Nhận diện khuôn mặt là gì? Cách hoạt động, độ chính xác

Mục lục

1. Nhận diện khuôn mặt là gì?
2. Phát hiện, xác minh và nhận dạng khuôn mặt khác nhau thế nào?
3. Nhận diện khuôn mặt hoạt động như thế nào?
4. Công nghệ nhận diện khuôn mặt đã phát triển ra sao?
5. Nhận diện khuôn mặt chính xác đến mức nào?
6. Liveness detection là gì, chống giả mạo khuôn mặt ra sao?
7. Ứng dụng nhận diện khuôn mặt phổ biến hiện nay
8. Xác thực sinh trắc học ngân hàng tại Việt Nam: quy định nào đang áp dụng?
9. Dữ liệu khuôn mặt được pháp luật bảo vệ thế nào?
10. Doanh nghiệp nên triển khai nhận diện khuôn mặt thế nào cho an toàn?
11. Câu hỏi thường gặp

Nhận diện khuôn mặt là gì?

Nhận diện khuôn mặt (face recognition) là công nghệ dùng máy tính để nhận ra một người dựa trên đặc điểm khuôn mặt. Đầu vào là ảnh hoặc video. Đầu ra là kết luận: hai ảnh có cùng một người không, hoặc người trong ảnh khớp với ai trong danh sách đã lưu.

Đây là một nhánh của thị giác máy tính và thuộc nhóm sinh trắc học (biometrics), giống vân tay hay mống mắt. Khác với vân tay, khuôn mặt có thể bị chụp từ xa mà không cần chạm, nên công nghệ này vừa tiện vừa gây tranh luận về quyền riêng tư.

Các cách gọi nhận diện khuôn mặt, nhận dạng khuôn mặt, nhận diện gương mặt thường được dùng thay cho nhau. Khi làm sản phẩm hay đọc hợp đồng, bạn nên tách bạch từng tác vụ ở phần dưới, vì độ chính xác và nghĩa vụ pháp lý của chúng khác nhau.

Hệ thống thường không so hai tấm ảnh như mắt người. Nó lưu một mẫu sinh trắc (template), tức dãy số mô tả khuôn mặt, còn gọi là embedding hay faceprint. Hai ảnh cùng một người cho hai dãy số rất gần nhau. Lưu ý: dãy số này vẫn là dữ liệu sinh trắc học, và khác mật khẩu, bạn không thể “đổi khuôn mặt” nếu nó bị lộ.

Phát hiện, xác minh và nhận dạng khuôn mặt khác nhau thế nào?

Chữ “nhận diện khuôn mặt” thực ra gộp bốn tác vụ khác nhau:

Tác vụ	Câu hỏi hệ thống trả lời	Ví dụ	Mức rủi ro
Phát hiện khuôn mặt (face detection)	Trong ảnh có khuôn mặt người không, nằm ở đâu?	Camera tự lấy nét vào mặt; làm mờ mặt người qua đường	Thấp, không xác định danh tính
Xác minh khuôn mặt (face verification, 1:1)	Người này có đúng là người đã đăng ký không?	Mở khoá điện thoại, xác thực khi chuyển tiền	Trung bình, người dùng chủ động tham gia
Nhận dạng khuôn mặt (face identification, 1:N)	Người này là ai trong danh sách N người?	Chấm công, kiểm soát ra vào, tìm người trong danh sách theo dõi	Cao, sai một lần có thể gán nhầm danh tính
Phân tích khuôn mặt (face analysis)	Ảnh có đạt chất lượng, có dấu hiệu giả mạo không?	Kiểm tra ảnh hộ chiếu, ước lượng tuổi, phát hiện ảnh giả	Tuỳ mục đích, không nhằm xác định danh tính

Viện Tiêu chuẩn và Công nghệ Quốc gia Mỹ (NIST) cũng chia như vậy. Năm 2023, NIST tách chương trình đánh giá FRVT thành FRTE (Face Recognition Technology Evaluation) cho bài toán danh tính 1:1, 1:N và FATE (Face Analysis Technology Evaluation) cho bài toán phân tích ảnh như phát hiện giả mạo, chất lượng ảnh, ước lượng tuổi.

Trong nghiên cứu năm 2019, NIST nhận xét: ở bài toán 1:1, một lần từ chối nhầm thường chỉ gây phiền, thử lại là được. Ở bài toán 1:N, một lần khớp nhầm có thể đưa người vô tội vào danh sách cần xem xét thêm. Vì vậy, dùng cho 1:N phải thận trọng hơn hẳn.

Nhận diện khuôn mặt hoạt động như thế nào?

Bước 1: Thu nhận ảnh

Camera 2D thông thường rẻ, có sẵn trên mọi điện thoại. Camera chiều sâu (3D) và hồng ngoại đắt hơn nhưng chống giả mạo bằng ảnh phẳng tốt hơn, ít phụ thuộc ánh sáng.

Bước 2: Phát hiện và căn chỉnh

Thuật toán tìm vùng mặt, xác định điểm mốc như mắt, mũi, khoé miệng, rồi xoay thẳng, cắt và đưa ảnh về cùng kích thước để so sánh được.

Bước 3: Kiểm tra chất lượng và người thật

Hệ thống kiểm tra ảnh đủ sáng, đủ nét, mắt mở, và kiểm tra người thật (liveness detection) để chắc trước camera không phải ảnh in hay video phát lại. Phần này được nói kỹ ở mục chống giả mạo.

Bước 4: Trích xuất đặc trưng

Mạng nơ-ron học sâu biến ảnh thành một vector số. Mạng được huấn luyện để ảnh cùng người cho vector gần nhau, ảnh khác người cho vector xa nhau. Mô hình FaceNet của Google (2015) chỉ cần 128 byte cho một khuôn mặt.

Bước 5: So khớp và ra quyết định

Hệ thống tính điểm tương đồng giữa vector mới và vector đã lưu. Điểm vượt ngưỡng (threshold) thì kết luận là khớp. Với 1:N, hệ thống so với cả danh sách và trả về người điểm cao nhất hoặc danh sách ứng viên để con người xem xét.

Ngưỡng là chỗ doanh nghiệp tự quyết: ngưỡng cao thì khó lọt người lạ nhưng người thật dễ bị từ chối, ngưỡng thấp thì ngược lại.

Công nghệ nhận diện khuôn mặt đã phát triển ra sao?

• Thập niên 1960: Woody Bledsoe cùng cộng sự thử dùng máy tính nhận ra khuôn mặt từ 1964–1965. Con người phải lấy toạ độ các điểm như tâm con ngươi, góc mắt; máy tính chỉ so các khoảng cách.
• Các thập niên sau: phương pháp thống kê như eigenface tự động trích xuất đặc trưng nhưng còn nhạy với ánh sáng, góc chụp.
• Năm 2014: DeepFace của Facebook (hội nghị CVPR 2014) dùng mạng 9 lớp huấn luyện trên khoảng 4 triệu ảnh của hơn 4.000 người, đạt 97,35% trên bộ dữ liệu LFW (Labeled Faces in the Wild).
• Năm 2015: FaceNet của Google đạt 99,63% trên LFW; học sâu trở thành nền tảng của các hệ thống hiện đại.
• Đến 2026: theo trang FRTE 1:1 của NIST, từ 2017 đã có 1.483 thuật toán của 455 nhà phát triển được gửi đánh giá.

Con số 99% trên LFW chỉ đúng với một bộ ảnh nghiên cứu, không có nghĩa hệ thống của bạn đúng 99% ngoài thực tế.

Nhận diện khuôn mặt chính xác đến mức nào?

Câu “độ chính xác 99,9%” gần như vô nghĩa nếu không nói rõ đo trên bộ ảnh nào, bài toán 1:1 hay 1:N, ngưỡng nào. Giới chuyên môn dùng hai chỉ số đi cặp:

• FMR (False Match Rate), tỷ lệ khớp nhầm: tỷ lệ cặp ảnh hai người khác nhau bị coi là cùng một người. Đây là rủi ro an ninh.
• FNMR (False Non-Match Rate), tỷ lệ không khớp nhầm: tỷ lệ cặp ảnh cùng một người bị coi là khác người. Đây là rủi ro trải nghiệm.

Cách báo cáo chuẩn là cố định FMR ở mức rất thấp, ví dụ một phần triệu, rồi xem FNMR là bao nhiêu.

Số liệu NIST FRTE mới nhất nói gì?

Bảng FRTE 1:1 của NIST cập nhật ngày 06/10/2026 liệt kê thuật toán tốt nhất của mỗi nhà phát triển. VBPO Tech Blog tổng hợp một số cột tiêu biểu:

Bộ ảnh của NIST	FMR cố định	FNMR của thuật toán tốt nhất	FNMR trung vị các nhà phát triển
VISABORDER: ảnh visa chất lượng cao so với ảnh chụp tại cửa khẩu (442 nhà phát triển)	1 phần triệu	0,14%	khoảng 0,78%
BORDER: ảnh chụp tại cửa khẩu (442 nhà phát triển)	1 phần triệu	0,28%	khoảng 4,7%
MUGSHOT: ảnh chụp chính diện có kiểm soát (441 nhà phát triển)	1 phần trăm nghìn	0,20%	khoảng 0,44%
KIOSK: ảnh tự chụp tại kiosk, góc và ánh sáng kém (351 nhà phát triển)	1 phần trăm nghìn	3,34%	khoảng 13,2%

Ba điều rút ra từ bảng này:

• Thuật toán hàng đầu rất tốt với ảnh đẹp: cứ 1.000 lần người thật xác thực chỉ khoảng 1–2 lần bị từ chối, trong khi người lạ gần như không lọt.
• Chất lượng ảnh quan trọng ngang thuật toán. Với thuật toán dẫn đầu, dù FMR ở bộ ảnh kiosk được nới rộng gấp 10 lần, FNMR vẫn cao hơn khoảng 20 lần so với bộ ảnh visa.
• Khoảng cách giữa các nhà cung cấp rất lớn. Tuỳ bộ ảnh, FNMR trung vị cao gấp khoảng 2 đến 17 lần thuật toán tốt nhất. Bảng có 27 đơn vị ghi quốc gia Việt Nam, trong đó hai đơn vị nằm trong nhóm 20 tốt nhất ở bộ VISABORDER, nhưng cũng có đơn vị xếp ở nửa cuối. Hãy yêu cầu nhà cung cấp nêu rõ phiên bản thuật toán và kết quả NIST tương ứng.

Yếu tố nào làm giảm độ chính xác?

• Che mặt: nghiên cứu sơ bộ của NIST công bố ngày 27/07/2020 trên 89 thuật toán thương mại cho thấy với ảnh không đeo khẩu trang, thuật toán tốt nhất thất bại khoảng 0,3%. Khi thêm khẩu trang bằng kỹ thuật số, tỷ lệ này tăng lên khoảng 5%, nhiều thuật toán khác thất bại 20–50%. Các thuật toán này ra đời trước đại dịch, chưa được thiết kế cho khẩu trang.
• Góc nghiêng lớn: trong bảng FRTE, với ảnh cửa khẩu nghiêng từ 45 độ trở lên, FNMR trung vị của các nhà phát triển có kết quả là khoảng 3,9%, gấp khoảng năm lần trung vị của toàn bộ ảnh VISABORDER ở cùng mức FMR.
• Song sinh và người thân: Apple cho biết xác suất một người ngẫu nhiên mở được Face ID là dưới 1 phần 1.000.000, nhưng xác suất cao hơn với anh chị em sinh đôi, người thân giống nhau và trẻ dưới 13 tuổi.

Thiên lệch nhân khẩu học

Nghiên cứu NIST công bố ngày 19/12/2019 đánh giá 189 thuật toán của 99 nhà phát triển trên 18,27 triệu ảnh của 8,49 triệu người. Kết quả: đa số thuật toán có chênh lệch theo nhóm nhân khẩu học. Ở bài toán 1:1, tỷ lệ khớp nhầm với khuôn mặt người châu Á và người Mỹ gốc Phi thường cao hơn người da trắng từ 10 đến 100 lần, tuỳ thuật toán. Một số thuật toán phát triển tại châu Á không có chênh lệch lớn như vậy; NIST cho rằng dữ liệu huấn luyện đa dạng hơn có thể giúp kết quả công bằng hơn.

Bài học cho doanh nghiệp: hãy thử thuật toán trên dữ liệu gần với khách hàng thật, tách theo độ tuổi, giới tính, điều kiện chụp.

Liveness detection là gì, chống giả mạo khuôn mặt ra sao?

Thuật toán so khớp chỉ trả lời “khuôn mặt này giống ai”, không tự biết đó là người thật hay tấm ảnh. Vì vậy, hệ thống xác thực cần thêm lớp phát hiện tấn công trình diện (Presentation Attack Detection, PAD), thường gọi là liveness detection.

Có những kiểu giả mạo nào?

Theo bộ tiêu chuẩn ISO/IEC 30107, tấn công trình diện là việc đưa một vật giả hoặc đặc điểm con người tới bộ phận thu nhận sinh trắc học nhằm làm sai lệch hoạt động của hệ thống. NIST chia mục đích tấn công thành hai loại:

• Mạo danh (impersonation): cố trông giống người khác để mở khoá thiết bị, vào tài khoản.
• Né tránh (evasion): cố không bị nhận ra, hoặc đăng ký thêm một danh tính mới.

Vật giả thường gặp gồm ảnh in, ảnh hoặc video trên màn hình, mặt nạ, trang điểm. Ngoài ra còn tấn công chèn luồng hình (injection attack): đưa thẳng video giả, kể cả video deepfake, vào luồng dữ liệu của ứng dụng thay vì đưa ra trước camera. Dạng này cần thêm lớp bảo vệ ứng dụng và thiết bị.

Liveness chủ động và thụ động

• Chủ động (active): yêu cầu quay đầu, chớp mắt; dễ hiểu nhưng tốn thời gian hơn.
• Thụ động (passive): phân tích ảnh hoặc video ngắn, không yêu cầu thao tác; nhanh hơn nhưng phụ thuộc mạnh vào thuật toán.

Phần cứng cũng giúp nhiều. Theo Apple, camera TrueDepth của Face ID chiếu hàng nghìn điểm vô hình để dựng bản đồ chiều sâu và chụp ảnh hồng ngoại; Face ID luôn cần thông tin chiều sâu, thứ ảnh in hay ảnh 2D không có.

Đo khả năng chống giả mạo thế nào?

Tiêu chuẩn ISO/IEC 30107-3 quy định cách kiểm thử PAD với hai chỉ số chính, được NIST dùng trong báo cáo FATE:

• APCER (Attack Presentation Classification Error Rate): tỷ lệ tấn công giả mạo bị bỏ lọt.
• BPCER (Bona Fide Presentation Classification Error Rate): tỷ lệ người thật bị nghi nhầm là giả mạo, tức mức gây phiền cho người dùng hợp lệ.

Báo cáo NIST IR 8491 (tháng 9/2023) đánh giá 82 thuật toán PAD thụ động thuần phần mềm của 45 nhà phát triển với 9 kiểu tấn công. Một số thuật toán bắt tốt hai, ba kiểu, nhưng không thuật toán nào bắt được tất cả. Kết hợp bốn thuật toán tốt nhất cho kết quả tốt hơn bất kỳ thuật toán đơn lẻ nào.

Ứng dụng nhận diện khuôn mặt phổ biến hiện nay

Mở khoá thiết bị và đăng nhập

Mở khoá bằng khuôn mặt là ứng dụng 1:1 quen thuộc nhất. Theo Apple, dữ liệu Face ID được mã hoá trong Secure Enclave, không rời thiết bị, không sao lưu lên iCloud. Đây là mô hình tốt về quyền riêng tư.

Ngân hàng, ví điện tử và định danh điện tử

Khi mở tài khoản trực tuyến, ngân hàng so khuôn mặt bạn với ảnh trong chip thẻ căn cước hoặc VNeID, xem chi tiết tại bài eKYC là gì. Theo Ngân hàng Nhà nước tại sự kiện ngày 18/08/2026, tính đến 31/07/2026 toàn ngành đã đối chiếu sinh trắc học thành công cho hơn 167,8 triệu hồ sơ khách hàng cá nhân và hơn 2,78 triệu hồ sơ khách hàng tổ chức.

Viễn thông

Theo Thông tư 08/2026/TT-BKHCN, hiệu lực từ 15/04/2026, nhà mạng phải xác thực thuê bao di động bằng cách đối chiếu 4 trường gồm số định danh, họ tên, ngày sinh và ảnh khuôn mặt với dữ liệu dân cư, căn cước.

Doanh nghiệp: chấm công, ra vào, an ninh

Máy chấm công, cổng ra vào văn phòng, nhà máy là ứng dụng 1:N phổ biến: không mượn thẻ, không chấm công hộ. Đổi lại, doanh nghiệp đang xử lý dữ liệu sinh trắc học nên phải tuân thủ nghĩa vụ ở mục pháp lý.

Xác thực sinh trắc học ngân hàng tại Việt Nam: quy định nào đang áp dụng?

Các văn bản chính:

Văn bản	Nội dung liên quan đến khuôn mặt	Thời điểm áp dụng
Quyết định 2345/QĐ-NHNN ngày 18/12/2023 về giải pháp an toàn, bảo mật trong thanh toán trực tuyến và thanh toán thẻ	Xác thực sinh trắc học (khuôn mặt hoặc vân tay) khi chuyển tiền cho người khác hoặc nạp ví điện tử trên 10 triệu đồng một lần; khi tổng giao dịch trong ngày vượt 20 triệu đồng; khi giao dịch lần đầu trên ứng dụng hoặc trên thiết bị khác thiết bị lần trước	Từ 01/07/2024
Thông tư 77/2025/TT-NHNN sửa đổi, bổ sung Thông tư 50/2024/TT-NHNN	Giải pháp phát hiện giả mạo sinh trắc học (PAD) phải đạt ISO 30107 cấp độ 2 hoặc tương đương, được tổ chức uy tín như Liên minh FIDO công nhận; ứng dụng phải dừng khi phát hiện trình gỡ lỗi, môi trường giả lập, máy ảo, thiết bị đã root hoặc jailbreak	Từ 01/03/2026
Luật Căn cước 26/2023/QH15	Chip trên thẻ căn cước lưu ảnh khuôn mặt, vân tay, mống mắt của công dân, là nguồn đối chiếu đáng tin cậy	Từ 01/07/2024

Nguồn đối chiếu có thể là chip thẻ căn cước, tài khoản VNeID hoặc dữ liệu sinh trắc học ngân hàng đã thu thập và đối chiếu trước đó. Giao dịch dưới ngưỡng vẫn dùng mã OTP. Khi tổng tiền trong ngày đã chạm 20 triệu đồng, lần chuyển tiếp theo vẫn phải xác thực sinh trắc, dù số tiền rất nhỏ.

Trước khi thiết kế sản phẩm thanh toán, đội pháp chế nên kiểm tra văn bản hiện hành của Ngân hàng Nhà nước. Bức tranh rộng hơn có trong bài AI trong ngân hàng.

Dữ liệu khuôn mặt được pháp luật bảo vệ thế nào?

Dữ liệu sinh trắc học là dữ liệu cá nhân nhạy cảm

Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 được Quốc hội thông qua ngày 26/06/2025, có hiệu lực từ 01/01/2026. Điều 31 của Luật định nghĩa dữ liệu sinh trắc học là dữ liệu về thuộc tính vật lý, đặc điểm sinh học cá biệt và ổn định của một người để xác định người đó. Nghị định 356/2025/NĐ-CP ngày 31/12/2025 hướng dẫn Luật, tại điểm đ khoản 1 Điều 4, xếp “dữ liệu sinh trắc học, đặc điểm di truyền” vào danh mục dữ liệu cá nhân nhạy cảm.

Sắc thái đáng chú ý: cũng theo Nghị định này, “hình ảnh của cá nhân” là dữ liệu cá nhân cơ bản. Một bức ảnh chân dung là dữ liệu cơ bản, nhưng khi đưa ảnh qua hệ thống để tạo mẫu sinh trắc nhằm xác định danh tính, bạn đang xử lý dữ liệu nhạy cảm với yêu cầu bảo vệ cao hơn.

Doanh nghiệp phải làm gì?

Theo khoản 4 Điều 31 Luật 91/2025/QH15, tổ chức thu thập và xử lý dữ liệu sinh trắc học phải:

• Có biện pháp bảo mật vật lý cho thiết bị lưu trữ và truyền tải dữ liệu sinh trắc học.
• Hạn chế quyền truy cập vào dữ liệu sinh trắc học.
• Có hệ thống theo dõi để phòng ngừa, phát hiện hành vi xâm phạm.
• Tuân thủ pháp luật và tiêu chuẩn quốc tế liên quan.
• Thông báo cho chủ thể dữ liệu nếu việc xử lý gây thiệt hại cho họ, theo quy định của Chính phủ.

Ngoài ra còn các nghĩa vụ chung với dữ liệu nhạy cảm: có căn cứ hợp pháp (thường là sự đồng ý rõ ràng), thông báo mục đích, lập hồ sơ đánh giá tác động xử lý dữ liệu cá nhân theo Nghị định 356/2025/NĐ-CP. Với hệ thống AI, xem thêm nghĩa vụ trong Luật Trí tuệ nhân tạo.

Thế giới đang quản lý ra sao?

Điều 5 Đạo luật AI của Liên minh châu Âu (EU AI Act) cấm hệ thống AI tạo hoặc mở rộng cơ sở dữ liệu khuôn mặt bằng cách thu thập tràn lan ảnh từ internet hoặc camera giám sát, và cấm nhận dạng sinh trắc học từ xa theo thời gian thực ở nơi công cộng cho mục đích thực thi pháp luật, trừ một số trường hợp hẹp. Các quy định cấm này áp dụng từ 02/02/2025.

Doanh nghiệp nên triển khai nhận diện khuôn mặt thế nào cho an toàn?

1. Xác định rõ bài toán: nếu 1:1 đủ dùng, đừng xây 1:N. Nếu thẻ từ hay mã QR đáp ứng được mục tiêu, cân nhắc không dùng khuôn mặt.
2. Kiểm chứng độ chính xác: đối chiếu phiên bản thuật toán với báo cáo NIST FRTE, rồi thử trên dữ liệu và điều kiện chụp thật.
3. Yêu cầu bằng chứng chống giả mạo: chứng nhận PAD theo ISO/IEC 30107-3 từ phòng thử nghiệm độc lập; ngân hàng đối chiếu Thông tư 77/2025/TT-NHNN.
4. Chọn ngưỡng theo rủi ro và luôn có kênh dự phòng cho người bị từ chối nhầm.
5. Tối thiểu hoá dữ liệu: lưu mẫu đã mã hoá thay vì ảnh gốc, xử lý trên thiết bị nếu được, xoá khi nhân viên nghỉ việc hay khách huỷ dịch vụ.
6. Minh bạch: thông báo mục đích, xin đồng ý, có phương án thay thế.
7. Con người kiểm tra kết quả 1:N trước mọi quyết định ảnh hưởng tới quyền lợi của một người.
8. Giám sát: theo dõi tỷ lệ từ chối theo nhóm người dùng, ghi nhật ký truy cập. Xem thêm bài an ninh mạng là gì.

Câu hỏi thường gặp

Nhận diện khuôn mặt và nhận dạng khuôn mặt có khác nhau không?

Trong đời sống, hai cụm từ dùng thay cho nhau. Về kỹ thuật, nên nói rõ là xác minh (1:1) hay nhận dạng (1:N), vì rủi ro khác nhau.

Face ID có bị mở khoá bằng ảnh chụp không?

Theo Apple, Face ID luôn cần thông tin chiều sâu, thứ không có trong ảnh in hay ảnh 2D, và có mạng nơ-ron chống giả mạo. Apple cũng lưu ý xác suất mở nhầm cao hơn với anh chị em sinh đôi và trẻ dưới 13 tuổi. Hệ thống chỉ dùng camera 2D thì phụ thuộc nhiều vào liveness detection.

Đeo khẩu trang có làm hệ thống nhận sai không?

Có thể, nhất là với thuật toán cũ. NIST năm 2020 thấy tỷ lệ thất bại của thuật toán tốt nhất tăng từ khoảng 0,3% lên khoảng 5% khi thêm khẩu trang kỹ thuật số. Khi xác thực giao dịch quan trọng, bạn nên để lộ rõ khuôn mặt, đủ sáng và nhìn thẳng vào camera.

Vì sao tôi bị ngân hàng yêu cầu xác thực khuôn mặt dù chỉ chuyển ít tiền?

Theo Quyết định 2345/QĐ-NHNN, khi tổng giao dịch trong ngày đã vượt 20 triệu đồng hoặc khi bạn dùng thiết bị mới, ngân hàng phải xác thực sinh trắc học, bất kể số tiền lần đó.

Công ty dùng máy chấm công khuôn mặt có cần nhân viên đồng ý không?

Dữ liệu sinh trắc học là dữ liệu nhạy cảm, nên công ty cần căn cứ xử lý hợp pháp, thông báo mục đích, bảo mật theo Điều 31 Luật 91/2025/QH15 và nên có phương án chấm công thay thế. Trường hợp cụ thể, hãy hỏi bộ phận pháp chế.