Khi trí tuệ nhân tạo (AI) ngày càng len lỏi sâu vào hoạt động kinh doanh, việc khiến công nghệ này “quên đi” những thông tin nhạy cảm đang trở thành một thách thức lớn. Trong nghiên cứu của mình công bố trên tạp chí khoa học Artificial Intelligence Review về cách giúp các mô hình ngôn ngữ lớn (LLM) học cách quên thông tin không nên tiếp tục lưu giữ, tôi nhận thấy nhiều phương pháp hiện nay có vẻ chỉ hiệu quả khi được kiểm thử trong các điều kiện chuẩn.

Thông thường, khả năng quên của AI được đánh giá bằng cách đặt một số câu hỏi trực tiếp và đơn giản. Nếu AI từ chối trả lời hoặc đưa ra câu trả lời sai, người dùng có thể kết luận rằng thông tin đã được xóa thành công. Tuy nhiên, chỉ cần thay đổi cách đặt câu hỏi, kết quả có thể hoàn toàn khác. Những kỹ thuật như nhập vai, thuyết phục từng bước hoặc câu lệnh có chủ đích thao túng có thể khiến AI tiết lộ lại những thông tin mà hệ thống lẽ ra đã phải quên.

Hiện tượng này được gọi là “ảo giác lãng quên”, tức thông tin có vẻ không truy xuất được trong điều kiện thông thường nhưng thực tế vẫn tồn tại bên trong mô hình và có thể bị khai thác trở lại.

Đối với doanh nghiệp, điều này tạo ra rủi ro về quyền riêng tư, an ninh và tuân thủ pháp luật. Các tổ chức có thể tin rằng mình đã đáp ứng những quy định như “quyền được lãng quên” trong Quy định Bảo vệ dữ liệu chung (GDPR) của Liên minh châu Âu, trong khi trên thực tế thông tin đó vẫn có thể được truy cập.

GDPR có phạm vi áp dụng đến cả những tổ chức ngoài EU cung cấp sản phẩm hoặc dịch vụ hướng đến người dùng châu Âu. Những doanh nghiệp này có thể đối mặt với mức phạt lên đến 20 triệu euro hoặc 4% tổng doanh thu toàn cầu hằng năm, tùy theo mức nào cao hơn, cùng nguy cơ bị hạn chế hoạt động hoặc đối mặt với các vụ kiện tập thể. Tại Việt Nam, Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 cũng đã có hiệu lực từ ngày 1.1.2026.

Rủi ro không chỉ nằm ở các chế tài pháp lý. Đối với những ngành có dữ liệu nhạy cảm như ngân hàng và y tế, sự cố rò rỉ dữ liệu không chỉ gây tổn thất tài chính mà còn có thể làm suy giảm nghiêm trọng niềm tin của khách hàng vào dịch vụ và cam kết bảo mật của doanh nghiệp.

Một vấn đề khác là dữ liệu có thể tồn tại ở nhiều tầng khác nhau trong hệ thống AI. Cần phân biệt dữ liệu được học trong tham số mô hình với dữ liệu lưu trữ bên ngoài. Ngay cả khi dữ liệu gửi qua API (giao diện lập trình ứng dụng - đóng vai trò “cầu nối” cho phép hai phần mềm giao tiếp và trao đổi dữ liệu với nhau theo những quy tắc đã định sẵn) mặc định không được sử dụng để huấn luyện mô hình, thông tin vẫn có thể bị rò rỉ từ lịch sử trò chuyện hoặc bộ nhớ ứng dụng mà chatbot có khả năng truy xuất.

Vì vậy, việc xóa dữ liệu cần được thực hiện và kiểm chứng ở từng tầng. Dữ liệu lưu trữ có thể được xóa trực tiếp, trong khi dữ liệu đã được học vào tham số mô hình có thể cần đến kỹ thuật machine unlearning (tìm cách "xóa trí nhớ" về một phần dữ liệu nhất định một cách tối ưu) hoặc huấn luyện lại.

Nếu dữ liệu đã được sử dụng để huấn luyện, doanh nghiệp có thể cân nhắc giữa machine unlearning và huấn luyện lại mô hình. Unlearning hướng đến việc loại bỏ ảnh hưởng của một phần dữ liệu cụ thể mà không cần huấn luyện lại toàn bộ mô hình, nhờ đó có tiềm năng tiết kiệm đáng kể thời gian và chi phí. Tuy nhiên, các phương pháp hiện nay vẫn còn những hạn chế về hiệu quả và độ tin cậy. Ngược lại, huấn luyện lại mô hình từ đầu trên bộ dữ liệu đã loại bỏ những thông tin cần xóa thường được xem là phương án tham chiếu đáng tin cậy hơn, nhưng đòi hỏi chi phí tính toán, thời gian và nguồn lực lớn.

Theo tôi, phòng ngừa vẫn là giải pháp hiệu quả và ít tốn kém hơn. Doanh nghiệp nên hạn chế tối đa việc đưa dữ liệu cá nhân hoặc thông tin nhạy cảm vào quá trình huấn luyện và tinh chỉnh mô hình ngay từ đầu.

Đối với doanh nghiệp vừa và nhỏ sử dụng các mô hình có sẵn thông qua API, việc tự thực hiện unlearning hoặc huấn luyện lại mô hình nền tảng thường không khả thi. Thay vào đó, doanh nghiệp nên ưu tiên quản lý dữ liệu đầu vào, lựa chọn nhà cung cấp có chính sách bảo vệ và xóa dữ liệu rõ ràng, đồng thời kiểm soát các nguồn dữ liệu mà hệ thống AI có thể truy cập.

Tôi cho rằng việc đánh giá khả năng quên của AI nên được thực hiện giống như cách kiểm thử hệ thống an ninh. Không chỉ kiểm tra xem hệ thống có hoạt động trong điều kiện bình thường hay không, mà còn phải đánh giá liệu nó có thể chống chịu được các cuộc tấn công trong thực tế hay không.

Để giải quyết khoảng trống này, tôi đề xuất đưa “khả năng chống chịu” (robustness) trở thành một mục tiêu quan trọng khi dạy AI cách quên. Đây là khả năng bảo đảm rằng những thông tin đã bị xóa vẫn tiếp tục được giữ ở trạng thái “đã quên”, ngay cả khi có người cố tình sử dụng nhiều cách khác nhau để buộc AI tiết lộ chúng trở lại.

Trách nhiệm này không nên chỉ thuộc về các công ty công nghệ. Các cơ quan quản lý và tổ chức đánh giá độc lập cũng cần tham gia xác minh rằng thông tin đã thực sự được xóa khỏi hệ thống AI. Doanh nghiệp sử dụng dịch vụ AI cũng cần chủ động tìm hiểu liệu dữ liệu được cung cấp có được dùng để huấn luyện mô hình hay không, được lưu trữ trong bao lâu, có thể yêu cầu xóa bằng cách nào và liệu họ có được phép thực hiện các kiểm thử bảo mật độc lập hay không.

Tôi kỳ vọng đánh giá khả năng chống chịu sẽ trở thành một yêu cầu tiêu chuẩn trong tương lai và các hệ thống AI phải được kiểm thử nghiêm ngặt bằng những kịch bản tấn công thực tế trước khi được triển khai.

Trong tương lai, việc dạy AI quên cần trở thành một yếu tố cơ bản trong quá trình xây dựng và đánh giá hệ thống, thay vì chỉ được xem như một yêu cầu bổ sung. Đây là bước quan trọng giúp người dùng có quyền kiểm soát dữ liệu của mình tốt hơn, đồng thời giúp doanh nghiệp xây dựng những hệ thống đáng tin cậy, bảo vệ niềm tin khách hàng và đáp ứng các tiêu chuẩn pháp lý cũng như đạo đức ngày càng cao.

*Thạc sĩ Lê Khắc Như Uyên là nghiên cứu sinh tiến sĩ và giảng viên thuộc chương trình Phụ nữ trong lĩnh vực STEMM tại Đại học RMIT Việt Nam.