Đỗ Đức Dũng
Tóm tắt
Trong kỷ nguyên trí tuệ nhân tạo, nhiều quốc gia và tổ chức tập trung vào phát triển mô hình AI, hạ tầng tính toán, chip bán dẫn và phần mềm ứng dụng. Tuy nhiên, đối với các quốc gia đang phát triển, con đường thiết thực nhất để tham gia vào kỷ nguyên AI không nhất thiết bắt đầu từ việc xây dựng các mô hình nền tảng quy mô cực lớn, mà bắt đầu từ việc làm chủ dữ liệu chuyên ngành. Bài viết phân tích vì sao dữ liệu chuyên ngành là nền móng của AI chuyên ngành; làm rõ khái niệm “làm chủ dữ liệu” không chỉ là sở hữu dữ liệu, mà bao gồm kiểm kê, chuẩn hóa, quản trị chất lượng, liên thông, bảo mật, chia sẻ có kiểm soát và khai thác thành tri thức. Trên cơ sở các khuyến nghị của World Bank, OECD, NIST, nguyên tắc FAIR và các định hướng chính sách của Việt Nam về AI, dữ liệu quốc gia, bài viết đề xuất một lộ trình 7 bước để làm chủ dữ liệu chuyên ngành, đặc biệt trong lĩnh vực tài nguyên nước, thủy lợi, khí tượng thủy văn và phòng chống thiên tai.
Từ khóa: dữ liệu chuyên ngành, trí tuệ nhân tạo, AI chuyên ngành, chủ quyền dữ liệu, FAIR data, tài nguyên nước, thủy lợi, quản trị dữ liệu, tri thức số.
1. Đặt vấn đề
Sau khi đi qua bốn bài đầu của chuyên đề, có thể thấy AI không còn là một công nghệ riêng lẻ. AI đang trở thành một lực lượng có khả năng tác động đến cấu trúc kinh tế thế giới, cạnh tranh địa chính trị, năng suất lao động, quản trị quốc gia và tương lai của nhiều ngành nghề.
Tuy nhiên, khi bàn về AI, người ta thường bị cuốn vào các câu hỏi rất lớn: quốc gia nào có chip mạnh hơn, công ty nào có mô hình AI lớn hơn, mô hình nào thông minh hơn, ai đang dẫn đầu trong cuộc đua công nghệ Mỹ – Trung.
Những câu hỏi đó quan trọng, nhưng với một quốc gia đang phát triển như Việt Nam, có lẽ cần đặt thêm một câu hỏi thực tế hơn:
Chúng ta có thể bắt đầu làm chủ AI từ đâu?
Theo tôi, câu trả lời không nên bắt đầu từ việc cố gắng làm mọi thứ như các cường quốc công nghệ. Việt Nam khó có thể ngay lập tức cạnh tranh với Mỹ, Trung Quốc hay châu Âu trong các mô hình AI nền tảng, chip bán dẫn tiên tiến hoặc siêu máy tính quy mô toàn cầu.
Nhưng Việt Nam có một lợi thế rất riêng: dữ liệu chuyên ngành của chính mình.
Không ai hiểu tài nguyên nước Việt Nam bằng chính những người làm tài nguyên nước Việt Nam.
Không ai có đầy đủ kinh nghiệm về lũ, hạn, mặn, hồ chứa, đê điều, hệ thống thủy lợi và các vùng đồng bằng của Việt Nam bằng chính các cơ quan, viện nghiên cứu, trường đại học và chuyên gia Việt Nam.
Không ai có thể thay chúng ta tổ chức lại kho tri thức đã tích lũy qua nhiều chục năm thành dữ liệu số, mô hình số và năng lực AI chuyên ngành.
Vì vậy, luận điểm trung tâm của bài viết này là:
Làm chủ dữ liệu chuyên ngành là con đường ngắn nhất, thiết thực nhất và phù hợp nhất để Việt Nam từng bước làm chủ AI trong những lĩnh vực mà mình có lợi thế.
2. Phương pháp tiếp cận
Bài viết sử dụng cách tiếp cận liên ngành, kết hợp giữa kinh tế dữ liệu, quản trị công nghệ, chuyển đổi số và kinh nghiệm chuyên ngành tài nguyên nước.
Các phân tích dựa trên bốn nhóm nguồn chính.
Thứ nhất là các báo cáo quốc tế về vai trò của dữ liệu trong phát triển. World Bank trong World Development Report 2021: Data for Better Lives nhấn mạnh dữ liệu có thể tạo ra giá trị kinh tế – xã hội thông qua sử dụng và tái sử dụng, nhưng cần một “khế ước xã hội mới” để bảo đảm dữ liệu được sử dụng có lợi, công bằng và đáng tin cậy.
Thứ hai là các tài liệu về quản trị dữ liệu. OECD cho rằng quản trị dữ liệu cần cách tiếp cận tổng thể và nhất quán, không chỉ trong nước mà cả xuyên biên giới, nhằm khai thác dữ liệu cho tăng trưởng và phúc lợi, đồng thời quản lý rủi ro.
Thứ ba là các nguyên tắc kỹ thuật về dữ liệu có khả năng tái sử dụng. Nguyên tắc FAIR, được công bố trong Scientific Data năm 2016, nhấn mạnh dữ liệu khoa học cần có khả năng tìm thấy, truy cập, liên thông và tái sử dụng; các nguyên tắc này không chỉ áp dụng cho dữ liệu mà còn cho thuật toán, công cụ và quy trình tạo ra dữ liệu.
Thứ tư là các định hướng chính sách của Việt Nam. Quyết định số 127/QĐ-TTg ngày 26/01/2021 ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030; Quyết định số 142/QĐ-TTg ngày 02/02/2024 phê duyệt Chiến lược dữ liệu quốc gia đến năm 2030; Nghị quyết số 175/NQ-CP ngày 30/10/2023 phê duyệt Đề án Trung tâm dữ liệu quốc gia.
Từ các cơ sở đó, bài viết phân tích vấn đề không chỉ theo hướng “có dữ liệu hay không”, mà theo hướng sâu hơn: dữ liệu có được làm chủ, được tổ chức, được chuẩn hóa và được chuyển hóa thành năng lực AI hay không.
3. Dữ liệu chuyên ngành là gì?
Dữ liệu chuyên ngành là dữ liệu phản ánh một lĩnh vực cụ thể của đời sống kinh tế – xã hội, tự nhiên, kỹ thuật hoặc quản lý.
Khác với dữ liệu phổ thông trên internet, dữ liệu chuyên ngành thường gắn với:
- đối tượng chuyên môn cụ thể;
- phương pháp đo đạc hoặc thu thập chuyên biệt;
- tiêu chuẩn kỹ thuật riêng;
- kinh nghiệm diễn giải của chuyên gia;
- bối cảnh pháp lý, địa lý, thời gian và thể chế cụ thể.
Trong ngành tài nguyên nước và thủy lợi, dữ liệu chuyên ngành có thể bao gồm:
- số liệu mưa;
- số liệu mực nước;
- số liệu lưu lượng;
- chất lượng nước;
- địa hình, DEM, mặt cắt sông;
- hệ thống sông, kênh, rạch;
- hồ chứa, đập, cống, trạm bơm;
- quy trình vận hành công trình;
- bản đồ ngập, hạn, mặn;
- dữ liệu sử dụng đất;
- dữ liệu nhu cầu nước;
- dữ liệu dân cư, hạ tầng, sản xuất;
- hồ sơ quy hoạch;
- báo cáo điều tra cơ bản;
- kinh nghiệm vận hành và ứng phó thiên tai.
Điểm đặc biệt của dữ liệu chuyên ngành là: người ngoài ngành có thể nhìn thấy con số, nhưng chưa chắc hiểu được ý nghĩa của con số đó.
Ví dụ, một mực nước tại Tân Châu không chỉ là một giá trị đo. Nó gắn với mùa lũ, mực nước thượng nguồn, điều kiện Biển Hồ, triều, đê bao, thời vụ sản xuất, khả năng ngập nội đồng và kinh nghiệm ứng phó của địa phương.
Một cao trình đỉnh đê bao không chỉ là một thông số thiết kế. Nó gắn với cấp bảo vệ, loại ô bao, lịch sử xây dựng, mức độ an toàn, kịch bản lũ và rủi ro tràn bờ.
Một đường quá trình vận hành hồ chứa không chỉ là dãy số. Nó gắn với quy trình vận hành, dự báo mưa, an toàn đập, nhu cầu cấp nước, cắt lũ hạ du và trách nhiệm pháp lý.
Vì vậy, dữ liệu chuyên ngành không chỉ là dữ liệu. Nó là dữ liệu có bối cảnh.
Mà AI chuyên ngành muốn thông minh thì phải học từ dữ liệu có bối cảnh.
4. Vì sao dữ liệu chuyên ngành quyết định năng lực AI chuyên ngành?
AI tổng quát có thể biết rất nhiều điều. Nó có thể đọc, viết, dịch, tóm tắt, lập trình, giải thích và hỗ trợ phân tích.
Nhưng AI tổng quát không tự nhiên trở thành chuyên gia tài nguyên nước Việt Nam.
Nó không tự biết chính xác:
- hệ thống hồ chứa trên từng lưu vực;
- lịch sử lũ ở từng vùng;
- mức độ an toàn của từng tuyến đê;
- đặc điểm vận hành của từng công trình;
- sai số thường gặp trong từng loại số liệu quan trắc;
- kinh nghiệm thực tiễn của từng vùng đồng bằng;
- các bất cập trong quy hoạch hoặc quản lý công trình.
Những điều đó chỉ có thể đến từ dữ liệu chuyên ngành, tài liệu chuyên ngành và chuyên gia chuyên ngành.
Đây là lý do World Bank khi bàn về nền tảng AI đã nhấn mạnh bốn yếu tố: kết nối và hạ tầng số, năng lực tính toán, dữ liệu theo bối cảnh và năng lực con người. Trong bốn yếu tố này, “context” — tức dữ liệu theo bối cảnh — có ý nghĩa đặc biệt đối với các nước đang phát triển, vì AI chỉ có giá trị khi giải quyết được các vấn đề thực tế trong bối cảnh địa phương.
Nói cách khác, AI không chỉ cần dữ liệu lớn. AI cần dữ liệu đúng.
Dữ liệu đúng là dữ liệu phản ánh đúng đối tượng, đúng không gian, đúng thời gian, đúng đơn vị đo, đúng nguồn gốc, đúng chất lượng và đúng ý nghĩa chuyên môn.
Một AI thủy văn muốn dự báo tốt phải được nuôi bằng dữ liệu thủy văn tốt.
Một AI quy hoạch muốn tư vấn tốt phải được nuôi bằng dữ liệu quy hoạch tốt.
Một AI vận hành hồ chứa muốn hỗ trợ ra quyết định an toàn phải được nuôi bằng dữ liệu vận hành, quy trình, công trình, dự báo và ràng buộc thực tế.
Không có dữ liệu chuyên ngành, AI chỉ có thể nói chung.
Có dữ liệu chuyên ngành tốt, AI mới có thể hỗ trợ quyết định cụ thể.
5. Làm chủ dữ liệu không chỉ là sở hữu dữ liệu
Một ngộ nhận khá phổ biến là: cơ quan nào đang giữ dữ liệu thì cơ quan đó đã làm chủ dữ liệu.
Thực ra không phải.
Sở hữu hoặc lưu giữ dữ liệu mới chỉ là mức thấp nhất.
Làm chủ dữ liệu là một năng lực cao hơn nhiều.
Theo tôi, làm chủ dữ liệu chuyên ngành bao gồm ít nhất tám năng lực.
5.1. Biết mình có dữ liệu gì
Đây là năng lực kiểm kê.
Nhiều cơ quan có rất nhiều dữ liệu nhưng không có danh mục đầy đủ. Dữ liệu nằm trong các phòng ban, dự án, máy tính cá nhân, ổ cứng, báo cáo giấy, bản đồ cũ, file Excel, PDF hoặc cơ sở dữ liệu không còn người quản trị.
Nếu không biết mình có gì thì không thể khai thác.
5.2. Biết dữ liệu nằm ở đâu và ai chịu trách nhiệm
Dữ liệu phải có chủ quản, đơn vị quản lý, người chịu trách nhiệm cập nhật, cơ chế kiểm tra và quyền truy cập.
Nếu không có trách nhiệm rõ, dữ liệu rất nhanh lỗi thời.
5.3. Biết chất lượng dữ liệu như thế nào
Dữ liệu có đủ không?
Có sai số không?
Có thiếu ngày không?
Có khác hệ cao độ không?
Có khác hệ tọa độ không?
Có trùng tên trạm không?
Có thay đổi vị trí đo không?
Có được kiểm định không?
AI học từ dữ liệu kém chất lượng có thể tạo ra kết quả sai một cách rất tự tin. NIST lưu ý rằng dữ liệu dùng để xây dựng AI có thể không đại diện đúng cho bối cảnh sử dụng; các vấn đề về chất lượng dữ liệu và thiên lệch có thể ảnh hưởng đến độ tin cậy của hệ thống AI.
5.4. Biết chuẩn hóa dữ liệu
Tên gọi phải thống nhất.
Mã trạm phải thống nhất.
Đơn vị đo phải thống nhất.
Hệ tọa độ, hệ cao độ, thời gian, định dạng và thuộc tính phải thống nhất.
Không chuẩn hóa thì không liên thông được.
Không liên thông thì AI không thể nhìn thấy bức tranh tổng thể.
5.5. Biết liên thông dữ liệu
Một bộ dữ liệu riêng lẻ thường chỉ tạo ra giá trị hạn chế.
Giá trị lớn xuất hiện khi dữ liệu được kết nối.
Mưa kết nối với dòng chảy.
Dòng chảy kết nối với hồ chứa.
Hồ chứa kết nối với hạ du.
Hạ du kết nối với dân cư, sản xuất, hạ tầng và bản đồ rủi ro.
Đó là lúc dữ liệu trở thành tri thức hệ thống.
5.6. Biết bảo vệ dữ liệu
Dữ liệu chuyên ngành có thể liên quan đến an ninh công trình, an toàn đập, dân cư, hạ tầng quan trọng, quy hoạch và thông tin nhạy cảm.
Vì vậy, dữ liệu phải được phân loại, phân quyền, bảo mật và chia sẻ có kiểm soát.
5.7. Biết chia sẻ dữ liệu
Bảo vệ dữ liệu không có nghĩa là đóng kín.
Dữ liệu nếu bị khóa trong từng cơ quan sẽ khó tạo ra giá trị.
Liên minh châu Âu phát triển các không gian dữ liệu chung nhằm cho phép dữ liệu được chia sẻ an toàn, đáng tin cậy giữa doanh nghiệp, cơ quan công và cá nhân, đồng thời vẫn bảo đảm người tạo ra dữ liệu kiểm soát dữ liệu của mình.
Đây là cách tiếp cận rất đáng tham khảo: chia sẻ nhưng có kiểm soát; mở nhưng an toàn; khai thác nhưng không mất chủ quyền.
5.8. Biết khai thác dữ liệu thành quyết định
Đây là cấp độ cao nhất.
Dữ liệu chỉ thật sự có giá trị khi giúp trả lời câu hỏi quản lý:
- nơi nào có nguy cơ ngập?
- hồ nào cần điều chỉnh vận hành?
- vùng nào thiếu nước?
- ô bao nào có nguy cơ tràn?
- trạm nào có sai số dự báo lớn?
- phương án quy hoạch nào bền vững hơn?
- đầu tư ở đâu hiệu quả hơn?
- cảnh báo nào cần gửi cho người dân?
Làm chủ dữ liệu là làm chủ khả năng chuyển dữ liệu thành quyết định.
6. Vì sao đây là con đường ngắn nhất để làm chủ AI?
Có ba con đường để một quốc gia tham gia vào kỷ nguyên AI.
Con đường thứ nhất là làm chủ công nghệ nền tảng: chip, siêu máy tính, mô hình AI quy mô lớn.
Đây là con đường rất quan trọng, nhưng đòi hỏi nguồn lực khổng lồ, nhân lực trình độ cao, vốn đầu tư lớn và hệ sinh thái công nghiệp phát triển.
Con đường thứ hai là sử dụng AI như dịch vụ: mua, thuê hoặc dùng các nền tảng sẵn có.
Con đường này nhanh, nhưng dễ phụ thuộc. Nếu chỉ sử dụng AI mà không có dữ liệu riêng, năng lực riêng và bài toán riêng, chúng ta chỉ là người tiêu dùng công nghệ.
Con đường thứ ba là làm chủ dữ liệu chuyên ngành, sau đó dùng AI để khai thác dữ liệu đó thành tri thức chuyên ngành.
Đây là con đường phù hợp nhất với Việt Nam trong nhiều lĩnh vực.
Bởi vì:
- dữ liệu chuyên ngành là thứ chúng ta đang có;
- bài toán thực tiễn là thứ chúng ta hiểu;
- chuyên gia ngành là nguồn lực chúng ta đã tích lũy;
- công nghệ AI nền tảng có thể kết hợp, thuê hoặc tùy biến;
- giá trị tạo ra gắn trực tiếp với nhu cầu phát triển trong nước.
Nói cách khác, chúng ta không nhất thiết phải bắt đầu bằng câu hỏi: “Làm thế nào để tạo ra một ChatGPT của Việt Nam?”
Có lẽ nên bắt đầu bằng những câu hỏi gần hơn:
- Làm thế nào để có AI hỗ trợ dự báo lũ ĐBSCL?
- Làm thế nào để có AI hỗ trợ vận hành hồ chứa?
- Làm thế nào để có AI hỗ trợ tra cứu quy hoạch thủy lợi?
- Làm thế nào để có AI hỗ trợ quản trị dữ liệu tài nguyên nước?
- Làm thế nào để có AI lưu giữ tri thức của các chuyên gia sắp nghỉ hưu?
Những câu hỏi này cụ thể hơn, thiết thực hơn và có khả năng tạo giá trị sớm hơn.
Đó chính là lý do làm chủ dữ liệu chuyên ngành là con đường ngắn nhất để làm chủ AI.
7. Từ dữ liệu chuyên ngành đến AI chuyên ngành: chuỗi chuyển hóa giá trị
Có thể hình dung quá trình chuyển hóa theo bảy tầng.
Tầng 1: Dữ liệu thô
Đó là số liệu đo, bản đồ, báo cáo, ảnh, văn bản, hồ sơ, bản vẽ, bảng tính.
Ở tầng này, dữ liệu còn rời rạc, phân tán, khó khai thác.
Tầng 2: Dữ liệu số hóa
Tài liệu giấy được quét, nhập, chuyển đổi.
Bản đồ giấy được số hóa.
Bảng biểu được đưa vào cơ sở dữ liệu.
Tầng 3: Dữ liệu chuẩn hóa
Dữ liệu được thống nhất mã, tên, đơn vị, hệ tọa độ, hệ cao độ, định dạng thời gian và cấu trúc thuộc tính.
Tầng 4: Dữ liệu liên thông
Các bộ dữ liệu được kết nối với nhau theo không gian, thời gian và quan hệ chuyên môn.
Ví dụ, một hồ chứa liên thông với lưu vực, trạm mưa, trạm thủy văn, hạ du, quy trình vận hành và vùng ngập.
Tầng 5: Thông tin phân tích
Dữ liệu được tổng hợp thành biểu đồ, bản đồ, dashboard, báo cáo động, chỉ số rủi ro.
Tầng 6: Tri thức mô hình
Dữ liệu được đưa vào mô hình thủy văn, thủy lực, vận hành, quy hoạch, tối ưu, mô phỏng kịch bản.
Tầng 7: AI chuyên ngành
AI được huấn luyện, tinh chỉnh hoặc kết nối với kho tri thức để hỗ trợ truy vấn, dự báo, cảnh báo, phân tích, giải thích và đề xuất phương án.
Ở tầng cuối cùng, dữ liệu không còn là kho lưu trữ. Dữ liệu trở thành năng lực ra quyết định.
8. Lộ trình 7 bước để làm chủ dữ liệu chuyên ngành
Để làm chủ dữ liệu chuyên ngành, không thể làm theo phong trào. Cần một lộ trình có thứ tự.
Bước 1: Kiểm kê dữ liệu
Mỗi cơ quan, viện nghiên cứu, ngành hoặc địa phương cần lập danh mục dữ liệu hiện có.
Không chỉ ghi tên dữ liệu, mà cần ghi rõ:
- nguồn gốc;
- thời gian;
- phạm vi không gian;
- định dạng;
- mức độ đầy đủ;
- đơn vị quản lý;
- tình trạng cập nhật;
- khả năng chia sẻ;
- mức độ nhạy cảm.
Bước 2: Phân loại dữ liệu
Không phải dữ liệu nào cũng giống nhau.
Cần phân loại theo:
- dữ liệu mở;
- dữ liệu chia sẻ nội bộ;
- dữ liệu chia sẻ có điều kiện;
- dữ liệu hạn chế;
- dữ liệu nhạy cảm;
- dữ liệu cần bảo vệ đặc biệt.
Đây là cơ sở để vừa khai thác dữ liệu, vừa bảo vệ dữ liệu.
Bước 3: Chuẩn hóa dữ liệu
Cần xây dựng bộ chuẩn dữ liệu chuyên ngành.
Trong tài nguyên nước, tối thiểu phải chuẩn hóa:
- mã trạm;
- mã lưu vực;
- mã hồ chứa;
- mã công trình;
- hệ tọa độ;
- hệ cao độ;
- đơn vị đo;
- chuẩn thời gian;
- cấu trúc bảng dữ liệu;
- metadata;
- quy tắc kiểm tra chất lượng.
Nguyên tắc FAIR rất phù hợp ở bước này, vì dữ liệu muốn dùng được cho AI phải tìm thấy được, truy cập được, liên thông được và tái sử dụng được.
Bước 4: Xây dựng hạ tầng dữ liệu
Dữ liệu không thể chỉ nằm trong file Excel và ổ cứng cá nhân.
Cần có:
- cơ sở dữ liệu tập trung hoặc phân tán có quản trị;
- kho dữ liệu chuyên ngành;
- API chia sẻ;
- hệ thống phân quyền;
- hệ thống nhật ký truy cập;
- cơ chế sao lưu;
- tiêu chuẩn an toàn thông tin.
Việt Nam đã có những định hướng chính sách quan trọng về vấn đề này thông qua Chiến lược dữ liệu quốc gia đến năm 2030 và Đề án Trung tâm dữ liệu quốc gia.
Bước 5: Gắn dữ liệu với quy trình chuyên môn
Dữ liệu không nên chỉ phục vụ báo cáo.
Dữ liệu phải gắn với quy trình nghiệp vụ:
- quy hoạch;
- vận hành;
- dự báo;
- cảnh báo;
- kiểm định;
- thẩm định;
- giám sát;
- ra quyết định.
Khi dữ liệu đi vào quy trình, dữ liệu mới sống.
Bước 6: Xây dựng kho tri thức chuyên ngành
Đây là bước rất quan trọng nhưng thường bị bỏ qua.
Ngoài dữ liệu định lượng, cần số hóa và tổ chức cả tri thức chuyên gia:
- kinh nghiệm vận hành;
- nhận xét chuyên môn;
- quy tắc thực hành;
- bài học từ các trận lũ lớn;
- sai số thường gặp;
- cách đọc số liệu;
- cách đánh giá rủi ro;
- lịch sử công trình;
- nguyên nhân của các quyết định quan trọng.
AI chuyên ngành không chỉ cần số liệu. Nó cần tri thức diễn giải số liệu.
Bước 7: Phát triển AI chuyên ngành
Sau khi có dữ liệu và kho tri thức, có thể phát triển các lớp AI:
- AI tra cứu văn bản chuyên ngành;
- AI kiểm tra chất lượng dữ liệu;
- AI hỗ trợ phân tích báo cáo;
- AI dự báo theo chuỗi thời gian;
- AI cảnh báo bất thường;
- AI hỗ trợ vận hành;
- AI hỗ trợ mô phỏng kịch bản;
- AI hỗ trợ ra quyết định.
Đây mới là bước cuối. Không nên bắt đầu từ AI khi dữ liệu còn rối.
9. Liên hệ với ngành tài nguyên nước và thủy lợi
Ngành tài nguyên nước và thủy lợi là một trong những ngành có tiềm năng rất lớn để phát triển AI chuyên ngành.
Lý do là ngành này có ba đặc điểm.
Thứ nhất, ngành có nhiều dữ liệu
Dữ liệu mưa, mực nước, lưu lượng, chất lượng nước, hồ chứa, công trình, bản đồ, quy hoạch, vận hành, thiên tai được tích lũy qua nhiều năm.
Thứ hai, ngành có nhiều mô hình
Thủy văn, thủy lực, cân bằng nước, vận hành hồ chứa, xâm nhập mặn, ngập lụt, hạn hán đều là các bài toán mô hình hóa.
Thứ ba, ngành có nhiều quyết định phụ thuộc vào thời gian
Dự báo lũ, cảnh báo ngập, vận hành hồ, cấp nước mùa hạn, điều tiết mặn ngọt đều cần quyết định đúng thời điểm.
Vì vậy, nếu dữ liệu được tổ chức tốt, AI có thể hỗ trợ rất nhiều.
Ví dụ, trong dự báo lũ ĐBSCL, AI có thể hỗ trợ kiểm tra sai số dự báo, nhận dạng trạm có xu thế vượt ngưỡng, so sánh các năm lũ, phát hiện bất thường trong dữ liệu và gợi ý vùng cần chú ý.
Trong vận hành hồ chứa, AI có thể hỗ trợ tổng hợp nhanh tình hình mưa, mực nước, dòng chảy đến, dung tích còn lại, quy trình vận hành, nguy cơ hạ du và các kịch bản xả.
Trong quy hoạch tài nguyên nước, AI có thể hỗ trợ truy vấn kho báo cáo, so sánh phương án, rà soát căn cứ pháp lý, tổng hợp số liệu và phân tích xung đột sử dụng nước.
Nhưng tất cả những điều đó chỉ có thể làm tốt nếu ngành làm chủ dữ liệu của mình.
10. Những sai lầm cần tránh
Trong quá trình xây dựng dữ liệu chuyên ngành cho AI, có một số sai lầm rất dễ gặp.
Sai lầm thứ nhất: số hóa nhưng không chuẩn hóa
Quét tài liệu thành PDF chưa phải là dữ liệu tốt.
Nhập bảng Excel chưa phải là cơ sở dữ liệu.
Số hóa mà không chuẩn hóa chỉ chuyển sự lộn xộn từ giấy sang máy tính.
Sai lầm thứ hai: xây hệ thống nhưng không có dữ liệu sống
Nhiều dự án công nghệ xây phần mềm rất đẹp, nhưng dữ liệu không cập nhật, không đầy đủ hoặc không có người chịu trách nhiệm.
Hệ thống như vậy nhanh chóng trở thành hình thức.
Sai lầm thứ ba: dữ liệu cát cứ
Mỗi đơn vị giữ một phần, mỗi dự án tạo một chuẩn, mỗi phần mềm có một cơ sở dữ liệu riêng.
Kết quả là không liên thông được.
Sai lầm thứ tư: xem AI là giải pháp thay thế chuyên gia
AI không thay thế chuyên gia. AI cần chuyên gia để đặt câu hỏi, kiểm chứng kết quả và diễn giải bối cảnh.
Không có chuyên gia ngành, AI rất dễ nói đúng về hình thức nhưng sai về bản chất.
Sai lầm thứ năm: chia sẻ dữ liệu thiếu kiểm soát
Mở dữ liệu là cần thiết, nhưng không phải dữ liệu nào cũng mở.
Dữ liệu chuyên ngành cần được phân loại, phân quyền và quản trị rủi ro.
11. Hàm ý chính sách cho Việt Nam
Việt Nam đã có những nền tảng chính sách quan trọng.
Chiến lược quốc gia về AI đến năm 2030 xác định AI là công nghệ quan trọng của Cách mạng công nghiệp lần thứ tư, góp phần tạo đột phá về năng lực sản xuất, nâng cao năng lực cạnh tranh quốc gia và thúc đẩy tăng trưởng bền vững.
Chiến lược dữ liệu quốc gia đến năm 2030 xác lập định hướng phát triển dữ liệu như một nền tảng cho chuyển đổi số, chính phủ số, kinh tế số và xã hội số.
Luật Dữ liệu năm 2024 quy định về dữ liệu số, xây dựng, phát triển, bảo vệ, quản trị, xử lý và sử dụng dữ liệu số; Trung tâm dữ liệu quốc gia; cơ sở dữ liệu tổng hợp quốc gia; sản phẩm và dịch vụ về dữ liệu số.
Những nền tảng đó cần được cụ thể hóa ở từng ngành.
Đối với ngành tài nguyên nước và thủy lợi, theo tôi cần ưu tiên một số việc.
Thứ nhất, xây dựng danh mục dữ liệu chuyên ngành tài nguyên nước và thủy lợi cấp quốc gia.
Thứ hai, chuẩn hóa mã trạm, mã lưu vực, mã hồ chứa, mã công trình, hệ tọa độ, hệ cao độ và cấu trúc dữ liệu quan trắc.
Thứ ba, xây dựng kho dữ liệu liên thông giữa quan trắc, quy hoạch, công trình, vận hành, thiên tai và sử dụng nước.
Thứ tư, số hóa có chọn lọc các báo cáo quy hoạch, điều tra cơ bản và hồ sơ công trình có giá trị lâu dài.
Thứ năm, xây dựng kho tri thức chuyên gia, đặc biệt từ các cán bộ có nhiều năm kinh nghiệm trong quy hoạch, vận hành, dự báo và phòng chống thiên tai.
Thứ sáu, phát triển các AI chuyên ngành nhỏ, thiết thực, giải quyết từng bài toán cụ thể thay vì bắt đầu bằng các hệ thống quá lớn.
Thứ bảy, bảo đảm dữ liệu chuyên ngành quan trọng được quản trị theo nguyên tắc chủ quyền dữ liệu, an toàn, chia sẻ có kiểm soát và phục vụ lợi ích công.
12. Thảo luận: làm chủ dữ liệu là làm chủ tương lai của ngành
Có một điểm cần nhấn mạnh.
Làm chủ dữ liệu chuyên ngành không phải là công việc của riêng bộ phận công nghệ thông tin.
Đó là nhiệm vụ của cả ngành.
Bởi dữ liệu chuyên ngành không tự sinh ra từ máy tính. Nó sinh ra từ quan trắc, điều tra, khảo sát, quy hoạch, vận hành, nghiên cứu, thẩm định, quản lý và kinh nghiệm thực tiễn.
Người làm chuyên môn phải tham gia vào quá trình định nghĩa dữ liệu.
Người làm quản lý phải tạo cơ chế chia sẻ.
Người làm công nghệ phải xây hạ tầng.
Người làm pháp lý phải xác định quyền, trách nhiệm và rủi ro.
Người lãnh đạo phải coi dữ liệu là tài sản chiến lược, không phải sản phẩm phụ của dự án.
Đây là sự thay đổi rất lớn về tư duy.
Trước đây, mỗi đề tài, mỗi dự án, mỗi quy hoạch thường tạo ra báo cáo. Báo cáo nộp xong là kết thúc nhiệm vụ.
Trong kỷ nguyên AI, mỗi nhiệm vụ khoa học công nghệ, mỗi quy hoạch, mỗi dự án điều tra cơ bản phải để lại dữ liệu có thể tái sử dụng.
Nếu không, chúng ta sẽ mãi làm lại từ đầu.
13. Kết luận
Làm chủ AI không nhất thiết bắt đầu từ những mô hình lớn nhất, máy tính mạnh nhất hay thuật toán phức tạp nhất.
Đối với Việt Nam và nhiều ngành chuyên sâu, con đường thiết thực nhất là bắt đầu từ dữ liệu chuyên ngành.
Dữ liệu chuyên ngành là nơi tích tụ tri thức của một quốc gia, một ngành, một tổ chức và nhiều thế hệ chuyên gia.
Nhưng dữ liệu chỉ trở thành sức mạnh khi được kiểm kê, chuẩn hóa, liên thông, bảo vệ, chia sẻ có kiểm soát và khai thác thành tri thức.
Trong lĩnh vực tài nguyên nước và thủy lợi, làm chủ dữ liệu chuyên ngành có thể mở ra khả năng xây dựng AI dự báo lũ, AI vận hành hồ chứa, AI hỗ trợ quy hoạch, AI cảnh báo thiên tai, AI quản trị lưu vực sông và các bản sao số phục vụ ra quyết định.
Đó không phải là câu chuyện xa xôi.
Đó là việc có thể bắt đầu ngay từ hôm nay, bằng những việc rất cụ thể: kiểm kê dữ liệu, chuẩn hóa mã, xây dựng kho dữ liệu, số hóa báo cáo, tổ chức tri thức chuyên gia và lựa chọn các bài toán AI chuyên ngành thiết thực.
Trong kỷ nguyên AI, ai làm chủ dữ liệu người đó có nền tảng để làm chủ tri thức.
Ai làm chủ tri thức người đó có năng lực ra quyết định tốt hơn.
Và ai ra quyết định tốt hơn người đó có lợi thế phát triển bền vững hơn.
Một suy nghĩ bổ sung
Tôi ngày càng tin rằng, trong nhiều lĩnh vực, đặc biệt là tài nguyên nước và thủy lợi, tương lai của AI không bắt đầu từ phòng thí nghiệm công nghệ cao, mà bắt đầu từ những kho dữ liệu tưởng như rất quen thuộc: sổ đo mưa, bảng mực nước, bản đồ ngập, hồ sơ công trình, báo cáo quy hoạch, nhật ký vận hành và kinh nghiệm của những người đã sống cả đời với sông nước.
Những thứ đó nếu để rời rạc sẽ chỉ là ký ức nghề nghiệp.
Nếu được số hóa sẽ trở thành dữ liệu.
Nếu được chuẩn hóa sẽ trở thành tài sản.
Nếu được liên thông sẽ trở thành tri thức.
Nếu được kết hợp với AI sẽ trở thành năng lực ra quyết định.
Vì vậy, làm chủ dữ liệu chuyên ngành không chỉ là một nhiệm vụ kỹ thuật. Đó là một cách gìn giữ tri thức của ngành, bảo vệ tài sản của quốc gia và chuẩn bị cho tương lai.
Con đường làm chủ AI có thể rất dài.
Nhưng con đường ấy nên bắt đầu từ nơi gần nhất với chúng ta: dữ liệu của chính mình, tri thức của chính mình và những bài toán thực tiễn của đất nước mình.
Tài liệu tham khảo
- World Bank. World Development Report 2021: Data for Better Lives.
- World Bank. Digital Progress and Trends Report 2025: AI Foundations.
- OECD. Going Digital to Advance Data Governance for Growth and Well-being.
- Wilkinson, M. D. et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 2016.
- NIST. AI Risk Management Framework.
- European Commission. Common European Data Spaces.
- Thủ tướng Chính phủ. Quyết định số 127/QĐ-TTg ngày 26/01/2021 ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030.
- Thủ tướng Chính phủ. Quyết định số 142/QĐ-TTg ngày 02/02/2024 phê duyệt Chiến lược dữ liệu quốc gia đến năm 2030.
- Chính phủ. Nghị quyết số 175/NQ-CP ngày 30/10/2023 phê duyệt Đề án Trung tâm dữ liệu quốc gia.
- Quốc hội. Luật Dữ liệu số 60/2024/QH15.