Transfer learning là gì? Học chuyển giao, cách hoạt động

Mục lục

1. Transfer learning là gì?
2. Vì sao transfer learning hiệu quả?
3. Transfer learning hoạt động như thế nào?
4. Trích xuất đặc trưng và tinh chỉnh khác nhau ra sao?
5. Có những loại transfer learning nào?
6. Ví dụ transfer learning trong thực tế
7. Ưu điểm và hạn chế của transfer learning
8. Transfer learning khác gì các khái niệm gần?
9. Khi nào nên dùng transfer learning?
10. Dùng mô hình huấn luyện sẵn cần lưu ý gì về pháp lý tại Việt Nam?
11. Câu hỏi thường gặp

Transfer learning là gì?

Transfer learning, tiếng Việt thường gọi là học chuyển giao hoặc học chuyển tiếp, là cách xây dựng mô hình học máy bằng cách mượn lại những gì một mô hình khác đã học. Mô hình gốc được huấn luyện trên một bài toán có rất nhiều dữ liệu. Sau đó, phần tri thức chung của nó được chuyển sang bài toán mới, nơi dữ liệu thường ít hơn nhiều.

Tài liệu hướng dẫn của thư viện Keras định nghĩa ngắn gọn: transfer learning là lấy các đặc trưng (features) học được ở một bài toán và tận dụng chúng cho một bài toán mới, tương tự. Tài liệu này cũng nêu rõ bối cảnh dùng điển hình: khi tập dữ liệu của bạn quá nhỏ để huấn luyện một mô hình quy mô đầy đủ từ đầu.

Miền (domain) và tác vụ (task)

Để hiểu chính xác, bạn cần hai khái niệm mà giới nghiên cứu dùng để mô tả transfer learning:

• Miền (domain): loại dữ liệu đầu vào và cách dữ liệu đó phân bố. Ví dụ: ảnh chụp đời thường, ảnh X-quang, đánh giá sản phẩm tiếng Việt, văn bản pháp lý.
• Tác vụ (task): điều mô hình phải dự đoán, gồm tập nhãn và hàm dự đoán. Ví dụ: phân loại 1.000 loại vật thể, phân loại “đạt / lỗi”, nhận diện cảm xúc tích cực hay tiêu cực.

Transfer learning xảy ra khi miền hoặc tác vụ ở nguồn khác ở đích, hoặc khác cả hai. Cách định nghĩa này được hệ thống hoá trong bài khảo sát “A Survey on Transfer Learning” của Sinno Jialin Pan và Qiang Yang, đăng trên tạp chí IEEE Transactions on Knowledge and Data Engineering, tập 22, số 10, tháng 10/2010.

Ví dụ dễ hình dung

Ví dụ minh hoạ. Một nhà máy muốn kiểm tra tự động bao bì bị móp, rách. Họ chỉ có khoảng 2.000 ảnh đã gán nhãn “đạt” hoặc “lỗi”, quá ít để huấn luyện một mạng nơ-ron sâu từ con số 0.

Thay vào đó, đội kỹ thuật lấy một mô hình đã học trên bộ ILSVRC của ImageNet. Theo trang chính thức của ImageNet, bộ này gồm 1.281.167 ảnh huấn luyện thuộc 1.000 lớp vật thể. Mô hình đã “biết nhìn”. Đội chỉ thay lớp đầu ra 1.000 lớp bằng lớp đầu ra 2 lớp (đạt / lỗi), rồi huấn luyện thêm trên 2.000 ảnh của mình.

Vì sao transfer learning hiệu quả?

Bí quyết nằm ở cách mạng học sâu tổ chức tri thức theo từng lớp. Nghiên cứu “How transferable are features in deep neural networks?” của Jason Yosinski, Jeff Clune, Yoshua Bengio và Hod Lipson (nộp lên arXiv ngày 06/11/2014) đã đo khả năng chuyển giao của từng lớp trong mạng tích chập. Nhóm tác giả ghi nhận:

• Các lớp đầu học những đặc trưng giống bộ lọc Gabor và các vùng màu. Những đặc trưng này mang tính tổng quát, dùng được cho nhiều tập dữ liệu và tác vụ.
• Càng lên lớp cao, đặc trưng càng chuyên biệt cho tác vụ gốc, nên khó chuyển giao hơn.
• Khả năng chuyển giao giảm dần khi tác vụ nguồn và tác vụ đích càng khác nhau, nhưng vẫn tốt hơn khởi tạo ngẫu nhiên.
• Khởi tạo mạng bằng đặc trưng chuyển giao giúp mô hình tổng quát hoá tốt hơn, và lợi ích này còn duy trì sau khi tinh chỉnh.

Với ngôn ngữ cũng vậy: hiểu biết về từ vựng, ngữ pháp, ngữ cảnh mà mô hình học từ khối văn bản lớn dùng lại được cho phân loại văn bản hay trích xuất thông tin.

Vì vậy, trong thị giác máy tính, ghi chú khoá học CS231n của Đại học Stanford nhận xét rằng rất ít người huấn luyện toàn bộ một mạng tích chập từ khởi tạo ngẫu nhiên, do hiếm khi có tập dữ liệu đủ lớn. Cách làm phổ biến là bắt đầu từ mô hình đã huấn luyện sẵn (pre-trained model).

Transfer learning hoạt động như thế nào?

Với mạng nơ-ron, quy trình transfer learning điển hình gồm hai giai đoạn: tiền huấn luyện (pre-training) ở miền nguồn và thích nghi (adaptation) ở miền đích. Hình dưới mô tả phần thích nghi.

Theo hướng dẫn chính thức của Keras, quy trình thích nghi gồm các bước sau:

1. Chọn mô hình nguồn. Ưu tiên mô hình được huấn luyện trên dữ liệu gần với bài toán của bạn, có giấy phép cho phép dùng theo mục đích của bạn.
2. Bỏ lớp đầu ra cũ. Lớp cuối gắn với tác vụ gốc (ví dụ 1.000 lớp vật thể) nên không còn phù hợp.
3. Đóng băng (freeze) các lớp đã huấn luyện. Keras giải thích mục đích là tránh phá huỷ thông tin chúng chứa trong các vòng huấn luyện sau.
4. Thêm lớp mới có thể huấn luyện. Các lớp này học cách biến đặc trưng cũ thành dự đoán cho bài toán mới, ví dụ lớp “đạt / lỗi”.
5. Huấn luyện lớp mới trên dữ liệu của bạn cho đến khi hội tụ.
6. Tinh chỉnh (tuỳ chọn). Mở băng toàn bộ hoặc một phần mô hình, huấn luyện tiếp với tốc độ học (learning rate) rất thấp. Keras nhấn mạnh chỉ làm bước này sau khi bước 5 đã hội tụ, và cảnh báo có thể nhanh chóng bị học thuộc dữ liệu.
7. Đánh giá trên tập kiểm tra riêng, so với một mô hình cơ sở (baseline) huấn luyện từ đầu hoặc mô hình đơn giản, để chắc rằng chuyển giao thực sự có lợi.

Trích xuất đặc trưng và tinh chỉnh khác nhau ra sao?

Khi đã có mô hình huấn luyện sẵn, bạn có hai cách dùng chính. CS231n gọi đó là dùng mạng như bộ trích xuất đặc trưng cố định và tinh chỉnh mạng.

Tiêu chí	Trích xuất đặc trưng (feature extraction)	Tinh chỉnh (fine-tuning)
Phần được cập nhật	Chỉ lớp mới thêm vào; mô hình gốc giữ nguyên	Lớp mới và một phần hoặc toàn bộ mô hình gốc
Lượng dữ liệu cần	Ít	Nhiều hơn, tuỳ số lớp được mở băng
Chi phí tính toán	Thấp; có thể tính đặc trưng một lần rồi lưu lại	Cao hơn vì phải lan truyền ngược qua nhiều lớp
Rủi ro học thuộc	Thấp	Cao hơn nếu dữ liệu ít và tốc độ học lớn
Khả năng thích nghi miền mới	Hạn chế khi miền đích khác xa miền nguồn	Tốt hơn vì đặc trưng được điều chỉnh theo dữ liệu mới
Phù hợp khi	Cần kết quả nhanh, dữ liệu ít, miền gần nhau	Dữ liệu đủ nhiều, cần độ chính xác cao hơn

CS231n đưa ra bốn tình huống gợi ý dựa trên hai câu hỏi: dữ liệu đích nhiều hay ít, và giống hay khác dữ liệu nguồn. Hình 2 tóm lược bốn tình huống này.

Một chi tiết thực hành từ CS231n: khi tinh chỉnh, nên dùng tốc độ học nhỏ hơn cho các trọng số đã huấn luyện sẵn so với lớp phân loại mới khởi tạo ngẫu nhiên. Lý do là trọng số cũ vốn đã khá tốt, bạn không muốn làm chúng biến đổi quá mạnh.

Với mô hình ngôn ngữ lớn, xem thêm bài tinh chỉnh mô hình AI và các kỹ thuật LoRA, QLoRA.

Có những loại transfer learning nào?

Cách phân loại được trích dẫn nhiều nhất đến từ khảo sát của Pan và Yang (2010). Họ chia theo hai yếu tố: tác vụ nguồn và đích có giống nhau không, và dữ liệu có nhãn nằm ở đâu.

Loại	Miền nguồn và đích	Tác vụ nguồn và đích	Nhãn	Ví dụ
Quy nạp (inductive)	Giống hoặc khác	Khác nhau	Có nhãn ở miền đích (thường ít)	Mô hình ImageNet chuyển sang phân loại ảnh sản phẩm lỗi
Chuyển đổi (transductive)	Khác nhau nhưng liên quan	Giống nhau	Chỉ có nhãn ở miền nguồn	Mô hình cảm xúc học trên đánh giá điện thoại, dùng cho đánh giá nhà hàng
Không giám sát (unsupervised)	Giống hoặc khác	Khác nhau	Không có nhãn ở cả hai phía	Học biểu diễn từ dữ liệu giao dịch thô, rồi dùng cho phân cụm khách hàng

Ví dụ trong bảng là ví dụ minh hoạ.

Thích nghi miền (domain adaptation)

Thích nghi miền là trường hợp quan trọng của học chuyển đổi: cùng tác vụ, khác miền, và miền đích không có nhãn. Bài báo “Unsupervised Domain Adaptation by Backpropagation” của Yaroslav Ganin và Victor Lempitsky (nộp arXiv ngày 26/09/2014) đề xuất huấn luyện mạng bằng dữ liệu có nhãn ở miền nguồn cùng dữ liệu không nhãn ở miền đích. Nhờ một lớp đảo gradient, mạng học đặc trưng không phụ thuộc vào khác biệt giữa hai miền.

Ví dụ minh hoạ: có nhiều ảnh đã gán nhãn từ nhà máy A, nhưng cần chạy ở nhà máy B với ánh sáng, camera khác.

Ví dụ transfer learning trong thực tế

Thị giác máy tính

Đây là lĩnh vực transfer learning phổ biến sớm nhất. Các mạng tích chập (CNN) được huấn luyện trên ImageNet rồi chuyển sang nhận diện lỗi sản phẩm, đọc biển số, phân loại ảnh sản phẩm thương mại điện tử, đếm hàng trên kệ. Doanh nghiệp chỉ cần vài nghìn ảnh của chính mình thay vì hàng triệu ảnh.

Xử lý ngôn ngữ tự nhiên

Năm 2018 là bước ngoặt của transfer learning trong ngôn ngữ:

• ULMFiT của Jeremy Howard và Sebastian Ruder (nộp arXiv ngày 18/01/2018) giảm tỷ lệ lỗi khoảng 18–24% trên phần lớn trong sáu bộ dữ liệu phân loại văn bản. Đáng chú ý, chỉ với 100 mẫu có nhãn, phương pháp này đạt kết quả tương đương mô hình huấn luyện từ đầu trên lượng dữ liệu lớn hơn 100 lần.
• BERT của Jacob Devlin và cộng sự tại Google (nộp arXiv ngày 11/10/2018) được huấn luyện sẵn trên văn bản không nhãn. Mô hình có thể tinh chỉnh chỉ bằng việc thêm một lớp đầu ra và đạt kết quả tốt nhất thời điểm đó trên 11 tác vụ ngôn ngữ.
• PhoBERT của Nguyễn Quốc Đạt và Nguyễn Tuấn Anh (nộp arXiv ngày 02/03/2020) được nhóm tác giả mô tả là mô hình ngôn ngữ đơn ngữ quy mô lớn công khai đầu tiên huấn luyện sẵn cho tiếng Việt. PhoBERT vượt mô hình đa ngữ XLM-R trên các tác vụ gán nhãn từ loại, phân tích cú pháp phụ thuộc, nhận dạng thực thể có tên và suy luận ngôn ngữ tiếng Việt.

Với tiếng Việt, đây là điểm quan trọng: khi miền đích là văn bản tiếng Việt, một mô hình nguồn học nhiều tiếng Việt thường là điểm xuất phát tốt hơn mô hình chủ yếu học tiếng Anh. Tuy vậy, bạn vẫn nên kiểm chứng trên dữ liệu của chính mình.

Mô hình nền tảng và AI tạo sinh

Các mô hình ngôn ngữ lớn hiện nay là phiên bản quy mô rất lớn của cùng ý tưởng: tiền huấn luyện một lần trên khối dữ liệu khổng lồ, rồi thích nghi cho nhiều việc khác nhau. Đó là lý do chúng được gọi là mô hình nền tảng. Bạn có thể thích nghi chúng bằng tinh chỉnh, hoặc chỉ bằng cách đưa ví dụ vào câu lệnh mà không cập nhật trọng số, như trong kỹ thuật zero-shot và few-shot.

Ứng dụng trong doanh nghiệp Việt Nam

Một số bài toán thường gặp (ví dụ minh hoạ):

• Phân loại chứng từ: hoá đơn, hợp đồng, phiếu thu được chụp hoặc quét.
• Phân tích phản hồi khách hàng: phân loại đánh giá, bình luận, ghi chú tổng đài tiếng Việt theo chủ đề và cảm xúc.
• Kiểm tra chất lượng bằng camera: phát hiện vết xước, lệch nhãn, thiếu linh kiện trên dây chuyền.
• Hỗ trợ đọc ảnh y khoa: chỉ mang tính hỗ trợ, cần thẩm định lâm sàng và tuân thủ quy định chuyên ngành.

Điểm chung: lượng dữ liệu có nhãn ít nhưng chất lượng nhãn quyết định kết quả. Vì vậy, khâu gán nhãn dữ liệu cần hướng dẫn rõ và kiểm tra chéo, ngay cả khi chỉ có vài nghìn mẫu.

Ưu điểm và hạn chế của transfer learning

Ưu điểm

• Cần ít dữ liệu có nhãn hơn. Kết quả của ULMFiT với 100 mẫu là minh chứng rõ cho ngôn ngữ.
• Hội tụ nhanh hơn. Mô hình bắt đầu từ trọng số đã tốt, không phải từ số ngẫu nhiên.
• Giảm chi phí tính toán. Phần tốn kém nhất là tiền huấn luyện đã có người làm. Đội nhỏ, không có cụm máy chủ lớn, vẫn xây được mô hình dùng được.

Hạn chế và rủi ro

• Chuyển giao tiêu cực (negative transfer). Bài báo “Characterizing and Avoiding Negative Transfer” của Zirui Wang và cộng sự (nộp arXiv ngày 24/11/2018) mô tả hiện tượng: khi nguồn ít liên quan, chuyển giao có thể làm giảm hiệu suất ở đích. Nhóm đề xuất cách lọc bớt dữ liệu nguồn không liên quan.
• Lợi ích không phải lúc nào cũng lớn. Nghiên cứu “Transfusion” của Maithra Raghu và cộng sự (nộp arXiv ngày 14/02/2019) trên hai bài toán ảnh y khoa quy mô lớn cho thấy chuyển giao từ ImageNet mang lại lợi ích nhỏ, và mô hình nhẹ, đơn giản có thể đạt kết quả tương đương.
• Không bắt buộc khi đã đủ dữ liệu. Bài “Rethinking ImageNet Pre-training” của Kaiming He, Ross Girshick và Piotr Dollár (nộp arXiv ngày 21/11/2018) cho thấy mô hình huấn luyện từ đầu trên COCO đạt kết quả tương đương nếu được huấn luyện đủ lâu. Tiền huấn luyện giúp hội tụ nhanh hơn ở giai đoạn đầu, nhưng không nhất thiết làm độ chính xác cuối cùng cao hơn.
• Kế thừa thiên lệch. Mô hình nguồn mang theo thiên lệch của dữ liệu gốc.
• Học thuộc khi tinh chỉnh quá tay. Mở băng quá nhiều lớp trên tập nhỏ dễ dẫn tới overfitting.
• Ràng buộc kiến trúc. CS231n lưu ý bạn không thể tuỳ ý bỏ các lớp tích chập của mạng huấn luyện sẵn. Đầu vào và kích thước mô hình phải hợp với mô hình gốc.
• Rủi ro chuỗi cung ứng mô hình. Mô hình tải từ nguồn không rõ ràng có thể đã bị can thiệp. OWASP xếp đầu độc dữ liệu và mô hình (Data and Model Poisoning) vào danh sách rủi ro hàng đầu của ứng dụng mô hình ngôn ngữ lớn năm 2025, khuyến nghị theo dõi nguồn gốc dữ liệu và mô hình.

Transfer learning khác gì các khái niệm gần?

Bảng dưới giúp bạn phân biệt các thuật ngữ hay bị dùng lẫn.

Khái niệm	Bản chất	Quan hệ với transfer learning
Huấn luyện từ đầu (training from scratch)	Khởi tạo trọng số ngẫu nhiên, học toàn bộ từ dữ liệu của bạn	Là phương án đối chứng; cần nhiều dữ liệu và tính toán hơn
Tiền huấn luyện (pre-training)	Huấn luyện mô hình trên dữ liệu lớn, tổng quát	Là giai đoạn đầu, tạo ra tri thức để chuyển giao
Tinh chỉnh (fine-tuning)	Tiếp tục cập nhật trọng số mô hình sẵn trên dữ liệu mới	Là một cách thực hiện transfer learning, không phải khái niệm ngang hàng
Học đa nhiệm (multi-task learning)	Học nhiều tác vụ cùng lúc, chia sẻ biểu diễn	Liên quan; khác ở chỗ các tác vụ học song song thay vì tuần tự nguồn rồi đích
Chưng cất tri thức (knowledge distillation)	Mô hình lớn (thầy) dạy mô hình nhỏ (trò)	Chuyển tri thức sang mô hình khác để gọn hơn. Theo nhóm tác giả DistilBERT (2019), mô hình nhỏ hơn BERT khoảng 40%, nhanh hơn khoảng 60%, giữ khoảng 97% năng lực hiểu ngôn ngữ
Zero-shot, few-shot	Mô hình làm tác vụ mới với 0 hoặc vài ví dụ, thường không cập nhật trọng số	Tận dụng tri thức tiền huấn luyện nhưng thích nghi qua câu lệnh thay vì huấn luyện
Thích nghi miền (domain adaptation)	Cùng tác vụ, khác miền dữ liệu	Là một nhánh con của transfer learning

Khi nào nên dùng transfer learning?

Bạn nên cân nhắc transfer learning khi đa số câu trả lời dưới đây là “có”:

• Dữ liệu có nhãn của bạn ít, vài trăm đến vài chục nghìn mẫu.
• Có mô hình huấn luyện sẵn trên dữ liệu cùng loại (ảnh, văn bản, âm thanh) và gần miền của bạn.
• Giấy phép của mô hình và dữ liệu gốc cho phép mục đích sử dụng của bạn, kể cả thương mại.
• Ngân sách tính toán và thời gian có hạn.

Ngược lại, nên thận trọng hoặc thử huấn luyện từ đầu khi:

• Dữ liệu của bạn rất đặc thù, khác xa mọi mô hình sẵn có, ví dụ tín hiệu cảm biến công nghiệp riêng.
• Bạn có rất nhiều dữ liệu có nhãn và đủ tài nguyên tính toán.
• Mô hình sẵn có quá lớn so với thiết bị triển khai, trong khi một mô hình nhỏ huấn luyện riêng đủ dùng.

Lỗi thường gặp khi triển khai

1. Không có baseline. Không so sánh với mô hình đơn giản nên không biết chuyển giao có thật sự giúp ích.
2. Tiền xử lý lệch với mô hình gốc. Kích thước ảnh, cách chuẩn hoá màu, cách tách từ khác với lúc tiền huấn luyện làm đặc trưng sai lệch.
3. Tinh chỉnh ngay từ đầu với tốc độ học lớn. Lớp mới ngẫu nhiên tạo gradient lớn, phá hỏng trọng số đã học. Hãy huấn luyện lớp mới trước, tinh chỉnh sau.
4. Tập kiểm tra bị lẫn dữ liệu huấn luyện, ví dụ nhiều ảnh chụp cùng một sản phẩm nằm ở cả hai tập, khiến kết quả đẹp giả tạo.
5. Không giám sát sau triển khai. Dữ liệu thực tế thay đổi theo thời gian; cần theo dõi và cập nhật định kỳ.

Dùng mô hình huấn luyện sẵn cần lưu ý gì về pháp lý tại Việt Nam?

Transfer learning thường dùng hai thứ không do bạn tạo ra: mô hình gốc và dữ liệu gốc. Thêm vào đó là dữ liệu của chính doanh nghiệp, có thể chứa dữ liệu cá nhân. Ba điểm cần kiểm tra:

• Giấy phép mô hình và dữ liệu nguồn. Ví dụ, điều khoản truy cập bộ dữ liệu ImageNet quy định nhà nghiên cứu chỉ dùng cơ sở dữ liệu cho mục đích nghiên cứu và giáo dục phi thương mại. Mỗi mô hình công khai cũng có giấy phép riêng. Hãy đọc kỹ và hỏi bộ phận pháp chế trước khi dùng cho sản phẩm thương mại.
• Dữ liệu cá nhân khi tinh chỉnh. Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 ban hành ngày 26/06/2025, có hiệu lực từ 01/01/2026. Điều 30 yêu cầu dữ liệu cá nhân trong xử lý bằng trí tuệ nhân tạo phải đúng mục đích, giới hạn trong phạm vi cần thiết, có biện pháp bảo mật và phân loại theo mức độ rủi ro.
• Luật Trí tuệ nhân tạo. Luật số 134/2025/QH15 được Quốc hội thông qua ngày 10/12/2025, có hiệu lực từ 01/03/2026. Khoản 3 Điều 7 nghiêm cấm thu thập, xử lý hoặc sử dụng dữ liệu để phát triển, huấn luyện, kiểm thử hoặc vận hành hệ thống AI trái pháp luật về dữ liệu, bảo vệ dữ liệu cá nhân, sở hữu trí tuệ và an ninh mạng.

Câu hỏi thường gặp

Transfer learning tiếng Việt là gì?

Transfer learning thường được dịch là học chuyển giao, đôi khi là học chuyển tiếp. Đây là kỹ thuật dùng lại tri thức của mô hình đã huấn luyện cho một bài toán để giải bài toán khác có liên quan, nhờ đó cần ít dữ liệu và thời gian hơn.

Transfer learning và fine-tuning có phải là một?

Không hẳn. Transfer learning là ý tưởng tổng quát: chuyển tri thức từ nguồn sang đích. Tinh chỉnh là một cách thực hiện, trong đó trọng số của mô hình sẵn được cập nhật tiếp trên dữ liệu mới. Bạn cũng có thể chuyển giao mà không tinh chỉnh, bằng cách đóng băng mô hình và chỉ huấn luyện lớp đầu ra.

Cần bao nhiêu dữ liệu để dùng transfer learning?

Không có con số cố định. Nó phụ thuộc vào độ khó của bài toán và mức gần nhau giữa miền nguồn và đích. ULMFiT cho thấy chỉ 100 mẫu có nhãn đã đạt kết quả tương đương huấn luyện từ đầu với lượng dữ liệu gấp 100 lần trong thí nghiệm phân loại văn bản của nhóm tác giả. Hãy bắt đầu với vài trăm mẫu chất lượng, đo kết quả rồi bổ sung dần.

Chuyển giao tiêu cực là gì và cách tránh?

Chuyển giao tiêu cực là khi dùng tri thức từ nguồn làm mô hình đích kém hơn so với không chuyển giao. Nó thường xảy ra khi nguồn và đích quá khác nhau. Cách giảm rủi ro: chọn mô hình nguồn gần miền nhất, luôn so sánh với baseline, thử chỉ dùng các lớp nông, và loại bớt dữ liệu nguồn không liên quan.

Tinh chỉnh trên dữ liệu nội bộ có rủi ro lộ dữ liệu không?

Có thể. Mô hình sau tinh chỉnh có thể ghi nhớ một phần dữ liệu huấn luyện. Nếu dữ liệu chứa thông tin cá nhân hoặc bí mật kinh doanh, hãy ẩn danh hoá trước và kiểm soát quyền truy cập mô hình.