Trong bài viết này
Từ được đánh dấu có giải thích. Di chuột hoặc chạm để xem, hay mở từ điển AI.
Một bảng ghi “Mây: 20, Lá: 15, Nắng: 25”. AI có thể cộng thành 60, nhưng chưa biết đó là người đăng ký, lượt tham dự hay số ghế. Phép cộng đúng chưa đủ để câu “có 60 người tham gia” trở thành đúng. Khi đọc bảng cùng AI, công việc đầu tiên là giải thích mỗi ô đại diện cho điều gì.
Cho bảng một từ điển dữ liệu nhỏ
Với bảng theo dõi workshop giả định, một hàng đại diện cho một buổi học. Các cột gồm mã buổi, số đăng ký, số có mặt và thời lượng tính bằng phút. Ghi rõ số có mặt là lượt theo buổi; một người dự hai buổi sẽ xuất hiện trong cả hai lượt đếm.
Tách tên cột khỏi đơn vị nếu cần, và tránh ô gộp chứa nhiều ý. Khi xuất CSV, chú ý cách giữ dấu phẩy và xuống dòng trong ô. RFC 4180 mô tả cấu trúc bản ghi, hàng tiêu đề và cách đặt dấu nháy cho các trường đặc biệt. Đây là tài liệu định dạng, không phải bảo đảm công cụ AI đọc đúng bảng của bạn.
Bắt đầu bằng câu hỏi có phép kiểm
Đừng yêu cầu “phân tích toàn diện” trước khi biết cần quyết định gì. Với bảng giả định sau, câu hỏi nhỏ là buổi nào có tỷ lệ có mặt thấp hơn, theo công thức số có mặt chia số đăng ký.
| Mã buổi | Đăng ký | Có mặt |
|---|---|---|
| Mây | 20 | 16 |
| Lá | 10 | 9 |
| Nắng | 30 | 18 |
Tỷ lệ tương ứng là 80%, 90% và 60%. Nắng có nhiều người có mặt nhất nhưng tỷ lệ thấp nhất. Hai kết luận dùng hai thước đo khác nhau, nên phải ghi rõ đang trả lời câu hỏi nào.
Chạy các mô hình trên cùng bộ thử, đọc cả điểm tổng lẫn kiểu lỗi, rồi cân nhắc tốc độ và chi phí. Một chênh lệch nhỏ chưa chứng minh mô hình nào luôn tốt hơn.
↔ Vuốt ngang để xem toàn bộ sơ đồ.
01 / Cùng bộ thử
Dùng cùng các trường hợp và quy tắc chấm đã xác định trước cho cả hai mô hình.
02 / Đọc điểm số
Trong ví dụ giả định, A đúng 18/20, B đúng 17/20. Chênh lệch một trường hợp chưa đủ kết luận chung.
03 / Xem kiểu lỗi
Mở các trường hợp thất bại: sai tên người và vượt độ dài có mức ảnh hưởng khác nhau.
04 / Đánh giá nhiều chiều
Đo thêm tốc độ, chi phí và độ ổn định trên dữ liệu phù hợp với công việc thực tế.
A đúng 18/20 và B đúng 17/20 là số liệu giả định để giải thích cách đọc kết quả, không phải benchmark của mô hình có thật.
Yêu cầu AI nói rõ cách tính
Prompt này hướng đầu ra về kết quả có thể kiểm tra bằng bảng tính hoặc máy tính.
Mỗi hàng là một buổi workshop, không phải một người.
Tính tỷ lệ có mặt = có mặt / đăng ký.
Hiển thị công thức và kết quả cho từng hàng.
Nếu đăng ký bằng 0 hoặc thiếu, đánh dấu chưa tính được.
Tính tỷ lệ chung bằng tổng có mặt / tổng đăng ký.
Không gọi tổng lượt tham dự là số người duy nhất.
Chỉ mô tả dữ liệu, chưa suy ra nguyên nhân.Với ba hàng trên, tỷ lệ chung là 43/60, khoảng 71,7%. Trung bình đơn giản của ba tỷ lệ là khoảng 76,7%, trả lời một câu hỏi khác vì mỗi buổi được cho trọng số bằng nhau. Chọn cách tính theo mục đích trước, không chọn con số nhìn thuận lợi hơn.
Giữ ranh giới giữa quan sát và giải thích
Từ tỷ lệ có mặt thấp, chưa thể kết luận giờ học không phù hợp. Có thể tồn tại nhiều yếu tố, nhưng bảng hiện tại không cung cấp bằng chứng cho chúng. Yêu cầu AI liệt kê câu hỏi cần tìm thêm dữ liệu hữu ích hơn để nó kể một câu chuyện nguyên nhân.
Kiểm tra cả dữ liệu đầu vào: hàng trùng, ô thiếu, số được lưu như chữ và đơn vị lẫn lộn. Nếu một hàng bị lặp, tổng có thể tăng mà câu trả lời vẫn trình bày rất tự tin. Với bảng lớn, dùng công thức hoặc mã xử lý có thể xem lại để tính, rồi nhờ AI giải thích kết quả đã xác minh.
Bài tập: thêm một hàng khiến phép tính khó hơn
Thêm buổi “Gió” có đăng ký bằng 0 và chưa ghi số có mặt. Yêu cầu tính lại nhưng không tự biến ô thiếu thành 0. Sau đó cố ý chép trùng một hàng và xem công cụ có phát hiện khi bạn yêu cầu kiểm tra mã buổi duy nhất không.
Bài đạt khi hàng chưa đủ dữ liệu được báo riêng, công thức tổng hợp được nêu rõ và tổng lượt không bị gọi thành người duy nhất. Trước khi dùng bảng thật, xem bảo vệ dữ liệu khi dùng AI để chọn đúng phần dữ liệu cần chia sẻ.