Máy học tiếng Việt từ chữ mà người Việt đã viết ra: bài báo, sách đã số hoá, bài đăng diễn đàn, phụ đề phim, bài giảng, văn bản hành chính công khai. Không có kho chữ đó, một mô hình ngôn ngữ lớn sẽ nói tiếng Việt lơ lớ như người mới học, dịch máy từng câu một và sai ngữ cảnh văn hoá.
Phần kỹ thuật của chuyện gom dữ liệu khá rõ. Phần khó nằm ở chỗ khác: người viết những dòng chữ ấy có được hỏi không, có được ghi công không, có được chia phần lợi ích không, và tiếng Việt của ai được đại diện trong kho dữ liệu. Bài này đi qua các nguồn dữ liệu chính, các câu hỏi công bằng chưa có lời đáp thống nhất, và những cách làm mà nhiều bên đang thử.
Máy học tiếng Việt từ những nguồn nào?
Trang web công khai. Nguồn lớn nhất về khối lượng: báo điện tử, blog, trang doanh nghiệp, được máy thu thập tự động. Chất lượng không đều, nhiều trang trùng nội dung, nhiều quảng cáo.
Diễn đàn và bình luận. Cho máy biết người Việt nói chuyện thật thế nào, có tiếng lóng, viết tắt, viết không dấu. Cũng chứa nhiều lời lẽ thô tục, định kiến phải lọc.
Sách đã số hoá. Văn phong chuẩn, giàu từ vựng, nhưng phần lớn còn trong thời hạn bảo hộ quyền tác giả; sách cũ hết hạn thì nhiều bản in mờ, máy đọc chữ sai dấu.
Văn bản hành chính công khai. Câu chữ chuẩn mực, ít lỗi, nhưng giọng khô và hẹp chủ đề; máy học nhiều từ nguồn này dễ trả lời như công văn.
Phụ đề phim và chương trình truyền hình. Gần với tiếng nói hằng ngày, nhưng nhiều phụ đề là bản dịch từ tiếng nước ngoài nên mang cấu trúc câu lai.
Tài liệu giáo dục. Bài giảng, đề thi, giáo trình đại học giúp máy hiểu thuật ngữ chuyên ngành; quyền sử dụng thường thuộc trường hoặc tác giả.
Bản dịch song ngữ. Các cặp câu Việt và tiếng nước ngoài giúp máy dịch tốt hơn; nguồn hay gặp là tài liệu quốc tế có bản tiếng Việt.
Ghi âm giọng nói. Dùng để dạy máy nghe và nói; khó gom vì cần người đọc thật, đủ giọng vùng miền, và đây là dữ liệu cá nhân.
Dữ liệu do máy tự sinh. Một số bên dùng máy viết thêm tiếng Việt để tăng khối lượng; nếu dùng quá nhiều, lỗi của máy được học đi học lại.
Dữ liệu từ người dùng dịch vụ. Câu hỏi người dùng gõ vào chatbot có thể được dùng để cải tiến hệ thống, tuỳ điều khoản và tuỳ người dùng có tắt tuỳ chọn hay không.
Văn bản dịch máy từ tiếng nước ngoài. Rẻ và nhiều, nhưng dạy cho máy một thứ tiếng Việt cứng, sai sắc thái, đặc biệt ở thành ngữ và cách xưng hô.
Kho ngữ liệu nghiên cứu. Do các nhóm nghiên cứu gom và gán nhãn cẩn thận, chất lượng cao nhưng quy mô nhỏ và điều kiện sử dụng khác nhau.
Người viết có được hỏi không?
Hình dung một cô giáo dạy văn ở Gò Vấp, nhiều năm viết blog phân tích tác phẩm cho học trò đọc miễn phí. Một ngày, học trò hỏi chatbot và nhận được đoạn phân tích nghe rất giống giọng cô. Cô không được hỏi trước, không được ghi tên, không nhận được gì. Cô nên vui vì chữ của mình đi xa, hay nên buồn vì công sức bị dùng mà không ai xin phép? Câu trả lời không giống nhau giữa những người viết.
Phía các bên làm hệ thống thường lập luận rằng máy học cách viết giống như con người học khi đọc nhiều sách: nó không chép nguyên văn mà rút ra quy luật ngôn ngữ. Nếu bắt xin phép từng người viết thì gần như không ai làm được mô hình nào, và người hưởng thiệt cuối cùng là người dùng tiếng Việt, vì sẽ chỉ có công cụ kém.
Phía người viết đáp rằng sự khác biệt về quy mô làm thay đổi bản chất. Một người đọc sách không thể bán lại năng lực của mình cho hàng triệu người cùng lúc. Một hệ thống thì có. Khi giá trị tạo ra lớn như vậy mà người góp nguyên liệu không có phần, thì đó là chuyện phân chia lợi ích chứ không chỉ chuyện học hỏi.
Ở nhiều nơi trên thế giới, câu hỏi này đang được tranh luận và đưa ra toà, chưa ngã ngũ. Về pháp lý, chỉ nói được ở mức nguyên tắc: quyền tác giả bảo vệ cách thể hiện cụ thể, còn việc máy học quy luật từ văn bản có thuộc phạm vi đó hay không thì cách hiểu còn khác nhau. Người viết muốn rõ quyền của mình nên hỏi luật sư về sở hữu trí tuệ thay vì dựa vào lời đồn trên mạng.
Có một điểm nhiều bên đồng ý: minh bạch nguồn dữ liệu là bước tối thiểu. Một hệ thống nói rõ mình học từ những loại nguồn nào, có tôn trọng yêu cầu từ chối của trang web không, thì người viết ít nhất biết mình đang ở đâu trong câu chuyện.
Tiếng Việt của ai được đại diện?
Kho dữ liệu trên mạng không phản ánh đều tiếng Việt. Người thành phố viết nhiều hơn người nông thôn. Giọng văn báo chí, văn phòng chiếm phần lớn. Cách nói của người miền Tây, người miền Trung, người dân tộc thiểu số nói tiếng Việt như ngôn ngữ thứ hai xuất hiện ít, và thường trong bối cảnh đùa cợt.
Hệ quả nhìn thấy được: một bà cụ ở Cần Thơ nói "tui đi dìa" với tổng đài tự động có thể bị hiểu sai; một em học sinh viết văn bằng giọng quê nhà có thể bị máy "sửa" thành giọng chuẩn mà mất đi cái hay. Máy không cố tình thiên vị, nó chỉ phản ánh dữ liệu nó được cho ăn.
Còn một lớp sâu hơn: tiếng Việt mang theo cách xưng hô, cách nói vòng, cách tránh nói thẳng. Nếu máy học tiếng Việt phần lớn qua văn bản dịch, nó sẽ xưng hô cứng nhắc, nói thẳng tuột theo kiểu ngôn ngữ khác. Người dùng thấy lạ nhưng lâu dần quen, và chính cách nói của người trẻ có thể bị kéo theo.
Vì vậy câu hỏi gom dữ liệu tiếng Việt không chỉ là "gom nhiều" mà là "gom cho đủ mặt". Điều đó cần công sức có chủ đích: ghi âm giọng vùng miền có đồng ý, số hoá sách địa phương, mời cộng đồng góp văn bản theo cách tự nguyện và có ghi công.
Kho dữ liệu chung nên vận hành thế nào cho công bằng?
Nói rõ mục đích từ đầu. Người góp cần biết dữ liệu dùng cho nghiên cứu, cho sản phẩm thương mại, hay cả hai.
Có giấy phép rõ ràng. Mỗi phần dữ liệu đi kèm điều kiện dùng: ai được dùng, có được bán lại không, có phải ghi nguồn không.
Cho phép rút lại. Người đã góp có đường để yêu cầu gỡ phần của mình khỏi các lần huấn luyện sau.
Ghi công người góp. Danh sách đóng góp công khai cho những ai muốn được ghi tên; ai muốn ẩn danh thì tôn trọng.
Lọc dữ liệu cá nhân trước khi đưa vào. Số điện thoại, địa chỉ, tên trẻ em trong bài đăng diễn đàn phải được loại bỏ.
Chủ động bổ sung giọng vùng miền. Đặt chỉ tiêu cho phương ngữ và ngôn ngữ của nhóm ít được đại diện, thay vì chờ chúng tự xuất hiện.
Ưu tiên tác phẩm đã hết hạn bảo hộ. Số hoá sách cũ là nguồn hợp pháp, giàu từ vựng, nhưng cần soát dấu kỹ vì máy đọc chữ hay nhầm.
Ghi chép nguồn gốc từng phần. Biết đoạn nào lấy từ đâu thì khi có khiếu nại mới gỡ được đúng chỗ.
Chia sẻ lợi ích về cộng đồng. Ví dụ cho trường học, thư viện, nhóm nghiên cứu trong nước dùng miễn phí phần dữ liệu và công cụ làm ra.
Có hội đồng nhiều bên. Người viết, thư viện, nhà nghiên cứu, doanh nghiệp, đại diện người dùng cùng góp ý quy tắc.
Hạn chế dữ liệu do máy sinh. Đánh dấu rõ và giới hạn tỉ lệ để máy không học lại lỗi của chính nó.
Người viết, nhà trường, toà soạn có thể làm gì
Quyết định chủ động thay vì im lặng. Một trang web có thể khai báo cho phép hay không cho phép máy thu thập; im lặng thường được hiểu là cho phép.
Ghi rõ điều kiện sử dụng trên trang. Một dòng nói rõ nội dung được dùng cho mục đích nào giúp tranh chấp sau này dễ xử hơn.
Toà soạn cân nhắc thoả thuận cấp phép. Thay vì để bị thu thập miễn phí, có thể thương lượng điều kiện sử dụng kho bài.
Nhà trường giữ quyền với tài liệu giảng dạy. Giáo trình, bài giảng là tài sản trí tuệ; nên có quy định rõ trước khi đưa lên nền tảng bên ngoài.
Giáo viên hỏi về điều khoản nền tảng học trực tuyến. Bài làm của học sinh có bị dùng để dạy máy không là câu hỏi chính đáng.
Thư viện tham gia số hoá có kiểm soát. Thư viện giữ sách cũ, biết tình trạng bản quyền, là bên phù hợp để dẫn dắt.
Người viết lưu bản gốc có ngày tháng. Khi cần chứng minh quyền tác giả, bản gốc có dấu thời gian rất hữu ích.
Cộng đồng phương ngữ góp tự nguyện. Các nhóm yêu tiếng địa phương có thể cùng ghi âm, chép lại, kèm giấy phép rõ ràng.
Đừng góp dữ liệu của người khác. Tin nhắn nhóm, ảnh chụp màn hình cuộc trò chuyện không phải của riêng mình để đem đi góp.
Đọc kỹ trước khi bán kho dữ liệu. Một diễn đàn bán dữ liệu thành viên cần nghĩ tới quyền của những người đã viết trên đó.
Theo dõi tranh luận pháp lý. Quy định về chuyện này còn đang thay đổi ở nhiều nơi; hỏi người làm luật sở hữu trí tuệ khi cần quyết định lớn.
Câu hỏi thường gặp
Bài mình đăng công khai trên mạng có bị dùng để dạy máy không?
Có thể có, nếu trang đó cho phép máy thu thập và bên làm hệ thống không loại trừ. Cách duy nhất biết chắc là xem điều khoản của nền tảng mình đăng và chính sách công bố của bên làm hệ thống, nếu họ có công bố.
Vì sao máy nói tiếng Việt đôi khi nghe như văn dịch?
Vì một phần dữ liệu huấn luyện là văn bản dịch, hoặc máy học cấu trúc câu từ ngôn ngữ khác nhiều hơn tiếng Việt. Dữ liệu tiếng Việt gốc càng đủ và đa dạng thì máy càng nói tự nhiên.
Giọng miền Tây, miền Trung có bị máy hiểu sai nhiều hơn không?
Thường là có, vì dữ liệu giọng nói và chữ viết theo phương ngữ ít hơn. Đây không phải do máy cố ý, mà do kho dữ liệu chưa đủ mặt các vùng miền.
Kho dữ liệu mở tiếng Việt có lợi gì cho người dân?
Nó giúp trường học, nhóm nghiên cứu, doanh nghiệp nhỏ trong nước làm được công cụ tiếng Việt mà không phải phụ thuộc hoàn toàn vào bên ngoài, và giữ được tiếng nói của nhiều vùng miền trong máy.
Người viết có đòi được tiền khi bài bị dùng để dạy máy không?
Đây là câu hỏi pháp lý còn đang tranh luận ở nhiều nơi, chưa có câu trả lời chung. Ai có quyền lợi lớn cần quyết định nên hỏi luật sư về sở hữu trí tuệ.
