Tập đoàn FPT vừa công bố việc mở rộng Nemotron-Personas-Vietnam, bộ dữ liệu mở về các hình mẫu nhân vật tổng hợp (synthetic personas) dựa trên số liệu thống kê chính thức về nhân khẩu học và lao động của Việt Nam. Bộ dữ liệu hiện đã đạt 1 triệu nhân vật, cung cấp cho các nhà phát triển, nhà nghiên cứu và doanh nghiệp một nền tảng quy mô và mang tính đại diện cao hơn để xây dựng các mô hình AI agents và ứng dụng hiểu rõ con người, ngôn ngữ cũng như văn hóa Việt Nam.

Được FPT phát hành lần đầu vào tháng 6 năm 2026 với sự hợp tác của “gã khổng lồ” công nghệ đa quốc gia của Mỹ NVIDIA, Nemotron-Personas-Vietnam là bộ dữ liệu mở về các hồ sơ nhân vật tổng hợp, được xây dựng dựa trên số liệu thống kê chính thức của Việt Nam từ Cục Thống kê, bao gồm Tổng điều tra dân số và nhà ở năm 2024, Khảo sát mức sống dân cư Việt Nam năm 2024 (VHLSS), cùng dữ liệu từ FPT Smart Cloud và Viện Nghiên cứu AI và An ninh mạng lượng tử (FPT Corporation).

Bộ dữ liệu có các đặc điểm nổi bật:

- 21 trường dữ liệu: Gồm 6 trường mô tả nhân vật và 15 trường ngữ cảnh, bao quát các thuộc tính và đặc điểm nhân khẩu học.

- 13.000 tổ hợp họ tên riêng biệt.

- 20 nhóm nghề nghiệp được phân loại từ dữ liệu khảo sát lao động.

Được xây dựng theo phương pháp Nemotron-Personas của NVIDIA, bộ dữ liệu sử dụng số liệu thống kê thực tế làm cơ sở tạo hồ sơ nhân vật, đồng thời ứng dụng các mô hình ngôn ngữ lớn (LLM) có trọng số mở để tạo ra những câu chuyện mô tả nhân vật có độ chân thực cao.

Nhờ đó, các nhà phát triển có thể tiếp cận những hồ sơ người dùng Việt Nam thực tế, bao quát các yếu tố như độ tuổi, khu vực sinh sống, nghề nghiệp, thu nhập, trình độ học vấn và bối cảnh văn hóa mà không chứa bất kỳ thông tin nhận dạng cá nhân (PII) nào.

Bộ dữ liệu thấu hiểu Việt Nam trên quy mô lớn

Việc mở rộng lần này không đơn thuần là tăng quy mô dữ liệu. Với 1 triệu hồ sơ nhân vật, bộ dữ liệu mở ra nhiều khả năng mới cho các nhà phát triển trong việc xây dựng, huấn luyện và đánh giá AI dành cho thị trường Việt Nam.

- Phân nhóm chi tiết hơn: Người dùng có thể lựa chọn những nhóm dân cư Việt Nam cụ thể, chẳng hạn người nghỉ hưu tại TP. Hồ Chí Minh, nông dân sản xuất nhỏ ở Đồng bằng sông Cửu Long hoặc kỹ sư trẻ tại Đà Nẵng. Số lượng hồ sơ đủ lớn trong từng nhóm giúp việc huấn luyện và kiểm thử trở nên đáng tin cậy hơn.

- Hỗ trợ khối lượng công việc lớn hơn: Quy mô dữ liệu mở rộng cho phép thực hiện các đợt huấn luyện lớn hơn, kiểm thử đối kháng toàn diện hơn và mô phỏng ở cấp độ dân số – những hoạt động mà phiên bản ban đầu khó có thể đáp ứng đầy đủ nếu chỉ sử dụng riêng lẻ.

- Giảm nguy cơ sụp đổ mô hình: Sự đa dạng hơn trong các câu chuyện, kỹ năng và hành vi giúp giảm nguy cơ mô hình AI được huấn luyện trên dữ liệu này chỉ tạo ra những nội dung theo một số khuôn mẫu hạn chế. Đây là mối lo ngại ngày càng lớn khi dữ liệu tổng hợp trở thành thành phần quan trọng trong quy trình phát triển AI.

- Mở rộng phạm vi bao phủ: Phiên bản trước lấy mẫu từ một số tỉnh, thành phố lớn. Phiên bản mới với 1 triệu hồ sơ nhân vật bao phủ toàn quốc, cho phép các nhà phát triển xây dựng và kiểm thử ứng dụng dành cho người dùng ở mọi vùng miền.

Bộ dữ liệu tiếp tục hoàn toàn dựa trên dữ liệu tổng hợp, không chứa thông tin nhận dạng cá nhân và được phát hành công khai theo giấy phép có điều kiện sử dụng rộng rãi trên nền tảng Hugging Face, tương thích với các thư viện NVIDIA NeMo.

Cam kết phát triển AI tự chủ của Việt Nam

Việc mở rộng một bộ dữ liệu mang ý nghĩa khác với việc ra mắt lần đầu. Động thái này cho thấy nguồn tài nguyên mà các nhà phát triển bắt đầu sử dụng sẽ tiếp tục được duy trì, mở rộng và đầu tư, thay vì chỉ được công bố một lần rồi để nguyên.

Đối với FPT, đây là tuyên bố có chủ đích về cam kết đầu tư dài hạn. Việt Nam đang đẩy nhanh quá trình chuyển đổi số. Theo Chương trình phát triển kinh tế số và xã hội số giai đoạn 2026-2030 vừa được phê duyệt, Chính phủ đặt mục tiêu đưa kinh tế số đóng góp khoảng 30% tổng sản phẩm quốc nội (GDP) vào năm 2030.

Trong các lĩnh vực ngân hàng, tài chính, y tế, bảo hiểm, bán lẻ và dịch vụ công, nhu cầu về dữ liệu hồ sơ nhân vật chân thực ngày càng tăng nhằm phục vụ thử nghiệm sản phẩm, cá nhân hóa dịch vụ, mô phỏng và đánh giá mô hình AI.

Thay vì giữ nguyên quy mô ban đầu, FPT mở rộng bộ dữ liệu để xây dựng lớp dữ liệu nền tảng cho AI tự chủ của Việt Nam – những hệ thống AI được phát triển dựa trên chính dân số, ngôn ngữ và các giá trị của đất nước, thay vì phụ thuộc vào dữ liệu nhập khẩu từ nơi khác.

Thúc đẩy năng lực AI tác nhân trong thực tiễn

Khi AI tác nhân (Agentic AI) nổi lên như một hướng phát triển công nghệ mới, nhu cầu về dữ liệu có cơ sở thực tế và nhận diện được đặc điểm của người dùng sẽ ngày càng tăng. Khác với các hệ thống chỉ trả lời câu lệnh, AI tác nhân có khả năng suy luận, thực hiện hành động và phục vụ những người dùng cụ thể.

Một bộ dữ liệu hồ sơ nhân vật lớn hơn, có tính đại diện cao hơn sẽ tạo nền tảng để cộng đồng AI Việt Nam phát triển các tác nhân thực sự hiểu đối tượng mà chúng phục vụ.

Hồ sơ khách hàng: Doanh nghiệp có thể xây dựng các tác nhân AI tương tác trực tiếp với khách hàng, sử dụng những hồ sơ đại diện cho nhiều mức thu nhập, khu vực sinh sống và trình độ hiểu biết tài chính khác nhau. Nhờ đó, hệ thống có thể điều chỉnh cách giao tiếp, đề xuất sản phẩm và xử lý các yêu cầu tuân thủ phù hợp với từng khách hàng, chẳng hạn người nghỉ hưu tại Hà Nội so với một chuyên gia trẻ tại TP. Hồ Chí Minh.

Mô phỏng và đánh giá hệ thống AI tác nhân: Các nhà phát triển có thể tạo môi trường mô phỏng với sự tham gia của những người dùng và tổ chức Việt Nam có đặc điểm thực tế, tiến hành kiểm thử đối kháng, đánh giá thiên lệch và tính công bằng giữa các nhóm nhân khẩu học, đồng thời kiểm tra sức chịu đựng của hệ thống trong các tình huống liên quan đến vùng miền, độ tuổi và nghề nghiệp khác nhau mà không cần sử dụng dữ liệu khách hàng thực.

Tác nhân AI chuyên biệt theo lĩnh vực: Bộ dữ liệu hỗ trợ phát triển các tác nhân AI chuyên dụng trong những ngành chịu sự quản lý chặt chẽ như tài chính, y tế, bảo hiểm và dịch vụ công – những lĩnh vực đòi hỏi hệ thống phải hiểu rõ đối tượng mình đang hỗ trợ.

Chẳng hạn, một tác nhân AI trong lĩnh vực y tế có thể được đánh giá thông qua các hồ sơ bệnh nhân với trình độ hiểu biết khác nhau, đến từ nhiều khu vực và môi trường chăm sóc sức khỏe khác nhau. Tương tự, một tác nhân AI phục vụ dịch vụ công có thể được kiểm thử với các hồ sơ công dân thuộc nhiều địa bàn hành chính trên cả nước.

Bộ dữ liệu hiện được cung cấp miễn phí trên nền tảng Hugging Face.