Tổng quan phát triển ứng dụng AI trong ngành điện hạt nhân và các khuyến nghị cho Việt Nam

Điện hạt nhân Việt Nam - Từ chuyện hôm qua, đến mùa Xuân hy vọng Mỗi độ Tết đến, Xuân về, người ta thường nói chuyện mở hàng, chuyện gieo quẻ đầu năm, chuyện nhìn lại năm cũ để mong một năm mới hanh thông hơn. Với ngành năng lượng - một lĩnh vực vốn quen với những con số khô khan và biểu đồ kỹ thuật - thì mùa Xuân lại là dịp hiếm hoi để nói những câu chuyện dài hơi hơn, nhẹ nhàng hơn, nhưng không kém phần quan trọng. Điện hạt nhân ở Việt Nam cũng vậy: Đây không chỉ là câu chuyện của công nghệ, của lò phản ứng, hay kilowatt-giờ, mà là câu chuyện của tầm nhìn, của niềm tin và của sự chuẩn bị cho tương lai.

Lò muối nóng chảy (MSR) - Hiện trạng công nghệ, các thiết kế chính, vai trò IAEA, gợi ý cho Việt Nam Ngày cuối cùng của năm 2025, Bản tin (Newsletter) của Cơ quan Năng lượng Nguyên tử Quốc tế (IAEA) đã gợi ý độc giả cùng nhìn lại những bài viết được quan tâm nhất trong chuyên mục “Giải thích về năng lượng hạt nhân”. Trong số đó, bài viết: Lò phản ứng muối nóng chảy là gì? (What are Molten Salt Reactors?) thu hút sự chú ý rộng rãi của cộng đồng quốc tế. Sau khi tham khảo các bài viết phổ biến của IAEA, chuyên gia Tạp chí Năng lượng Việt Nam dựa trên phân tích tài liệu chuyên sâu Hiện trạng công nghệ lò phản ứng muối nóng chảy (Status of Molten Salt Reactor Technology, IAEA-TRS-489, 2023), nhằm cung cấp cái nhìn toàn diện, cập nhật và có hệ thống về công nghệ này tới bạn đọc.

I. Mở đầu:

Khi trí tuệ nhân tạo (AI) tiếp tục phát triển, chúng được sử dụng để giải quyết ngày càng nhiều ứng dụng khác nhau trong ngành điện hạt nhân - từ hỗ trợ công nghệ cảm biến, quản lý dữ liệu, truyền thông, đến khả năng tính toán. Dường như AI có thể được khai thác trong suốt vòng đời của nhà máy điện hạt nhân - từ thiết kế, đến khi chấm dứt hoạt động, được kỳ vọng sẽ giúp chuyển đổi hiệu quả kinh tế và vận hành trong dài hạn của ngành. Tuy nhiên, đồng thời với việc tiếp tục khám phá ra khả năng ứng dụng AI trong ngành điện hạt nhân mà trước đây được coi là không khả thi, thì cũng cần phải giải quyết các khoảng trống và thách thức để cho phép AI chuyển từ lĩnh vực nghiên cứu và phát triển sang sử dụng vận hành trong các cơ sở hạt nhân. Việc giải quyết những khoảng trống và thách thức này không hề đơn giản (đối với bất kể công nghệ lò phản ứng nào), vì nhiều yếu tố được dự đoán sẽ ảnh hưởng đến việc triển khai công nghệ AI. Chẳng hạn như văn hóa an toàn truyền thống của ngành, các khía cạnh kỹ thuật, sự sẵn sàng về tổ chức và pháp quy, sự chấp nhận của người dùng cuối và công chúng, v.v...

II. Tổng quan về các ứng dụng và khả năng của công nghệ AI trong ngành điện hạt nhân:

Từ bối cảnh chung nêu tại phần “mở đầu”, nội dung dưới đây tập trung làm rõ các nhóm ứng dụng cụ thể của AI, cũng như những giá trị gia tăng mà công nghệ này có thể mang lại cho hoạt động vận hành và quản lý an toàn của nhà máy điện hạt nhân.

Trí tuệ nhân tạo (AI) và học máy (Machine Learning - ML) đang mở ra một phổ ứng dụng rất rộng trong các nhà máy điện hạt nhân hiện đại. Các ứng dụng này bao gồm, nhưng không giới hạn đối với robot và bảo dưỡng, xác thực tín hiệu và cảnh báo, ứng phó sự cố và tình huống khẩn cấp, chẩn đoán quá trình, giao diện người - máy, hệ thống điều khiển, chẩn đoán thiết bị, phân tích vận hành, hỗ trợ vận hành và ra quyết định, đánh giá rủi ro xác suất, đào tạo - huấn luyện, cũng như các công đoạn trong chu trình nhiên liệu hạt nhân.

Việc ứng dụng AI mang lại nhiều lợi ích thiết thực cho nhà máy điện hạt nhân, trong đó nổi bật là giảm chi phí vận hành và bảo dưỡng (O&M), giảm liều chiếu xạ cho nhân viên, đồng thời nâng cao mức độ an toàn và độ tin cậy của tổ máy. Những tiến bộ gần đây trong lĩnh vực cảm biến, năng lực tính toán và hạ tầng dữ liệu đã giúp công nghệ AI đạt mức độ trưởng thành cao hơn và dễ tiếp cận hơn. Tuy nhiên, AI vẫn được xem là một công nghệ mới nổi; phần lớn các ứng dụng hiện nay vẫn đang ở giai đoạn thí điểm, hoặc triển khai hạn chế tại các nhà máy điện hạt nhân trên thế giới.

AI cho phép tự động hóa nhiều công việc vốn trước đây đòi hỏi sự tham gia trực tiếp của con người, từ đó giúp tập trung nguồn lực con người vào các nhiệm vụ có giá trị gia tăng cao hơn. Đặc biệt, đối với những bài toán mà các tham số không thể mô tả đầy đủ bằng các thuật toán lập trình truyền thống, học máy cho phép “huấn luyện” mô hình từ dữ liệu thực tế để tìm ra lời giải phù hợp trong phạm vi dữ liệu huấn luyện. Ngay cả với những nhiệm vụ đã có thể tự động hóa bằng các phương pháp truyền thống, các mô hình dựa trên dữ liệu vẫn có thể cải thiện hiệu năng và độ chính xác.

Xét trên toàn bộ vòng đời của nhà máy điện hạt nhân - từ thiết kế, xây dựng, vận hành đến tháo dỡ, chấm dứt hoạt động, thì an toàn và hiệu quả kinh tế luôn là hai trụ cột then chốt. Trong đó, giai đoạn vận hành có ý nghĩa đặc biệt quan trọng, vì chi phí O&M chiếm tỷ trọng lớn trong tổng chi phí phát điện. Do đó, tiềm năng cải thiện hiệu quả kinh tế thông qua việc giảm chi phí O&M bằng các công nghệ AI là rất lớn. Các giải pháp AI được kỳ vọng sẽ nâng cao năng lực ra quyết định và điều khiển nhà máy thông qua khai thác dữ liệu vận hành - bảo dưỡng, cũng như thông qua các phương pháp phân tích và dự báo tiên tiến. Ví dụ, học máy có thể được áp dụng để phân tích dữ liệu trạng thái thiết bị (nhiệt độ, lưu lượng, rung động…), từ đó tối ưu hóa chu kỳ bảo dưỡng và phát hiện sớm nguy cơ hư hỏng.

Về mặt an toàn, việc ứng dụng AI cho phép phát hiện sớm các trạng thái bất thường, giảm thiểu sai sót con người và tích hợp, tổng hợp các nguồn thông tin phức tạp để hỗ trợ - thậm chí trong một số trường hợp là tự động hóa - quá trình ra quyết định.

Về mặt kinh tế, AI góp phần nâng cao hệ số khả dụng của nhà máy, giảm chi phí bảo dưỡng tổng thể, giảm phụ thuộc vào nhân lực trình độ cao và nâng cao hiệu quả chung của hoạt động vận hành - bảo dưỡng.

Thông qua việc truy cập an toàn và hiệu quả vào dữ liệu vận hành, quản lý nhà máy, công nghệ AI có thể mang lại nhiều lợi ích cụ thể, bao gồm:

1. Tăng mức độ tự động hóa vận hành và hỗ trợ ra quyết định, qua đó giảm tải công việc cho kíp vận hành.

2. Tăng cường năng lực giám sát và phân tích trạng thái thiết bị, hệ thống và toàn bộ tổ máy, góp phần nâng cao an toàn.

3. Cung cấp các công cụ linh hoạt, hiệu quả hơn cho đội ngũ quản lý và kỹ thuật nhà máy.

Nhằm khai thác AI một cách bền vững và thực chất, cần xác định rõ phạm vi ứng dụng với mục tiêu cốt lõi là nâng cao an toàn, độ tin cậy và hiệu quả kinh tế của nhà máy điện hạt nhân. Thực tiễn quốc tế cho thấy, việc lựa chọn đúng bài toán, kết hợp chặt chẽ giữa chuyên gia công nghệ AI và chuyên gia lĩnh vực hạt nhân, cùng với triển khai từng bước và có kiểm soát, là yếu tố quyết định thành công. Các ứng dụng hiện tại và sắp tới của AI trong ngành điện hạt nhân cho thấy tiềm năng rất lớn trong việc hiện đại hóa công tác vận hành, đào tạo nguồn nhân lực và nâng cao năng lực quản lý an toàn của các nhà máy điện hạt nhân trong tương lai.

III. Các yếu tố trong phát triển quản lý vòng đời của hệ thống AI:

Trên cơ sở các tiềm năng ứng dụng đã được phân tích, vấn đề đặt ra tiếp theo không chỉ là “AI có thể làm được gì?”, mà là “Làm thế nào để phát triển và quản lý các hệ thống AI một cách bền vững, an toàn và có thể chấp nhận về pháp quy?”.

Việc ứng dụng AI trong ngành điện hạt nhân hiện nay và trong tương lai không chỉ dừng lại ở các bài toán phân tích dữ liệu cục bộ, có phạm vi hẹp và vòng đời ngắn. Nhiều ứng dụng AI được kỳ vọng sẽ có quy mô lớn hơn, liên quan tới nhiều bên liên quan, tạo ra các hệ thống phần mềm có mức độ phức tạp trung bình đến cao; đồng thời có thể chịu sự xem xét, thẩm định của cơ quan pháp quy do kết quả đầu ra có ý nghĩa về an toàn, hoặc vận hành.

Do đó, cần một cách tiếp cận mang tính hệ thống để quản lý toàn bộ vòng đời của các hệ thống AI, bao gồm: Sự tham gia của các nhóm liên ngành (chuyên gia hạt nhân, chuyên gia AI, chuyên gia phần mềm truyền thống); yêu cầu về quản lý mã nguồn, cấu hình, tài liệu; nhu cầu bảo trì, cập nhật và kiểm soát phiên bản trong thời gian dài; cũng như yêu cầu tích hợp các cân nhắc về quản lý nhà nước và pháp quy ngay từ giai đoạn khởi tạo.

Cách tiếp cận quản lý vòng đời cho phép hình dung và phát triển các ứng dụng AI theo hướng có khả năng mở rộng, phù hợp với nhu cầu người sử dụng cuối, duy trì được khả năng vận hành trong suốt thời gian khai thác; đồng thời đáp ứng các yêu cầu pháp quy và cấp phép. Cách tiếp cận này phù hợp với các thực hành kỹ thuật hệ thống vốn đã quen thuộc trong lĩnh vực hạt nhân và được hướng dẫn trong các tiêu chuẩn quốc tế.

1. Thiết kế hệ thống AI:

Xác định bài toán AI:

Một trong những bước quan trọng nhất trong thiết kế hệ thống AI là chuyển hóa bài toán thực tiễn, hoặc nhiệm vụ nghiệp vụ thành các yêu cầu dựa trên AI. Trong một số trường hợp đơn giản, điều này chỉ là việc mô phỏng lại quyết định của con người. Chẳng hạn như nhận diện khuyết tật trên ảnh kiểm tra. Tuy nhiên, trong nhiều tình huống phức tạp, việc xây dựng bài toán AI đòi hỏi quá trình phân tích sâu các yêu cầu chuyên ngành và sự tham gia chặt chẽ của chuyên gia.

Việc áp dụng AI thường yêu cầu tái cấu trúc bài toán theo các dạng kết quả mong muốn như: Phân loại dữ liệu đã gán nhãn; dự báo giá trị đầu ra dựa trên các biến đầu vào (ví dụ dự báo tuổi thọ còn lại của thiết bị); hoặc khám phá các nhóm, cấu trúc tiềm ẩn trong dữ liệu.

Cơ sở kỹ thuật:

Mỗi ứng dụng AI cần được xây dựng trên một cơ sở kỹ thuật rõ ràng, chứng minh tính phù hợp của phương pháp AI được lựa chọn đối với bài toán đặt ra. Một số bài toán AI mang tính phổ quát và đã có các lời giải. Chẳng hạn như nhận dạng ảnh, hoặc xử lý ngôn ngữ tự nhiên.

Ngược lại, nhiều bài toán đặc thù của nhà máy điện hạt nhân đòi hỏi phải phát triển cơ sở kỹ thuật riêng (ví dụ xây dựng mô hình thay thế dựa trên dữ liệu cho các mã tính toán phức tạp, hoặc chẩn đoán tình trạng thiết bị).

Lựa chọn mô hình:

Việc lựa chọn mô hình AI phù hợp có ảnh hưởng quyết định tới chất lượng và độ tin cậy của kết quả. Quá trình này chịu tác động đồng thời của các yếu tố kỹ thuật và phi kỹ thuật như mục tiêu ứng dụng, lượng và chất lượng dữ liệu, năng lực tính toán, yêu cầu về khả năng giải thích, cũng như nguồn lực phát triển. Lựa chọn mô hình có thể dựa trên định hướng ứng dụng cụ thể, hoặc dựa trên các chỉ số đánh giá hiệu năng định lượng.

Đồng bộ mục tiêu:

Đồng bộ mục tiêu đề cập tới mức độ phù hợp giữa mục tiêu huấn luyện của mô hình AI và nhiệm vụ thực tế mà hệ thống cần thực hiện. Trong môi trường hạt nhân, việc sai lệch mục tiêu có thể dẫn tới các quyết định không an toàn, hoặc hành vi không mong muốn. Do đó, cần bảo đảm rằng dữ liệu huấn luyện, hàm mất mát và chỉ số đánh giá phản ánh đúng các mục tiêu vận hành và yêu cầu an toàn.

Mô hình tĩnh và mô hình động:

Các mô hình AI có thể được phân loại thành mô hình tĩnh và mô hình động. Mô hình tĩnh được huấn luyện và “đóng băng” trước khi đưa vào sử dụng, giúp đơn giản hóa công tác thẩm định và kiểm định. Mô hình động cho phép tái huấn luyện để thích nghi với sự thay đổi của quá trình, song đặt ra thách thức lớn hơn về xác nhận, kiểm soát thay đổi và quản lý an toàn.

Giảm thiểu rủi ro:

Không có mô hình AI nào đạt độ chính xác tuyệt đối. Vì vậy, thiết kế hệ thống cần tính tới các cơ chế giảm thiểu rủi ro. Chẳng hạn ưu tiên phát hiện các tình huống nguy hiểm, chấp nhận sai số theo hướng an toàn hơn, hoặc thiết kế các ngưỡng cảnh báo phù hợp với bản chất của ứng dụng.

Yếu tố con người và sự chấp nhận của người sử dụng:

AI trong nhà máy điện hạt nhân luôn gắn với con người trong suốt vòng đời ứng dụng của hệ thống. Các vấn đề như mất kỹ năng, lệ thuộc quá mức vào tự động hóa, hoặc thiếu tin cậy vào hệ thống cần được xem xét ngay từ giai đoạn thiết kế. Cách tiếp cận AI lấy con người làm trung tâm và AI hợp tác nhấn mạnh vai trò hỗ trợ, tăng cường năng lực của con người thay vì thay thế hoàn toàn.

Thiết kế cho môi trường điện toán đám mây:

Thiết kế AI dựa trên nền tảng đám mây mang lại lợi thế về khả năng mở rộng và linh hoạt, song cần được cân nhắc kỹ lưỡng trong bối cảnh yêu cầu an ninh mạng, an toàn thông tin và quy định pháp quy của ngành hạt nhân.

Độ bền vững và khả năng chống chịu:

Các hệ thống AI phải đối mặt với nguy cơ bị tấn công có chủ đích, làm sai lệch dữ liệu, hoặc kết quả. Việc nâng cao độ bền vững và khả năng chống chịu của AI là yêu cầu quan trọng, đặc biệt đối với các ứng dụng liên quan tới an toàn và an ninh.

Nguyên tắc an ninh mạng:

AI vừa tạo ra thách thức mới về an ninh mạng, vừa có tiềm năng hỗ trợ nâng cao năng lực bảo vệ hệ thống. Việc áp dụng cách tiếp cận phân cấp theo mức độ quan trọng và tích hợp AI vào kiến trúc an ninh tổng thể là cần thiết.

2. Phát triển - triển khai - bảo trì và giám sát chất lượng:

Giai đoạn phát triển bao gồm đảm bảo chất lượng phần mềm, thẩm định và kiểm định, bảo đảm tính lặp lại, lựa chọn giữa phần mềm mã nguồn mở và phần mềm thương mại, cũng như tổ chức quá trình phát triển phù hợp (linh hoạt, hay tuyến tính).

Triển khai hệ thống AI cần được gắn với quản lý thay đổi tổ chức, đánh giá rủi ro, triển khai song song và từng bước, cũng như đào tạo lực lượng lao động để bảo đảm sử dụng hiệu quả và an toàn.

Sau khi triển khai, các hệ thống AI cần được giám sát liên tục, đánh giá định kỳ và cập nhật khi cần thiết. Sự tham gia thường xuyên của chuyên gia lĩnh vực và chuyên gia kỹ thuật là điều kiện then chốt để duy trì độ tin cậy, chất lượng và tuân thủ pháp quy của các ứng dụng AI trong nhà máy điện hạt nhân.

IV. Các loại dữ liệu và quản trị dữ liệu trong phát triển công nghệ AI:

Một điểm xuyên suốt trong mọi ứng dụng AI là vai trò quyết định của dữ liệu. Vì vậy, nội dung sau đây đi sâu phân tích các loại dữ liệu và các yêu cầu quản trị dữ liệu nhằm bảo đảm độ tin cậy của các hệ thống AI trong môi trường hạt nhân.

1. Vai trò của dữ liệu trong các ứng dụng AI:

Dữ liệu giữ vai trò then chốt trong mọi ứng dụng trí tuệ nhân tạo. Các hệ thống AI học từ dữ liệu và vận hành dựa trên dữ liệu. Do đó, mức độ thành công của một ứng dụng AI phụ thuộc trực tiếp vào mức độ chính xác, đầy đủ, nhất quán và phù hợp của dữ liệu đầu vào. Ngay cả khi thuật toán AI được thiết kế tốt, kết quả đầu ra vẫn có thể thiếu tin cậy, nếu dữ liệu sử dụng không đạt chất lượng cần thiết.

Trong phát triển các ứng dụng AI, dữ liệu thường được phân thành ba nhóm chính theo mục đích sử dụng: Dữ liệu huấn luyện, dữ liệu thẩm định và dữ liệu kiểm thử. Ba nhóm dữ liệu này cần có các đặc tính tương đồng về phạm vi, phân bố và mức độ đại diện cho bài toán ứng dụng.

Dữ liệu huấn luyện: Là tập dữ liệu được sử dụng để huấn luyện mô hình AI, thường chiếm tỷ trọng lớn nhất. Trong học có giám sát, dữ liệu huấn luyện thường bao gồm các cặp dữ liệu đầu vào - đầu ra đã được gán nhãn.

Dữ liệu thẩm định: Được sử dụng song song với dữ liệu huấn luyện nhằm điều chỉnh các siêu tham số của mô hình và đánh giá độ bền vững của mô hình; đồng thời giúp tránh hiện tượng quá khớp (overfitting).

Dữ liệu kiểm thử: Được sử dụng sau khi mô hình đã huấn luyện xong để đánh giá hiệu năng tổng thể. Tập dữ liệu này phải độc lập hoàn toàn với dữ liệu huấn luyện và dữ liệu thẩm định nhằm bảo đảm tính khách quan.

Trong suốt vòng đời của ứng dụng AI, dữ liệu trải qua nhiều công đoạn như tạo lập, thu thập, truyền tải, làm sạch, biến đổi, lưu trữ và sử dụng. Độ đúng đắn và hợp lý của kết quả AI phụ thuộc chặt chẽ vào chất lượng tổng thể của chuỗi xử lý dữ liệu này. Công tác làm sạch dữ liệu, bao gồm loại bỏ sai lệch, bất thường và lỗi, là một bước không thể thiếu nhằm nâng cao độ tin cậy của mô hình.

2. Khung vòng đời dữ liệu:

Khung vòng đời dữ liệu đóng vai trò nền tảng trong phát triển và vận hành các hệ thống AI. Khung này giúp bảo đảm chất lượng dữ liệu, nâng cao hiệu quả huấn luyện mô hình, tăng khả năng tổng quát hóa, hỗ trợ mở rộng quy mô và thích ứng với sự thay đổi theo thời gian.

Một khung vòng đời dữ liệu được tổ chức tốt còn góp phần củng cố niềm tin vào các quyết định dựa trên AI, hỗ trợ tuân thủ các yêu cầu pháp quy và quản trị, tối ưu hóa việc sử dụng nguồn lực và thúc đẩy cải tiến liên tục. Các giai đoạn chính của vòng đời dữ liệu thường bao gồm: Lập kế hoạch, thu thập, hoặc tạo dữ liệu, xử lý - chuẩn hóa, sử dụng, bảo trì và loại bỏ dữ liệu.

3. Các nguồn dữ liệu:

Dữ liệu phục vụ AI trong nhà máy điện hạt nhân có thể đến từ nhiều nguồn khác nhau, mỗi loại có ưu điểm, hạn chế và mức độ phù hợp khác nhau đối với huấn luyện, thẩm định và kiểm thử.

Dữ liệu hiện trường:

Dữ liệu hiện trường được thu thập trực tiếp từ các cảm biến, hệ thống đo đạc, hoặc từ con người trong môi trường vận hành thực tế của cơ sở hạt nhân. Đây là loại dữ liệu duy nhất mà mô hình AI tiếp xúc trong giai đoạn vận hành.

Dữ liệu hiện trường đặc biệt quan trọng đối với giám sát thời gian thực, bảo dưỡng dự báo và hỗ trợ ra quyết định vận hành. Loại dữ liệu này cần được kiểm định nghiêm ngặt, giám sát hiệu chuẩn và thường đòi hỏi sự tham gia của các cán bộ phụ trách dữ liệu có chuyên môn sâu về hệ thống liên quan. Trong giai đoạn kiểm thử cuối cùng, dữ liệu hiện trường cần đóng vai trò chủ đạo để bảo đảm tính phù hợp của mô hình.

Dữ liệu phòng thí nghiệm:

Dữ liệu phòng thí nghiệm được thu thập trong các điều kiện kiểm soát nhằm phục vụ thí nghiệm và mô phỏng vật lý. Dữ liệu loại này thường sạch, có cấu trúc tốt và phù hợp cho các giai đoạn huấn luyện ban đầu và phát triển mô hình. Tuy nhiên, cần thận trọng để bảo đảm rằng, dữ liệu phòng thí nghiệm phản ánh đầy đủ các đặc trưng và độ phức tạp của điều kiện vận hành thực tế.

Dữ liệu nhân tạo:

Dữ liệu nhân tạo được tạo ra thông qua mô phỏng, mô hình tính toán, hoặc các kỹ thuật AI sinh dữ liệu. Dữ liệu này có thể hỗ trợ trong trường hợp thiếu dữ liệu thực, giúp mở rộng phạm vi, hoặc kiểm tra mô hình trong các kịch bản cực đoan. Tuy nhiên, dữ liệu nhân tạo cần được thẩm định chặt chẽ và không nên là cơ sở duy nhất cho việc kiểm thử, hoặc ra quyết định vận hành.

Dữ liệu chưa thẩm định:

Dữ liệu chưa thẩm định (chẳng hạn dữ liệu nguồn mở) có thể bổ trợ cho các tập dữ liệu khác, nhưng tiềm ẩn rủi ro về độ tin cậy, nguồn gốc, tính độc lập giữa các tập huấn luyện, thẩm định và kiểm thử. Việc sử dụng loại dữ liệu này đòi hỏi đánh giá nghiêm ngặt về chất lượng, bản quyền và mức độ phù hợp.

Dữ liệu đối kháng:

Dữ liệu đối kháng là dữ liệu được tạo ra với mục đích gây sai lệch, hoặc phá hoại hiệu năng của mô hình AI. Trong một số trường hợp, dữ liệu đối kháng có thể được sử dụng có kiểm soát trong quá trình huấn luyện nhằm tăng cường khả năng chống chịu của hệ thống trước các tấn công có chủ đích.

4. Quyền sử dụng và bảo vệ dữ liệu:

Phần lớn dữ liệu sử dụng cho AI là dữ liệu sở hữu riêng và cần được xác định rõ quyền sử dụng. Dữ liệu nhạy cảm, dữ liệu bí mật và dữ liệu có yếu tố cá nhân phải tuân thủ các quy định pháp luật và chính sách bảo mật. Việc quản trị quyền dữ liệu cần được xem xét ngay từ giai đoạn huấn luyện mô hình, cũng như trong quá trình nhập liệu, khai thác và chia sẻ dữ liệu.

Mức độ phù hợp của dữ liệu đối với mục đích sử dụng:

Chất lượng dữ liệu cần được đánh giá theo nhiều khía cạnh như: Số lượng, mức độ liên quan, phân bố, phạm vi, thiên lệch, khả năng xảy ra lỗi và mức độ phù hợp với kịch bản ứng dụng. Các yếu tố này ảnh hưởng trực tiếp đến độ tin cậy, công bằng và khả năng tổng quát hóa của mô hình AI.

Quản lý chất lượng và an toàn dữ liệu:

Quản lý chất lượng dữ liệu trong các dự án AI nên dựa trên các khung tiêu chuẩn quốc tế, bao gồm mô hình chất lượng dữ liệu, các chỉ số đo lường, đánh giá, cải tiến và báo cáo chất lượng.

Bảo đảm an toàn dữ liệu là yêu cầu then chốt, đặc biệt đối với các ứng dụng AI trong nhà máy điện hạt nhân. Các mối đe dọa như trôi dữ liệu, hỏng dữ liệu và đầu độc dữ liệu có thể ảnh hưởng nghiêm trọng đến độ tin cậy, cũng như an toàn của hệ thống, đòi hỏi các biện pháp giám sát và bảo vệ chuyên biệt.

Thực hành quản trị dữ liệu:

Quản trị dữ liệu bao gồm quản lý siêu dữ liệu, truy vết nguồn gốc dữ liệu, lưu trữ hồ sơ, quản lý vòng đời dữ liệu, giám sát chất lượng và kiểm toán định kỳ. Các thực hành này giúp bảo đảm tính toàn vẹn, khả năng truy xuất và tuân thủ pháp quy của dữ liệu trong suốt vòng đời của ứng dụng AI.

Chia sẻ dữ liệu:

Chia sẻ dữ liệu là yếu tố then chốt để phát triển thành công các ứng dụng AI trong ngành điện hạt nhân - nơi một nhà máy đơn lẻ thường không đủ dữ liệu đại diện. Việc chia sẻ dữ liệu, nếu được thực hiện có kiểm soát, có thể thúc đẩy đổi mới, xây dựng chuẩn mực chung của ngành và hỗ trợ hiệu quả công tác quản lý nhà nước.

Tuy nhiên, chia sẻ dữ liệu cũng đặt ra các thách thức về bảo mật, sở hữu trí tuệ và tuân thủ pháp luật. Các biện pháp như ẩn danh hóa, thỏa thuận chia sẻ dữ liệu, tuân thủ luật bản quyền dữ liệu, cũng như chia sẻ trong môi trường kiểm soát là những giải pháp quan trọng nhằm cân bằng giữa lợi ích và rủi ro.

V. Các yếu tố cần xem xét khi phát triển ứng dụng AI trong ngành điện hạt nhân:

Sau khi xem xét các khía cạnh kỹ thuật, vòng đời hệ thống và dữ liệu, phần này tổng hợp các yếu tố mang tính điều kiện và định hướng, có ảnh hưởng trực tiếp đến khả năng triển khai AI trong ngành điện hạt nhân.

Việc phát triển và triển khai các ứng dụng trí tuệ nhân tạo trong ngành điện hạt nhân cần được tiếp cận một cách thận trọng, có hệ thống và nhất quán với văn hóa an toàn đặc thù của lĩnh vực này. Không giống như nhiều lĩnh vực công nghiệp khác, các ứng dụng AI trong điện hạt nhân không chỉ phải chứng minh hiệu quả kỹ thuật, mà còn phải đáp ứng các yêu cầu nghiêm ngặt về an toàn, độ tin cậy, khả năng kiểm soát và chấp nhận của cơ quan pháp quy. Do đó, bên cạnh các yếu tố kỹ thuật và dữ liệu đã được phân tích ở các mục trước, một số yếu tố mang tính xuyên suốt cần được xem xét đầy đủ trong quá trình phát triển ứng dụng AI.

Thứ nhất: Khung pháp quy và quản lý nhà nước đối với AI là yếu tố nền tảng. Hiện nay, các quy định pháp quy cụ thể cho AI trong lĩnh vực hạt nhân vẫn đang trong quá trình hình thành và hoàn thiện. Tuy nhiên, xu hướng chung của các cơ quan pháp quy quốc tế là áp dụng các nguyên tắc an toàn hiện hành đối với hệ thống quan trọng về an toàn, kết hợp với cách tiếp cận linh hoạt, phân bậc và dựa trên thông tin rủi ro. Điều này đòi hỏi các tổ chức phát triển và vận hành phải chủ động tích hợp các yêu cầu pháp quy ngay từ giai đoạn thiết kế, thay vì chỉ xem xét ở giai đoạn cấp phép, hoặc đưa vào vận hành.

Thứ hai: Yếu tố con người giữ vai trò trung tâm trong mọi ứng dụng AI của nhà máy điện hạt nhân. Mức độ tự chủ của hệ thống AI cần được xác định phù hợp với bản chất của nhiệm vụ, mức độ rủi ro và năng lực của người vận hành. Các mô hình AI nên được thiết kế theo hướng hỗ trợ và tăng cường khả năng ra quyết định của con người, thay vì thay thế hoàn toàn. Việc duy trì khả năng can thiệp, giám sát và ghi đè của con người là yêu cầu quan trọng nhằm bảo đảm an toàn, duy trì kỹ năng vận hành và tránh sự phụ thuộc quá mức vào tự động hóa.

Thứ ba: Đánh giá và quản lý rủi ro cần được thực hiện xuyên suốt vòng đời của ứng dụng AI. Các rủi ro không chỉ đến từ sai sót thuật toán, mà còn từ chất lượng dữ liệu, trôi dữ liệu theo thời gian, tấn công an ninh mạng và các tương tác không lường trước giữa AI với hệ thống kỹ thuật và con người. Do đó, các ứng dụng AI cần được thiết kế với nhiều lớp bảo vệ, bao gồm ràng buộc kỹ thuật, cơ chế dự phòng, giám sát hiệu suất liên tục và các quy trình ứng phó khi hệ thống hoạt động ngoài phạm vi cho phép.

Thứ tư: Cách tiếp cận phân bậc và dựa trên thông tin rủi ro là đặc biệt phù hợp đối với AI trong ngành điện hạt nhân. Không phải mọi ứng dụng AI đều có mức độ quan trọng về an toàn như nhau. Do đó, các yêu cầu về thẩm định, kiểm định, giám sát và phê duyệt pháp quy cần được điều chỉnh tương ứng với mức độ ảnh hưởng tiềm tàng của ứng dụng đối với an toàn và vận hành nhà máy. Cách tiếp cận này cho phép vừa bảo đảm an toàn, vừa tạo không gian cho đổi mới công nghệ.

Thứ năm: Khả năng giải thích của các mô hình AI là một yêu cầu then chốt. Trong môi trường vận hành quan trọng về an toàn, người vận hành và cơ quan pháp quy cần hiểu được cơ sở của các khuyến nghị, hoặc quyết định do AI đưa ra. Mặc dù các mô hình phức tạp có thể đạt độ chính xác cao, nhưng việc lựa chọn mô hình cần cân bằng giữa hiệu năng và mức độ giải thích, đặc biệt đối với các ứng dụng liên quan trực tiếp đến an toàn, hoặc ra quyết định vận hành.

Cuối cùng, sự tham gia sớm và liên tục của cơ quan pháp quy là yếu tố quyết định đối với khả năng triển khai thành công các ứng dụng AI trong nhà máy điện hạt nhân. Việc trao đổi minh bạch về mục tiêu ứng dụng, kiến trúc hệ thống, dữ liệu sử dụng, chiến lược triển khai và quản lý vòng đời AI giúp giảm thiểu rủi ro pháp quy; đồng thời tạo dựng niềm tin giữa các bên liên quan.

VI. Kết luận và kiến nghị:

Những phân tích ở các phần trên cho thấy AI mang lại nhiều cơ hội, nhưng cũng đặt ra không ít yêu cầu mới đối với quản lý an toàn và quản trị công nghệ trong lĩnh vực điện hạt nhân.

Trí tuệ nhân tạo đang mở ra những cơ hội quan trọng trong việc nâng cao an toàn, độ tin cậy và hiệu quả kinh tế của ngành điện hạt nhân. Các ứng dụng AI, nếu được lựa chọn đúng bài toán và triển khai một cách có kiểm soát, có thể hỗ trợ hiệu quả cho công tác vận hành, bảo dưỡng, đào tạo nhân lực, quản lý an toàn trong suốt vòng đời của nhà máy điện hạt nhân.

Tuy nhiên, AI không phải là giải pháp thay thế cho các nguyên tắc an toàn truyền thống của ngành hạt nhân, mà cần được tích hợp như một công cụ hỗ trợ dựa trên các thực hành kỹ thuật hệ thống đã được kiểm chứng. Việc phát triển và triển khai AI đòi hỏi cách tiếp cận toàn diện, bao gồm quản lý vòng đời hệ thống, quản trị dữ liệu, đánh giá rủi ro, yếu tố con người, an ninh mạng và tuân thủ pháp quy.

Đối với Việt Nam, trong bối cảnh xem xét khởi động lại chương trình điện hạt nhân, việc tiếp cận sớm và có chọn lọc các xu hướng ứng dụng AI trong ngành là hết sức cần thiết. AI không chỉ có ý nghĩa trong giai đoạn vận hành nhà máy, mà còn có thể hỗ trợ ngay từ giai đoạn chuẩn bị chương trình, xây dựng năng lực quản lý nhà nước, đào tạo nguồn nhân lực và hình thành cơ sở dữ liệu phục vụ đánh giá an toàn.

Trên cơ sở đó, bài viết kiến nghị một số định hướng chính sách đối với Việt Nam như sau:

Thứ nhất: Tăng cường tham gia các chương trình, dự án hợp tác quốc tế của IAEA và các đối tác về ứng dụng AI trong lĩnh vực hạt nhân nhằm tiếp thu kinh nghiệm và thực hành tốt.

Thứ hai: Từng bước xây dựng khung pháp quy và hướng dẫn kỹ thuật đối với AI trong lĩnh vực hạt nhân, áp dụng cách tiếp cận phân bậc và dựa trên thông tin rủi ro.

Thứ ba: Ưu tiên đầu tư cho đào tạo và phát triển nguồn nhân lực liên ngành kết hợp giữa kỹ thuật hạt nhân, công nghệ thông tin và khoa học dữ liệu.

Thứ tư: Triển khai thí điểm các ứng dụng AI có rủi ro thấp trong công tác quản lý, đào tạo, bảo dưỡng và phân tích dữ liệu, làm cơ sở từng bước mở rộng sang các ứng dụng phức tạp hơn trong tương lai./.

HỘI ĐỒNG KHOA HỌC TẠP CHÍ NĂNG LƯỢNG VIỆT NAM