Hãy quên tôi đi: Việc xóa dữ liệu trong hệ thống được thiết kế để ghi nhớ

GDPR và DPDP đối với kho lưu trữ vector (vector stores), dấu vết thực thi (traces), điểm kiểm tra (checkpoints) và các bản tóm tắt phái sinh — đồ thị xóa dữ liệu chưa từng được thiết lập. Hình 01: Quên tôi đi: Việc xóa dữ liệu trong mạng lưới dữ liệu (ảnh của tác giả). Yêu cầu xóa dữ liệu, trong tình huống tổng hợp từ sự cố của nhiều nhóm kỹ thuật, đã được xử lý đúng quy trình. Khách hàng thực hiện quyền được lãng quên; bộ phận bảo mật chuyển tiếp yêu cầu; đội ngũ kỹ thuật xóa dòng dữ liệu tài khoản, lịch sử trò chuyện cùng các phiếu yêu cầu hỗ trợ của người dùng, sau đó đóng yêu cầu trong thời hạn luật định bằng một thư điện tử xác nhận với lời lẽ nhã nhặn rằng dữ liệu cá nhân của họ đã được xóa khỏi hệ thống của công ty. Ba tuần sau, một khách hàng khác gửi câu hỏi thông thường đến tổng đài viên AI (agent) hỗ trợ về một trường hợp thanh toán cá biệt. Theo đúng thiết kế, agent truy cập vào bộ nhớ về các trường hợp tương tự trong quá khứ để đưa ra câu trả lời hữu ích, trong đó có đoạn: "Trường hợp này trùng khớp với một vấn đề chúng tôi đã giải quyết vào tháng trước cho một khách hàng tại [nơi làm việc của người đã bị xóa dữ liệu], người cũng gặp xung đột gói dịch vụ tương tự sau khi chuyển từ [nhà cung cấp trước đây của họ]." Cuộc trò chuyện đã bị xóa, nhưng ký ức về cuộc trò chuyện thì không. Dữ liệu này vẫn tồn tại trong bản tóm tắt "các trường hợp tương tự" do chính agent tự tạo ra tại thời điểm diễn ra cuộc trò chuyện. Đây là một dữ liệu phái sinh do hệ thống bộ nhớ tạo ra, được nhúng vào kho lưu trữ vector, có thể truy xuất theo mức độ tương đồng, không gắn với quy trình xóa nào, không được lập chỉ mục theo mã định danh khách hàng (customer ID), và hiện làm lộ lịch sử làm việc của khách hàng đã bị xóa cho một người xa lạ. Khi tiến hành kiểm tra, đội ngũ kỹ thuật còn phát hiện dữ kiện này xuất hiện ở 4 vị trí khác chưa từng được rà soát: bản tóm tắt cô đọng (compaction summary) bên trong điểm kiểm tra của một phiên chạy cũ, một mục trong bộ nhớ đệm ngữ nghĩa (semantic cache) vẫn đang cung cấp câu trả lời xây dựng từ cuộc trò chuyện đã xóa, một bộ dữ liệu đánh giá (eval dataset) được trích xuất từ dấu vết thực thi trên môi trường vận hành thực tế (production traces) từ hai quý trước, cùng mọi bản sao lưu định kỳ hằng đêm kể từ thời điểm đó. Luận điểm của bài viết này là: một hệ thống agent hiện đại không bao giờ lưu trữ một dữ kiện duy nhất một lần — hệ thống lưu trữ dữ kiện đó nhiều lần, dưới nhiều định danh, trong các kho lưu trữ thuộc các bên quản lý khác nhau với các cơ chế xóa khác nhau — và khái niệm "đã xóa" chỉ thực sự chuẩn xác khi áp dụng đồng bộ cho toàn bộ tập hợp. Việc xóa dữ liệu không đơn thuần là một thao tác kỹ thuật, mà là một quá trình duyệt đồ thị (graph traversal). Đồ thị này bao gồm toàn bộ các thành phần phái sinh từ dữ liệu gốc — các bản tóm tắt, biểu diễn vector (embeddings), điểm kiểm tra, bộ nhớ đệm, bộ nhớ, bộ dữ liệu đánh giá, trọng số mô hình và các bản sao lưu. Hiện hầu như chưa có đơn vị nào thiết lập đồ thị này, dẫn đến thực trạng phần lớn hoạt động xóa dữ liệu trong các hệ thống agent hiện nay chỉ mang tính cục bộ mà hầu như không ai nhận thức được. Đây là bài viết thứ 16 trong loạt bài *When Agents Meet Reality*, tiếp nối chuyên đề *The Harness Is the Product*, mở ra một lĩnh vực mới: pháp lý, hồ sơ lưu trữ và khả năng chứng minh của hệ thống. Bài viết trước đã khẳng định việc cô đọng dữ liệu là một giải pháp tiềm ẩn rủi ro mất mát thông tin, đồng thời hướng dẫn phương thức bảo toàn thông tin trước nguy cơ thất thoát ngoài ý muốn. Bài viết này đề cập đến khía cạnh đối lập — kỹ thuật chủ động loại bỏ thông tin một cách triệt để và có thể chứng minh được, bên trong một hệ thống vốn có phản xạ mặc định là lưu giữ mọi thứ. Phần 1: Lý do các agent nhân bản dữ liệu — Quá trình phân nhánh ghi dữ liệu (Write-Path Fan-Out) Các ứng dụng truyền thống kiểm soát được việc xóa dữ liệu vì có mô hình lưu trữ rõ ràng: dữ liệu người dùng nằm trong các hàng (rows), các hàng có khóa ngoại (foreign keys), và cơ chế "ON DELETE CASCADE" là nhiệm vụ cụ thể của nhân sự kỹ thuật. Quá trình này trên thực tế chưa bao giờ hoàn toàn đơn giản — các tệp nhật ký (logs) và bản sao lưu ngay khi đó đã gây ra nhiều phức tạp — nhưng mô hình tư duy cốt lõi vẫn được duy trì: dữ liệu nằm tại một nơi, và việc xóa dữ liệu được thực hiện tại chính nơi đó. Hệ thống agent phá vỡ mô hình này ngay từ bước đầu tiên, bởi vì toàn bộ cấu trúc kiến trúc của một agent là cỗ máy chuyên tạo ra các bản sao phái sinh. Khi theo dõi một cuộc trò chuyện của khách hàng qua hệ thống agent trên môi trường vận hành thực tế và đếm... ...các thao tác ghi dữ liệu. Bản thân cuộc hội thoại được lưu vào cơ sở dữ liệu ứng dụng — bản sao thứ nhất. Hệ thống theo dõi vết (trace) ghi lại toàn bộ tiến trình thực thi, bao gồm từng câu lệnh (prompt), kết quả của từng công cụ và phản hồi từ mô hình, đồng nghĩa với việc tái lập toàn bộ cuộc hội thoại kèm theo dữ liệu phụ trợ — bản sao thứ hai, được lưu trữ tại một hệ thống khác với chủ thể quản lý khác. Tiến trình thực thi tạo điểm kiểm tra (checkpoint) sau mỗi bước để có thể khôi phục hoạt động; mỗi checkpoint là một bản chụp toàn bộ cửa sổ ngữ cảnh (context window) tại thời điểm đó — tạo thành các bản sao từ thứ ba đến thứ N cho mỗi bước, trong đó mỗi bản đều chứa nội dung hội thoại tính đến lượt tương ứng. Ngữ cảnh sau đó được nén lại và bản tóm tắt — nếu được xử lý chuẩn xác sẽ bảo toàn nguyên vẹn các thông tin định danh và chi tiết cụ thể cần bảo vệ — cũng được đưa vào luồng checkpoint. Hệ thống bộ nhớ trích xuất các dữ kiện mang tính dài hạn (“khách hàng X làm việc tại Y, chuyển đổi từ Z, ưu tiên thanh toán hàng năm”) và ghi nhận vào vị trí để các tiến trình tương lai có thể truy xuất. Các dữ liệu ghi nhớ này, cùng các phân đoạn hội thoại, thường được nhúng (embed) và đưa vào chỉ mục véc-tơ (vector index). Câu trả lời cuối cùng có thể được ghi vào bộ nhớ đệm ngữ nghĩa (semantic cache) để các câu hỏi tương tự sau này không cần qua mô hình xử lý. Một bản ghi vết giá trị như vậy có khả năng cao sẽ được khai thác thành bộ dữ liệu đánh giá (eval dataset) — đúng theo quy trình kỹ thuật đã được khuyến nghị. Dưới tất cả các tầng này, hệ thống sao lưu định kỳ sao chép lại toàn bộ các kho dữ liệu theo lịch trình riêng. Đó chính là hiện tượng phân tán dữ liệu diện rộng (fan-out). Cần lưu ý rằng nguyên nhân không bắt nguồn từ sự bất cẩn, mà từ chính các quy chuẩn kỹ thuật tối ưu: Ghi vết toàn bộ; tạo điểm kiểm tra ở mọi bước; lưu giữ dữ liệu xuyên suốt các phiên làm việc; lưu bộ nhớ đệm cho các tác vụ tốn kém tài nguyên; xây dựng tập dữ liệu đánh giá từ môi trường vận hành thực tế. Từng quy chuẩn đều hoàn toàn hợp lý về mặt kỹ thuật, song mỗi vị trí đó hiện đều trở thành nơi lưu trữ dữ liệu cá nhân. Kiến trúc giúp một tác tử AI (agent) vận hành hiệu quả lại chính là kiến trúc gây khó khăn cho việc xóa bỏ dữ liệu. Các bản sao không được thiết kế để có thể truy xuất và thu hồi, bởi hệ thống chưa tính đến kịch bản người dùng yêu cầu xóa toàn bộ dữ liệu đã cung cấp. Trong khi đó, khuôn khổ pháp lý lại đặt ra những yêu cầu mà cấu trúc kỹ thuật nêu trên hoàn toàn bỏ qua. (Lưu ý: Đây là phân tích dưới góc độ kỹ thuật đối với các quy định pháp lý liên quan đến thiết kế hệ thống, không cấu thành ý kiến tư vấn pháp lý chính thức — các nghĩa vụ cụ thể cần được xác định cùng đội ngũ cố vấn pháp luật). Điều 17 của Quy định chung về bảo vệ dữ liệu của Liên minh châu Âu (GDPR) trao cho các chủ thể dữ liệu quyền yêu cầu xóa dữ liệu “không chậm trễ một cách vô lý”; đồng thời nguyên tắc giới hạn thời gian lưu trữ của quy định này cũng yêu cầu không lưu giữ dữ liệu cá nhân lâu hơn mức cần thiết so với mục đích xử lý ban đầu. Việc xóa dữ liệu không chỉ dừng lại ở phạm vi đáp ứng yêu cầu của người dùng, mà là nghĩa vụ mặc định phải thực hiện khi mục đích xử lý hết hiệu lực. Đạo luật Bảo vệ Dữ liệu Cá nhân Số (DPDP Act) của Ấn Độ cùng các Quy tắc năm 2025 cũng xây dựng khuôn khổ tương tự, kèm theo các điều chỉnh bổ sung mang tính đặc thù địa phương...