Large Language Model là gì? Giải thích dễ hiểu

Large Language Model (LLM) là mô hình AI được huấn luyện trên lượng lớn dữ liệu ngôn ngữ để xử lý và tạo văn bản. Bạn có thể đã sử dụng LLM khi nhờ trợ lý AI tóm tắt tài liệu, viết lại email, trả lời câu hỏi hoặc giải thích mã.

LLM học các quy luật và mối liên hệ trong ngôn ngữ, rồi dùng chúng để tạo câu trả lời cho một đầu vào. Văn bản trôi chảy không đồng nghĩa với thông tin chính xác, vì vậy các tuyên bố quan trọng vẫn cần được kiểm chứng.

Large Language Model là gì?

Large Language Model là mô hình máy tính học các quy luật từ lượng lớn văn bản và dữ liệu ngôn ngữ khác, sau đó dùng những quy luật này để tạo câu trả lời phù hợp với đầu vào. Đây là một loại mô hình AI tập trung vào các tác vụ ngôn ngữ, không phải định nghĩa cho toàn bộ Artificial Intelligence.

Ví dụ, khi nhận một tập ghi chú cuộc họp và yêu cầu tạo bản tóm tắt, LLM không nhất thiết lấy một bản tóm tắt có sẵn từ cơ sở dữ liệu. Mô hình tạo văn bản mới dựa trên các quy luật đã học và thông tin trong yêu cầu.

Cách hoạt động này tạo ra cả tính hữu ích lẫn hạn chế: LLM có thể viết rõ ràng, có cấu trúc, nhưng vẫn đưa ra ngày tháng sai, bỏ sót ngữ cảnh hoặc tạo tuyên bố không có căn cứ. University of Arizona Libraries mô tả LLM là các mô hình học những quy luật thống kê trong ngôn ngữ và dùng chúng để dự đoán, tạo ra các câu trả lời có vẻ phù hợp (nguồn).

“Large”, “Language” và “Model” trong tên gọi có nghĩa gì?

Ba thành phần trong tên gọi lần lượt nói đến ngôn ngữ, hệ thống tính toán và quy mô dữ liệu hoặc mô hình.

1. Language: Mô hình được thiết kế để xử lý và tạo ngôn ngữ, chẳng hạn email, báo cáo, câu hỏi, hướng dẫn và mã. Một số hệ thống hiện đại cũng có thể xử lý các loại nội dung khác, nhưng ngôn ngữ vẫn là trọng tâm của LLM.
2. Model: Model là hệ thống tính toán sử dụng các quy luật đã học trong quá trình huấn luyện để tạo đầu ra. Đầu ra có thể là một câu, bản tóm tắt, bản dịch, lời giải thích hoặc đoạn mã.
3. Large: “Large” nói chung đề cập đến quy mô của dữ liệu, mô hình hoặc các quy luật ngôn ngữ liên quan. Từ này không chỉ một ngưỡng kích thước phổ quát; các LLM có thể khác nhau về phương pháp huấn luyện, năng lực và quy mô.

Với yêu cầu “Viết lại email này ngắn gọn hơn”, email là đầu vào, LLM tạo ra phiên bản đã chỉnh sửa, còn “large” phản ánh phạm vi ví dụ ngôn ngữ rộng mà mô hình đã học, thay vì một nhóm nhỏ quy tắc được viết thủ công.

Ở mức khái quát, LLM tạo văn bản như thế nào?

LLM tạo văn bản bằng cách phân tích đầu vào và tạo câu trả lời từng phần dựa trên các quy luật ngôn ngữ đã học. Đây là cách giải thích đơn giản hóa; quy trình kỹ thuật thực tế phức tạp hơn việc tìm kiếm hoặc sao chép văn bản.

Một tương tác điển hình gồm bốn bước:

1. Bạn cung cấp đầu vào. Đó có thể là câu hỏi, tài liệu, hướng dẫn hoặc yêu cầu viết lại văn bản.
2. Mô hình phân tích đầu vào. Mô hình xem xét cách diễn đạt và mối liên hệ giữa các phần trong yêu cầu.
3. Mô hình tạo câu trả lời. Mô hình chọn phần tiếp theo có khả năng phù hợp dựa trên các quy luật đã học và ngữ cảnh được cung cấp.
4. Bạn xem lại kết quả. Bạn kiểm tra xem câu trả lời có thực hiện đúng tác vụ, phản ánh đúng tài liệu nguồn và đạt mức độ chính xác cần thiết hay không.

Khi được yêu cầu rút gọn email, LLM xem xét cách diễn đạt ban đầu rồi tạo phiên bản mới theo văn phong chuyên nghiệp, súc tích. Mô hình không áp dụng một quy tắc đơn lẻ như “xóa mọi câu thứ ba”, mà tạo ngôn ngữ dựa trên nhiều mối liên hệ đã học.

Khả năng tạo văn bản phù hợp giúp LLM xử lý nhiều loại yêu cầu, nhưng cũng khiến câu trả lời có thể trau chuốt dù các tuyên bố bên trong vẫn cần được kiểm tra.

Large Language Model có thể làm gì?

LLM có thể hỗ trợ các tác vụ đọc, viết, chuyển đổi và phân tích ngôn ngữ; hiệu quả phụ thuộc vào mô hình, chất lượng đầu vào, công cụ được cung cấp và yêu cầu cụ thể.

Các cách sử dụng phổ biến gồm:

• Trả lời câu hỏi: Giải thích khái niệm, so sánh lựa chọn hoặc cung cấp điểm bắt đầu cho việc nghiên cứu.
• Tóm tắt: Chuyển ghi chú cuộc họp, bài viết hoặc báo cáo thành phiên bản ngắn hơn.
• Dịch: Tạo bản dịch đầu tiên hoặc hỗ trợ so sánh cách diễn đạt giữa các ngôn ngữ.
• Soạn thảo và viết lại: Tạo email, làm rõ nội dung, thay đổi giọng điệu hoặc sắp xếp ghi chú thô.
• Phân tích văn bản: Trích xuất chủ đề, xác định vấn đề lặp lại, phân loại phản hồi hoặc so sánh hai tài liệu.
• Tạo ý tưởng: Đề xuất tiêu đề, câu hỏi thảo luận, tên dự án hoặc các hướng tiếp cận khả thi.
• Viết và giải thích mã: Tạo ví dụ mã ban đầu hoặc giải thích một đoạn script hiện có dường như đang làm gì.

Ví dụ, quản lý dự án có thể chuyển gạch đầu dòng thành bản cập nhật tình hình; người học có thể yêu cầu giải thích một chủ đề khó ở mức nhập môn; đội ngũ chăm sóc khách hàng có thể soạn câu trả lời để nhân viên xem lại trước khi gửi.

Đây là các tác vụ hỗ trợ ngôn ngữ, không phải bảo đảm về độ chính xác. Bản tóm tắt hợp đồng cần được đối chiếu với hợp đồng gốc, phần giải thích mã cần được kiểm thử và bản dịch tin nhắn khách hàng có thể cần người am hiểu ngôn ngữ, ngữ cảnh xem lại.

University of Arizona Libraries liệt kê trả lời câu hỏi, tóm tắt, dịch, tạo nội dung, phân tích thông tin và viết mã trong số các tác vụ phổ biến của LLM (nguồn).

LLM khác AI và Generative AI như thế nào?

Artificial Intelligence là khái niệm rộng; LLM là một loại mô hình AI, còn Generative AI mô tả các hệ thống tạo nội dung mới từ những quy luật đã học.

LLM thường được xem là một dạng Generative AI tập trung vào ngôn ngữ. Generative AI rộng hơn vì bao gồm cả hệ thống tạo hình ảnh, âm thanh, video hoặc mã. Một mô hình tạo ảnh có thể là Generative AI nhưng không phải LLM.

LLM là mô hình hoặc năng lực nền tảng, trong khi ứng dụng trò chuyện là sản phẩm kết hợp mô hình với giao diện, hướng dẫn, kiểm soát an toàn và đôi khi là các công cụ khác. Chức năng tìm kiếm, xử lý tệp hoặc hỗ trợ quy trình có thể thuộc sản phẩm chứ không thuộc bản thân LLM.

Elastic đưa ra cùng cách phân biệt khái quát khi mô tả LLM là một loại Generative AI được huấn luyện trên các tập dữ liệu văn bản lớn để tạo văn bản (nguồn).

LLM liên quan thế nào đến Foundation Model?

LLM có thể là một loại Foundation Model: mô hình được huấn luyện trên phạm vi rộng và có thể được áp dụng hoặc điều chỉnh cho nhiều tác vụ. “Foundation Model” mô tả nền tảng năng lực rộng, còn “LLM” xác định mô hình lấy ngôn ngữ làm trung tâm.

Tùy thiết kế và cách sử dụng, Foundation Model có thể hỗ trợ soạn thảo, tóm tắt, trả lời câu hỏi, phân loại hoặc viết mã. Một số Foundation Model xử lý hoặc tạo nhiều loại nội dung, chẳng hạn văn bản và hình ảnh; các hệ thống này thường được gọi là multimodal.

Mối quan hệ giữa các khái niệm là:

• Foundation Model mô tả một nền tảng được huấn luyện trên phạm vi rộng, có thể hỗ trợ nhiều ứng dụng.
• Large Language Model mô tả một Foundation Model tập trung chủ yếu vào ngôn ngữ.
• Ứng dụng hoặc tính năng sử dụng mô hình để thực hiện một tác vụ cụ thể cho người dùng.

Không phải mọi LLM đều có cùng năng lực, và không phải Foundation Model nào cũng thực hiện được mọi tác vụ. Thiết kế, quá trình huấn luyện, công cụ và cài đặt ứng dụng đều có ảnh hưởng. University of Arizona Libraries xác định LLM là một loại Foundation Model (nguồn).

LLM được sử dụng ở đâu trong công việc và học tập hằng ngày?

Bạn thường gặp LLM trong một sản phẩm hoặc tính năng hơn là sử dụng mô hình độc lập; các ứng dụng phổ biến gồm:

1. Giao tiếp: Soạn email, điều chỉnh giọng điệu hoặc chuyển tin nhắn dài thành bản cập nhật ngắn.
2. Xử lý tài liệu: Tóm tắt báo cáo, sắp xếp ghi chú hoặc so sánh hai phiên bản của một chính sách.
3. Học tập: Giải thích chủ đề khó, tạo câu hỏi luyện tập hoặc nhận xét bản nháp đầu tiên.
4. Hỗ trợ nghiên cứu: Đề xuất cụm từ tìm kiếm, tóm tắt các nguồn được cung cấp hoặc sắp xếp kết quả. Các tuyên bố quan trọng vẫn cần được đối chiếu với nguồn gốc.
5. Chăm sóc khách hàng: Soạn câu trả lời cho các câu hỏi phổ biến để nhân viên xem lại.
6. Lập trình: Giải thích một hàm, đề xuất script ban đầu hoặc hỗ trợ xác định lỗi có thể xảy ra.

Một quy trình có thể là: nhân viên đưa bản nháp báo cáo cho LLM, yêu cầu tạo phần tóm tắt dành cho lãnh đạo, đối chiếu với báo cáo, sửa phần bị bỏ sót rồi chia sẻ phiên bản đã xem xét. LLM hỗ trợ tác vụ ngôn ngữ; nhân viên vẫn chịu trách nhiệm về độ chính xác và ngữ cảnh.

Khi sử dụng tài liệu công việc, hãy cân nhắc quyền riêng tư trước khi đưa thông tin vào sản phẩm AI. Kiểm tra cài đặt của nhà cung cấp và chính sách tổ chức. Việc huấn luyện mô hình và lưu giữ dữ liệu là hai vấn đề khác nhau: nhà cung cấp có thể nêu rằng dữ liệu đã gửi không được dùng để huấn luyện nhưng vẫn lưu nhật ký trong một khoảng thời gian, hoặc chính sách có thể khác nhau tùy gói dịch vụ. Tránh chia sẻ mật khẩu, API key, thông tin cá nhân không cần thiết, dữ liệu khách hàng bảo mật hoặc tài liệu kinh doanh riêng tư, trừ khi công cụ được phê duyệt và điều khoản xử lý dữ liệu cho phép.

Vì sao LLM có thể nghe có vẻ đúng nhưng vẫn sai?

LLM có thể tạo ngôn ngữ trôi chảy mà không bảo đảm mọi câu đều có bằng chứng hỗ trợ. Khả năng dễ đọc và giọng điệu chắc chắn không phải bằng chứng cho độ chính xác.

Nếu được yêu cầu tóm tắt ghi chú cuộc họp, LLM có thể tạo đoạn văn trau chuốt nhưng thêm thời hạn chưa từng được đề cập. Mô hình cũng có thể đưa ra trích dẫn trông đáng tin nhưng không hỗ trợ cho tuyên bố. Những đầu ra này thường được gọi là AI hallucinations: câu trả lời không có căn cứ, không chính xác hoặc gây hiểu lầm nhưng có thể trông thuyết phục.

Nhiệm vụ của mô hình là tạo phần tiếp theo phù hợp với đầu vào, không phải tự bảo đảm mọi chi tiết khớp với một nguồn có thẩm quyền. Vì vậy, câu trả lời có thể hữu ích như bản nháp nhưng vẫn cần được kiểm tra thực tế.

• Lưu loát có nghĩa câu trả lời dễ đọc và mạch lạc.
• Chính xác có nghĩa các tuyên bố khớp với bằng chứng đáng tin cậy và yêu cầu của tác vụ.

LLM có thể đạt điều đầu tiên mà không phải lúc nào cũng đạt điều thứ hai. University of Arizona Libraries cảnh báo rằng câu trả lời của LLM có thể không chính xác hoặc gây hiểu lầm (nguồn).

Nên sử dụng LLM có trách nhiệm như thế nào?

Hãy dùng LLM như trợ lý cho công việc ngôn ngữ và yêu cầu con người kiểm tra khi độ chính xác, quyền riêng tư hoặc hậu quả của quyết định là vấn đề đáng quan tâm.

Một quy trình thực tế gồm:

1. Xác định tác vụ. Nêu rõ bạn muốn tóm tắt, viết lại, so sánh, giải thích hay soạn thảo.
2. Cung cấp ngữ cảnh liên quan. Đưa vào tài liệu nguồn, đối tượng đọc, định dạng và các ràng buộc cần thiết.
3. Kiểm tra đầu ra. Xem câu trả lời có thực hiện đúng yêu cầu, giữ lại chi tiết quan trọng và tránh thêm thông tin không có căn cứ hay không.
4. Xác minh các tuyên bố quan trọng. Đối chiếu tên, ngày tháng, số liệu, trích dẫn, nghĩa vụ pháp lý, thông tin y tế và nguồn dẫn với các nguồn đáng tin cậy.
5. Giữ trách nhiệm ở con người. Người có kiến thức phù hợp nên phê duyệt quyết định có hậu quả và thông tin liên lạc cuối cùng.

LLM có thể hỗ trợ tóm tắt hợp đồng, nhưng người xem xét nên đối chiếu bản tóm tắt với tài liệu gốc, đặc biệt là các bên, ngày tháng, điều khoản thanh toán, nghĩa vụ, ngoại lệ và thuật ngữ được định nghĩa. Nguyên tắc này cũng áp dụng cho báo cáo tài chính, bản tóm tắt nghiên cứu và thông tin gửi khách hàng.

Bạn có thể tìm hiểu thêm về cách kiểm tra thực tế qua cách xác minh câu trả lời của AI và AI có con người tham gia kiểm soát. Mức độ kiểm tra nên tương xứng với hậu quả nếu câu trả lời sai.

Cách đơn giản nhất để ghi nhớ LLM là gì?

LLM là mô hình AI tập trung vào ngôn ngữ, học các quy luật từ lượng lớn dữ liệu ngôn ngữ và tạo văn bản có vẻ phù hợp để phản hồi một đầu vào.

Bạn có thể giải thích cho đồng nghiệp: “LLM là mô hình ngôn ngữ đứng sau nhiều trợ lý AI. Nó có thể tạo văn bản hữu ích từ các quy luật đã học, nhưng những câu trả lời quan trọng vẫn cần được con người kiểm tra.”

LLM là công cụ linh hoạt để viết, tóm tắt, giải thích và phân tích ngôn ngữ. Tuy nhiên, đầu ra không tự động là tuyên bố sự thật đã được xác minh; cách diễn đạt trôi chảy cũng không có nghĩa mô hình hiểu thế giới như con người.

LLM có hiểu ngôn ngữ giống con người không?

LLM có thể xử lý và tạo ngôn ngữ phức tạp, nhưng đầu ra trôi chảy không chứng minh mô hình có trải nghiệm, ý định, trách nhiệm hoặc sự hiểu biết được bảo đảm như con người.

Ví dụ, LLM có thể tạo lời giải thích thuyết phục về chính sách của một công ty. Nhân viên có quyền truy cập vào chính sách chính thức và chịu trách nhiệm áp dụng chính sách đó cần kiểm tra xem lời giải thích có đầy đủ và phù hợp với tình huống hay không. Mô hình hỗ trợ cách diễn đạt; con người đánh giá ý nghĩa, bằng chứng và hậu quả.

Với người dùng, cách đánh giá thực tế là đối chiếu đầu ra với tài liệu nguồn, yêu cầu của tác vụ và bằng chứng hỗ trợ các tuyên bố trong đó.

Nên tìm hiểu gì tiếp theo về LLM?

Bạn có thể bắt đầu bằng cách tìm hiểu sâu hơn về cách LLM hoạt động, rủi ro sai lệch và cách viết prompt.

1. Đọc cách Large Language Model hoạt động để hiểu chi tiết hơn về quá trình tạo văn bản.
2. Tìm hiểu về AI hallucinations và cách xác minh câu trả lời của AI.
3. Học về prompt engineering để cải thiện cách viết hướng dẫn cho tác vụ.
4. So sánh LLM với các sản phẩm và quy trình được xây dựng xung quanh nó, thay vì xem mô hình và ứng dụng là cùng một thứ.

Ý tưởng cốt lõi là LLM có năng lực tạo ngôn ngữ, nhưng sử dụng có trách nhiệm đòi hỏi kiểm tra kết quả khi độ chính xác là yếu tố quan trọng.