AI, máy học và mô hình ngôn ngữ lớn khác nhau thế nào?

Ba khái niệm này không song song với nhau — chúng lồng vào nhau.

AI (Artificial Intelligence) là tên gọi chung của cả lĩnh vực. Máy học là một cách để làm ra AI, và hiện là cách phổ biến nhất. Mô hình ngôn ngữ lớn là một loại mô hình máy học, chuyên xử lý chữ.

Nói cách khác: mô hình ngôn ngữ lớn nằm trong máy học, máy học nằm trong AI. Không phải ba thứ để so sánh với nhau.

Bài này giải thích các khái niệm. Nếu anh chị cần biết những thứ này dùng được vào việc gì, đọc AI làm được gì và không làm được gì.

Bảng phân biệt ngắn

Điều đáng nhớ: thị giác máy tính và mô hình ngôn ngữ là hai họ bài toán khác nhau. Chúng dùng loại dữ liệu khác nhau, chi phí khác nhau, và không thay thế được cho nhau.

Vì sao sự phân biệt này quan trọng khi đi mua?

Vì “chúng tôi làm AI” không nói lên điều gì.

Một đơn vị mạnh về xử lý hình ảnh chưa chắc làm tốt trợ lý văn bản, và ngược lại. Hai việc đòi hỏi dữ liệu khác nhau, kinh nghiệm khác nhau, và hạ tầng khác nhau.

Nên câu hỏi đầu tiên không phải “các anh có AI không” mà là: bài toán của tôi thuộc họ nào, và đơn vị này đã làm bài toán nào gần với nó?

Cũng vì thế mà một dự án “chuyển đổi số toàn diện bằng AI” thường là dự án chưa xác định được bài toán. Mỗi họ bài toán là một dự án riêng, với dữ liệu riêng và cách nghiệm thu riêng.

Nghĩa thật của các từ hay gặp trong đề xuất

Mô hình (model). Kết quả của quá trình huấn luyện — một tệp chứa những gì máy đã học được. Khi nhà cung cấp nói “mô hình của chúng tôi”, họ đang nói về tệp đó, không phải toàn bộ hệ thống.

Huấn luyện (training). Quá trình cho máy học từ dữ liệu. Tốn kém, cần dữ liệu nhiều, làm một lần rồi dùng lại.

Suy luận (inference). Lúc hệ thống chạy thật, nhận một ảnh hoặc một câu hỏi và trả kết quả. Đây là phần tốn tài nguyên hàng ngày, và là phần quyết định chi phí vận hành.

Tinh chỉnh (fine-tune). Lấy một mô hình có sẵn rồi huấn luyện thêm bằng dữ liệu riêng của đơn vị. Rẻ hơn huấn luyện từ đầu rất nhiều, nhưng vẫn cần dữ liệu đã được gán nhãn.

RAG (tra cứu rồi trả lời). Cách làm cho mô hình ngôn ngữ trả lời dựa trên tài liệu của đơn vị: hệ thống tìm đoạn tài liệu liên quan trước, rồi mới để mô hình viết câu trả lời dựa trên đoạn đó. Đây là cách phổ biến nhất hiện nay cho trợ lý tra cứu nội bộ, và nó không đòi hỏi huấn luyện lại mô hình.

Điểm này đáng nhớ: nếu nhà cung cấp nói phải huấn luyện lại mô hình chỉ để nó biết quy định của đơn vị, nên hỏi lại vì sao không dùng cách tra cứu.

Agent (tác tử). Mô hình ngôn ngữ được phép gọi công cụ khác và thực hiện nhiều bước liên tiếp, thay vì chỉ trả lời một câu. Mạnh hơn, và cũng nhiều rủi ro hơn — vì nó hành động, không chỉ nói.

Biên và trung tâm (edge và cloud). Xử lý ngay tại thiết bị, hay gửi về máy chủ. Ảnh hưởng tới chi phí đường truyền, độ trễ, và câu hỏi dữ liệu đi đâu.

Những gì các từ này không nói cho anh chị biết

Đây là phần quan trọng hơn cả bảng thuật ngữ.

Không nói gì về độ chính xác trên hiện trường của anh chị. Một mô hình học sâu tiên tiến vẫn thất bại nếu camera đặt sai chỗ. Bài Độ chính xác của AI nghĩa là gì nói kỹ về chuyện này.

Không nói gì về chi phí vận hành. Phần lớn dự toán chỉ tính phần triển khai. Chi phí suy luận, chi phí cập nhật tài liệu, chi phí đào tạo lại người dùng thường không xuất hiện trong bảng giá.

Không nói gì về việc ai chịu trách nhiệm khi hệ thống sai. Đây là điều khoản hợp đồng, không phải đặc tính kỹ thuật.

Không nói gì về dữ liệu. Mọi hệ thống máy học đều phụ thuộc vào dữ liệu, và phần lớn dự án tắc ở đó chứ không tắc ở mô hình. Bài Dữ liệu: chỗ mọi dự án AI mắc lại nói riêng về phần này.

Ba câu nên hỏi nhà cung cấp — kể cả chúng tôi

Bài toán của tôi thuộc họ nào, và các anh đã làm bài toán nào gần với nó? Một dự án tương tự đã chạy thật có giá trị hơn một danh sách công nghệ.

Hệ thống này cần huấn luyện lại không, hay chỉ cần nạp tài liệu? Câu trả lời cho biết chi phí và thời gian rất khác nhau.

Phần xử lý đặt ở đâu, và dữ liệu đi qua đâu? Câu này phải trả lời bằng tên hệ thống và vị trí cụ thể, không bằng cam kết bảo mật.

Câu hỏi thường gặp

Mô hình ngôn ngữ lớn có “hiểu” không?

Không theo cách con người hiểu. Nó dự đoán chữ tiếp theo dựa trên các quy luật rút ra từ khối lượng văn bản rất lớn. Kết quả có thể rất hữu ích, nhưng cơ chế bên dưới không phải là suy luận theo nghĩa thông thường — và đó là lý do nó sai theo những cách khó đoán.

Có cần hiểu kỹ thuật để quyết định mua không?

Không cần hiểu cách mô hình hoạt động. Nhưng cần hiểu đủ để phân biệt một đề xuất có bài toán rõ ràng với một đề xuất chỉ liệt kê công nghệ. Đó là mục đích của bài này.

Mô hình miễn phí và mô hình thương mại khác nhau nhiều không?

Khác về nhiều thứ, nhưng với phần lớn bài toán trong tổ chức, yếu tố quyết định kết quả không phải là chọn mô hình nào, mà là chất lượng dữ liệu và cách đặt bài toán. Chọn mô hình là quyết định dễ đổi về sau; đặt sai bài toán thì làm lại từ đầu.

AI và tự động hoá có phải một?

Không. Tự động hoá là làm theo quy tắc đã viết sẵn, luôn cho cùng kết quả với cùng đầu vào. AI học từ dữ liệu và có thể sai. Nhiều việc trong tổ chức thật ra chỉ cần tự động hoá — và nếu vậy thì nên làm tự động hoá, vì nó rẻ hơn và dễ kiểm soát hơn.

Nếu anh chị đang đọc một đề xuất đầy thuật ngữ và muốn biết đâu là phần thật, đâu là phần tiếp thị, gửi email cho tôi:

son.pm@nguoibanrong.com

Tôi trả lời tất cả, và không gửi tài liệu quảng cáo.