Ứng dụng AI trong xây dựng, cập nhật tiêu chuẩn cơ sở cho sản phẩm nguồn gốc thiên nhiên: Tiềm năng và khung triển khai

1. Giới thiệu

Sản phẩm thiên nhiên có đặc điểm biến động lớn theo giống loài, vùng địa lý, khí hậu, mùa thu hái và phương pháp chế biến, khiến việc xây dựng Tiêu chuẩn cơ sở (TCCS) ổn định, đồng nhất và đáp ứng yêu cầu pháp lý trở nên đặc biệt quan trọng. Trong bối cảnh chuyển đổi số, ứng dụng trí tuệ nhân tạo (AI) và dữ liệu lớn (Big Data) mở ra hướng tiếp cận mới, có tiềm năng hỗ trợ phương pháp xây dựng TCCS truyền thống vốn phụ thuộc nhiều vào kinh nghiệm chuyên gia và xử lý thủ công.

2. Nội dung chính

2.1. Hạn chế của phương pháp xây dựng TCCS truyền thống

Các TCCS hiện nay thường được xây dựng dựa trên:

• Kinh nghiệm chuyên gia;

• Số liệu thử nghiệm của một số ít mẫu;

• Các tiêu chuẩn dược điển;

• Tiêu chuẩn quốc tế;

• Tài liệu tham khảo.;

Những hạn chế chính gồm:

• Số lượng mẫu khảo sát còn hạn chế;

• Khó xác định giới hạn chất lượng tối ưu;

• Không phản ánh đầy đủ biến thiên sinh học;

• Cập nhật chậm khi xuất hiện dữ liệu mới;

• Khó khai thác đồng thời hàng nghìn kết quả phân tích.

Đặc biệt đối với sản phẩm thiên nhiên, thành phần hóa học thay đổi liên tục nên việc thiết lập một bộ giới hạn cố định nhiều khi không còn phù hợp.

2.2. Tiềm năng hỗ trợ của AI trong xây dựng TCCS

2.2.1. Thu thập và tích hợp dữ liệu

AI có khả năng tích hợp đồng thời dữ liệu từ nhiều nguồn: HPLC, UPLC, LC-MS/MS, GC-MS, ICP-MS, FTIR, Raman, NMR, UV-Vis, dữ liệu vi sinh, dữ liệu hoạt tính sinh học, dữ liệu độc tính, dữ liệu ổn định, dữ liệu cảm quan, dữ liệu sản xuất. Kết quả tạo thành một Digital Quality Database (cơ sở dữ liệu chất lượng số hóa).

2.2.2 Chuẩn hóa dữ liệu

AI tự động: phát hiện sai số nhập liệu, loại bỏ dữ liệu ngoại lai (Outlier Detection), chuẩn hóa đơn vị đo, đồng bộ tên hợp chất, kiểm tra dữ liệu thiếu, đánh giá độ tin cậy của từng phép thử. Điều này giúp giảm đáng kể sai sót do xử lý thủ công.

Ảnh minh hoạ.

2.2.3 Khai phá dữ liệu (Data Mining)

Sau khi chuẩn hóa, AI có thể: tìm mối liên hệ giữa các chỉ tiêu, phát hiện đánh dấu (marker) hóa học, xác định hợp chất chỉ thị, nhóm các mẫu tương đồng, phát hiện dấu hiệu pha trộn, nhận diện mẫu bất thường.

Các thuật toán thường sử dụng: PCA, t-SNE, UMAP, Random Forest, XGBoost, K-means, Hierarchical Clustering.

2.2.4 Xây dựng giới hạn tiêu chuẩn

Đây là ứng dụng quan trọng nhất, thay vì chuyên gia lựa chọn giới hạn dựa trên kinh nghiệm, AI phân tích hàng nghìn mẫu để đề xuất, ví dụ giả định như:

- Độ ẩm, AI phân tích 2.000 mẫu và xác định khoảng tối ưu: 6,2 - 7,1 %, thay vì quy định chung: ≤10%.

- Tương tự: tro toàn phần, tro không tan, hàm lượng flavonoid, hàm lượng polyphenol, hàm lượng polysaccharide, hàm lượng tinh dầu, marker A, marker B…, đều được xác định bằng mô hình thống kê kết hợp học máy (Machine Learning).

2.2.5 AI xây dựng Fingerprint hóa học

Một xu hướng hiện đại là thay vì chỉ tiêu đơn lẻ, AI xây dựng: Chemical Fingerprint Standard, ví dụ cho một dược liệu có: 120 peak HPLC, 250 peak LC-MS, 340 hợp chất GC-MS; AI sẽ xác định: peak nào quan trọng, peak nào quyết định hoạt tính, peak nào là dấu hiệu giả mạo, sau khi căn chỉnh peak, tập mẫu tham chiếu, ngưỡng tương đồng và phân biệt marker nhận dạng với marker liên quan hoạt tính.

Kết quả tạo nên: Fingerprint chuẩn, để tất cả các lô sản xuất đều được so sánh. Điều này có thể cải thiện khi dữ liệu được chuẩn hóa so với chỉ kiểm tra một hoặc hai hoạt chất.

2.2.6 AI dự đoán chất lượng sản phẩm

Học máy (Machine Learning) có thể dự đoán, ví dụ giả định: nếu nguyên liệu thu hoạch tháng 7, độ cao 1.200 m, độ ẩm 11%, hàm lượng flavonoid 4,8%; thì sản phẩm cuối cùng có đạt tiêu chuẩn hay không. Nhờ đó doanh nghiệp biết trước: nên tiếp nhận nguyên liệu, hay cần sấy thêm, cần phối trộn, hay loại bỏ.

2.2.7 AI xây dựng TCCS động (Dynamic TCCS)

Khác với tiêu chuẩn truyền thống, AI cho phép xây dựng tiêu chuẩn động (Dynamic Standard) với quy trình biên soạn nêu trong Hình 1.

Khi dữ liệu mới được bổ sung
↓
AI tự động học
↓
Điều chỉnh khoảng giới hạn
↓
Đề xuất sửa đổi TCCS
↓
Chuyên gia thẩm định
↓
Công bố phiên bản TCCS mới

Hình 1 - Quy trình AI xây dựng và cập nhật TCCS động (Dynamic TCCS). (Nguồn: Đề xuất của tác giả)

Mô hình này còn được gọi là Living Standard, giúp TCCS luôn phản ánh dữ liệu thực tế và cập nhật liên tục.

2.2.8. AI hỗ trợ đánh giá tính phù hợp của lô sản phẩm

Khi doanh nghiệp nhập dữ liệu phân tích, AI tự động đánh giá: đạt/ không đạt và cảnh báo, có nguy cơ mất ổn định, nguy cơ nhiễm kim loại nặng, nguy cơ nhiễm thuốc bảo vệ thực vật, nguy cơ sai khác fingerprint. Thời gian đánh giá giảm đáng kể từ vài giờ xuống chỉ còn vài giây và cần được thẩm định trên dữ liệu độc lập.

2.2.9. AI hỗ trợ phát hiện gian lận

AI có thể phát hiện: pha trộn dược liệu, pha thêm hoạt chất tổng hợp, sử dụng nguyên liệu kém chất lượng, thay đổi vùng nguyên liệu, làm giả tinh dầu, làm giả cao chiết, pha loãng chế phẩm. Các mô hình học sâu (Deep Learning) trên dữ liệu phổ và sắc ký có thể đạt độ chính xác rất cao trong nhận diện các hành vi này.

2.2.10. AI hỗ trợ cập nhật tiêu chuẩn

AI có thể tự động thu thập và phân tích: Dược điển Việt Nam, Dược điển Hoa Kỳ (USP), Dược điển châu Âu (EP), Dược điển Nhật Bản (JP), tiêu chuẩn của Tổ chức Tiêu chuẩn hóa quốc tế (ISO), AOAC, Codex Alimentarius, các tiêu chuẩn ASTM, các bài báo khoa học mới, các bằng sáng chế.

Từ đó hệ thống sẽ đề xuất: bổ sung chỉ tiêu, sửa đổi giới hạn, cập nhật phương pháp thử, thay đổi tiêu chí chất lượng. Điều này giúp TCCS luôn tiệm cận với các tiêu chuẩn quốc tế.

2.3 Khung kiến trúc hệ thống AI trong xây dựng TCCS

Khung kiến trúc này được nêu trong Hình 2.

Từ nguồn dữ liệu
↓
(HPLC, GC-MS, LC-MS, NMR, ICP-MS, Vi sinh, Độc tính, Hoạt tính)
↓
Kho dữ liệu số (Data Lake)
↓
Tiền xử lý dữ liệu
↓
Machine Learning
↓
Deep Learning
↓
Data Mining
↓
AI Decision Engine
↓
Đề xuất giới hạn TCCS
↓
Chuyên gia đánh giá
↓
Hoàn thiện dự thảo TCCS
↓
Theo dõi dữ liệu thực tế
↓
AI cập nhật TCCS
↓
Công bố chính thức TCCS

Hình 2 - Khung kiến trúc hệ thống AI trong xây dựng TCCS. (Nguồn: Đề xuất của tác giả)

2.4 Lợi ích của AI trong xây dựng TCCS

Bảng 1. So sánh phương pháp xây dựng TCCS truyền thống và phương pháp sử dụng AI

Tiêu chí	Phương pháp  truyền thống	Phương pháp sử dụng AI
Phân tích dữ liệu	Thủ công	Tự động
Quy mô dữ liệu	Hàng chục mẫu	Hàng nghìn đến hàng triệu mẫu
Xác định giới hạn	Kinh nghiệm chuyên gia	Data-driven
Cập nhật	Theo chu kỳ	Gần thời gian thực
Fingerprint	Hạn chế	Toàn diện
Phát hiện bất thường	Khó	Tự động
Kiểm soát chất lượng	Sau sản xuất	Dự báo trước sản xuất
Tốc độ đánh giá	Giờ–ngày	Giây–phút
Khả năng mở rộng	Thấp	Cao

Nguồn: Đề xuất của tác giả

2.5. Định hướng phát triển tại Việt Nam

Để ứng dụng AI hiệu quả trong xây dựng TCCS cho sản phẩm thiên nhiên, Việt Nam cần triển khai đồng bộ các giải pháp:

- Xây dựng cơ sở dữ liệu quốc gia về dược liệu và sản phẩm thiên nhiên, tích hợp dữ liệu hóa học, sinh học, hoạt tính, độc tính và nguồn gốc.

- Chuẩn hóa quy trình thu thập dữ liệu từ các phòng thí nghiệm nhằm bảo đảm tính thống nhất và khả năng liên thông.

- Ứng dụng AI và học máy để xây dựng các mô hình dự báo chất lượng, xác định fingerprint hóa học và đề xuất giới hạn kỹ thuật tối ưu.

- Kết nối dữ liệu nghiên cứu với dữ liệu sản xuất và quản lý chất lượng, hình thành hệ sinh thái số phục vụ doanh nghiệp, viện nghiên cứu và cơ quan quản lý.

- Đào tạo nguồn nhân lực liên ngành kết hợp hóa học, dược học, công nghệ sinh học, khoa học dữ liệu và AI.

- Từng bước chuyển đổi từ TCCS tĩnh sang TCCS số (Digital TCCS), hướng tới các bộ tiêu chuẩn có khả năng cập nhật dựa trên dữ liệu mới sau khi được chuyên gia thẩm định, phù hợp với xu hướng "Living Standards" trên thế giới.

3. Kết luận

Việc tích hợp trí tuệ nhân tạo vào quá trình xây dựng Tiêu chuẩn cơ sở cho các sản phẩm thiên nhiên không chỉ nâng cao tính khoa học, khách quan và độ chính xác của các chỉ tiêu chất lượng, mà còn giúp rút ngắn thời gian xây dựng, cập nhật và áp dụng tiêu chuẩn.

Trong bối cảnh chuyển đổi số và phát triển kinh tế sinh học, AI sẽ trở thành công cụ cốt lõi để hình thành các hệ thống tiêu chuẩn thông minh, góp phần nâng cao năng lực cạnh tranh của sản phẩm thiên nhiên Việt Nam, hỗ trợ truy xuất nguồn gốc, kiểm soát chất lượng theo thời gian thực và thúc đẩy hội nhập với các tiêu chuẩn khu vực và quốc tế. Đây cũng là nền tảng quan trọng để phát triển các Digital Standards và AI-driven Quality Management Systems trong tương lai.

Phạm Quốc Long

Hội Khoa học Các sản phẩm thiên nhiên Việt Nam

Tài liệu tham khảo:

[1] ISO/IEC 42001:2023, Artificial intelligence — Management system.

[2] ISO/IEC 5259-3:2024, Artificial intelligence — Data quality for analytics and machine learning — Part 3: Data quality management requirements and guidelines.

[3] NIST AI Risk Management Framework 1.0, National Institute of Standards and Technology, 2023, https://www.nist.gov/itl/ai-risk-management-framework.

[4] WHO Quality Control Methods for Herbal Materials. World Health Organization, Geneva, 2011.

[5] WHO Guidelines for Assessing Quality of Herbal Medicines with Reference to Contaminants and Residues, Geneva, 2007.

[6] United States Pharmacopeia (USP), USP–NF.

[7] European Pharmacopoeia (Ph. Eur.), EDQM.

[8] NIST: Measurements and Standards for Botanical Dietary Supplements, National Institute of Standards and Technology.

[9] NIST: Dietary Supplement Laboratory Quality Assurance Program (DSQAP).

[10] Butler KT, Davies DW, Cartwright H, Isayev O, Walsh A., Machine learning for molecular and materials science, Nature, 2018, DOI: 10.1038/s41586-018-0337-2.

[11] Stokes JM et al.: A Deep Learning Approach to Antibiotic Discovery, Cell, 2020; DOI: 10.1016/j.cell.2020.01.021.

[12] Jumper J. et al.: Highly accurate protein structure prediction with AlphaFold, Nature, 2021, DOI: 10.1038/s41586-021-03819-2.

[13] Vamathevan J. et al.: Applications of machine learning in drug discovery and development, Nature Reviews Drug Discovery, 2019, DOI: 10.1038/s41573-019-0024-5.

[14] Quality Assurance for Artificial Intelligence: A Study of Industrial Concerns, Challenges and Best Practices, arXiv, 2024.

[15] Towards Guidelines for Assessing Qualities of Machine Learning Systems, 2020.

[16] Luật số 70/2025/QH15 sửa đổi, bổ sung Luật Tiêu chuẩn và Quy chuẩn kỹ thuật.

[17] TCVN ISO 9001:2015, Hệ thống quản lý chất lượng – Các yêu cầu.

[18] Dược điển Việt Nam V.

[19] Các quy định của Bộ Y tế về kiểm nghiệm dược liệu, thực phẩm bảo vệ sức khỏe và mỹ phẩm.