Nhân viên đầu tiên của chúng tôi: Bộ ẩn danh tập dữ liệu — MVP0 trong giai đoạn thử nghiệm

----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

Kết quả là: hoặc bạn thực hiện RAG trên dữ liệu bẩn (ảo giác về PII, không tuân thủ RGPD, rủi ro pháp lý), hoặc bạn không làm gì cả (không có sản phẩm). Lựa chọn thứ ba — làm sạch thủ công — là không thể mở rộng.

Câu trả lời của tôi: không né tránh vấn đề. L'**tự động hóa**Vui lòng cung cấp văn bản cần dịch.

== MVP0 : Trình Ẩn danh, Nhân viên Đầu tiên trong Thời gian Thử việc

MVP0 không phải là một feature. Đó là một**chuyên gia về hàng hóa**— một nhân viên chuyên làm những công việc bẩn thỉu, máy móc và tàn nhẫn, người mà không ai muốn nhắc đến trong các bản pitch deck.

Điều nó làm:

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

Nó phát hiện các mẫu rõ ràng nhất trước tiên (emails`.*@.*`, token`sk-*`, `ghp_*`, IPs), sau đó nó học. Thời gian thử việc chính là như vậy: chúng ta xác nhận rằng nó không bỏ sót các trường hợp âm tính giả trước khi chính thức bổ nhiệm.

== Những gì MVP này mở khóa (và không chỉ đơn thuần là sự Tuân thủ)

Ẩn danh hóa như là MVP0 không phải là trạm thu phí GDPR trước khi vào đường cao tốc. Nó chính là đường cao tốc. Dưới đây là những gì nó mở ra:

=== Hiện tại: Thực tế Tăng cường trong Prompt

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

RAG không tìm kiếm trong dữ liệu bẩn — nó tìm kiếm trong một không gian**sạch theo thiết kế**Điều này thay đổi hoàn toàn chất lượng của các câu trả lời: LLM không còn tốn thời gian để né tránh các `PII` mà nó nhận diện được nhưng không được phép đề cập đến.

=== Tương lai: Fine-Tuning trên Dữ liệu Sạch

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

Việc fine-tuning trên dữ liệu thô là một thảm họa pháp lý tiềm tàng. Trên dữ liệu sạch, đó là một**phương pháp có thể tái lập**Mỗi khách hàng tích lũy các dataset đã được làm sạch của riêng họ, mỗi khách hàng có thể fine-tune các chuyên gia nghiệp vụ trên dữ liệu của mình — mà không bao giờ làm lộ dữ liệu cá nhân.

== Tại sao nó có khả năng tiếp thị

Đây không phải là « một công cụ tuân thủ GDPR ». Đó là một**phương pháp có thể tái lập giúp chuyển đổi một vấn đề phổ biến thành tài sản**Vui lòng cung cấp văn bản cần dịch.

1. *Bất kỳ doanh nghiệp đào tạo nào cũng có dữ liệu bẩn* — đó chính là vấn đề
2. *Không có bên nào có pipeline làm sạch đa nguồn tự động* — đó chính là thị trường
3. *Vòng lặp: anonymisation → RAG → fine-tuning là độc quyền* — đó chính là rào cản

SaaS Edster (MVP3) sẽ không bán "một workspace Gradle". Nó sẽ bán vòng lặp khép kín này. Và MVP0 chính là cửa ngõ đi vào.

== Định dạng SQL như một Cách tiếp cận Ngữ cảnh thứ Ba

Việc nhập dữ liệu cấu trúc không chỉ đơn thuần là một định dạng trao đổi. Sơ đồ SQL (DDL) mang theo**mô hình thực thể-quan hệ của miền**Vui lòng cung cấp văn bản cần dịch.

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

DDL này, sau khi được ẩn danh (dòng 4), sẽ trở thành một nguồn ngữ cảnh cho LLM. Không phải là văn bản — mà là**mô hình kinh doanh**. RAG cung cấp nội dung (độ tương đồng vector), Graphify cung cấp các mối quan hệ (cấu trúc chính xác), và lược đồ SQL cung cấp**Thiết kế hướng tên miền (Domain-Driven Design) ngầm định**: bounded contexts, agrégats, value objects. LLM hiểu nghiệp vụ vì nó đọc schema của nghiệp vụ đó.

== Lộ trình: từ MVP0 đến SaaS

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

Mỗi MVP đều phụ thuộc vào MVP trước đó. Không một MVP nào có thể được bàn giao nếu thiếu MVP0. Đó là lý do tại sao Anonymiseur không phải là « P0 » trong backlog — nó là**MVP0**. Đây là sản phẩm bàn giao thương mại đầu tiên, và tất cả những phần còn lại đều phụ thuộc vào sự thành công của nó.

== Kết luận: Công việc Vô hình khiến Mọi thứ Trở nên Có thể

Trong một startup điển hình, việc làm sạch dữ liệu thường được thuê ngoài, thực hiện thủ công hoặc bị bỏ qua. Trong kiến trúc này, đó là cái**cốt lõi của sản phẩm**. Trình ẩn danh là nhân viên đầu tiên vì nếu không có nó, không có gì hoạt động được:

* Không có MVP0 → không có RAG pháp lý (MVP1)
* Không có MVP0 → không có fine-tuning không rò rỉ dữ liệu (EPIC 5)
* Không có MVP0 → không có SaaS đáng tin cậy (MVP3)
* Không có MVP0 → không có thực tế tăng cường trong prompt
* Không có MVP0 → không có luồng ngữ cảnh thứ ba (SQL DDD)

Anh ta làm những công việc nhơ nhuốc. Anh ta sẽ không bao giờ được nhắc đến trong các bài pitch. Nhưng anh ta chính là người vận hành toàn bộ nhà máy.

Và đó là lý do tại sao chúng ta thuê anh ấy đầu tiên.

== Tài liệu tham khảo

* Bài viết về bản thể học không gian và các vòng tròn tin cậy:link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[Ontology Không gian như một Cơ chế Căn chỉnh]
* Bài viết về quản trị agent Eager/Lazy:link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Điều khiển một Agent AI bằng AsciiDoc]
* Bài viết về cơ chế Hot/Warm/Cold:link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Cửa sổ trượt (Sliding Window) và Sóng lạnh (Vague Froide)]
* Bài viết so sánh ba LLM:link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]