Trí tuệ nhân tạo (Artificial Intelligence – AI) là lĩnh vực xây dựng các hệ thống máy tính có thể thực hiện những nhiệm vụ thường cần đến năng lực của con người, chẳng hạn như nhận diện mẫu hoặc sử dụng ngôn ngữ. Nhiều hệ thống AI hiện đại học các mẫu từ dữ liệu rồi dùng chúng để tạo đầu ra, như bản nháp email hoặc nhóm phân loại cho yêu cầu của khách hàng. Cách hoạt động cụ thể phụ thuộc vào từng hệ thống; nội dung dưới đây là phần tổng quan dành cho người mới bắt đầu.
Một câu trả lời AI trôi chảy không đồng nghĩa với việc câu trả lời đó đã được kiểm tra. Hiểu quy trình phía sau giúp bạn sử dụng công cụ phù hợp và đánh giá đầu ra thận trọng hơn.
Tóm tắt cốt lõi (Key Takeaways)
- Điều gì: Hệ thống AI xử lý đầu vào để thực hiện một nhiệm vụ; nhiều hệ thống dùng các mẫu học được từ dữ liệu để tạo đầu ra.
- Như thế nào: Mô hình học từ các ví dụ trong quá trình huấn luyện, sau đó áp dụng những gì đã học vào đầu vào mới. Generative AI dùng các mẫu này để tạo nội dung.
- Ý nghĩa thực tế: AI có thể hỗ trợ công việc hằng ngày nhưng cũng tạo ra kết quả không chính xác hoặc thiên lệch. Hãy kiểm tra các đầu ra quan trọng và bảo vệ thông tin nhạy cảm.
Câu trả lời ngắn: AI sử dụng các mẫu để tạo đầu ra
AI nhận đầu vào và tạo đầu ra; nhiều hệ thống sử dụng các mẫu học được từ dữ liệu để xác định đầu ra phù hợp. Một trợ lý email có thể nhận yêu cầu và tạo bản nháp, còn ứng dụng ảnh có thể gắn nhãn một đối tượng có khả năng xuất hiện trong hình. Quy trình chính xác phụ thuộc vào nhiệm vụ và cách hệ thống được xây dựng.
Cách giải thích này không có nghĩa AI suy nghĩ hoặc kiểm tra sự thật như con người. Nó mô tả một cách tiếp cận phổ biến để tạo kết quả, không đảm bảo mọi kết quả đều đúng.
AI là lĩnh vực rộng; Machine Learning là một cách tiếp cận phổ biến
AI là lĩnh vực xây dựng các hệ thống máy tính có thể thực hiện những nhiệm vụ gắn với năng lực của con người, như nhận dạng giọng nói, xử lý hình ảnh hoặc đưa ra dự đoán. Machine Learning (học máy) là một cách tiếp cận phổ biến trong AI: thay vì chỉ dựa vào quy tắc viết sẵn, hệ thống học các mẫu từ ví dụ. Tổng quan của Coursera về cách AI hoạt động mô tả nhận dạng mẫu và Machine Learning là những thành phần trung tâm của nhiều hệ thống AI.
Ví dụ, bộ lọc email dựa trên quy tắc có thể đánh dấu thư khi thư chứa một cụm từ chính xác. Hệ thống Machine Learning có thể học từ các email được gắn nhãn là không mong muốn hoặc hợp lệ, rồi dùng các mẫu trong thư mới để phân loại. Hai phương pháp này không loại trừ nhau; một hệ thống thực tế có thể kết hợp nhiều cách tiếp cận.
Hệ thống Machine Learning học từ ví dụ như thế nào
Machine Learning học các mẫu phù hợp với một nhiệm vụ từ những ví dụ gọi là training data (dữ liệu huấn luyện). AI model (mô hình AI) được tạo ra sau quá trình này là một hệ thống tính toán áp dụng các mẫu đã học để tạo đầu ra. Mô hình không học theo nghĩa giống con người mà được điều chỉnh qua một quy trình kỹ thuật, nằm ngoài phạm vi giải thích nhập môn này.
Một quy trình phát triển đơn giản gồm:
1. Xác định nhiệm vụ. Ví dụ, phân loại tin nhắn khách hàng thành yêu cầu về thanh toán, giao hàng hoặc đổi trả.
2. Chuẩn bị ví dụ phù hợp. Thu thập tin nhắn thể hiện nhiệm vụ và, khi cần, gắn nhãn theo từng nhóm. Đây là training data.
3. Huấn luyện mô hình. Quy trình Machine Learning dùng các ví dụ để điều chỉnh mô hình, giúp mô hình phát hiện mẫu gắn với từng nhóm.
4. Đánh giá kết quả. Kiểm tra mô hình bằng những ví dụ không dùng để huấn luyện và xem đầu ra có hữu ích cho nhiệm vụ dự kiến hay không.
Chất lượng và mức độ phù hợp của ví dụ ảnh hưởng đến hiệu quả hoạt động. Nếu dữ liệu không đại diện cho những tin nhắn hệ thống sẽ gặp, kết quả có thể không đáp ứng nhu cầu. Hướng dẫn nhập môn AI của Learning Tree dùng ví dụ nhận diện chó từ hình ảnh đã gắn nhãn để minh họa sự khác biệt giữa Machine Learning và việc tự viết quy tắc cho từng trường hợp.
Huấn luyện không giống với mỗi lần sử dụng công cụ AI. Khi người dùng gửi tin nhắn mới đến một bộ phân loại đã được huấn luyện, hệ thống thường đang áp dụng mô hình chứ không nhất thiết tạo thêm một ví dụ huấn luyện. Việc sản phẩm có lưu giữ hoặc sử dụng đầu vào về sau hay không phụ thuộc vào chính sách và cấu hình của sản phẩm.
Mô hình AI xử lý đầu vào mới như thế nào
AI inference (suy luận AI) là việc dùng mô hình đã được huấn luyện để tạo đầu ra từ đầu vào mới. Đầu vào có thể là email khách hàng; đầu ra có thể là nhóm phân loại, dự đoán, đề xuất hoặc bản trả lời nháp, tùy nhiệm vụ.
Chẳng hạn, nhân viên hỗ trợ gửi email mới cho bộ phân loại. Mô hình áp dụng các mẫu đã học và trả về một nhóm được đề xuất. Đề xuất đó không phải bằng chứng rằng việc phân loại chính xác; nhân viên có thể kiểm tra trước khi chuyển email đến bộ phận phù hợp.
Một công cụ sử dụng hằng ngày thường có thêm phần mềm bao quanh mô hình, như giao diện nhập văn bản và hiển thị kết quả. Người dùng thường chỉ cần cung cấp đầu vào cho mô hình đã được huấn luyện, không phải tự huấn luyện mô hình.
Generative AI tạo văn bản, hình ảnh và nội dung khác như thế nào
Generative AI (AI tạo sinh) tạo ra văn bản, hình ảnh, âm thanh hoặc mã bằng cách sử dụng các mẫu đã học trong quá trình huấn luyện. Large Language Model (mô hình ngôn ngữ lớn – LLM) được huấn luyện trên lượng lớn dữ liệu ngôn ngữ để xử lý và tạo văn bản. LLM là một loại mô hình dùng để tạo văn bản; không phải mọi hệ thống AI đều có khả năng tạo sinh hoặc dựa trên ngôn ngữ. Digital Futures Institute thuộc Đại học Columbia mô tả mô hình ngôn ngữ là những hệ thống tạo câu trả lời dựa trên các mẫu đã học.
Nếu yêu cầu một công cụ viết bằng AI soạn email theo dõi sau cuộc họp, công cụ sẽ sử dụng yêu cầu và các chi tiết được cung cấp để tạo câu chữ. Bản nháp có thể hữu ích nhưng chưa xác minh các chi tiết của cuộc họp. Trước khi gửi, hãy kiểm tra tên, ngày tháng, quyết định và giọng điệu.
Nội dung tạo sinh không nhất thiết là câu trả lời cố định lấy từ cơ sở dữ liệu. Hệ thống tạo ra nội dung đó, vì vậy một kết quả có vẻ hợp lý vẫn có thể chứa lỗi. Khi độ chính xác quan trọng, hãy xem nội dung như bản nháp hoặc đề xuất thay vì mặc định rằng nó đã được kiểm tra độc lập.
Ví dụ từ đầu đến cuối: Từ dữ liệu đến một nhiệm vụ có AI hỗ trợ
Một hệ thống AI hỗ trợ sắp xếp yêu cầu khách hàng có thể hoạt động theo quy trình sau:
1. Chọn nhiệm vụ: xác định các nhóm hữu ích cho những tin nhắn đến.
2. Chuẩn bị ví dụ: thu thập và tổ chức các tin nhắn thể hiện những nhóm đó.
3. Huấn luyện hoặc chọn mô hình: tạo mô hình từ các ví dụ hoặc chọn một mô hình phù hợp đã có sẵn.
4. Cung cấp đầu vào mới: gửi một tin nhắn mà mô hình chưa được yêu cầu phân loại trước đó.
5. Nhận đầu ra: mô hình đề xuất một nhóm, chẳng hạn như thanh toán hoặc giao hàng.
6. Đánh giá và hành động: kiểm tra đề xuất rồi chuyển tin nhắn nếu đề xuất phù hợp.
Quy trình này tách hai giai đoạn dễ bị nhầm lẫn: ví dụ dùng để phát triển mô hình, còn đầu vào ở giai đoạn sau cung cấp nội dung để mô hình xử lý. Người sử dụng một công cụ có sẵn thường thực hiện giai đoạn sau, không tham gia vào quá trình huấn luyện ban đầu.
AI có thể hỗ trợ gì trong công việc hằng ngày
AI có thể hỗ trợ soạn thảo, tóm tắt, giải thích thông tin, phân tích dữ liệu và đưa ra đề xuất. Ví dụ, AI có thể chuyển ghi chú cuộc họp thành bản nháp việc cần làm, đề xuất email rõ ràng hơn hoặc giúp giải thích xu hướng trong bảng tính. Đây là các khả năng hỗ trợ, không phải bảo đảm công cụ xử lý tốt mọi nhiệm vụ. Trang nhập môn AI của Đại học Appalachian State liệt kê những cách sử dụng hằng ngày như viết, tóm tắt, giải thích và phân tích dữ liệu.
Mức độ phù hợp của AI phụ thuộc vào nhiệm vụ, thông tin hiện có và hậu quả nếu xảy ra lỗi. Bản nháp dùng cho động não nội bộ có thể cần ít kiểm tra hơn báo cáo tài chính hoặc tin nhắn gửi khách hàng. Tác động của kết quả càng lớn, việc kiểm tra càng cần cẩn thận.
Vì sao AI có thể nghe rất thuyết phục nhưng vẫn sai
AI có thể tạo câu chữ phù hợp với các mẫu đã học mà không độc lập xác nhận tuyên bố trong đó. Vì vậy, câu trả lời rõ ràng và tự tin vẫn có thể chứa ngày tháng sai, phần tóm tắt nhầm hoặc tuyên bố không có căn cứ. Sự trôi chảy là đặc điểm của đầu ra, không phải bằng chứng đầu ra đã được xác minh.
Đầu ra cũng có thể phản ánh các mẫu trong dữ liệu dùng để phát triển hệ thống. Nếu ví dụ chứa mẫu thiên lệch hoặc không đại diện, kết quả có thể bị thiên lệch theo cách ảnh hưởng đến nhiệm vụ. Nguyên nhân và tác động khác nhau tùy hệ thống và trường hợp sử dụng; xem xét ví dụ, đầu ra và ảnh hưởng thực tế hữu ích hơn việc giả định mọi lỗi đều có cùng nguyên nhân. Phần giải thích AI cho người mới bắt đầu của Columbia lưu ý rằng đầu ra AI có thể không chính xác, gây hiểu lầm hoặc phản ánh sự thiên lệch trong dữ liệu.
Cách sử dụng đầu ra AI có trách nhiệm
Hãy xem đầu ra AI là đề xuất cần đánh giá, đặc biệt khi có người dựa vào đó để đưa ra quyết định có hậu quả đáng kể. Có thể kiểm tra theo các bước sau:
1. Đối chiếu tuyên bố quan trọng với bằng chứng đáng tin cậy. So sánh số liệu, ngày tháng, tên và trích dẫn với tài liệu gốc hoặc nguồn đáng tin cậy khác.
2. Đánh giá kết quả theo nhiệm vụ. Đảm bảo bản tóm tắt bao gồm các điểm liên quan và bản nháp tuân theo yêu cầu.
3. Bảo vệ thông tin nhạy cảm. Tránh nhập tài liệu kinh doanh mật, thông tin cá nhân, thông tin khách hàng, mật khẩu hoặc mã riêng tư, trừ khi tổ chức và chính sách của công cụ cho phép.
4. Duy trì trách nhiệm của con người. Để người phù hợp kiểm tra quyết định và thông tin liên lạc trước khi hành động dựa trên đó.
Trước khi chia sẻ bản tóm tắt báo cáo có AI hỗ trợ, hãy đối chiếu với báo cáo gốc, kiểm tra số liệu và ngày tháng, đồng thời xóa chi tiết bảo mật khỏi yêu cầu khi cần. Việc nhà cung cấp có dùng dữ liệu bạn gửi để huấn luyện mô hình hay không và thời gian lưu nhật ký là hai câu hỏi riêng biệt. Câu trả lời phụ thuộc vào sản phẩm, cài đặt và chính sách áp dụng. Không nên cho rằng thông tin không được lưu trữ chỉ vì mô hình không được huấn luyện trong lúc bạn gửi yêu cầu. Hướng dẫn AI của Columbia cũng khuyến nghị thận trọng với thông tin cá nhân hoặc thông tin độc quyền.
Mô hình tư duy thực tế: AI hỗ trợ; con người đánh giá
AI hỗ trợ bằng cách dùng các mẫu học được từ dữ liệu để tạo đầu ra cho đầu vào mới. Generative AI có thể dùng những mẫu này để tạo nội dung, còn các hệ thống khác có thể phân loại, dự đoán hoặc đưa ra đề xuất. Những khả năng đó không khiến đầu ra tự động đáng tin cậy.
Cách tiếp cận thực tế là chọn nhiệm vụ phù hợp, cung cấp thông tin cần thiết, kiểm tra kết quả và tiếp tục chịu trách nhiệm về cách sử dụng kết quả. Công cụ AI có thể soạn email; con người cần kiểm tra độ chính xác, giọng điệu và người nhận trước khi gửi.