Dữ liệu tổng hợp (synthetic data) là gì? Ứng dụng và giới hạn

📌 Synthetic data là gì và khác dữ liệu ẩn danh thế nào

Synthetic data là dữ liệu nhân tạo: các bản ghi khách hàng, đơn hàng, đoạn hội thoại, hình ảnh không tương ứng với người hay sự kiện có thật, nhưng trông và hành xử giống dữ liệu thật ở những đặc điểm cần thiết.

Cần phân biệt với dữ liệu ẩn danh. Ẩn danh là lấy dữ liệu thật rồi xóa hoặc che tên, số điện thoại, địa chỉ. Mỗi dòng vẫn tương ứng với một người thật, và việc kết hợp nhiều trường còn lại đôi khi đủ để nhận diện lại. Synthetic data thì mỗi dòng được tạo mới, không có người thật đứng sau.

Ba mức độ tổng hợp

• Dữ liệu giả theo quy tắc: sinh tên, số điện thoại, địa chỉ ngẫu nhiên theo định dạng Việt Nam để kiểm thử phần mềm. Không cần dữ liệu gốc.
• Dữ liệu mô phỏng thống kê: học phân bố từ dữ liệu thật (tỷ lệ đơn theo khu vực, giá trị trung bình) rồi sinh dữ liệu mới theo phân bố đó.
• Dữ liệu sinh bằng AI tạo sinh: dùng mô hình ngôn ngữ viết câu hỏi khách hàng, email, đoạn hội thoại; dùng mô hình ảnh tạo ảnh sản phẩm lỗi.

📌 Doanh nghiệp dùng dữ liệu tổng hợp vào việc gì

Với doanh nghiệp nhỏ và vừa, giá trị lớn nhất của synthetic data thường không nằm ở huấn luyện mô hình lớn, mà ở kiểm thử và đánh giá.

🛠️ Cách tạo dữ liệu tổng hợp bằng AI từng bước

Ví dụ: một công ty dịch vụ IT 30 người muốn tạo 300 câu hỏi kiểm thử cho chatbot hỗ trợ khách hàng.

Chuẩn bị

• Danh sách chủ đề cần phủ: cài máy in, lỗi Wi-Fi, gia hạn bảo trì, lịch kỹ thuật viên.
• Vài chục câu hỏi thật đã che thông tin cá nhân, làm mẫu phong cách.
• Mô tả các kiểu người hỏi: chủ shop lớn tuổi, nhân viên văn phòng gõ vội, người hỏi bằng tiếng Việt không dấu.

Các bước

1. Viết prompt sinh dữ liệu: nêu rõ chủ đề, kiểu người hỏi, độ dài, yêu cầu đa dạng cách diễn đạt và mức độ khó.
2. Sinh theo lô nhỏ: mỗi lô 20–30 câu cho một chủ đề, tránh mô hình lặp lại mẫu câu.
3. Lọc trùng: loại câu gần giống nhau, có thể dùng embedding để phát hiện.
4. Gắn đáp án kỳ vọng: người hiểu nghiệp vụ viết hoặc duyệt câu trả lời đúng.
5. Duyệt mẫu: đọc ngẫu nhiên khoảng 10%, loại câu vô lý hoặc không ai hỏi kiểu đó.
6. Trộn với dữ liệu thật: giữ một phần câu hỏi thật trong bộ đánh giá để không chỉ đo trên dữ liệu giả.

Kiểm tra kết quả

So sánh phân bố chủ đề, độ dài, tỷ lệ câu không dấu giữa dữ liệu tổng hợp và log thật. Chênh lệch lớn nghĩa là bộ dữ liệu chưa phản ánh đúng người dùng.

❗ Rủi ro và giới hạn của synthetic data

Dữ liệu tổng hợp hữu ích nhưng không phải dữ liệu thật. Những giới hạn cần biết:

• Sai lệch so với thực tế: mô hình AI viết câu hỏi ‘gọn gàng, đúng chính tả’ hơn khách thật nhiều. Chatbot đạt điểm cao trên dữ liệu giả có thể vẫn kém với khách thật.
• Khuếch đại thiên lệch: nếu dữ liệu gốc chủ yếu là khách ở TP.HCM, dữ liệu tổng hợp sẽ càng ít khách tỉnh.
• Thiếu tình huống hiếm thật sự: AI chỉ tạo ra những gì nó ‘tưởng tượng’ được, các tình huống bất ngờ của thực tế thường không có.
• Rò rỉ dữ liệu gốc: khi sinh dữ liệu từ dữ liệu thật, mô hình có thể sao chép gần nguyên văn bản ghi thật. Cần kiểm tra trùng khớp với dữ liệu gốc.
• Vòng lặp mô hình: huấn luyện mô hình liên tục trên dữ liệu do mô hình khác tạo ra có thể làm chất lượng giảm dần theo thời gian, hiện tượng được giới nghiên cứu thảo luận nhiều.
• Điều khoản sử dụng: một số nhà cung cấp mô hình có quy định về việc dùng đầu ra để huấn luyện mô hình cạnh tranh. Kiểm tra điều khoản hiện hành.

📌 Synthetic data và quyền riêng tư dữ liệu cá nhân

Một lý do nhiều doanh nghiệp quan tâm synthetic data là giảm việc dùng dữ liệu cá nhân thật trong phát triển và kiểm thử. Đây là hướng đúng, nhưng cần hiểu đúng mức.

• Dữ liệu sinh theo quy tắc, không dựa trên dữ liệu thật: rủi ro về dữ liệu cá nhân rất thấp. Phù hợp cho môi trường kiểm thử, demo.
• Dữ liệu sinh từ việc học dữ liệu thật: vẫn cần đánh giá khả năng tái nhận diện. Bản ghi tổng hợp quá giống một khách hàng cụ thể vẫn có thể bị coi là liên quan đến người đó.
• Quy trình nội bộ: quyết định ai được truy cập dữ liệu gốc dùng để sinh, nơi lưu, thời gian lưu.

Pháp luật Việt Nam về bảo vệ dữ liệu cá nhân có những yêu cầu cụ thể về xử lý dữ liệu. Doanh nghiệp nên kiểm tra văn bản pháp luật hiện hành và hỏi ý kiến chuyên gia pháp lý khi dữ liệu gốc là dữ liệu khách hàng, nhân viên, thay vì mặc định rằng dữ liệu đã ‘tổng hợp’ thì không còn nghĩa vụ gì.

Nguyên tắc thực tế

Nếu mục đích là kiểm thử phần mềm, ưu tiên sinh dữ liệu từ quy tắc thay vì từ dữ liệu thật. Chỉ dùng dữ liệu thật làm nguồn khi thực sự cần giữ đặc điểm thống kê.

⏰ Khi nào nên và không nên dùng dữ liệu tổng hợp

Nên dùng khi

• Cần môi trường kiểm thử phần mềm, website, chatbot mà không được phép dùng dữ liệu khách thật.
• Cần bộ câu hỏi đánh giá đa dạng nhưng log thật còn ít, ví dụ chatbot sắp ra mắt.
• Một nhóm dữ liệu quá hiếm, cần thêm ví dụ để mô hình phân loại không bỏ qua.
• Đào tạo nhân viên bằng tình huống mô phỏng.

Không nên dựa hoàn toàn khi

• Ra quyết định kinh doanh: dự báo doanh thu, định giá, chọn thị trường. Quyết định cần dữ liệu thật.
• Đánh giá cuối cùng trước khi ra mắt: luôn cần một phần dữ liệu thật hoặc người dùng thật thử.
• Lĩnh vực có hậu quả lớn như y tế, tài chính, pháp lý mà không có chuyên gia kiểm tra dữ liệu tổng hợp.

Cách hiểu đúng: synthetic data là công cụ bổ sung, giúp bạn bắt đầu sớm hơn và an toàn hơn, nhưng thực tế vẫn là phép thử cuối cùng. Một bộ đánh giá cân bằng thường kết hợp dữ liệu thật đã che thông tin với dữ liệu tổng hợp để phủ các trường hợp còn thiếu.

❓ Câu hỏi thường gặp

📌 Bài viết liên quan

• Evals là gì? Đánh giá chất lượng ứng dụng AI
• Chưng cất mô hình (distillation) là gì? Mô hình nhỏ học từ mô hình lớn
• Fine-tuning là gì? Khi nào doanh nghiệp cần tinh chỉnh mô hình AI
• Dữ liệu cá nhân khi dùng AI: doanh nghiệp Việt Nam cần lưu ý gì
• Quản trị dữ liệu cho AI: chuẩn bị dữ liệu trước khi triển khai
• Generative AI (AI tạo sinh) là gì? Cách hoạt động và ứng dụng
• Machine Learning là gì? Học máy giải thích dễ hiểu
• Red teaming AI là gì? Kiểm thử tấn công chatbot trước khi ra mắt

📌 Nguồn tham khảo

• Synthetic data – Wikipedia
• OECD – Artificial Intelligence
• Faker – GitHub