Trong bài viết này
Từ được đánh dấu có giải thích. Di chuột hoặc chạm để xem, hay mở từ điển AI.
AI (trí tuệ nhân tạo) là lĩnh vực xây dựng hệ thống thực hiện những nhiệm vụ như nhận biết, dự đoán, lập kế hoạch và tạo nội dung. Học máy là một nhóm phương pháp trong AI; AI tạo sinh tập trung vào việc tạo nội dung mới.
Bạn mở ứng dụng nghe nhạc và thấy một bài hợp gu. Điện thoại nhận ra khuôn mặt để mở khóa. Một công cụ giúp bạn viết lại email khó diễn đạt. Cả ba đều có thể sử dụng AI, nhưng chúng không thực hiện cùng một công việc.
Để bắt đầu học AI, điều hữu ích nhất là có một bản đồ khái niệm. Bạn chưa cần thuộc tên mô hình hay biết viết mã.
AI, học máy và AI tạo sinh khác nhau thế nào?
Trí tuệ nhân tạo, hay AI, là lĩnh vực xây dựng hệ thống thực hiện những nhiệm vụ như nhận biết, dự đoán, lập kế hoạch và tạo nội dung. Đó là một tên gọi rộng, bao gồm nhiều cách tiếp cận.
Học máy, hay machine learning, là một nhóm phương pháp trong AI. Thay vì lập trình mọi quy tắc, người làm hệ thống dùng dữ liệu để huấn luyện một mô hình. Mô hình học các mối liên hệ rồi dùng chúng với đầu vào mới. Đây cũng là cách khóa nhập môn của Google giới thiệu học máy.
AI tạo sinh tập trung vào việc tạo ra văn bản, hình ảnh, âm thanh hoặc nội dung khác. Một mô hình dự đoán khách hàng có rời dịch vụ hay không không nhất thiết là AI tạo sinh. Một chatbot viết bản nháp thường thuộc nhóm này.
Máy học từ ví dụ như thế nào?
Hãy tưởng tượng bạn muốn phân loại phản hồi về một quán cà phê thành ba nhóm: đồ uống, phục vụ và không gian. Bạn có thể tự viết quy tắc: thấy từ “ồn” thì xếp vào không gian. Nhưng “quán không hề ồn” và “nhân viên nói chuyện quá ồn” cho thấy quy tắc đơn giản nhanh chóng gặp giới hạn.
Với học máy có giám sát, bạn đưa vào các phản hồi đã được gán nhãn. Trong quá trình huấn luyện, mô hình tạo dự đoán, so với nhãn và điều chỉnh các tham số để giảm sai lệch. Sau đó, bạn đánh giá nó trên các phản hồi chưa dùng để học.
Điểm quan trọng nằm ở chữ chưa. Nhớ tốt bài tập cũ không có nghĩa là làm tốt đề mới. Khi mô hình phù hợp quá sát dữ liệu huấn luyện nhưng kém trên dữ liệu mới, ta gọi đó là overfitting, hay quá khớp.
Mô hình nhận ví dụ đã gán nhãn, tạo dự đoán, đo sai lệch rồi điều chỉnh tham số. Khả năng áp dụng cần được kiểm tra trên dữ liệu chưa dùng để học.
↔ Vuốt ngang để xem toàn bộ sơ đồ.
01 / Ví dụ có nhãn
Các phản hồi về quán cà phê đi kèm nhãn đúng: đồ uống, phục vụ hoặc không gian.
02 / Tạo dự đoán
Mô hình dùng tham số hiện tại để dự đoán chủ đề của phản hồi.
03 / Đo sai lệch
So dự đoán với nhãn đúng. Hàm mất mát biểu diễn mức sai lệch cần giảm.
04 / Điều chỉnh
Thuật toán cập nhật tham số và lặp lại trên dữ liệu học. Sau đó đánh giá bằng các ví dụ được giữ riêng.
Minh họa giản lược cho học máy có giám sát. Một lần điều chỉnh không bảo đảm dự đoán tiếp theo sẽ đúng.
Vì sao một hệ thống có vẻ thông minh vẫn sai?
Một mô hình chỉ nhận được phần thế giới mà dữ liệu và đầu vào thể hiện. Nếu tập phản hồi chủ yếu đến từ khách ở thành phố, cách nói của người ở nơi khác có thể khiến nó lúng túng. Nếu bạn dùng dữ liệu cũ, thói quen mới có thể nằm ngoài những gì nó từng học.
Với chatbot, câu trả lời trôi chảy cũng chưa chứng minh nội dung đúng. Khi cần một số liệu, tên tài liệu hoặc sự kiện cụ thể, hãy mở nguồn gốc. Khi cần tính toán chính xác, hãy dùng công cụ tính toán và kiểm tra đầu vào.
Thay vì hỏi “AI có thông minh không?”, thử hỏi cụ thể hơn: “Hệ thống này làm tốt nhiệm vụ nào, trong điều kiện nào, và sai theo cách nào?” Câu hỏi đó dẫn tới một quyết định hữu ích hơn.
Bài tập đầu tiên: tách nhiệm vụ trước khi chọn công cụ
Chọn một công việc bạn làm mỗi tuần, chẳng hạn tổng hợp phản hồi khách hàng. Viết ra ba phần:
- Đầu vào: phản hồi dạng văn bản, có tiếng Việt không dấu và lỗi chính tả.
- Đầu ra: ba chủ đề được nhắc nhiều nhất, kèm ví dụ nguyên văn.
- Tiêu chí đạt: không tự thêm phản hồi, không làm mất ý phàn nàn, người đọc kiểm tra được ví dụ.
Sau đó thử với một nhóm phản hồi nhỏ mà bạn đã đọc kỹ. So sánh kết quả với nhận định của chính mình và ghi lại lỗi. Khi cần kiểm tra có hệ thống hơn, bài đánh giá mô hình AI hướng dẫn cách chọn tình huống thử và tiêu chí đạt.
Bước tiếp theo là hiểu công cụ tạo văn bản đang làm gì bên trong. Bài Bên trong một mô hình ngôn ngữ lớn đi từ token đến câu trả lời, không đòi hỏi kiến thức toán trước đó.