Mô hình AI là một hệ thống máy tính sử dụng các mẫu đã học hoặc quy tắc được lập trình để biến đầu vào thành đầu ra, chẳng hạn dự đoán, phân loại, đề xuất hoặc nội dung được tạo ra.
Trong một ứng dụng “sử dụng AI”, mô hình thường là thành phần phân tích dữ liệu hoặc tạo nội dung. Ứng dụng cung cấp giao diện, quy trình và các thành phần hỗ trợ xung quanh mô hình. Vì đầu ra không phải lúc nào cũng đúng, đầy đủ hoặc phù hợp, người dùng vẫn cần kiểm tra trước khi sử dụng.
Tóm tắt cốt lõi (Key Takeaways)
- Mô hình AI là gì: Mô hình AI biến đầu vào thành đầu ra bằng các mẫu đã học hoặc quy tắc rõ ràng.
- Mô hình hoạt động thế nào: Mô hình machine learning (học máy) được điều chỉnh bằng dữ liệu huấn luyện, sau đó áp dụng điều đã học vào đầu vào mới trong quá trình inference (suy luận).
- Vì sao điều này quan trọng: Mô hình có thể tạo ra kết quả hữu ích nhưng không bảo đảm mọi kết quả đều đúng, đầy đủ hoặc phù hợp để đưa ra quyết định.
Mô hình AI là gì nếu giải thích đơn giản?
Mô hình AI là thành phần nhận thông tin, xử lý thông tin theo các mẫu đã học hoặc quy tắc được lập trình, rồi tạo ra một kết quả. Kết quả có thể là dự đoán, danh mục, đề xuất, điểm rủi ro, quyết định hoặc nội dung được tạo ra.
Ví dụ, một ứng dụng email nhận thư mới làm đầu vào. Mô hình có thể phân tích các đặc điểm của thư và phân loại đó là thư rác, thư công việc, thư quảng bá hoặc thư khẩn. Ứng dụng sau đó hiển thị kết quả hoặc thực hiện hành động tương ứng.
Mô hình không phải toàn bộ sản phẩm. Một dịch vụ email, nền tảng phát hiện gian lận hoặc ứng dụng hỗ trợ khách hàng còn có thể gồm giao diện người dùng, cơ sở dữ liệu, quy tắc kinh doanh, cơ chế bảo mật và phần mềm khác. Mô hình chỉ đảm nhiệm một nhiệm vụ dự đoán hoặc tạo nội dung cụ thể.
IBM mô tả mô hình AI là một chương trình được huấn luyện trên dữ liệu để nhận diện mẫu hoặc đưa ra quyết định. Google Cloud giải thích rằng mô hình sử dụng các mẫu học được từ dữ liệu để dự đoán hoặc quyết định về dữ liệu mới (IBM; Google Cloud).
Mô hình AI biến đầu vào thành đầu ra như thế nào?
Mô hình AI thường biến đầu vào thành đầu ra qua ba bước:
1. Nhận đầu vào. Đầu vào có thể là email, hình ảnh, giao dịch, tài liệu, câu hỏi hoặc một tập hợp số đo.
2. Xử lý đầu vào. Mô hình xác định các mẫu liên quan hoặc áp dụng quy tắc phù hợp với nhiệm vụ.
3. Trả về đầu ra. Kết quả có thể là nhãn, dự đoán, đề xuất, điểm số, quyết định hoặc câu trả lời được tạo ra.
Trong quy trình hỗ trợ khách hàng, tin nhắn về việc giao hàng chậm là đầu vào. Mô hình có thể phân loại chủ đề là “vấn đề giao hàng” và ước tính mức độ khẩn cấp. Đầu ra có thể là danh mục, mức độ ưu tiên hoặc câu trả lời đề xuất để nhân viên xem xét.
Loại đầu ra phụ thuộc vào nhiệm vụ mô hình được thiết kế, thông tin được cung cấp và cách phần mềm sử dụng kết quả. Một mô hình phân loại email không tự động phù hợp để đánh giá hồ sơ vay vốn hoặc viết kết luận pháp lý.
Ví dụ đơn giản: Dự đoán một giao dịch có gian lận hay không
Mô hình phát hiện gian lận có thể hỗ trợ ưu tiên giao dịch cần xem xét, nhưng không tự xác nhận giao dịch đó là gian lận.
1. Đầu vào: Hệ thống nhận thông tin giao dịch, có thể gồm số tiền, thời gian, địa điểm, thông tin thiết bị và hoạt động của tài khoản.
2. Xử lý bằng mô hình: Mô hình so sánh mẫu của giao dịch mới với các mẫu gắn với những ví dụ trước đây.
3. Đầu ra: Hệ thống có thể tạo điểm rủi ro hoặc đánh dấu giao dịch để xem xét.
Cảnh báo rủi ro cao chỉ cho thấy giao dịch có những điểm giống với các mẫu mà mô hình liên hệ với khả năng gian lận. Ngân hàng hoặc nhà bán lẻ có thể kiểm tra bổ sung hoặc chuyển trường hợp cho nhân viên xem xét.
Dự đoán không đồng nghĩa với sự thật. Một hoạt động hợp pháp nhưng bất thường cũng có thể giống hoạt động đáng ngờ. Vì vậy, quy trình kinh doanh thường kết hợp đầu ra của mô hình với quy tắc, bằng chứng bổ sung và nhận định của con người.
Mô hình AI và thuật toán khác nhau thế nào?
Thuật toán (algorithm) là một quy trình hoặc tập hợp các bước để thực hiện nhiệm vụ. Mô hình AI là hệ thống hoặc biểu diễn đã học được dùng để tạo đầu ra sau khi các quy trình đó và, trong machine learning, dữ liệu đã định hình cách mô hình hoạt động.
Ví dụ, quy tắc “Nếu tin nhắn chứa từ khóa về thanh toán, chuyển tin nhắn vào hàng đợi của bộ phận tài chính” là một thuật toán hoặc tập hợp quy tắc. Một mô hình phân loại yêu cầu đã được huấn luyện lại sử dụng các mẫu từ những ví dụ trước đây để phân loại tin nhắn mới.
| Khái niệm | Ý nghĩa theo cách đơn giản | Ví dụ trong hoạt động hỗ trợ |
|---|---|---|
| Thuật toán | Một quy trình hoặc tập hợp các bước | Quy tắc định tuyến yêu cầu hỗ trợ |
| Dữ liệu huấn luyện | Các ví dụ dùng để định hình mô hình | Những yêu cầu hỗ trợ đã được gắn nhãn trước đây |
| Mô hình AI | Thành phần dùng để tạo ra đầu ra | Bộ phân loại các yêu cầu mới |
| Ứng dụng AI | Sản phẩm hoặc quy trình rộng hơn | Nền tảng hỗ trợ sử dụng bộ phân loại |
Các thuật ngữ này đôi khi được dùng lẫn nhau vì mô hình được triển khai bằng thuật toán và có thể được gọi là một chương trình hoặc phương pháp tính toán. Trong thực tế, có thể xem thuật toán là quy trình, còn mô hình là hệ thống hình thành từ quy trình đó và được dùng để xử lý đầu vào mới. IBM phân biệt hai khái niệm này bằng cách mô tả thuật toán là các quy trình được áp dụng cho dữ liệu, còn mô hình là kết quả của việc áp dụng một thuật toán vào một tập dữ liệu (IBM).
Mô hình AI và dữ liệu huấn luyện khác nhau thế nào?
Dữ liệu huấn luyện (training data) là các ví dụ được sử dụng để tạo hoặc điều chỉnh một mô hình machine learning. Mô hình là hệ thống hình thành từ quá trình đó và có thể xử lý đầu vào mới.
Trong nhiệm vụ phát hiện gian lận, dữ liệu huấn luyện có thể gồm các giao dịch quá khứ được gắn nhãn hợp lệ hoặc gian lận. Phương pháp machine learning sử dụng các ví dụ này để điều chỉnh cách mô hình hoạt động. Sau đó, mô hình đã huấn luyện có thể xử lý giao dịch mới.
| Khái niệm | Vai trò trong quy trình | Ví dụ về phát hiện gian lận |
|---|---|---|
| Dữ liệu huấn luyện | Các ví dụ được sử dụng trong quá trình huấn luyện | Các giao dịch trong quá khứ đã được gắn nhãn |
| Mô hình đã huấn luyện | Hệ thống được điều chỉnh từ các ví dụ đó | Mô hình đánh giá rủi ro gian lận |
| Đầu vào mới | Thông tin được xử lý sau khi huấn luyện | Giao dịch gần đây của khách hàng |
| Đầu ra | Kết quả do mô hình trả về | Điểm rủi ro hoặc cờ yêu cầu xem xét |
Dữ liệu huấn luyện và mô hình có liên quan nhưng không thể thay thế cho nhau. Dữ liệu giúp định hình mô hình, còn mô hình có thể chứa các biểu diễn nội tại đã học chứ không phải bản sao đơn giản của các ví dụ ban đầu.
Chất lượng và mức độ phù hợp của dữ liệu ảnh hưởng đến độ tin cậy của đầu ra. Nếu ví dụ không đầy đủ, được gắn nhãn kém hoặc khác với tình huống mô hình gặp về sau, kết quả có thể kém tin cậy hơn. Xem thêm hướng dẫn của chúng tôi về dữ liệu huấn luyện.
Huấn luyện và inference kết hợp với nhau như thế nào?
Huấn luyện (training) dùng các ví dụ để điều chỉnh mô hình. Inference (suy luận) dùng mô hình đã huấn luyện để tạo đầu ra từ một đầu vào mới.
Quy trình có thể diễn ra như sau:
1. Bắt đầu với các ví dụ. Tổ chức thu thập dữ liệu liên quan, chẳng hạn hóa đơn quá khứ đã được gắn nhãn theo danh mục.
2. Huấn luyện mô hình. Phương pháp machine learning điều chỉnh mô hình để đầu ra khớp với các ví dụ trong phạm vi mà quá trình huấn luyện cho phép.
3. Cung cấp đầu vào mới. Hóa đơn vừa nhận được được gửi đến mô hình đã huấn luyện.
4. Chạy inference. Mô hình phân tích hóa đơn và trả về danh mục dự đoán hoặc kết quả khác.
5. Xem xét hoặc sử dụng đầu ra. Kết quả có thể hỗ trợ quy trình kế toán, kích hoạt quy tắc hoặc được nhân viên kiểm tra.
Sau khi huấn luyện, mô hình có thể dự đoán trên dữ liệu mới chưa từng thấy. Việc này thường được gọi là inference (TDWI).
Inference không nhất thiết có nghĩa mô hình học vĩnh viễn từ mọi yêu cầu. Trong nhiều hệ thống, sử dụng mô hình để trả lời yêu cầu tách biệt với việc cập nhật mô hình qua quy trình huấn luyện sau đó. Việc dữ liệu người dùng có được lưu trữ, ghi nhật ký, dùng để cải thiện dịch vụ hoặc đưa vào huấn luyện trong tương lai hay không phụ thuộc vào thiết kế hệ thống và chính sách của nhà cung cấp. Huấn luyện mô hình và lưu giữ dữ liệu không phải là cùng một việc.
Có phải mọi mô hình AI đều là mô hình machine learning không?
Không. Machine learning là một phương pháp trong Artificial Intelligence (trí tuệ nhân tạo), còn một số hệ thống AI sử dụng các quy tắc rõ ràng thay vì học mẫu từ ví dụ.
Một hệ thống dựa trên quy tắc có thể được lập trình: “Nếu hóa đơn vượt quá một mức tiền nhất định, chuyển hóa đơn đó để phê duyệt.” Con người viết trực tiếp quy tắc này. Ngược lại, mô hình machine learning có thể dự đoán hóa đơn có cần phê duyệt hay không bằng cách tìm mẫu trong nhiều đặc điểm và ví dụ trước đây.
| Phương pháp | Cách tạo ra hành vi | Ví dụ đơn giản |
|---|---|---|
| AI dựa trên quy tắc | Con người viết các quy tắc rõ ràng | Chuyển các hóa đơn vượt ngưỡng để phê duyệt |
| Machine learning | Hệ thống được điều chỉnh bằng các ví dụ | Dự đoán danh mục của hóa đơn |
| Mối quan hệ | Machine learning là một phương pháp của AI | Mô hình machine learning có thể là một mô hình AI |
Mối quan hệ cần nhớ là: mọi mô hình machine learning đều là mô hình AI, nhưng không phải mọi mô hình AI đều là mô hình machine learning. IBM xác định các bộ máy quy tắc, hệ chuyên gia, knowledge graph (đồ thị tri thức) và symbolic AI (AI biểu tượng) là những ví dụ về phương pháp AI có thể sử dụng quy tắc được lập trình rõ ràng (IBM).
Vì vậy, mô tả một hệ thống AI là “học” phù hợp với nhiều hệ thống machine learning nhưng không áp dụng cho mọi hệ thống AI.
Mô hình AI có thể tạo ra những gì?
Mô hình AI có thể tạo dự đoán, phân loại, đề xuất, điểm số, quyết định hoặc nội dung, tùy nhiệm vụ và thiết kế.
1. Dự đoán: Ước tính một kết quả trong tương lai hoặc chưa biết, chẳng hạn nhu cầu sản phẩm dự kiến.
2. Phân loại: Gán đầu vào vào một danh mục, chẳng hạn “khẩn cấp” hoặc “không khẩn cấp”.
3. Đề xuất: Gợi ý sản phẩm, tài liệu, hành động hoặc bước tiếp theo.
4. Điểm số: Đánh giá bằng số, chẳng hạn điểm rủi ro gian lận hoặc điểm ưu tiên.
5. Quyết định: Hành động được mô hình lựa chọn hoặc phần mềm lựa chọn dựa trên đầu ra của mô hình.
6. Nội dung được tạo ra: Văn bản, hình ảnh, âm thanh, mã hoặc nội dung khác được tạo từ chỉ dẫn hoặc đầu vào.
Ví dụ, mô hình có thể phân loại email theo mức độ khẩn cấp, dự đoán nhu cầu bán hàng, đề xuất bài viết trong cơ sở tri thức, chấm điểm khách hàng tiềm năng hoặc soạn bản tóm tắt cuộc họp.
Cách sử dụng phụ thuộc vào loại đầu ra. Phân loại có thể giúp sắp xếp hàng đợi, đề xuất hỗ trợ lựa chọn nội dung và bản tóm tắt tiết kiệm thời gian. Tuy nhiên, không đầu ra nào tự động trở thành sự thật đã được xác minh chỉ vì do mô hình tạo ra.
Vì sao mô hình AI có thể hữu ích nhưng vẫn sai?
Mô hình AI có thể nhận diện mẫu hữu ích nhưng không bảo đảm mọi đầu ra đều đúng, cập nhật, đầy đủ hoặc phù hợp.
Kết quả chịu ảnh hưởng bởi nhiều yếu tố: đầu vào không đầy đủ, tình huống thực tế khác với dữ liệu phát triển, giới hạn trong dữ liệu huấn luyện hoặc thiết kế, hay quy tắc không phù hợp với trường hợp bất thường. Mô hình tạo sinh cũng có thể tạo câu trả lời trôi chảy nhưng không được bằng chứng đáng tin cậy hỗ trợ.
Ví dụ, công cụ AI tóm tắt báo cáo kinh doanh có thể diễn đạt rõ ràng nhưng bỏ sót thời hạn hoặc ghi sai một con số. Khi chi tiết đó ảnh hưởng đến quyết định, cần đối chiếu bản tóm tắt với báo cáo nguồn.
Tương tự, cảnh báo từ mô hình phát hiện gian lận có thể giúp ưu tiên giao dịch cần xem xét nhưng không xác lập ý định phạm tội. Đầu ra của mô hình là bằng chứng phục vụ quy trình, không nhất thiết là kết luận cuối cùng.
Mức độ kiểm tra nên phù hợp với nhiệm vụ. Với tổ chức thông tin có rủi ro thấp, kiểm tra nhanh có thể đủ. Với quyết định liên quan đến tài chính, pháp lý, việc làm, sức khỏe, an ninh hoặc khách hàng, cần bằng chứng chắc chắn hơn và sự giám sát phù hợp của con người.
Mô hình tư duy thực tế để sử dụng mô hình AI có trách nhiệm
Cách tiếp cận thực tế là: đầu vào → mô hình → đầu ra → xem xét.
1. Đầu vào: Bạn đang cung cấp thông tin gì và thông tin đó có chính xác, phù hợp để chia sẻ không? Tránh nhập mật khẩu, API key (khóa API), thông tin kinh doanh mật, dữ liệu cá nhân hoặc hồ sơ khách hàng, trừ khi tổ chức đã phê duyệt công cụ và cách công cụ xử lý dữ liệu đó.
2. Mô hình: Mô hình đang thực hiện nhiệm vụ gì: phân loại, dự đoán, đề xuất, tóm tắt hay tạo nội dung?
3. Đầu ra: Kết quả là đề xuất, xác suất, danh mục, bản nháp hay thông tin hỗ trợ quyết định, thay vì một sự thật được bảo đảm?
4. Xem xét: Bằng chứng hoặc người nào nên kiểm tra kết quả trước khi sử dụng?
Khi yêu cầu công cụ AI tóm tắt báo cáo kinh doanh, chỉ cung cấp tài liệu được phép sử dụng, yêu cầu giữ nguyên các con số và thời hạn quan trọng, đối chiếu bản tóm tắt với tài liệu gốc và xác minh chi tiết ảnh hưởng đến quyết định.
Mô hình AI áp dụng các mẫu hoặc quy tắc vào đầu vào để tạo đầu ra. Dữ liệu huấn luyện có thể định hình mô hình machine learning, thuật toán mô tả các quy trình được sử dụng xung quanh mô hình, còn inference là việc sử dụng mô hình trên đầu vào mới. Phân biệt các khái niệm này giúp bạn đặt câu hỏi đúng và kiểm tra kết quả AI phù hợp.