Trong bối cảnh các quy định về bảo vệ dữ liệu cá nhân (như GDPR ở châu Âu hay Luật An ninh Mạng tại Việt Nam) ngày càng nghiêm ngặt, việc làm sạch dữ liệu trước khi huấn luyện AI trở thành một thách thức lớn. DataGuardian, một dự án mã nguồn mở mới nổi trên GitHub, ra đời để giải quyết đúng vấn đề này.
Công cụ sử dụng các mô hình ngôn ngữ nhỏ (Small Language Models) được tinh chỉnh đặc biệt để quét qua các tập dữ liệu văn bản, JSON hoặc CSV và nhận diện tự động các trường thông tin nhạy cảm như địa chỉ, số điện thoại, email, số căn cước công dân, tên riêng, v.v. Sau khi phát hiện, DataGuardian có thể tự động thay thế các thông tin này bằng các giá trị giả lập (synthetic data) hoặc xóa chúng hoàn toàn, tùy theo cấu hình của người dùng.
Điểm mạnh của DataGuardian là tốc độ xử lý cao và độ chính xác tốt, đặc biệt với dữ liệu tiếng Việt. Thay vì sử dụng các quy tắc cú pháp cứng nhắc dễ bỏ sót, DataGuardian tận dụng ngữ cảnh để hiểu được một chuỗi ký tự có phải là thông tin cá nhân hay không. Ví dụ, nó có thể phân biệt được giữa một tên riêng và một từ thông thường có cùng cách viết. Dự án hiện hỗ trợ hơn 20 ngôn ngữ, và cộng đồng đang đóng góp tích cực để cải thiện độ chính xác cho các ngôn ngữ ít phổ biến hơn.
Nhiều công ty công nghệ và tổ chức phi lợi nhuận đã bắt đầu sử dụng DataGuardian trong quy trình xử lý dữ liệu của họ, coi đây là bước bắt buộc để đảm bảo tuân thủ pháp luật và xây dựng niềm tin với khách hàng. Dự án được cấp phép Apache 2.0, cho phép sử dụng tự do trong môi trường thương mại, và đang nhận được sự đóng góp từ các nhà phát triển trên khắp thế giới, với mục tiêu trở thành công cụ chuẩn (de facto standard) trong lĩnh vực quản lý dữ liệu AI.