danh mục đơn vị hành chính | Địa chỉ theo tên cũ có cấp huyện, mô tả kiểu "đầu hẻm nhà bà Tư" |
Bảng này không có ví dụ số cụ thể là có chủ ý: đừng dùng số thật, kể cả số "của mình", làm mẫu kiểm thử trong tài liệu hay mã nguồn. Tạo số giả theo đúng khuôn để kiểm quy tắc.
Tên người Việt: khó hơn tưởng
Tên người Việt có những đặc điểm làm mô hình nhận dạng thực thể vấp. Thứ nhất, một số ít họ chiếm phần lớn dân số, nên "Nguyễn", "Trần", "Lê", "Phạm" là tín hiệu mạnh; nhưng khi văn bản chỉ gọi tên riêng, như "chị Hoa bên kế toán", "anh Bình phòng kỹ thuật", tín hiệu họ biến mất. Thứ hai, rất nhiều tên riêng cũng là từ thường: Hoa, Bình, An, Thành, Nam, Hải, Xuân, Thu. "Hoa" trong "chị Hoa" là tên người, trong "hoa hồng" là danh từ, trong "hoa hồng đại lý" là một khoản tiền. "Nam" có thể là tên người, phương hướng, giới tính hoặc một phần của "Việt Nam".
Thứ ba, văn bản đời thường hay dùng tên không dấu, tên viết tắt (anh T., chị H.), biệt danh, cách gọi theo thứ trong nhà ở miền Nam (anh Hai, chị Ba, bà Tư), hoặc theo tên con, tên chồng. Cách gọi theo thứ là trường hợp khó: "chú Sáu" một mình gần như không nhận ra ai, nhưng "chú Sáu bán tạp hoá đầu hẻm, xã X" thì người trong vùng biết ngay.
Kinh nghiệm thực tế: dùng tín hiệu ngữ cảnh mạnh nhất của tiếng Việt là từ xưng hô đứng trước (anh, chị, em, cô, chú, bác, ông, bà, thầy) kết hợp chữ viết hoa. Cụm "từ xưng hô + từ viết hoa" ở giữa câu gần như luôn là tên người. Mô hình nhận dạng thực thể tiếng Việt huấn luyện sẵn bắt tốt các trường hợp chuẩn; phần còn lại cần quy tắc bổ sung và rà tay một mẫu để đo tỷ lệ sót.
Thay bằng gì: nhãn, tên giả hay xoá hẳn
Thay bằng nhãn loại. Đổi "anh Nguyễn Văn Nam" thành "anh [TÊN]". Đơn giản, an toàn, dễ kiểm. Nhược điểm là văn bản trở nên thiếu tự nhiên, và mô hình học từ dữ liệu này có thể bắt chước sinh ra các nhãn trong ngoặc. Phù hợp cho dữ liệu phân loại, nơi tên người không ảnh hưởng nhãn.
Thay bằng giá trị giả nhất quán. Đổi mọi lần xuất hiện của cùng một người thành cùng một tên giả, giữ giới tính và độ dài tương tự, chọn từ danh sách tên phổ biến. Văn bản vẫn tự nhiên, mạch hội thoại vẫn giữ được (ai nói với ai). Cần cẩn thận để tên giả không vô tình trùng một người liên quan trong cùng bộ dữ liệu, và bảng đối chiếu thật–giả phải được bảo vệ hoặc huỷ.
Xoá hẳn câu hoặc mẫu. Với mẫu mà thông tin cá nhân là nội dung chính, ví dụ một tin nhắn chỉ để gửi số tài khoản, xoá cả mẫu thường tốt hơn che. Với dữ liệu nhạy cảm như sức khoẻ, tình trạng pháp lý gắn với người cụ thể, cân nhắc loại hẳn khỏi bộ dữ liệu nếu bài toán không cần.
Làm mờ mức chi tiết. Đổi ngày sinh thành nhóm tuổi, địa chỉ đầy đủ thành tên tỉnh, nghề cụ thể thành nhóm nghề. Cách này giữ được thông tin cần cho phân tích mà giảm khả năng nhận ra người.
Thông tin gián tiếp: khi không có tên mà vẫn nhận ra người
Phần khó nhất của việc che không phải số điện thoại mà là tổ hợp thông tin. Câu "trưởng phòng kế toán của công ty X ở xã Y vừa nghỉ sinh con thứ hai" không có tên, nhưng ai làm ở công ty đó đều biết là ai. Trong dữ liệu tiếng Việt từ tổng đài, biên bản họp, phản hồi nội bộ, những câu kiểu này rất phổ biến vì người Việt hay xác định người qua quan hệ, vị trí và sự kiện.
Không có công cụ tự động nào bắt chắc loại thông tin này. Cách giảm rủi ro là kết hợp: làm mờ tên tổ chức và địa danh nhỏ (giữ cấp tỉnh, bỏ cấp xã nếu không cần), che chức danh gắn với tổ chức cụ thể, và cho người rà đọc các mẫu có mật độ thực thể cao. Với dữ liệu sẽ công bố công khai, nên có một vòng "thử nhận ra": một người không tham gia làm dữ liệu cố gắng đoán danh tính từ vài mẫu; đoán được dễ dàng là chưa che đủ.
Cần phân biệt hai khái niệm. Giả danh hoá là thay thông tin định danh bằng mã hay tên giả nhưng vẫn có cách nối lại (qua bảng đối chiếu); dữ liệu giả danh hoá vẫn là dữ liệu cá nhân theo cách hiểu phổ biến trong pháp luật nhiều nước. Ẩn danh hoá là làm đến mức không thể nhận ra người một cách hợp lý nữa; đạt được điều này với văn bản tự do khó hơn nhiều so với bảng số liệu.
Quy trình che cho một bộ dữ liệu văn bản tiếng Việt
Quy trình dưới đây áp được cho dữ liệu tổng đài, email hỗ trợ, bình luận, biên bản. Thứ tự quan trọng: chuẩn hoá trước để quy tắc và mô hình chạy đúng.
- Chuẩn hoá Unicode và ký tự lạ, vì số và chữ có thể bị chèn ký tự ẩn làm quy tắc trượt.
- Chạy quy tắc cho thông tin có khuôn: số giấy tờ, điện thoại, email, số tài khoản, biển số. Ghi nhật ký số lần thay theo loại.
- Chạy mô hình nhận dạng thực thể tiếng Việt cho tên người, tổ chức, địa danh; bổ sung quy tắc "từ xưng hô + từ viết hoa" và danh sách họ phổ biến.
- Thay thế theo chính sách đã chọn cho từng loại: nhãn, giá trị giả nhất quán, làm mờ hoặc xoá mẫu.
- Lấy mẫu ngẫu nhiên vài trăm mẫu đã che, người rà đọc, đếm số thông tin còn sót theo loại, tính tỷ lệ sót.
- Lấy thêm mẫu có chủ đích ở các nguồn rủi ro cao (tin nhắn, ghi chú tự do của nhân viên) và rà kỹ hơn.
- Nếu tỷ lệ sót vượt mức chấp nhận, bổ sung quy tắc và chạy lại từ bước 2; không vá tay từng mẫu.
- Huỷ hoặc khoá bảng đối chiếu thật–giả, ghi quy trình và tỷ lệ sót đo được vào thẻ dữ liệu.
Không quy trình nào đạt tỷ lệ sót bằng không với văn bản tự do. Điều quan trọng là đo được nó, biết nó nằm ở loại thông tin nào, và có kênh xử lý khi phát hiện sót sau khi phát hành.
Khi đưa dữ liệu ra dịch vụ bên ngoài
Nhiều nhóm dùng dịch vụ mô hình ngôn ngữ bên ngoài để gán nhãn, sinh dữ liệu hay tóm tắt. Mỗi lần gửi dữ liệu lên là một lần dữ liệu rời khỏi hạ tầng của tổ chức. Việc che phải làm trước khi gửi, không phải sau. Đọc điều khoản dịch vụ về việc lưu trữ và dùng dữ liệu gửi lên, chọn chế độ không dùng dữ liệu để huấn luyện nếu dịch vụ có, và cân nhắc mô hình chạy trong hạ tầng của mình cho dữ liệu nhạy cảm.
Một sai lầm thường gặp là dùng chính dịch vụ bên ngoài để che dữ liệu: gửi văn bản chưa che lên để nhờ mô hình tìm tên người. Làm vậy là đã gửi dữ liệu cá nhân ra ngoài trước khi che. Bước che nên chạy bằng công cụ trong nhà, ít nhất cho lớp quy tắc và mô hình nhận dạng thực thể.
Với dữ liệu giọng nói, giọng chính là thông tin cá nhân, không thể che bằng cách thay chữ. Bản chép lời cần che như văn bản, còn bản ghi âm thì phải dựa vào đồng ý của người nói, giới hạn quyền truy cập và thời hạn lưu.
Kiểm lại sau huấn luyện: mô hình có nhả dữ liệu cá nhân không
Che dữ liệu đầu vào là lớp bảo vệ chính, nhưng nên có thêm một phép kiểm ở đầu ra. Sau khi tinh chỉnh mô hình trên dữ liệu tổng đài hay email hỗ trợ, thử gợi mô hình bằng phần đầu của các câu có thông tin nhạy cảm trong dữ liệu gốc, ví dụ giả định "khách hàng tên", "số tài khoản của chị", "địa chỉ giao hàng là", rồi xem mô hình có hoàn thành bằng thông tin thật nào không. Chạy thêm các câu hỏi trực tiếp kiểu "cho biết số điện thoại của khách hàng đã gọi hôm qua".
Phép kiểm này không chứng minh mô hình an toàn tuyệt đối, nhưng phát hiện được những lỗ hổng rõ ràng nhất, chẳng hạn một nhóm bản ghi đã lọt qua bước che vì định dạng lạ. Ghi kết quả kiểm vào tài liệu của mô hình, và lặp lại mỗi khi dữ liệu huấn luyện đổi phiên bản.
Câu hỏi thường gặp
Dữ liệu đã thay tên bằng mã có còn là dữ liệu cá nhân không?
Thường vẫn là, nếu còn bảng đối chiếu hoặc còn thông tin gián tiếp đủ nhận ra người. Đó là giả danh hoá, khác với ẩn danh hoá. Cách hiểu chính xác theo pháp luật Việt Nam cần đối chiếu Luật Bảo vệ dữ liệu cá nhân và văn bản hướng dẫn hiện hành.
Mô hình nhận dạng thực thể có bắt đủ tên người Việt không?
Bắt tốt trường hợp chuẩn có họ và chữ viết hoa, nhưng hay sót tên một chữ trùng từ thường, tên không dấu, biệt danh, cách gọi theo thứ trong nhà. Nên bổ sung quy tắc theo từ xưng hô và rà tay một mẫu để đo tỷ lệ sót.
Thay tên thật bằng tên giả có làm sai dữ liệu không?
Với hầu hết bài toán không phụ thuộc tên, thay nhất quán không ảnh hưởng nhãn mà giữ văn bản tự nhiên. Cần giữ giới tính, tránh trùng tên người khác trong cùng bộ dữ liệu, và bảo vệ hoặc huỷ bảng đối chiếu.
Địa chỉ trong dữ liệu cũ còn cấp huyện thì che thế nào?
Quy tắc và danh mục phải nhận cả tên đơn vị cũ lẫn mới, vì dữ liệu trước tháng 7/2025 còn cấp huyện và tên tỉnh cũ. Nếu làm mờ về cấp tỉnh, quy đổi sang tỉnh mới khi cần thống kê nhưng giữ ghi chú thời điểm.
Có cần che tên người nổi tiếng, quan chức trong dữ liệu không?
Tuỳ bối cảnh. Tên người của công chúng xuất hiện trong tin tức về hoạt động công khai thường không cần che cho bài toán đọc tin. Nhưng thông tin riêng tư của họ, hay tên họ trong dữ liệu nội bộ, vẫn cần xử lý như mọi người khác.
Che xong có thể công bố bộ dữ liệu công khai không?
Chưa chắc. Ngoài che, còn phải xét căn cứ thu thập ban đầu, phạm vi đồng ý và rủi ro nhận ra người qua thông tin gián tiếp. Nên có vòng thử nhận ra và, với dữ liệu nhạy cảm, hỏi ý kiến người phụ trách pháp lý trước khi công bố.