Cụm D - công nghệ thông tin, điện tử
Các chương trước nhìn AI từ phía người dùng. Chương này đổi góc. Là sinh viên công nghệ thông tin hoặc điện, điện tử, nhiều bạn sẽ là người tạo ra hệ thống AI: huấn luyện mô hình, nhúng AI vào thiết bị, triển khai dịch vụ cho hàng nghìn người. Khi đó bạn không còn ngồi sau công cụ, bạn dựng nên công cụ. Trách nhiệm vì thế nặng hơn hẳn. Một dòng mã sai có thể loại nhầm hồ sơ của hàng nghìn ứng viên, một mô hình thiên lệch bạn đưa lên sản phẩm có thể phân biệt đối xử mà không ai hay biết.
Hãy nhìn vào những việc rất bình thường mà sinh viên cụm ngành này đang làm: một nhóm làm đồ án nhận diện khuôn mặt để điểm danh, dữ liệu là ảnh chụp bạn cùng lớp; một bạn đi thực tập được giao viết dịch vụ chấm điểm hồ sơ ứng viên. Ranh giới giữa bài tập trong trường và sản phẩm chạm tới người thật mỏng hơn nhiều so với cảm giác của người làm: ngay khi hệ thống xử lý dữ liệu của người khác, hoặc khi quyết định của nó tác động tới người khác, nghĩa vụ pháp lý đã bắt đầu. Những nghĩa vụ ấy cũng không nằm ở cuối dự án như một tờ cam kết nộp kèm lúc bàn giao, mà rải suốt vòng đời: lúc chọn nguồn dữ liệu, lúc quyết định kiểm thử trên nhóm nào, lúc chọn ngưỡng cắt, lúc quyết định có gắn nhãn nội dung do AI tạo hay không.
Thử ngay: hệ thống AI bạn sắp xây rơi vào mức rủi ro nào
Luật Trí tuệ nhân tạo 134/2025/QH15 chia hệ thống AI thành ba mức rủi ro là cao, trung bình và thấp, nghĩa vụ nặng nhẹ tương ứng, và mục 2 sẽ giải thích kỹ cách xếp mức. Trước khi đọc tiếp, thử phân loại vài hệ thống mà sinh viên hay làm đồ án. Bấm từng tình huống để xem nó rơi vào mức nào và kéo theo nghĩa vụ gì cho người phát triển.
1. Ba vai trò và vì sao kỹ sư chịu trách nhiệm nặng hơn
Pháp luật phân biệt rõ ba vai vì trách nhiệm mỗi bên không giống nhau:
- Người phát triển: trực tiếp xây mô hình, viết mã, chuẩn bị dữ liệu, huấn luyện và kiểm thử. Đây là người hiểu rõ nhất hệ thống sai ở đâu.
- Nhà cung cấp: tổ chức đưa hệ thống ra thị trường dưới tên hoặc thương hiệu của mình, chịu trách nhiệm về sản phẩm phát hành.
- Người triển khai: tổ chức đưa hệ thống vào dùng thực tế, ví dụ ngân hàng triển khai mô hình chấm điểm tín dụng.
Một sinh viên ra trường có thể lần lượt đóng cả ba vai. Hôm nay bạn phát triển mô hình, mai bạn thay công ty phát hành nó, rồi bạn cài đặt cho khách hàng. Mỗi vai đi kèm một bộ nghĩa vụ riêng.
Vì sao kỹ sư gánh trách nhiệm lớn hơn người dùng cuối? Người dùng chỉ tương tác với phần nổi. Còn bạn chọn dữ liệu huấn luyện, đặt ngưỡng quyết định, có kiểm thử trên nhiều nhóm hay không, có gắn nhãn nội dung AI hay không. Ba lý do cụ thể: tầm ảnh hưởng (một quyết định thiết kế nhân lên cho mọi người dùng), hiểu biết chuyên môn (bạn biết hệ thống sai ở đâu, không thể viện cớ không biết), khả năng phòng ngừa (chỉ người phát triển mới sửa được lỗi tận gốc).
Trách nhiệm rơi vào ai, hậu quả nếu vi phạm
Bên đầu tiên đối diện với người bị thiệt hại thường là tổ chức triển khai, nhưng tổ chức ấy có thể yêu cầu nhà cung cấp hoặc người phát triển hoàn trả nếu hợp đồng có thỏa thuận. Trong nội bộ, nếu điều tra cho thấy lỗi bắt nguồn từ việc kỹ sư bỏ bước kiểm thử bắt buộc hay dùng dữ liệu không rõ nguồn gốc, hậu quả với cá nhân là rất thật: kỷ luật lao động, chấm dứt hợp đồng, bồi thường theo thỏa thuận nội bộ. Bên cạnh hậu quả pháp lý còn có hậu quả nghề nghiệp: mất khách hàng, mất niềm tin của người dùng, mất uy tín trong một ngành mà sự cố dữ liệu lớn thường được nhớ rất lâu.
2. Phân loại rủi ro theo Luật Trí tuệ nhân tạo 134/2025/QH15
Luật Trí tuệ nhân tạo số 134/2025/QH15 (hiệu lực từ 01/3/2026) là luật chuyên ngành đầu tiên của Việt Nam về AI. Trục xương sống là cách tiếp cận theo rủi ro: hệ thống càng có khả năng gây hại lớn thì nghĩa vụ tuân thủ càng nặng. Luật chia hệ thống AI thành ba mức: cao, trung bình, thấp. Việc xếp mức dựa trên tác động tới quyền con người, an toàn, an ninh; lĩnh vực áp dụng; và phạm vi, quy mô ảnh hưởng.
Bảng dưới tóm tắt nghĩa vụ theo mức rủi ro của hệ thống.
| Mức rủi ro | Đặc điểm hệ thống | Nghĩa vụ trọng yếu |
|---|---|---|
| Cao | Tác động lớn tới tính mạng, sức khỏe, quyền và lợi ích hợp pháp; lĩnh vực thiết yếu | Đánh giá tác động trước khi đưa ra, quản lý rủi ro, bảo đảm an toàn dữ liệu, có con người giám sát và can thiệp, lưu vết và giải trình |
| Trung bình | Có thể khiến người dùng nhầm lẫn khi không nhận ra đang tương tác với AI | Minh bạch về việc đang dùng AI; gắn nhãn rõ nội dung do AI tạo |
| Thấp | Tác động hạn chế, ít rủi ro với người dùng | Nghĩa vụ tối thiểu; khuyến khích minh bạch và thực hành tốt tự nguyện |
Cách chia theo rủi ro giải một bài toán thực tế: áp cùng bộ nghĩa vụ nặng cho mọi hệ thống thì chi phí tuân thủ bóp chết cả những ứng dụng nhỏ vô hại, còn buông lỏng tất cả thì thiệt hại rơi vào người yếu thế. Điểm mấu chốt với người phát triển là mức rủi ro không nằm ở độ phức tạp kỹ thuật, mà nằm ở chỗ mô hình được dùng vào việc gì: cùng một kiến trúc phân loại ảnh, dùng để gợi ý bộ lọc màu thì rủi ro thấp, dùng để nhận diện người ra vào tòa nhà thì rủi ro cao. Câu hỏi đầu tiên khi nhận yêu cầu vì thế là hệ thống này quyết định điều gì, cho ai, và sai thì ai chịu thiệt.
Nghĩa vụ pháp lý không bắt đầu từ lúc sản phẩm được bán, mà từ lúc hệ thống xử lý dữ liệu của người thật và tác động tới người thật. Một đồ án nhận diện khuôn mặt chạy trên ảnh bạn cùng lớp đã là hoạt động xử lý dữ liệu cá nhân, mà dữ liệu sinh trắc học lại thuộc nhóm nhạy cảm.
3. Minh bạch, an ninh mạng và dữ liệu huấn luyện
Minh bạch và gắn nhãn. Người dùng có quyền biết khi nào họ đang nói chuyện với AI thay vì con người, và khi nào một hình ảnh, đoạn văn hay âm thanh là do AI tạo. Với hệ thống tạo nội dung, luật yêu cầu gắn nhãn nội dung do AI tạo để chống tin giả và giả mạo. Là người phát triển, bạn phải hiện thực hóa nghĩa vụ này ngay trong mã, không đẩy sang người dùng.
def label_ai_content(text: str, model_name: str) -> str:
# Attach a clear, human-readable disclosure to AI-generated text.
# Required for transparency under Vietnam AI Law 134/2025/QH15.
disclosure = f"[AI-generated by {model_name}]"
return f"{disclosure}\n{text}"
# Example usage
output = generate_text(prompt) # model produces the text
labelled = label_ai_content(output, "house-llm-v2")
print(labelled)
Đánh giá tác động. Với hệ thống rủi ro cao, đánh giá tác động là bước bắt buộc trước khi đưa ra sử dụng: rà soát hệ thống có thể gây hại cho ai, theo cách nào, và đặt sẵn biện pháp giảm thiểu. Khi hệ thống rủi ro cao gây thiệt hại dù vận hành đúng, tổ chức triển khai phải bồi thường, sau đó có thể yêu cầu nhà cung cấp hoặc người phát triển hoàn trả nếu hợp đồng có thỏa thuận. Trách nhiệm chạy ngược về phía người dựng hệ thống.
An ninh mạng. Hệ thống AI cũng là hệ thống thông tin, nên chịu ràng buộc của Luật An ninh mạng số 116/2025/QH15 (hiệu lực từ 01/7/2026). Bạn phải bảo đảm an toàn, bảo mật thông tin người dùng và không chia sẻ dữ liệu trái phép. Hai điểm hay bị bỏ quên: bảo mật hệ thống (kiểm soát truy cập, mã hóa dữ liệu nhạy cảm, vá lỗ hổng, vì mô hình bị tấn công có thể bị đánh cắp hoặc thao túng đầu ra), và dữ liệu huấn luyện (phải có nguồn gốc hợp pháp và xử lý đúng quy định dữ liệu cá nhân). Thu thập dữ liệu người dùng không xin phép rồi đưa vào huấn luyện là vi phạm cả Luật An ninh mạng lẫn Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15.
Một biện pháp đơn giản là ẩn danh dữ liệu cá nhân trước khi xử lý.
import hashlib
def anonymize(record: dict) -> dict:
# Remove direct identifiers and pseudonymize the user id.
# Reduces personal-data exposure before model training.
safe = dict(record)
raw_id = safe.pop("national_id", "")
safe.pop("full_name", None)
safe.pop("phone", None)
# One-way hash so the original id cannot be recovered.
safe["user_ref"] = hashlib.sha256(raw_id.encode()).hexdigest()[:16]
return safe
clean = [anonymize(r) for r in raw_records]
Trong phần lớn sự cố liên quan tới AI, gốc rễ nằm ở dữ liệu chứ không ở thuật toán. Ba câu hỏi cần trả lời được về mọi tập dữ liệu đưa vào huấn luyện. Dữ liệu từ đâu ra và ai cho phép dùng: dữ liệu đang công khai không có nghĩa là chủ thể đã đồng ý cho bạn huấn luyện trên đó. Dữ liệu có được dùng đúng mục đích đã thông báo hay không: dữ liệu thu thập để vận hành dịch vụ không mặc nhiên trở thành dữ liệu huấn luyện, đây là lỗi rất phổ biến vì dữ liệu đã nằm sẵn trong hệ thống nên có cảm giác là của mình rồi. Dữ liệu được bảo vệ ra sao: ẩn danh là biện pháp tốt nhưng không phải phép màu, vì một tập còn đủ nhiều thuộc tính vẫn có thể bị tái định danh khi ghép chéo với nguồn khác.
4. Thiên lệch và sở hữu trí tuệ mã nguồn
Thiên lệch là vấn đề đạo đức nặng nhất của người phát triển vì nó thường vô hình. Mô hình học từ dữ liệu lệch sẽ tái tạo và khuếch đại sự lệch đó. Trách nhiệm của kỹ sư không dừng ở chỗ mô hình chạy đúng trên tập kiểm thử tổng thể, mà phải kiểm thử công bằng: đo hiệu năng riêng trên từng nhóm (giới, vùng miền, độ tuổi). Một mô hình đạt 95% tổng thể vẫn có thể chỉ đạt 70% trên một nhóm thiểu số; con số tổng thể che giấu sự bất công. Nguyên tắc nền tảng là không gây hại: trước khi phát hành, hãy tự hỏi hệ thống có thể tổn hại cho ai và mình đã làm gì để ngăn.
Phần mềm và mã nguồn được bảo hộ quyền tác giả theo Luật Sở hữu trí tuệ số 50/2005/QH11 (sửa đổi các năm 2009, 2019, 2022). Phần lớn dự án AI đứng trên vai mã nguồn mở, nhưng mã nguồn mở không có nghĩa là muốn làm gì cũng được. Mỗi thư viện đi kèm một giấy phép ràng buộc cách bạn được dùng, sửa và phân phối lại.
| Giấy phép | Tính chất | Nghĩa vụ chính khi dùng |
|---|---|---|
| MIT | Dễ dãi (permissive) | Giữ lại thông báo bản quyền và văn bản giấy phép; gần như tự do còn lại |
| Apache 2.0 | Dễ dãi, có điều khoản sáng chế | Giữ thông báo bản quyền và giấy phép; ghi rõ thay đổi; có cấp quyền sáng chế |
| GPL (v2, v3) | Lan tỏa (copyleft) | Nếu phân phối sản phẩm dùng mã GPL thì phải mở mã nguồn sản phẩm theo cùng giấy phép |
| LGPL | Copyleft yếu | Cho liên kết động trong phần mềm đóng, nhưng sửa chính thư viện thì phải mở |
Khác biệt then chốt: giấy phép copyleft như GPL có tính lan tỏa. Nếu bạn đưa mã GPL vào sản phẩm rồi phân phối, bạn có thể buộc phải công khai toàn bộ mã nguồn sản phẩm. Nhiều công ty cấm dùng GPL trong sản phẩm đóng vì lý do này. Luôn đọc giấy phép trước khi thêm một thư viện vào dự án.
Đạo đức kỹ sư khi có áp lực tiến độ
Phần lớn vi phạm mà bạn sẽ gặp trong đời đi làm không đến từ ý đồ xấu, mà đến từ áp lực tiến độ: cắt bớt kiểm thử hay hoãn việc gắn nhãn nội dung AI sang bản sau đều có vẻ là quyết định hợp lý của một người thực dụng, và chỉ khi sự cố nổ ra người ta mới thấy chuỗi lựa chọn ấy dẫn tới đâu. Đạo đức nghề nghiệp vì thế là một tập thói quen cụ thể: nói rõ rủi ro bằng ngôn ngữ mà người quyết định hiểu được thay vì im lặng thực hiện; ghi lại bằng văn bản khi đã cảnh báo mà quyết định vẫn đi ngược lại; từ chối làm những việc rõ ràng trái pháp luật, vì việc được cấp trên giao không xóa được trách nhiệm của người thực hiện.
"Mô hình là hộp đen nên khỏi cần giải trình": khả năng giải trình được đo bằng việc bạn có lưu vết đầu vào, đầu ra, phiên bản mô hình và căn cứ quyết định hay không. "Dùng mô hình của bên thứ ba thì trách nhiệm là của họ": khi đưa mô hình đó vào sản phẩm rồi phát hành, bạn đã bước vào vai nhà cung cấp với bộ nghĩa vụ riêng. "Mã nguồn mở là tự do tuyệt đối": mở là mở mã, không phải mở nghĩa vụ.
Gom các nghĩa vụ rải trong chương lại, ta có một quy trình phát triển AI có trách nhiệm. Đạo đức kỹ sư không phải bước thêm vào cuối, mà đi suốt từ lúc đặt mục đích tới lúc hệ thống đã chạy ngoài thực tế.
5. Tình huống nghề nghiệp
Một nhóm kỹ sư phát triển hệ thống nhận diện khuôn mặt để chấm công. Mô hình đạt độ chính xác cao trên tập kiểm thử nên được triển khai ngay. Vài tuần sau, nhân viên nữ và người da sẫm phản ánh hệ thống thường nhận sai, bắt họ thử lại nhiều lần. Nhóm không đo hiệu năng riêng theo nhóm trước khi phát hành, và dữ liệu huấn luyện chủ yếu là ảnh nam giới da sáng.
Hệ thống này thuộc mức rủi ro nào theo Luật 134/2025/QH15? Nhóm đã bỏ qua nghĩa vụ nào trong vòng đời phát triển? Ai chịu trách nhiệm với người bị nhận diện sai, và cần làm gì để khắc phục?
Để kịp hạn, một sinh viên tích hợp thư viện xử lý ảnh phát hành theo GPL v3 vào sản phẩm thương mại của công ty thực tập, rồi bán cho khách hàng dưới dạng phần mềm đóng, không công khai mã nguồn và không nhắc tới giấy phép gốc. Vài tháng sau, cộng đồng phát hiện và yêu cầu công ty tuân thủ điều khoản copyleft.
Hành vi này vi phạm nghĩa vụ gì của GPL? Hậu quả pháp lý và uy tín có thể là gì? Nếu chọn lại từ đầu, bạn sẽ dùng thư viện có giấy phép nào để tránh rắc rối này?
Hai tình huống phân tích bằng lời
Chatbot giấu danh tính máy. Một nhóm dựng chatbot chăm sóc khách hàng cho nhà mạng, đặt tên người, gắn ảnh nhân viên, không báo rằng người trả lời là máy, với lập luận rằng khách thoải mái hơn. Nghĩa vụ minh bạch của Luật Trí tuệ nhân tạo 134/2025/QH15 không phụ thuộc vào việc khách có hài lòng hay không. Cái giá thật nằm ở chỗ khách sẽ tin lời chatbot như tin một nhân viên có thẩm quyền, nên khi nó nói sai về một điều khoản hợp đồng, thiệt hại là thật. Cách xử lý đúng lại rất rẻ: một dòng giới thiệu đầu cuộc trò chuyện và một lối chuyển sang người thật khi khách yêu cầu.
Mô hình dự đoán bỏ học bị dùng sai mục đích. Một nhóm xây mô hình cảnh báo sớm sinh viên có nguy cơ bỏ học để nhà trường hỗ trợ kịp thời. Sau đó có bộ phận đề nghị dùng chính điểm số ấy để loại sinh viên khi xét học bổng, vì dữ liệu đã có sẵn. Đây là hai mục đích khác hẳn nhau: một bên là hỗ trợ, một bên là phân bổ nguồn lực khan hiếm dựa trên một dự đoán có thể sai. Dữ liệu có sẵn không phải là căn cứ để dùng nó vào việc mới, và người phát triển có nghĩa vụ nói rõ giới hạn ấy.
Tình huống 3: nhúng mô hình phát hiện vật cản nhưng bỏ chế độ an toàn
Một nhóm sinh viên điện tử nhúng mô hình phát hiện vật cản vào xe tự hành cỡ nhỏ dùng trong nhà kho. Mô hình chạy tốt trong phòng thí nghiệm nên nhóm bỏ cảm biến siêu âm dự phòng để giảm giá thành, và không cài chế độ dừng khẩn khi mô hình không chắc chắn. Ở nhà kho thật, ánh sáng yếu và bụi khiến ảnh camera bị nhiễu, xe không nhận ra một pallet đặt lệch và va vào nó.
Phân tích. Với hệ thống có khả năng gây tổn hại về an toàn, khả năng con người can thiệp là yêu cầu tối thiểu chứ không phải tính năng xa xỉ. Sai lầm cốt lõi là kiểm thử trong điều kiện không đại diện cho môi trường vận hành: phòng thí nghiệm sáng và sạch, nhà kho tối và bụi. Việc bỏ cảm biến dự phòng đã chuyển toàn bộ an toàn lên vai một mô hình xác suất, mà không mô hình nào đáng được tin tới mức đó. Trách nhiệm ở đây sẽ được truy về phía người phát triển, vì nguyên nhân gốc nằm ở quyết định thiết kế.
6. Ôn thuật ngữ
Bấm từng thẻ để lật xem nghĩa. Đây là các thuật ngữ cốt lõi của người phát triển AI trong chương này.
7. Tự kiểm
- 1Trong ba vai xây dựng, triển khai, cung cấp, ai là người trực tiếp huấn luyện mô hình và hiểu rõ nhất hệ thống sai ở đâu?
- 2Theo Luật 134/2025/QH15, một chatbot tư vấn tuyển sinh chủ yếu phải thực hiện nghĩa vụ nào?
- 3Bạn muốn dùng một thư viện mã nguồn mở trong sản phẩm thương mại đóng và không muốn phải công khai mã nguồn của mình. Giấy phép nào an toàn nhất?
- 4Nhóm bạn muốn huấn luyện mô hình nhận diện khuôn mặt và định cào ảnh từ mạng xã hội mà không xin phép. Điều này vi phạm gì?
- 5Mô hình chấm điểm hồ sơ tuyển dụng đạt độ chính xác 95% tổng thể. Vì sao vẫn cần kiểm thử công bằng?
- 6Với hệ thống AI rủi ro cao, khi nào phải thực hiện đánh giá tác động?
8. Tóm tắt chương
Người xây hệ thống AI đứng ở vị trí khác hẳn người dùng cuối: bạn chọn dữ liệu, chọn ngưỡng, chọn kiểm thử tới đâu, và mọi lựa chọn đó nhân lên cho tất cả những ai chạm vào sản phẩm. Luật Trí tuệ nhân tạo 134/2025/QH15 dựng khung theo mức rủi ro, mà mức rủi ro được quyết bởi công dụng chứ không bởi độ phức tạp kỹ thuật. Song song, hệ thống AI vẫn là hệ thống thông tin nên chịu ràng buộc của Luật An ninh mạng 116/2025/QH15, dữ liệu cá nhân trong đường ống huấn luyện chịu ràng buộc của Luật Bảo vệ dữ liệu cá nhân 91/2025/QH15, còn mã nguồn và thư viện bên thứ ba nằm dưới Luật Sở hữu trí tuệ 50/2005/QH11 cùng giấy phép đi kèm. Ba thói quen đáng mang theo: hỏi công dụng trước khi hỏi kiến trúc; biết nguồn gốc và giới hạn mục đích của từng tập dữ liệu; đo hiệu năng riêng theo nhóm thay vì tin vào con số tổng thể.