Chuyển đổi số không còn chỉ là việc đưa tài liệu giấy lên môi trường điện tử, mà đã trở thành yêu cầu quan trọng trong hiện đại hóa cách quản lý, khai thác và sử dụng thông tin của các cơ quan, đơn vị, doanh nghiệp. Với những đơn vị có khối lượng hồ sơ lớn hình thành qua nhiều năm, bài toán số hóa không dừng lại ở việc scan tài liệu thành PDF, mà phải bảo đảm đồng thời: số hóa đầy đủ, hình ảnh trung thực với bản gốc, hồ sơ được tổ chức khoa học, dữ liệu mô tả chuẩn hóa, khả năng tìm kiếm và khai thác được nâng cao, cùng khả năng kiểm soát chất lượng khi khối lượng tài liệu ngày càng lớn.

Xuất phát từ yêu cầu thực tế khi thực hiện gói thầu số hóa tài liệu tại Tập đoàn Than – Khoáng sản Việt Nam (TKV), nhóm Số hóa Công ty CP Tin học, Công nghệ, Môi trường – Vinacomin (VITE) đã từng bước nghiên cứu, cải tiến và tổ chức lại quy trình xử lý theo hướng tăng cường tự động hóa, ứng dụng OCR, xử lý dữ liệu trên máy chủ nội bộ và chuyển trọng tâm công việc từ nhập liệu thủ công sang kiểm tra, xác nhận và kiểm soát chất lượng dữ liệu. Đây là bước thay đổi quan trọng, không chỉ tăng năng suất mà còn tạo ra phương thức quản lý phù hợp hơn với khối lượng thông tin lớn trong môi trường số.

1. Số hóa không chỉ là scan, mà phải gắn với dữ liệu mô tả

Một bộ tài liệu số có giá trị khai thác phải bao gồm cả tài liệu số hóa lẫn dữ liệu mô tả (metadata) - giúp hệ thống xác định tài liệu thuộc hồ sơ nào, số ký hiệu, thời gian, nội dung, đơn vị và nơi lưu trữ. Luật Lưu trữ năm 2024 (Luật số 33/2024/QH15, hiệu lực từ 01/07/2025) đã đặt tài liệu lưu trữ số vào vị trí quan trọng trong hệ thống quản lý lưu trữ. Thông tư 05/2025/TT-BNV của Bộ Nội vụ, cùng hiệu lực từ 01/07/2025, quy định trực tiếp về thể thức, kỹ thuật trình bày và quy trình số hóa tài liệu lưu trữ, trong đó yêu cầu tỷ lệ số hóa 100%, hình ảnh rõ ràng và trung thực với bản gốc, cùng các quy định về tên tệp, dữ liệu chủ, kết nối dữ liệu chủ với tài liệu số hóa, kiểm tra sản phẩm, ký số và đóng gói. Nói cách khác, scan chỉ là một công đoạn trong toàn bộ dây chuyền số hóa; sản phẩm cuối cùng phải có cấu trúc, có thông tin mô tả và có khả năng quản lý, khai thác lâu dài.

2. Hạn chế của quy trình thủ công trước đây

Quy trình cũ có thể khái quát: Nhận tài liệu → Soạn, Phân loại → Scan → Sửa tài liệu số → Nhập dữ liệu thủ công → Đưa lên hệ thống. Cách làm này dễ tổ chức khi khối lượng còn nhỏ, nhưng bộc lộ nhiều hạn chế khi tài liệu tăng lên: thời gian xử lý không chỉ nằm ở scan mà còn ở việc kiểm tra ảnh, xử lý PDF, đặt tên tệp và nhập liệu bằng tay; khâu nhập liệu thủ công trở thành điểm nghẽn vì tốc độ không theo kịp tốc độ scan hàng loạt; sai sót dễ phát sinh do đọc nhầm ký tự, nhập thiếu, sai ngày tháng, sai ký hiệu hoặc không thống nhất cách xử lí giữa các nhân sự; và việc xử lý PDF thủ công (mở, chỉnh sửa, lưu lại dưới PDF/A) khi lặp lại với hàng nghìn hồ sơ chiếm một phần đáng kể tổng thời gian. Nhìn chung, năng suất toàn hệ thống bị quyết định bởi công đoạn thủ công chậm nhất. Đây chính là điểm nhóm xác định cần thay đổi.

3. Quy trình mới: từ "nhập dữ liệu" sang "kiểm tra dữ liệu"

Mô hình mới được tổ chức theo hướng: Nhận tài liệu → Soạn, Phân loại → Scan → Tự động xử lý và chuẩn hóa PDF → OCR → Trích xuất trường thông tin → Tạo metadata → Kiểm tra, hiệu chỉnh → Đóng gói → Đưa lên hệ thống. Thay vì để con người đọc, nhớ, gõ rồi kiểm tra như trước, nhân sự trong quy trình mới chủ yếu kiểm tra, sửa và xác nhận dữ liệu mà máy đã trích xuất trước. Vai trò con người chuyển từ "người nhập dữ liệu" sang "người kiểm soát dữ liệu": nền tảng để tăng quy mô xử lý mà không cần tăng nhân sự.

Ngay sau scan, việc xử lý PDF (chuyển đổi định dạng, chuẩn hóa) được tự động hóa hoàn toàn thay vì mở từng tệp thủ công, giúp tăng năng suất, tăng tính đồng nhất giữa các nhân sự và tạo thành dây chuyền liên tục giữa các bước.

Tiếp đó, công nghệ OCR (nhận dạng ký tự quang học) biến hình ảnh tài liệu thành dữ liệu có thể đọc, tìm kiếm và trích xuất. Trong mô hình tại TKV, OCR chạy local trên máy tính nội bộ thay vì phụ thuộc dịch vụ bên ngoài, giúp nhóm Số hóa Công ty VITE chủ động về tốc độ, quy trình và khả năng chạy hàng loạt, đồng thời hạn chế việc đưa nội dung tài liệu ra khỏi môi trường nội bộ - yếu tố quan trọng với dự án cần kiểm soát dữ liệu chặt chẽ.

Từ văn bản OCR, hệ thống tiếp tục phân tích và xác định các trường thông tin có cấu trúc như số ký hiệu, ngày tháng, đơn vị ban hành, loại tài liệu, trích yếu, hồ sơ, thời hạn bảo quản... để tạo metadata, thay vì để nhân sự tự đọc và gõ từng trường. Với những tài liệu cũ, ký tự mờ, chữ viết tay, ký hiệu chuyên ngành hoặc cấu trúc phức tạp mà OCR khó xử lý chính xác, hệ thống chủ động đánh dấu các trường này để đưa vào diện kiểm tra kỹ, thay vì để lẫn với các trường đã trích xuất đúng. Song song đó, nhóm Số hóa Công ty VITE cũng xây dựng thêm các script offline phục vụ những việc phụ trong dây chuyền như chuyển PDF sang PDF/A, tổ chức lại tệp, xử lý hàng loạt hay tạo cơ chế xem trước file tương ứng với từng dòng metadata, giúp tăng tốc xây dựng công cụ tự động hóa mà không thay thế vai trò kiểm tra của con người.

Khi dữ liệu metadata được chuẩn hóa và gắn với tài liệu số hóa, người dùng có thể tìm kiếm theo số ký hiệu, ngày tháng, loại tài liệu, đơn vị, hồ sơ, từ khóa hay nội dung thay vì mở thủ công từng tệp trong kho hàng chục nghìn tài liệu. Đây là điểm phù hợp với yêu cầu của Thông tư 05/2025/TT-BNV về tạo lập dữ liệu chủ và kết nối dữ liệu chủ với tài liệu số hóa.

4. Con người không bị thay thế, mà chuyển sang công việc giá trị cao hơn

OCR có thể đọc nhanh khối lượng lớn tài liệu, nhưng vẫn gặp khó với ký tự mờ, tài liệu lệch, chữ viết tay, ký hiệu chuyên ngành, số và chữ có hình dạng tương tự, dấu câu hay tài liệu cũ xuống cấp - ví dụ "15CZ" có thể bị đọc thành "152", hoặc một chữ số ngày tháng bị nhận sai. Vì vậy kết quả OCR phải được coi là dữ liệu dự kiến, không mặc nhiên là dữ liệu cuối cùng. Hệ thống được thiết kế theo nguyên tắc: máy đảm nhiệm phần việc lặp lại, con người đảm nhiệm phần việc cần phán đoán và kiểm soát. Nhân sự chỉ cần đối chiếu trường dữ liệu hệ thống đã trích xuất với bản scan: đúng thì xác nhận, sai thì sửa. Thế nên trong cùng một khoảng thời gian có thể kiểm tra được nhiều tài liệu hơn đáng kể so với việc tự nhập toàn bộ từ đầu.

Một bước phát triển tiếp theo là kiểm tra theo mức độ tin cậy: hệ thống đánh dấu những trường có khả năng sai cao hoặc OCR không chắc chắn để ưu tiên kiểm tra kỹ, còn trường rõ ràng chỉ cần xác nhận nhanh. Mô hình này giúp nguồn lực nhân sự tập trung vào những trường hợp có nguy cơ sai sót cao nhất.

5. Năng suất, minh bạch tiến độ và an toàn dữ liệu

Với quy trình tự động hóa: scan theo dây chuyền, PDF xử lý tự động, OCR chạy hàng loạt, metadata tự động tạo lập, nhân sự chỉ tập trung kiểm tra; năng lực xử lý không còn phụ thuộc tuyệt đối vào số người nhập liệu như trước. Đây là cơ sở để nhóm Số hóa Công ty VITE hướng tới năng suất cao hơn khoảng 4–6 lần so với quy trình thủ công, tùy chất lượng bản gốc và độ phức tạp của tài liệu. Việc gắn trạng thái cho từng lô tài liệu (tiếp nhận → phân loại → scan → xử lý PDF → OCR → tạo metadata → kiểm tra → đóng gói → bàn giao) giúp người quản lý nắm rõ tiến độ và dễ mở rộng hệ thống: thêm máy scan, thêm luồng OCR, thêm quy tắc kiểm tra mà không phải tăng tương ứng các công đoạn thủ công.

Về an toàn dữ liệu, Nghị định 01/2013/NĐ-CP và Thông tư 05/2025/TT-BNV đều yêu cầu bảo đảm tính toàn vẹn, xác thực và an ninh thông tin trong suốt quá trình số hóa. Việc OCR chạy local giúp toàn bộ quy trình được tổ chức trong hạ tầng nội bộ, hạn chế đưa nội dung tài liệu ra ngoài. Điều này quan trọng với dự án có yêu cầu kiểm soát dữ liệu chặt chẽ. Mục tiêu cuối cùng không chỉ là tạo ra số lượng lớn file PDF, mà là xây dựng một tập dữ liệu số có tổ chức, có thể tìm kiếm và khai thác lâu dài, làm nền tảng cho các ứng dụng phân tích và khai thác dữ liệu sau này.

6. Hướng phát triển tiếp theo

Phòng làm việc của đơn vị VITE tại trụ sở TKV.

Trước mắt, nhóm Số hóa Công ty VITE tập trung hoàn thiện khả năng tự động xử lý PDF, ổn định hệ thống OCR, nâng cao độ chính xác trích xuất trường thông tin, xây dựng cơ chế phát hiện các trường hợp OCR không đủ tin cậy, và hoàn thiện quy trình kiểm tra metadata. Tiếp theo là tăng mức độ tích hợp giữa các công đoạn để tài liệu sau scan có thể tự động đi qua toàn bộ chuỗi xử lý mà không cần chuyển thủ công giữa các thư mục và phần mềm. Xa hơn, hệ thống có thể phát triển theo hướng tự động phân loại tài liệu, phát hiện bất thường, thống kê năng suất theo thời gian thực và hỗ trợ quản lý chất lượng; khi dữ liệu metadata tích lũy đủ lớn, đây cũng là tiền đề để triển khai công cụ tìm kiếm toàn văn, phân tích nội dung trên kho tài liệu số.

Kết luận

Số hóa tài liệu tại TKV đang chuyển từ một quy trình chủ yếu dựa trên thao tác thủ công sang mô hình xử lý dựa trên tự động hóa, OCR, dữ liệu có cấu trúc và kiểm soát chất lượng nhiều lớp. Điểm thay đổi quan trọng nhất không nằm ở việc thêm một phần mềm hay thiết bị, mà ở cách tổ chức lại toàn bộ quá trình: máy tính đảm nhiệm những việc có thể tự động hóa, con người tập trung vào đánh giá và kiểm soát; tài liệu giấy được chuyển thành tài liệu số, rồi tiếp tục chuyển thành dữ liệu có cấu trúc, kết nối với hệ thống quản lý.

Việc triển khai gói thầu số hóa tại TKV không chỉ hoàn thành khối lượng scan mà còn xây dựng một dây chuyền số hóa có khả năng xử lý khối lượng lớn, có thể mở rộng, có kiểm soát chất lượng và phù hợp với xu hướng lưu trữ số hiện nay. Trong bối cảnh khung pháp lý và công nghệ về lưu trữ số ngày càng hoàn thiện, việc chuyển từ xử lý thủ công sang quy trình số hóa thông minh sẽ góp phần nâng cao năng suất, giảm thao tác lặp lại, tăng tính nhất quán của dữ liệu, tạo nền tảng để TKV khai thác hiệu quả hơn nguồn tài liệu đã hình thành qua nhiều năm: từ "scan tài liệu" tiến tới "xây dựng dữ liệu từ tài liệu", cũng chính là bước chuyển từ số hóa đơn thuần sang chuyển đổi số./.