Mô hình 5 sao là thang xếp hạng dữ liệu mở do Tim Berners-Lee, người phát minh ra World Wide Web, đề xuất năm 2010. Mỗi sao thêm một bậc hữu ích: 1 sao là dữ liệu đăng trên web với giấy phép mở ở bất kỳ định dạng nào; 2 sao là có cấu trúc máy đọc được; 3 sao là định dạng không độc quyền; 4 sao là dùng URI để định danh từng thực thể; 5 sao là liên kết sang dữ liệu của người khác.
Ba bậc đầu là chuyện định dạng tệp, ai cũng làm được với bảng tính và chút kỷ luật. Hai bậc cuối là chuyện định danh và liên kết, thuộc về dòng ý tưởng web ngữ nghĩa và dữ liệu liên kết mà Berners-Lee đã nêu từ năm 2006. Phần lớn dữ liệu mở trên thế giới hiện dừng ở 2 đến 3 sao, và điều đó không hẳn là thất bại.
Bài này giải thích từng bậc bằng một ví dụ xuyên suốt, phân tích chi phí và lợi ích của mỗi bậc cho bên công bố lẫn bên dùng, và đưa ra tiêu chí để bạn quyết định dữ liệu của tổ chức mình nên lên tới bậc nào.
Năm bậc trong một bảng, với cùng một ví dụ
Lấy ví dụ giả định một sở giáo dục muốn công bố danh sách trường học kèm sĩ số. Cùng nội dung đó ở năm mức khác nhau trông như sau:
| Bậc | Yêu cầu | Ví dụ trường học | Người dùng làm được gì thêm |
|---|---|---|---|
| 1 sao | Trên web, giấy phép mở, định dạng bất kỳ | Tệp PDF danh sách trường có ghi CC BY | Đọc, in, dùng hợp pháp; muốn phân tích phải gõ lại |
| 2 sao | Dữ liệu có cấu trúc | Tệp Excel cùng nội dung | Lọc, sắp xếp, tính tổng bằng bảng tính |
| 3 sao | Định dạng mở, không độc quyền | Tệp CSV mã hoá UTF-8 | Đọc bằng mọi công cụ, tự động hoá bằng mã |
| 4 sao | Mỗi thực thể có URI riêng | Mỗi trường có một đường dẫn cố định trả về mô tả máy đọc được | Trỏ chính xác tới một trường, ghép dữ liệu không nhầm tên trùng |
| 5 sao | Liên kết sang dữ liệu khác | Bản ghi trường trỏ tới URI của đơn vị hành chính trong bộ dữ liệu địa giới chuẩn | Tự động nối với dân số, ngân sách, bản đồ mà không cần bảng khớp mã thủ công |
Điểm cần thấy: từ 1 lên 3 sao, lợi ích chủ yếu rơi vào người dùng còn chi phí với bên công bố gần như không đáng kể, vì xuất CSV từ hệ thống có sẵn chỉ mất vài phút. Từ 3 lên 5 sao, chi phí bên công bố tăng mạnh, vì phải quản lý định danh lâu dài và hiểu mô hình dữ liệu của người khác.
Ba sao đầu: tưởng hiển nhiên nhưng vẫn hay hỏng
Bậc 1 nghe đơn giản nhưng nhiều cổng dữ liệu vẫn trượt vì thiếu giấy phép. Không có giấy phép thì về pháp lý bạn chưa có dữ liệu mở, dù tệp nằm ngay đó. Berners-Lee đặt giấy phép ở bậc đầu tiên là có chủ ý: không có quyền dùng thì mọi định dạng đẹp đến đâu cũng vô nghĩa với người làm sản phẩm.
Bậc 2 loại các tệp ảnh và PDF quét. Bậc 3 loại sự phụ thuộc vào phần mềm của một hãng. Ranh giới giữa 2 và 3 sao thường bị xem nhẹ, nhưng có lý do thực tế: tệp bảng tính dễ bị chèn ô gộp, dòng tiêu đề nhiều tầng, màu nền mang ý nghĩa, công thức tham chiếu sang trang khác. Những thứ đó làm người xem thấy đẹp nhưng làm phần mềm đọc sai. CSV buộc người công bố phải nghĩ theo hàng và cột, mỗi ô một giá trị.
Một lỗi phổ biến khác ở bậc 3 là công bố CSV nhưng mã hoá không phải UTF-8, khiến chữ tiếng Việt có dấu thành ký tự lạ, hoặc dùng dấu phẩy làm dấu thập phân theo thói quen Việt Nam trong khi dấu phẩy cũng là ký tự phân tách cột. Đạt 3 sao trên giấy mà người dùng vẫn phải sửa tay từng tệp thì giá trị thực tế chỉ còn hơn 2 sao một chút.
Bậc 4: vì sao định danh bằng URI lại quan trọng đến vậy
Hãy hình dung bạn ghép hai bảng: một bảng sĩ số theo trường, một bảng kết quả kiểm định chất lượng. Cả hai dùng tên trường làm khoá. Ngay lập tức bạn gặp "Trường THPT Nguyễn Du" xuất hiện ở nhiều tỉnh, chỗ viết "THPT", chỗ viết "Trung học phổ thông", chỗ có dấu chỗ không. Mỗi lần ghép là một buổi chiều khớp tên thủ công, và vẫn sai vài phần trăm.
Bậc 4 giải quyết chuyện đó bằng cách cấp cho mỗi thực thể một URI, tức một định danh dạng địa chỉ web, duy nhất và ổn định. Ai muốn nói về trường đó thì dùng đúng URI đó. Khi mở URI bằng trình duyệt, người đọc thấy trang mô tả; khi chương trình gọi URI, nó nhận về dữ liệu máy đọc được. Đây là nguyên tắc thứ nhất và thứ hai trong bốn nguyên tắc dữ liệu liên kết Berners-Lee viết năm 2006: dùng URI để gọi tên sự vật, và dùng URI giao thức HTTP để người ta tra được.
Định danh không nhất thiết phải là URI mới có giá trị. Mã số thuế doanh nghiệp, mã đơn vị hành chính, mã ISO quốc gia, mã ngành kinh tế đều là định danh ổn định giúp ghép dữ liệu chính xác. Bài học thực dụng của bậc 4 là: luôn công bố kèm mã chuẩn, đừng để tên gọi làm khoá duy nhất. Làm được chừng đó đã lấy được phần lớn lợi ích của bậc 4 mà chưa cần hạ tầng web ngữ nghĩa.
Bậc 5 và bộ công cụ dữ liệu liên kết: RDF, từ vựng chung, SPARQL
RDF là ngữ pháp. Dữ liệu liên kết thường được biểu diễn bằng RDF, mô hình mô tả thông tin thành các bộ ba chủ thể, vị từ, đối tượng. Ví dụ: trường X (chủ thể) nằm ở (vị từ) xã Y (đối tượng). Vì cả ba đều có thể là URI, một bộ ba trong dữ liệu của sở giáo dục có thể trỏ thẳng sang thực thể trong dữ liệu địa giới của cơ quan khác.
Từ vựng chung là từ điển. Để hai bên hiểu "nằm ở" giống nhau, người ta dùng các từ vựng được chia sẻ rộng, như Dublin Core cho siêu dữ liệu, DCAT cho danh mục dữ liệu, schema.org cho mô tả trên web. Dùng từ vựng có sẵn quan trọng hơn tự đặt từ vựng hoàn hảo.
SPARQL là ngôn ngữ truy vấn. Tương tự SQL cho cơ sở dữ liệu quan hệ, SPARQL cho phép hỏi xuyên nhiều bộ dữ liệu liên kết, ví dụ "liệt kê các trường ở những xã có tỷ lệ hộ nghèo trên mức nào đó". Wikidata là kho dữ liệu liên kết mở lớn nhất hiện nay mà người dùng phổ thông có thể thử truy vấn SPARQL.
Liên kết là phần giá trị gia tăng. Nguyên tắc thứ tư năm 2006 yêu cầu chèn liên kết tới URI khác để người và máy khám phá thêm. Đó là điều biến một tập dữ liệu đơn lẻ thành một mắt lưới; giá trị tăng theo số liên kết, giống như chính web văn bản.
Tranh luận: vì sao web ngữ nghĩa không phủ khắp như kỳ vọng
Bài viết nổi tiếng năm 2001 của Berners-Lee, Hendler và Lassila trên Scientific American hình dung các tác tử phần mềm tự đặt lịch khám bệnh nhờ đọc được dữ liệu ngữ nghĩa trên web. Hai mươi năm sau, hình dung đó chỉ thành hiện thực một phần. Giới thực hành chỉ ra mấy lý do: RDF và các bộ từ vựng có đường cong học tập dốc; lợi ích rơi vào người dùng tương lai còn chi phí rơi vào người công bố hiện tại; và nhiều nhu cầu ghép dữ liệu đã được giải quyết đủ tốt bằng API JSON và mã chuẩn.
Mặt khác, các ý tưởng của dữ liệu liên kết vẫn sống mạnh ở những chỗ ít ai để ý: siêu dữ liệu schema.org nhúng trong trang web giúp công cụ tìm kiếm hiểu sản phẩm, sự kiện, công thức nấu ăn; đồ thị tri thức của các công ty tìm kiếm; Wikidata làm xương sống cho nhiều dự án thư viện và lưu trữ; ngành thư viện, bảo tàng, khoa học sự sống dùng định danh liên kết rất rộng. Nhận định cân bằng hiện nay là: dữ liệu liên kết chưa thay thế bảng và API, nhưng nguyên tắc định danh ổn định và tham chiếu chéo của nó đã thấm vào thực hành dữ liệu tốt nói chung.
Nên đưa dữ liệu của tổ chức mình lên mấy sao
Không có câu trả lời chung; hãy đối chiếu với tình huống của bạn. Một số nguyên tắc thực dụng giới làm cổng dữ liệu thường áp dụng:
- Mặc định nhắm 3 sao, làm tốt: CSV UTF-8, một bảng một chủ đề, có từ điển dữ liệu, có ngày cập nhật. Đây là mức có tỷ lệ lợi ích trên chi phí cao nhất cho đa số cơ quan và doanh nghiệp.
- Thêm mã chuẩn ngay từ đầu: mã đơn vị hành chính, mã số thuế, mã ngành, mã quốc gia. Chi phí gần như bằng không nếu làm khi thiết kế, rất đắt nếu làm sau.
- Lên 4 sao khi dữ liệu là danh mục tham chiếu mà nhiều bên khác sẽ trỏ tới: danh mục đơn vị hành chính, danh mục cơ sở y tế, danh mục trường học, danh mục di tích. Những bộ này là "xương sống" nên xứng đáng có URI bền.
- Lên 5 sao khi có cộng đồng dùng thật: ngành thư viện, di sản, khoa học sự sống, thống kê quốc tế. Đầu tư hạ tầng RDF khi chưa ai truy vấn là đốt ngân sách.
- Cam kết độ bền định danh: URI hay mã đổi theo mỗi lần làm lại trang web còn tệ hơn không có, vì phá hỏng mọi liên kết người khác đã xây.
Nói cách khác, mô hình 5 sao là một thang đo hữu ích để thấy mình đang ở đâu, không phải một cái đích mà mọi bộ dữ liệu đều phải chạm tới.
Câu hỏi thường gặp
Mô hình 5 sao có phải tiêu chuẩn chính thức không?
Không. Đây là đề xuất của Tim Berners-Lee, được dùng rộng làm khung giáo dục và tự đánh giá, nhưng không do tổ chức tiêu chuẩn nào ban hành. Các tiêu chuẩn chính thức liên quan là RDF, SPARQL, DCAT của W3C và các chuẩn trao đổi dữ liệu theo ngành.
JSON có được tính là 3 sao không?
Có. JSON là định dạng mở, không thuộc hãng nào và được mọi ngôn ngữ lập trình đọc. Còn có biến thể JSON-LD cho phép nhúng định danh và ngữ cảnh RDF vào JSON, giúp dữ liệu lên 4 hoặc 5 sao mà vẫn quen thuộc với lập trình viên web.
Wikidata khác Wikipedia ở điểm nào?
Wikipedia là bài viết văn bản cho người đọc; Wikidata là kho dữ kiện có cấu trúc cho máy đọc, mỗi thực thể có một mã định danh và các thuộc tính. Dữ liệu Wikidata phát hành theo CC0, nên dùng được cho mọi mục đích mà không cần ghi nguồn, dù ghi nguồn vẫn là thói quen tốt.
Có cần chuyên gia web ngữ nghĩa để làm dữ liệu 4 sao không?
Không nhất thiết. Bước khó nhất của 4 sao là quản trị: quyết định ai cấp mã, quy tắc đặt mã, và cam kết không đổi mã. Phần kỹ thuật để mỗi mã có một đường dẫn trả về mô tả có thể làm bằng một trang web đơn giản.
Dữ liệu 5 sao có rủi ro gì?
Rủi ro chính là phụ thuộc vào định danh của người khác: nếu bộ dữ liệu bạn trỏ tới đổi hoặc ngừng hoạt động, liên kết của bạn gãy. Ngoài ra, việc ghép tự động nhiều nguồn có thể làm lộ thông tin nhạy cảm khi các mảnh rời rạc được nối lại với nhau.