Tweet
Phân rã Trí tuệ Nhân tạo (AI) và cách một LLM "suy nghĩ"
Hình trên cho thấy mối quan hệ bao hàm giữa các lĩnh vực:
AI là khái niệm rộng nhất.
Tiêu đề "How an LLM Thinks" thường khiến nhiều người hiểu nhầm rằng mô hình ngôn ngữ lớn (LLM) suy nghĩ giống con người. Thực tế không phải vậy. LLM không có ý thức, không có cảm xúc, không có kinh nghiệm sống và cũng không thực sự "hiểu" thế giới theo cách con người hiểu. Thay vào đó, LLM hoạt động bằng cách:
Prompt
↓
Tokenization
↓
Transformer Layers
↓
Attention Mechanism
↓
Probability Calculation
↓
Next Token Prediction
↓
Response
Điều làm LLM trở nên mạnh mẽ là nó đã được huấn luyện trên khối lượng dữ liệu khổng lồ, giúp mô hình học được ngữ pháp, ngữ nghĩa, quan hệ giữa các khái niệm, mẫu lập luận phổ biến, kiến thức từ nhiều lĩnh vực. Kết quả là câu trả lời do AI tạo ra có cảm giác như đang "suy nghĩ", mặc dù thực chất đây chỉ là một quá trình dự đoán thống kê cực kỳ tinh vi.
Ba trụ cột tạo giá trị của Generative AI trong doanh nghiệp
Câu chuyện về Sarah – một Project Manager chuẩn bị triển khai sản phẩm phần mềm mới – minh họa rất rõ cách AI tạo ra giá trị trong môi trường doanh nghiệp.
1. Augmentation – Tăng cường năng lực
Đây là việc sử dụng AI để hỗ trợ các công việc lặp lại hoặc tốn thời gian. Ví dụ Sarah phải viết báo cáo tiến độ hàng tuần. Thông thường các bước phải thực hiện bao gồm thu thập thông tin, viết báo cáo, chỉnh sửa. Các công việc này mất khoảng 1 giờ.
Với AI, Sarah chỉ cần nhập vài gạch đầu dòng, AI tạo bản nháp chuyên nghiệp, Sarah rà soát và bổ sung chuyên môn. Thời gian giảm từ 60 phút xuống còn khoảng 5 phút. Giá trị thực sự không phải là tiết kiệm 55 phút. Giá trị thực sự là Sarah có thêm thời gian để thực hiện các công việc chiến lược hơn.
2. Creation – Sáng tạo nội dung mới
Sau khi tiết kiệm được thời gian, Sarah bắt đầu chuẩn bị bài thuyết trình cho ban lãnh đạo. Vấn đề là doanh nghiệp không có đội thiết kế, ngân sách hạn chế nhưng lại cần hình ảnh chuyên nghiệp. Sarah sử dụng AI Image Generator:
Prompt
↓
AI Image Model
↓
Infographics
Icons
Illustrations
Presentation Graphics
Kết quả là tạo ra nội dung mới, tăng chất lượng truyền thông, giảm chi phí thiết kế. Đây chính là sức mạnh của Generative AI.
3. Synthesis – Tổng hợp tri thức
Sau khi sản phẩm ra mắt thành công, Sarah cần hiểu phản hồi khách hàng. Nguồn dữ liệu từ Email, Survey, Support Ticket, Chat Messages.... Tổng cộng hàng nghìn phản hồi. Nếu làm thủ công sẽ tốn nhiều ngày hoặc nhiều tuần Với AI:
Customer Feedback
↓
LLM Analysis
↓
Topic Clustering
↓
Sentiment Analysis
↓
Summary
AI phát hiện: Nhu cầu về phiên bản ứng dụng di động xuất hiện lặp lại trong rất nhiều phản hồi khách hàng. Điều này giúp đội sản phẩm đưa ra quyết định nhanh hơn dựa trên dữ liệu.
Lưu ý quan trọng về bảo mật
Trong môi trường doanh nghiệp, không phải dữ liệu nào cũng được phép đưa vào AI. Không nên tải lên Thông tin khách hàng, Dữ liệu tài chính, Mã nguồn nội bộ, Hồ sơ nhân sự, Bí mật kinh doanh trừ khi AI đã được tổ chức phê duyệt, có chính sách bảo vệ dữ liệu, có cơ chế kiểm soát quyền truy cập. Đây là lý do các doanh nghiệp đang triển khai AI Governance, AI Security, Data Classification, DLP (Data Loss Prevention), AI Defense để giảm thiểu rủi ro khi sử dụng AI.
Góc nhìn cho người mới học AI
Nếu bạn là kỹ sư mạng, kỹ sư hệ thống, DevOps, Security hoặc Cloud Engineer, hãy nhớ Generative AI không chỉ là ChatGPT. Giá trị thực tế của AI trong doanh nghiệp thường xoay quanh 3 câu hỏi:
1. Tôi có thể làm việc hiệu quả hơn ở đâu?
→ Augmentation
2. Tôi cần tạo ra điều gì mới?
→ Creation
3. Tôi đang có dữ liệu nào mà chưa hiểu hết?
→ Synthesis
Khi trả lời được ba câu hỏi này, bạn đã bắt đầu tư duy như một người triển khai AI trong doanh nghiệp, thay vì chỉ là một người sử dụng công cụ AI đơn thuần. Đó cũng chính là bước chuyển từ AI User sang AI Practitioner – xu hướng kỹ năng đang được các doanh nghiệp trên toàn thế giới tìm kiếm trong kỷ nguyên AI.
Hình trên cho thấy mối quan hệ bao hàm giữa các lĩnh vực:
AI là khái niệm rộng nhất.
- Machine Learning là một nhánh của AI.
- Deep Learning là một nhánh của Machine Learning.
- Generative AI là một tập con của Deep Learning, tập trung vào việc tạo ra nội dung mới như văn bản, hình ảnh, âm thanh, video và mã nguồn.
Tiêu đề "How an LLM Thinks" thường khiến nhiều người hiểu nhầm rằng mô hình ngôn ngữ lớn (LLM) suy nghĩ giống con người. Thực tế không phải vậy. LLM không có ý thức, không có cảm xúc, không có kinh nghiệm sống và cũng không thực sự "hiểu" thế giới theo cách con người hiểu. Thay vào đó, LLM hoạt động bằng cách:
- Nhận dữ liệu đầu vào (Prompt)
- Phân tích ngữ cảnh
- Dự đoán từ hoặc token tiếp theo có xác suất cao nhất
- Lặp lại quá trình này cho đến khi hoàn thành câu trả lời
Prompt
↓
Tokenization
↓
Transformer Layers
↓
Attention Mechanism
↓
Probability Calculation
↓
Next Token Prediction
↓
Response
Điều làm LLM trở nên mạnh mẽ là nó đã được huấn luyện trên khối lượng dữ liệu khổng lồ, giúp mô hình học được ngữ pháp, ngữ nghĩa, quan hệ giữa các khái niệm, mẫu lập luận phổ biến, kiến thức từ nhiều lĩnh vực. Kết quả là câu trả lời do AI tạo ra có cảm giác như đang "suy nghĩ", mặc dù thực chất đây chỉ là một quá trình dự đoán thống kê cực kỳ tinh vi.
Ba trụ cột tạo giá trị của Generative AI trong doanh nghiệp
Câu chuyện về Sarah – một Project Manager chuẩn bị triển khai sản phẩm phần mềm mới – minh họa rất rõ cách AI tạo ra giá trị trong môi trường doanh nghiệp.
1. Augmentation – Tăng cường năng lực
Đây là việc sử dụng AI để hỗ trợ các công việc lặp lại hoặc tốn thời gian. Ví dụ Sarah phải viết báo cáo tiến độ hàng tuần. Thông thường các bước phải thực hiện bao gồm thu thập thông tin, viết báo cáo, chỉnh sửa. Các công việc này mất khoảng 1 giờ.
Với AI, Sarah chỉ cần nhập vài gạch đầu dòng, AI tạo bản nháp chuyên nghiệp, Sarah rà soát và bổ sung chuyên môn. Thời gian giảm từ 60 phút xuống còn khoảng 5 phút. Giá trị thực sự không phải là tiết kiệm 55 phút. Giá trị thực sự là Sarah có thêm thời gian để thực hiện các công việc chiến lược hơn.
2. Creation – Sáng tạo nội dung mới
Sau khi tiết kiệm được thời gian, Sarah bắt đầu chuẩn bị bài thuyết trình cho ban lãnh đạo. Vấn đề là doanh nghiệp không có đội thiết kế, ngân sách hạn chế nhưng lại cần hình ảnh chuyên nghiệp. Sarah sử dụng AI Image Generator:
Prompt
↓
AI Image Model
↓
Infographics
Icons
Illustrations
Presentation Graphics
Kết quả là tạo ra nội dung mới, tăng chất lượng truyền thông, giảm chi phí thiết kế. Đây chính là sức mạnh của Generative AI.
3. Synthesis – Tổng hợp tri thức
Sau khi sản phẩm ra mắt thành công, Sarah cần hiểu phản hồi khách hàng. Nguồn dữ liệu từ Email, Survey, Support Ticket, Chat Messages.... Tổng cộng hàng nghìn phản hồi. Nếu làm thủ công sẽ tốn nhiều ngày hoặc nhiều tuần Với AI:
Customer Feedback
↓
LLM Analysis
↓
Topic Clustering
↓
Sentiment Analysis
↓
Summary
AI phát hiện: Nhu cầu về phiên bản ứng dụng di động xuất hiện lặp lại trong rất nhiều phản hồi khách hàng. Điều này giúp đội sản phẩm đưa ra quyết định nhanh hơn dựa trên dữ liệu.
Lưu ý quan trọng về bảo mật
Trong môi trường doanh nghiệp, không phải dữ liệu nào cũng được phép đưa vào AI. Không nên tải lên Thông tin khách hàng, Dữ liệu tài chính, Mã nguồn nội bộ, Hồ sơ nhân sự, Bí mật kinh doanh trừ khi AI đã được tổ chức phê duyệt, có chính sách bảo vệ dữ liệu, có cơ chế kiểm soát quyền truy cập. Đây là lý do các doanh nghiệp đang triển khai AI Governance, AI Security, Data Classification, DLP (Data Loss Prevention), AI Defense để giảm thiểu rủi ro khi sử dụng AI.
Góc nhìn cho người mới học AI
Nếu bạn là kỹ sư mạng, kỹ sư hệ thống, DevOps, Security hoặc Cloud Engineer, hãy nhớ Generative AI không chỉ là ChatGPT. Giá trị thực tế của AI trong doanh nghiệp thường xoay quanh 3 câu hỏi:
1. Tôi có thể làm việc hiệu quả hơn ở đâu?
→ Augmentation
2. Tôi cần tạo ra điều gì mới?
→ Creation
3. Tôi đang có dữ liệu nào mà chưa hiểu hết?
→ Synthesis
Khi trả lời được ba câu hỏi này, bạn đã bắt đầu tư duy như một người triển khai AI trong doanh nghiệp, thay vì chỉ là một người sử dụng công cụ AI đơn thuần. Đó cũng chính là bước chuyển từ AI User sang AI Practitioner – xu hướng kỹ năng đang được các doanh nghiệp trên toàn thế giới tìm kiếm trong kỷ nguyên AI.
Attached Files