3  AI Tạo sinh, Mô hình Ngôn ngữ Lớn và Kỹ thuật ‘Prompting’

Mục tiêu chương

Kết thúc chương này, người học sẽ có khả năng:

3.1 Giới thiệu về AI Tạo sinh

Trong những năm gần đây, một nhánh của Trí tuệ Nhân tạo đã thu hút sự chú ý đặc biệt của giới học thuật, doanh nghiệp và người dùng, đó là Trí tuệ Nhân tạo Tạo sinh (Generative AI). Sự phát triển mạnh mẽ của AI Tạo sinh, đặc biệt là các mô hình ngôn ngữ lớn, đang mở ra những khả năng mới mẻ và đồng thời đặt ra những câu hỏi quan trọng về tương lai của công nghệ và xã hội.

3.1.1 Khái niệm AI Tạo sinh

Trí tuệ Nhân tạo Tạo sinh là loại hình trí tuệ nhân tạo có khả năng tạo ra nội dung mới và nguyên bản, thay vì chỉ phân tích hoặc hành động dựa trên dữ liệu hiện có. Các nội dung (mới được tạo ra) này có thể bao gồm văn bản, hình ảnh, âm thanh, video, code, thậm chí là các cấu trúc dữ liệu phức tạp như mô hình phân tử.

Khác với AI phân tích (Analytical AI) hay AI dự đoán (Predictive AI) tập trung vào việc rút ra hiểu biết hoặc dự đoán từ dữ liệu đầu vào, AI Tạo sinh học các mẫu và cấu trúc từ dữ liệu huấn luyện để sau đó có thể “sáng tạo” ra những sản phẩm mới chưa từng tồn tại trước đó nhưng vẫn tuân theo các đặc điểm của dữ liệu đã học.

Ví dụ, một mô hình AI phân tích có thể được huấn luyện để nhận diện một con mèo trong bức ảnh (phân loại), trong khi một mô hình AI Tạo sinh có thể được yêu cầu tạo ra một bức ảnh hoàn toàn mới về một con mèo dựa trên mô tả (“một con mèo Ba Tư lông xù đang nằm trên ghế sofa nhung đỏ”).

Cốt lõi của AI Tạo sinh thường là các mô hình học máy, đặc biệt là các kiến trúc mạng nơ-ron sâu như Mạng đối nghịch tạo sinh (Generative Adversarial Networks - GANs), Biến thể tự mã hóa (Variational Autoencoders - VAEs), và gần đây nhất là các mô hình dựa trên kiến trúc Transformer (nền tảng của nhiều mô hình ngôn ngữ lớn).

3.1.2 Sự phát triển vượt bậc và tác động của AI Tạo sinh

Mặc dù các ý tưởng về AI Tạo sinh đã có từ nhiều thập kỷ trước, sự phát triển thực sự bùng nổ của lĩnh vực này chỉ diễn ra trong khoảng một thập kỷ trở lại đây, được thúc đẩy bởi ba yếu tố chính:

  1. Sự suất hiện của dữ liệu lớn (Big Data): Các mô hình AI Tạo sinh, đặc biệt là các mô hình học sâu, cần được huấn luyện trên những tập dữ liệu khổng lồ để học được các mẫu phức tạp. Internet đã cung cấp một nguồn dữ liệu vô tận (văn bản, hình ảnh, video).
  2. Những tiến bộ trong thuật toán và kiến trúc mô hình: Sự ra đời của GANs (Ian Goodfellow, 2014) và kiến trúc Transformer (Vaswani et al., 2017) đã tạo ra những đột phá về chất lượng và khả năng của các mô hình tạo sinh.
  3. Sự gia tăng năng lực tính toán: Sự phát triển của các bộ xử lý đồ họa (GPUs) và các đơn vị xử lý tensor (TPUs) đã cung cấp sức mạnh tính toán cần thiết để huấn luyện các mô hình AI Tạo sinh ngày càng lớn và phức tạp.

Sự phát triển vượt bậc này đã dẫn đến những tác động sâu rộng và đa chiều:

  • Trong Sáng tạo Nội dung: AI Tạo sinh đang cách mạng hóa cách chúng ta tạo ra văn bản (viết báo, kịch bản, thơ,…), hình ảnh (minh họa, nghệ thuật số,…), âm nhạc, video. Nó có thể hỗ trợ các nghệ sĩ, nhà văn, nhà thiết kế, hoặc thậm chí tự động tạo ra nội dung ở quy mô lớn.
  • Trong Kinh doanh và Công nghiệp:
    • Marketing và Quảng cáo: Tạo ra các bản sao quảng cáo, hình ảnh sản phẩm, video marketing được cá nhân hóa.
    • Thiết kế và Sản xuất: Tạo ra các mẫu thiết kế sản phẩm mới, tối ưu hóa thiết kế hiện có, mô phỏng các quy trình sản xuất.
    • Phát triển Phần mềm: Hỗ trợ viết mã, gỡ lỗi, tạo tài liệu kỹ thuật.
    • Dịch vụ Khách hàng: Cung cấp năng lượng cho các chatbot và trợ lý ảo thông minh hơn, có khả năng trò chuyện tự nhiên và giải quyết các vấn đề phức tạp hơn.
  • Trong Khoa học và Nghiên cứu: Tạo ra các loại thuốc mới, ché tạo ra các loại vật liệu mới, mô phỏng các hiện tượng phức tạp.
  • Trong Giáo dục: Tạo ra các tài liệu học tập được cá nhân hóa, các công cụ hỗ trợ học tập có tính tương tác.

Tuy nhiên, sự phát triển nhanh chóng của AI Tạo sinh cũng mang đến những thách thức và lo ngại đáng kể, bao gồm nguy cơ tạo ra thông tin sai lệch (fake news, deepfakes), vấn đề bản quyền đối với nội dung do AI tạo ra, khả năng lạm dụng cho các mục đích xấu, và tác động đến thị trường lao động. Những vấn đề này sẽ được thảo luận kỹ hơn trong các phần sau của giáo trình.

3.1.3 Các loại hình AI Tạo sinh phổ biến

AI Tạo sinh có thể tạo ra nhiều loại nội dung khác nhau. Dưới đây là một số loại nội dung phổ biến:

  1. AI Tạo sinh Văn bản (Text Generation):
    • Mô tả: Tạo ra văn bản có kết cấu mạch lạc, có ý nghĩa, từ các câu đơn giản đến các đoạn văn dài, bài báo, truyện ngắn, thơ, hoặc thậm chí là các cuộc đối thoại.
    • Công nghệ tiêu biểu: Các Mô hình Ngôn ngữ Lớn (LLMs) dựa trên kiến trúc Transformer như GPT (Generative Pre-trained Transformer) của OpenAI, LaMDA và Gemini của Google, Llama của Meta.
    • Ứng dụng: Viết nội dung marketing, tóm tắt văn bản, trả lời câu hỏi, dịch thuật, viết mã, chatbots.
  2. AI Tạo sinh Hình ảnh (Image Generation):
    • Mô tả: Tạo ra hình ảnh mới từ mô tả văn bản (text-to-image), từ các bản phác thảo, hoặc bằng cách chỉnh sửa, kết hợp các hình ảnh hiện có.
    • Công nghệ tiêu biểu: Mạng đối nghịch tạo sinh (GANs), Mô hình Khuếch tán (Diffusion Models) như DALL-E (OpenAI), Midjourney, Stable Diffusion.
    • Ứng dụng: Thiết kế đồ họa, nghệ thuật số, tạo hình ảnh minh họa, tạo mẫu sản phẩm, chỉnh sửa ảnh.
  3. AI Tạo sinh Âm thanh và Âm nhạc (Audio and Music Generation):
    • Mô tả: Tạo ra các đoạn âm thanh mới, giọng nói tổng hợp (text-to-speech), hoặc các bản nhạc hoàn chỉnh theo một phong cách nhất định.
    • Công nghệ tiêu biểu: WaveNet (DeepMind), Jukebox (OpenAI), các mô hình dựa trên GANs và Transformer.
    • Ứng dụng: Tạo nhạc nền cho video, lồng tiếng, tổng hợp giọng nói cho trợ lý ảo, thử nghiệm các ý tưởng âm nhạc mới.
  4. AI Tạo sinh Video (Video Generation):
    • Mô tả: Tạo ra các đoạn video ngắn từ mô tả văn bản, từ hình ảnh tĩnh, hoặc bằng cách chỉnh sửa, biến đổi video hiện có. Lĩnh vực này vẫn còn nhiều thách thức hơn so với tạo ảnh hoặc văn bản do tính phức tạp của dữ liệu video (chuỗi các khung hình thay đổi theo thời gian).
    • Công nghệ tiêu biểu: Các mô hình kết hợp CNN, RNN, GANs, và Transformer. Ví dụ: Sora (OpenAI), Gen-2 (Runway).
    • Ứng dụng: Tạo video quảng cáo ngắn, tạo mẫu hoạt hình, mô phỏng.
  5. AI Tạo sinh Mã nguồn (Code Generation):
    • Mô tả: Tự động tạo ra các đoạn mã hoặc toàn bộ chương trình máy tính dựa trên mô tả bằng ngôn ngữ tự nhiên hoặc các yêu cầu kỹ thuật.
    • Công nghệ tiêu biểu: Các LLM được huấn luyện chuyên biệt trên dữ liệu mã nguồn như GitHub Copilot (OpenAI/GitHub), AlphaCode (DeepMind), Code Llama (Meta).
    • Ứng dụng: Hỗ trợ lập trình viên, tăng tốc độ phát triển phần mềm, tự động hóa các tác vụ viết mã lặp đi lặp lại, học lập trình.

Ngoài ra, AI Tạo sinh còn có thể được ứng dụng để tạo ra các loại dữ liệu khác như mô hình 3D, dữ liệu bảng (tabular data) tổng hợp cho mục đích thử nghiệm hoặc bảo vệ quyền riêng tư, và các cấu trúc phức tạp trong khoa học. Sự đa dạng này cho thấy tiềm năng to lớn của AI Tạo sinh trong việc thay đổi cách chúng ta tương tác và tạo ra thế giới số.

3.2 Giới thiệu Mô hình Ngôn ngữ Lớn

Trong số các công nghệ AI Tạo sinh, Mô hình Ngôn ngữ Lớn (Large Language Models - LLMs) đã nổi lên như một trong những đột phá quan trọng và có ảnh hưởng sâu rộng nhất. Khả năng hiểu và tạo ra văn bản giống như con người của LLMs đang mở ra vô số ứng dụng tiềm năng trong kinh doanh và nhiều lĩnh vực khác.

3.2.1 Khái niệm về LLMs và nguyên lý hoạt động

Mô hình Ngôn ngữ Lớn là một loại mô hình trí tuệ nhân tạo được thiết kế để hiểu, tạo ra và làm việc với ngôn ngữ của con người. Chúng được gọi là “lớn” vì hai lý do chính:

  1. Kích thước của mô hình: Chúng có số lượng tham số (parameters) cực kỳ lớn, thường từ hàng tỷ đến hàng nghìn tỷ. Tham số là các giá trị mà mô hình học được trong quá trình huấn luyện và quyết định cách mô hình xử lý đầu vào và tạo ra đầu ra.
  2. Kích thước của dữ liệu huấn luyện: Chúng được huấn luyện trên một khối lượng văn bản và mã nguồn khổng lồ được thu thập từ Internet (sách, bài báo, website, mã nguồn mở,…).

Cách thức hoạt động

Về cơ bản, một LLM hoạt động bằng cách dự đoán từ tiếp theo trong một chuỗi các từ. Hãy tưởng tượng bạn đang gõ một câu và điện thoại của bạn gợi ý từ tiếp theo – LLM làm điều tương tự nhưng ở một quy mô và mức độ phức tạp cao hơn rất nhiều.

  1. Đầu vào (Input/Prompt): Người dùng cung cấp cho LLM một đoạn văn bản đầu vào, được gọi là “prompt” (câu lệnh hoặc ngữ cảnh). Ví dụ: “Hãy viết một email marketing giới thiệu sản phẩm X…”
  2. Tokenization: Văn bản đầu vào được chia thành các đơn vị nhỏ hơn gọi là “token”. Token có thể là từ, một phần của từ, hoặc thậm chí là các ký tự.
  3. Embedding: Mỗi token được chuyển đổi thành một vector số (một chuỗi các con số) gọi là “embedding”. Vector này biểu diễn ý nghĩa và ngữ cảnh của token đó trong không gian nhiều chiều. Các token có ý nghĩa tương tự sẽ có vector embedding gần nhau.
  4. Kiến trúc Transformer: Hầu hết các LLM hiện đại sử dụng một kiến trúc mạng nơ-ron sâu gọi là Transformer. Kiến trúc này có một cơ chế đặc biệt gọi là “attention” (sự chú ý), cho phép mô hình cân nhắc tầm quan trọng của các token khác nhau trong văn bản đầu vào khi dự đoán token tiếp theo. Nó giúp mô hình hiểu được mối quan hệ giữa các từ ở xa nhau trong câu hoặc đoạn văn, nắm bắt được ngữ cảnh dài hạn.
  5. Quá trình tạo sinh (Generation):
    • Dựa trên các token đầu vào và kiến thức đã học được từ dữ liệu huấn luyện khổng lồ, mô hình sẽ tính toán xác suất cho mỗi từ có thể xuất hiện tiếp theo trong kho từ vựng của nó.
    • Mô hình thường chọn từ có xác suất cao nhất, hoặc sử dụng một số kỹ thuật lấy mẫu (sampling) để tạo ra sự đa dạng và sáng tạo hơn trong văn bản đầu ra.
    • Từ được chọn sẽ được thêm vào chuỗi văn bản, và quá trình này lặp lại, với mô hình dự đoán từ tiếp theo dựa trên toàn bộ chuỗi đã được tạo ra cho đến thời điểm đó.
    • Quá trình này tiếp tục cho đến khi mô hình tạo ra một token đặc biệt báo hiệu kết thúc (end-of-sequence token) hoặc đạt đến một độ dài tối đa được xác định trước.
  6. Đầu ra (Output): Kết quả là một đoạn văn bản mới được tạo ra bởi LLM, phản hồi lại prompt của người dùng.

Quá trình huấn luyện một LLM là vô cùng tốn kém về mặt tính toán và dữ liệu. Nó bao gồm hai giai đoạn chính:

  • Tiền huấn luyện (Pre-training): Mô hình được huấn luyện trên một tập dữ liệu văn bản khổng lồ với mục tiêu chung là học cách dự đoán từ tiếp theo hoặc điền vào các từ bị thiếu trong câu. Giai đoạn này giúp mô hình học được các kiến thức tổng quát về ngôn ngữ, ngữ pháp, các sự kiện trên thế giới, và một số khả năng suy luận cơ bản.
  • Tinh chỉnh (Fine-tuning): Sau khi tiền huấn luyện, mô hình cơ sở (foundation model) có thể được tinh chỉnh thêm trên một tập dữ liệu nhỏ hơn, chuyên biệt hơn cho một tác vụ cụ thể (ví dụ: trả lời câu hỏi, tóm tắt văn bản, dịch thuật, viết mã) hoặc một lĩnh vực kiến thức cụ thể (ví dụ: y tế, pháp lý). Kỹ thuật này giúp mô hình hoạt động tốt hơn với các yêu cầu chuyên biệt. Một phương pháp tinh chỉnh phổ biến là Học tăng cường từ phản hồi của con người (Reinforcement Learning from Human Feedback - RLHF), giúp mô hình tạo ra các phản hồi hữu ích hơn, trung thực hơn và ít gây hại hơn.

3.2.2 Các mô hình LLM tiêu biểu

Thị trường LLM đang phát triển rất nhanh chóng với sự tham gia của nhiều công ty công nghệ lớn và các viện nghiên cứu. Dưới đây là một số dòng mô hình LLM tiêu biểu:

  • Dòng GPT (Generative Pre-trained Transformer) của OpenAI:
    • GPT-3, GPT-3.5, GPT-4, GPT-4o: Đây là những mô hình rất nổi tiếng, làm nền tảng cho các ứng dụng như ChatGPT. Chúng có khả năng tạo văn bản chất lượng cao, trả lời câu hỏi, viết mã, và nhiều tác vụ khác. GPT-4 và GPT-4o còn có khả năng xử lý đầu vào đa phương thức (multimodal - văn bản và hình ảnh).
  • Dòng Gemini (trước đây là LaMDA và PaLM) của Google DeepMind:
    • LaMDA (Language Model for Dialogue Applications): Được tối ưu hóa cho các ứng dụng đối thoại.
    • PaLM (Pathways Language Model) và PaLM 2: Các mô hình lớn với khả năng suy luận và hiểu ngôn ngữ cải thiện.
    • Gemini: Dòng mô hình đa phương thức mới nhất của Google, được thiết kế để xử lý và tạo ra nhiều loại thông tin khác nhau (văn bản, hình ảnh, âm thanh, video, mã). Có các phiên bản khác nhau như Gemini Ultra, Pro, và Nano cho các mục đích sử dụng khác nhau.
  • Dòng Llama của Meta AI:
    • Llama, Llama 2, Llama 3: Meta đã phát hành các phiên bản Llama dưới dạng mã nguồn mở (hoặc gần như mở), cho phép các nhà nghiên cứu và nhà phát triển tùy chỉnh và xây dựng ứng dụng dựa trên chúng. Điều này đã thúc đẩy sự phát triển của cộng đồng LLM mã nguồn mở.
  • Claude của Anthropic:
    • Anthropic, một công ty tập trung vào việc xây dựng AI an toàn và có trách nhiệm, đã phát triển dòng mô hình Claude (Claude 1, Claude 2, Claude 3). Các mô hình này được thiết kế với các kỹ thuật “AI Hiến định” (Constitutional AI) nhằm giảm thiểu các hành vi gây hại và tuân theo các nguyên tắc đạo đức.
  • Các mô hình từ các nhà cung cấp khác:
    • Cohere: Cung cấp các LLM cho doanh nghiệp.
    • AI21 Labs: Phát triển dòng mô hình Jurassic.
    • Nhiều mô hình mã nguồn mở khác từ các cộng đồng như Hugging Face.

Sự cạnh tranh và đổi mới liên tục trong lĩnh vực này hứa hẹn sẽ mang lại những LLM ngày càng mạnh mẽ và đa năng hơn trong tương lai.

3.2.3 Những khả năng ấn tượng và hạn chế của LLMs

Các Mô hình Ngôn ngữ Lớn hiện đại đã chứng tỏ những khả năng vô cùng ấn tượng, nhưng đồng thời cũng bộc lộ những hạn chế quan trọng mà người dùng, đặc biệt là trong môi trường kinh doanh, cần phải nhận thức rõ.

a. Những khả năng ấn tượng:

  • Tạo văn bản chất lượng cao: LLMs có thể tạo ra văn bản mạch lạc, tự nhiên, và phù hợp với ngữ cảnh trong nhiều phong cách khác nhau (ví dụ: viết email, bài đăng blog, báo cáo, kịch bản, thơ).
  • Trả lời câu hỏi (Question Answering): Chúng có thể trả lời các câu hỏi dựa trên kiến thức đã được huấn luyện hoặc dựa trên một đoạn văn bản được cung cấp.
  • Tóm tắt văn bản (Summarization): LLMs có khả năng tóm tắt các tài liệu dài thành các đoạn ngắn gọn, súc tích mà vẫn giữ được ý chính.
  • Dịch thuật (Translation): Nhiều LLM có khả năng dịch giữa các ngôn ngữ khác nhau với độ chính xác ngày càng cao.
  • Viết và Giải thích Mã nguồn (Code Generation and Explanation): Chúng có thể tạo ra các đoạn mã theo yêu cầu, giải thích chức năng của mã, hoặc giúp tìm lỗi.
  • Phân tích cảm xúc (Sentiment Analysis): Xác định thái độ (tích cực, tiêu cực, trung tính) trong một đoạn văn bản.
  • Hỗ trợ Sáng tạo (Creative Assistance): Giúp brainstorming ý tưởng, phát triển cốt truyện, tạo ra các biến thể nội dung.
  • Học hỏi trong ngữ cảnh (In-context Learning / Few-shot Learning): LLMs có thể học cách thực hiện một tác vụ mới chỉ bằng cách xem một vài ví dụ (shots) được cung cấp trong prompt, mà không cần phải huấn luyện lại toàn bộ mô hình.
  • Khả năng Suy luận Cơ bản (Basic Reasoning): Một số LLM tiên tiến đã bắt đầu thể hiện khả năng suy luận logic đơn giản hoặc suy luận theo một chuỗi các bước.

b. Hạn chế của LLMs:

Mặc dù có những khả năng đáng kinh ngạc, LLMs vẫn tồn tại nhiều hạn chế cố hữu và tiềm ẩn rủi ro:

  • Xu hướng “ảo giác” (Hallucination) – Tạo ra thông tin sai lệch:
    • Đây là một trong những vấn đề nghiêm trọng nhất. LLMs có thể tự tin tạo ra thông tin hoàn toàn sai sự thật, không có cơ sở, hoặc bịa đặt, nhưng lại trình bày một cách rất thuyết phục. Điều này về cơ bản là do các mô hình dự đoán từ tiếp theo dựa trên các mẫu thống kê, chứ không có sự hiểu biết thực sự về thế giới hay khả năng kiểm chứng thông tin.
    • Trong kinh doanh: Việc dựa vào thông tin “ảo giác” từ LLM có thể dẫn đến quyết định sai lầm, gây tổn thất tài chính hoặc ảnh hưởng đến uy tín.
  • Thiên kiến (Bias) do kế thừa từ dữ liệu huấn luyện:
    • LLMs học từ dữ liệu khổng lồ trên Internet, vốn chứa đựng nhiều thiên kiến xã hội (về giới tính, chủng tộc, văn hóa, tôn giáo,…). Do đó, LLMs có thể vô tình tái tạo hoặc thậm chí khuếch đại những thiên kiến này trong các phản hồi của chúng, dẫn đến kết quả không công bằng, mang tính định kiến hoặc xúc phạm.
    • Trong kinh doanh: Thiên kiến trong LLM có thể dẫn đến việc phân biệt đối xử trong tuyển dụng, marketing, hoặc đánh giá tín dụng nếu không được kiểm soát cẩn thận.
  • Thiếu hiểu biết thực sự về thế giới thực và khả năng suy luận nhân quả yếu:
    • Mặc dù LLMs có thể lưu trữ và truy xuất một lượng lớn thông tin, chúng không “hiểu” thế giới theo cách con người hiểu. Chúng thiếu kiến thức nền tảng (common sense) và gặp khó khăn trong việc suy luận nhân quả một cách đáng tin cậy. Chúng giỏi trong việc tìm ra mối tương quan (correlation) nhưng thường không xác định được quan hệ nhân quả (causation).
    • Trong kinh doanh: Điều này hạn chế khả năng của LLMs trong việc giải quyết các vấn đề phức tạp đòi hỏi sự hiểu biết sâu sắc về các mối quan hệ nhân quả trong một lĩnh vực cụ thể.
  • Phụ thuộc nhiều vào chất lượng của “prompt”:
    • Hiệu suất và chất lượng đầu ra của LLM phụ thuộc rất lớn vào cách người dùng đặt câu hỏi hoặc đưa ra yêu cầu (prompt). Một prompt không rõ ràng, mơ hồ hoặc thiếu thông tin có thể dẫn đến kết quả không mong muốn. Kỹ thuật “prompt engineering” trở nên quan trọng để khai thác tối đa khả năng của LLM.
  • Khả năng cập nhật kiến thức hạn chế sau thời điểm huấn luyện:
    • Hầu hết các LLM có một “thời điểm cắt kiến thức” (knowledge cutoff date), tức là chúng không biết về các sự kiện hoặc thông tin xuất hiện sau ngày chúng được huấn luyện lần cuối. Mặc dù một số mô hình mới hơn có khả năng truy cập Internet để lấy thông tin cập nhật, nhưng kiến thức cốt lõi của chúng vẫn bị giới hạn.
    • Trong kinh doanh: Điều này có nghĩa là LLM có thể cung cấp thông tin lỗi thời cho các vấn đề đòi hỏi kiến thức mới nhất.
  • Tiêu tốn tài nguyên tính toán lớn để huấn luyện và vận hành:
    • Việc huấn luyện các LLM hàng đầu đòi hỏi siêu máy tính với hàng ngàn GPU/TPU và tiêu tốn hàng triệu đô la. Ngay cả việc vận hành (inference - đưa ra dự đoán) cũng tốn kém tài nguyên.
    • Trong kinh doanh: Chi phí này có thể là rào cản đối với các doanh nghiệp nhỏ hoặc các ứng dụng đòi hỏi xử lý quy mô lớn.
  • Nguy cơ bị lạm dụng để tạo tin giả, thư rác, mã độc, hoặc thực hiện các cuộc tấn công lừa đảo:
    • Khả năng tạo văn bản thuyết phục của LLMs có thể bị kẻ xấu lợi dụng để tạo ra tin giả (fake news), nội dung tuyên truyền sai lệch, email lừa đảo (phishing) tinh vi, hoặc thậm chí là viết mã độc.
  • Vấn đề tiềm ẩn về bản quyền và sở hữu trí tuệ đối với nội dung được tạo ra:
    • LLMs được huấn luyện trên lượng lớn nội dung có bản quyền. Câu hỏi đặt ra là liệu nội dung do LLM tạo ra có vi phạm bản quyền của các tác phẩm gốc hay không, và ai là chủ sở hữu của nội dung do AI tạo ra. Đây là một lĩnh vực pháp lý còn nhiều tranh cãi.
  • Thiếu khả năng giải thích (Explainability/Interpretability):
    • Tương tự như nhiều mô hình học sâu khác, LLMs thường hoạt động như những “hộp đen”. Rất khó để hiểu chính xác tại sao một LLM lại tạo ra một phản hồi cụ thể, điều này gây khó khăn trong việc gỡ lỗi, kiểm soát và xây dựng lòng tin.
  • Dễ bị “đánh lừa” bởi các tấn công đối nghịch (Adversarial Attacks):
    • Những thay đổi nhỏ, khó nhận thấy trong prompt đầu vào có thể khiến LLM tạo ra kết quả hoàn toàn sai lệch hoặc không mong muốn.

Việc nhận thức rõ những hạn chế này là bước đầu tiên để sử dụng LLMs một cách hiệu quả, an toàn và có trách nhiệm trong mọi ứng dụng, đặc biệt là trong môi trường kinh doanh nơi mà độ chính xác, độ tin cậy và các yếu tố đạo đức luôn được đặt lên hàng đầu.

3.2.4 Đạo đức và Rủi ro khi sử dụng LLMs trong kinh doanh

Việc tích hợp Mô hình Ngôn ngữ Lớn vào các hoạt động kinh doanh mang lại tiềm năng to lớn, nhưng cũng đi kèm với những cân nhắc đạo đức và rủi ro đáng kể mà các tổ chức cần phải chủ động quản lý. Phớt lờ những yếu tố này không chỉ có thể gây tổn hại về tài chính và pháp lý mà còn ảnh hưởng nghiêm trọng đến uy tín thương hiệu và lòng tin của khách hàng.

a. Các vấn đề Đạo đức cần cân nhắc:

  • Thiên kiến và Phân biệt đối xử (Bias and Discrimination):
    • Như đã đề cập, LLMs có thể kế thừa và khuếch đại các thiên kiến từ dữ liệu huấn luyện. Nếu được sử dụng trong các quy trình ra quyết định quan trọng như tuyển dụng, đánh giá hiệu suất, chấm điểm tín dụng, hoặc nhắm mục tiêu marketing, LLMs có thể dẫn đến sự phân biệt đối xử không công bằng đối với một số nhóm người dựa trên giới tính, chủng tộc, tuổi tác, hoặc các đặc điểm nhạy cảm khác.
    • Doanh nghiệp cần có các biện pháp để phát hiện, đánh giá và giảm thiểu thiên vị trong các ứng dụng LLM.
  • Quyền riêng tư và Bảo mật Dữ liệu (Data Privacy and Security):
    • Khi sử dụng LLMs, đặc biệt là các dịch vụ dựa trên đám mây, doanh nghiệp có thể vô tình để lộ dữ liệu nhạy cảm của công ty hoặc khách hàng thông qua các prompt hoặc khi tinh chỉnh mô hình.
    • Cần có chính sách rõ ràng về việc loại dữ liệu nào có thể được sử dụng với LLMs, các biện pháp ẩn danh hóa hoặc mã hóa dữ liệu, và tuân thủ các quy định về bảo vệ dữ liệu (ví dụ: GDPR, CCPA).
  • Minh bạch và Giải trình được (Transparency and Explainability):
    • Tính chất “hộp đen” của nhiều LLMs gây khó khăn trong việc giải thích tại sao một quyết định cụ thể được đưa ra hoặc một nội dung cụ thể được tạo ra. Sự thiếu minh bạch này có thể gây mất lòng tin và khó khăn trong việc tuân thủ các quy định yêu cầu khả năng giải trình (ví dụ: trong lĩnh vực tài chính, y tế).
    • Doanh nghiệp nên ưu tiên các giải pháp LLM có khả năng giải thích cao hơn hoặc có các cơ chế giám sát và kiểm tra quyết định của AI.
  • Trách nhiệm giải trình (Accountability):
    • Khi LLM mắc lỗi hoặc tạo ra nội dung gây hại, việc xác định ai (nhà phát triển LLM, doanh nghiệp sử dụng, hay người dùng cuối) phải chịu trách nhiệm là một vấn đề phức tạp.
    • Cần thiết lập các cơ chế quản trị AI rõ ràng, bao gồm việc xác định vai trò, trách nhiệm, và quy trình xử lý khi có sự cố xảy ra.
  • Tác động đến Việc làm và Kỹ năng của Người lao động:
    • Việc tự động hóa các tác vụ dựa trên ngôn ngữ bằng LLMs có thể dẫn đến những thay đổi trong cơ cấu việc làm, một số công việc có thể bị thay thế hoặc yêu cầu kỹ năng mới.
    • Doanh nghiệp cần có kế hoạch đào tạo lại (reskilling) và nâng cao kỹ năng (upskilling) cho nhân viên để họ có thể làm việc hiệu quả cùng với AI và đảm nhận các vai trò có giá trị cao hơn.
  • Sở hữu trí tuệ và Bản quyền:
    • Việc sử dụng nội dung do LLM tạo ra có thể làm nảy sinh các vấn đề phức tạp về bản quyền. Doanh nghiệp cần cẩn trọng để không vi phạm quyền sở hữu trí tuệ của người khác và hiểu rõ quyền của mình đối với nội dung do AI tạo ra.
  • Nguy cơ tạo ra và lan truyền thông tin sai lệch (Misinformation and Disinformation):
    • Doanh nghiệp sử dụng LLM để tạo nội dung (ví dụ: marketing, truyền thông) phải có trách nhiệm đảm bảo tính chính xác và trung thực của thông tin, tránh tạo ra hoặc lan truyền tin giả, ngay cả khi không cố ý.

b. Các Rủi ro Kinh doanh cụ thể:

  • Rủi ro về Bảo mật Dữ liệu Doanh nghiệp khi sử dụng các LLM công cộng:
    • Việc nhân viên nhập thông tin bí mật của công ty (chiến lược kinh doanh, dữ liệu tài chính, mã nguồn độc quyền) vào các giao diện LLM công cộng (như ChatGPT phiên bản miễn phí) có thể dẫn đến rò rỉ dữ liệu, do các prompt này có thể được nhà cung cấp LLM lưu trữ và sử dụng để huấn luyện mô hình trong tương lai.
    • Nên sử dụng các phiên bản LLM dành cho doanh nghiệp có cam kết bảo mật dữ liệu tốt hơn, hoặc triển khai LLM trên hạ tầng riêng (on-premise) nếu có thể.
  • Rủi ro Pháp lý liên quan đến Bản quyền và Sở hữu Trí tuệ của Nội dung do AI tạo ra:
    • Nếu nội dung do LLM tạo ra quá giống với các tác phẩm có bản quyền trong dữ liệu huấn luyện, doanh nghiệp có thể đối mặt với các vụ kiện vi phạm bản quyền.
    • Cần có quy trình kiểm tra và biên tập kỹ lưỡng nội dung do LLM tạo ra trước khi công bố hoặc sử dụng.
  • Nguy cơ Lan truyền Thông tin Sai lệch ảnh hưởng đến Uy tín Thương hiệu:
    • Nếu một chatbot do LLM vận hành cung cấp thông tin sai lệch cho khách hàng, hoặc nếu nội dung marketing do LLM tạo ra chứa đựng “ảo giác”, điều này có thể gây hiểu lầm, làm mất lòng tin của khách hàng và tổn hại nghiêm trọng đến uy tín thương hiệu.
  • Thách thức trong việc Đảm bảo Tính nhất quán và Chất lượng của Đầu ra từ LLM:
    • Đầu ra của LLM có thể thay đổi ngay cả với cùng một prompt, và chất lượng có thể không đồng đều. Việc đảm bảo tính nhất quán và duy trì tiêu chuẩn chất lượng cao đòi hỏi sự giám sát và can thiệp của con người.
  • Chi phí Cao và Lợi tức Đầu tư (ROI) không chắc chắn:
    • Việc triển khai các giải pháp LLM tiên tiến có thể tốn kém. Nếu không có một chiến lược rõ ràng và các trường hợp sử dụng (use cases) được xác định kỹ lưỡng, doanh nghiệp có thể khó đạt được ROI như mong đợi.
  • Sự phụ thuộc vào Nhà cung cấp LLM:
    • Nếu một doanh nghiệp phụ thuộc quá nhiều vào một nhà cung cấp LLM cụ thể, họ có thể gặp rủi ro nếu nhà cung cấp đó thay đổi chính sách, tăng giá, hoặc ngừng cung cấp dịch vụ.

Để giảm thiểu những rủi ro này, doanh nghiệp cần xây dựng một khung quản trị AI (AI Governance Framework) toàn diện, bao gồm các chính sách, quy trình, và vai trò trách nhiệm rõ ràng cho việc phát triển, triển khai và sử dụng LLMs một cách có đạo đức và có trách nhiệm. Sự tham gia của các bên liên quan từ pháp lý, công nghệ thông tin, nhân sự, và các đơn vị kinh doanh là rất cần thiết.

3.3 Prompt Engineering - Kỹ thuật Giao với AI

Khi làm việc với các Mô hình Ngôn ngữ Lớn (LLMs) và các công cụ AI Tạo sinh khác, chất lượng của đầu ra phụ thuộc rất nhiều vào chất lượng của đầu vào mà chúng ta cung cấp. Đầu vào này, thường ở dạng văn bản, được gọi là “prompt”. Khả năng xây dựng các prompt hiệu quả, hay còn gọi là Prompt Engineering (Kỹ thuật “Prompting”), đã trở thành một kỹ năng quan trọng để khai thác tối đa tiềm năng của AI Tạo sinh.

3.3.1 Khái niện về Prompt và vai trò của prompt

Prompting là quá trình thiết kế và tinh chỉnh các câu lệnh, câu hỏi, hoặc ngữ cảnh đầu vào (tức là các “prompt”) để hướng dẫn một mô hình AI Tạo sinh tạo ra kết quả mong muốn. Một prompt có thể đơn giản như một câu hỏi ngắn, hoặc phức tạp như một đoạn văn dài với nhiều hướng dẫn chi tiết, ví dụ, hoặc yêu cầu về định dạng.

Tại sao prompt lại quan trọng?

  1. Định hướng cho AI: LLMs không “biết” bạn muốn gì trừ khi bạn nói rõ cho chúng. Prompt là công cụ để diễn đạt suy nghĩ người sử dụng, cung cấp ngữ cảnh và đặt ra các ràng buộc cho mô hình.
  2. Ảnh hưởng trực tiếp đến chất lượng đầu ra: Một prompt được xây dựng tốt có thể dẫn đến kết quả chính xác, phù hợp, sáng tạo và hữu ích. Ngược lại, một prompt mơ hồ, thiếu thông tin, hoặc gây hiểu lầm có thể tạo ra kết quả không liên quan, sai lệch, hoặc chất lượng thấp.
  3. Khai thác các khả năng tiềm ẩn của mô hình: Thông qua các kỹ thuật prompting thông minh, người dùng có thể “mở khóa” các khả năng mà mô hình có thể không thể hiện rõ ràng với các prompt đơn giản, ví dụ như khả năng suy luận theo chuỗi, tạo nội dung theo một phong cách cụ thể, hoặc thực hiện các tác vụ phức tạp.
  4. Kiểm soát và Tinh chỉnh: Prompt engineering cho phép người dùng kiểm soát tốt hơn hành vi của mô hình, giảm thiểu các kết quả không mong muốn (như “ảo giác” hoặc thiên vị) và tinh chỉnh đầu ra cho phù hợp với yêu cầu cụ thể.
  5. Tiết kiệm thời gian và tài nguyên: Việc có được kết quả mong muốn ngay từ những lần thử đầu tiên nhờ vào prompt tốt sẽ giúp tiết kiệm thời gian chỉnh sửa và số lần gọi API (nếu sử dụng dịch vụ LLM trả phí).

Trong một nghĩa nào đó, prompt engineering giống như việc học cách “nói chuyện” với AI bằng ngôn ngữ mà nó hiểu và phản hồi tốt nhất. Đó là sự kết hợp giữa khoa học (hiểu cách mô hình hoạt động) và nghệ thuật (sự sáng tạo và trực giác trong việc xây dựng prompt).

3.3.2 Các nguyên tắc để xây dựng prompt hiệu quả

Mặc dù không có một công thức duy nhất cho prompt hoàn hảo, có một số nguyên tắc chung đã được chứng minh là giúp cải thiện đáng kể chất lượng phản hồi từ LLMs:

  1. Rõ ràng và Cụ thể (Be Clear and Specific):
    • Tránh các câu hỏi hoặc yêu cầu mơ hồ, chung chung. Cung cấp càng nhiều chi tiết và ngữ cảnh liên quan càng tốt.
    • Ví dụ, thay vì “Viết về chó”, hãy thử “Viết một đoạn văn ngắn (khoảng 100 từ) mô tả lòng trung thành của chó Phú Quốc, nhấn mạnh vào mối quan hệ của chúng với trẻ em.”
  2. Cung cấp Ngữ cảnh (Provide Context):
    • Nếu prompt của bạn liên quan đến một chủ đề hoặc thông tin cụ thể, hãy cung cấp ngữ cảnh đó cho mô hình. Điều này đặc biệt quan trọng nếu thông tin đó có thể không nằm trong dữ liệu huấn luyện của mô hình hoặc nếu bạn muốn mô hình tập trung vào một khía cạnh cụ thể.
    • Ví dụ: “Dựa trên báo cáo tài chính quý 3 của công ty ABC (đính kèm/mô tả tóm tắt), hãy phân tích những điểm mạnh và điểm yếu.”
  3. Xác định Vai trò (Assign a Role / Persona):
    • Bạn có thể yêu cầu LLM đóng một vai trò cụ thể (ví dụ: “Hãy đóng vai một chuyên gia marketing và viết một bài đăng blog về xu hướng AI trong quảng cáo.”). Điều này giúp mô hình điều chỉnh giọng điệu, phong cách và kiến thức chuyên môn cho phù hợp.
  4. Nêu rõ Định dạng Đầu ra Mong muốn (Specify Output Format):
    • Nếu bạn muốn kết quả được trình bày theo một định dạng cụ thể (ví dụ: danh sách gạch đầu dòng, bảng, đoạn văn, mã JSON, email), hãy yêu cầu rõ ràng trong prompt.
    • Ví dụ: “Liệt kê 5 lợi ích chính của việc sử dụng AI trong dịch vụ khách hàng dưới dạng danh sách gạch đầu dòng.”
  5. Sử dụng Ví dụ (Provide Examples / Few-shot Prompting):
    • Đối với các tác vụ phức tạp hơn hoặc khi bạn muốn một phong cách cụ thể, việc cung cấp một hoặc một vài ví dụ (input/output pairs) trong prompt có thể giúp mô hình “học” nhanh hơn và tạo ra kết quả chính xác hơn. Kỹ thuật này được gọi là “few-shot prompting”.
    • Ví dụ:
      • Người dùng: “Dịch câu sau sang tiếng Pháp: ‘Hello, how are you?’ -> ‘Bonjour, comment ça va?’”
      • Người dùng: “Dịch câu sau sang tiếng Pháp: ‘I love to learn AI.’ -> ?”
      • LLM (dự kiến): “J’adore apprendre l’IA.”
  6. Chia nhỏ Tác vụ Phức tạp (Break Down Complex Tasks):
    • Nếu bạn có một yêu cầu phức tạp, hãy chia nó thành các bước nhỏ hơn và sử dụng nhiều prompt hoặc một prompt có cấu trúc rõ ràng với các bước con. Điều này giúp mô hình xử lý từng phần một cách hiệu quả hơn.
  7. Sử dụng Ngôn ngữ Tích cực và Tránh Phủ định Kép (Use Positive Language and Avoid Double Negatives):
    • Thường thì việc yêu cầu mô hình “làm gì đó” sẽ hiệu quả hơn là yêu cầu “không làm gì đó”. Tránh các câu phủ định kép có thể gây nhầm lẫn.
  8. Thử nghiệm và Lặp lại (Iterate and Experiment):
    • Không phải lúc nào prompt đầu tiên cũng cho kết quả tốt nhất. Hãy sẵn sàng thử nghiệm với các cách diễn đạt khác nhau, thêm hoặc bớt thông tin, thay đổi cấu trúc prompt và quan sát xem mô hình phản hồi như thế nào. Prompt engineering là một quá trình lặp đi lặp lại.
  9. Kiểm soát Độ dài Đầu ra (Control Output Length):
    • Bạn có thể gợi ý hoặc yêu cầu độ dài mong muốn cho kết quả (ví dụ: “viết một đoạn tóm tắt khoảng 50 từ”, “không quá 3 gạch đầu dòng”).
  10. Yêu cầu Mô hình “Suy nghĩ từng bước” (Ask the Model to “Think Step-by-Step”):
    • Đối với các bài toán đòi hỏi suy luận, việc thêm cụm từ như “Let’s think step by step” (Hãy suy nghĩ từng bước) vào cuối prompt có thể khuyến khích mô hình trình bày quá trình suy luận của nó, thường dẫn đến kết quả chính xác hơn. Kỹ thuật này còn được gọi là “Chain-of-Thought Prompting”.

Nắm vững các nguyên tắc này sẽ giúp bạn giao tiếp hiệu quả hơn với LLMs và khai thác được nhiều giá trị hơn từ chúng.

3.3.3 Giới thiệu các kỹ thuật prompting cơ bản

Ngoài các nguyên tắc chung, có một số kỹ thuật prompting cụ thể đã được phát triển để cải thiện hiệu suất của LLMs cho các loại tác vụ khác nhau:

  1. Zero-shot Prompting:
    • Mô tả: Cung cấp cho mô hình một yêu cầu trực tiếp mà không có bất kỳ ví dụ nào về cách thực hiện tác vụ đó. Mô hình được kỳ vọng sẽ hiểu và thực hiện tác vụ dựa trên kiến thức đã được tiền huấn luyện.
    • Ví dụ: “Tóm tắt đoạn văn sau: [đoạn văn dài]”
    • Ưu điểm: Đơn giản, nhanh chóng.
    • Nhược điểm: Có thể không hiệu quả với các tác vụ phức tạp hoặc đòi hỏi phong cách cụ thể.
  2. Few-shot Prompting:
    • Mô tả: Cung cấp cho mô hình một vài ví dụ (thường từ 1 đến 5) về cặp đầu vào/đầu ra mong muốn ngay trong prompt, trước khi đưa ra yêu cầu thực sự. Điều này giúp mô hình “học trong ngữ cảnh” (in-context learning) cách thực hiện tác vụ.
    • Ví dụ (Phân tích cảm xúc):

      • Prompt:

        Đoạn văn: "Bộ phim này thật tuyệt vời, diễn xuất xuất sắc!"
Cảm xúc: Tích cực

Đoạn văn: "Tôi rất thất vọng về sản phẩm này, nó không hoạt động như quảng cáo."
Cảm xúc: Tiêu cực

Đoạn văn: "Dịch vụ ở đây tạm ổn, không có gì đặc biệt."
Cảm xúc: Trung tính

Đoạn văn: "Tôi không thể chờ đợi để xem phần tiếp theo của series này!"
Cảm xúc:
    • Ưu điểm: Thường cho kết quả tốt hơn zero-shot, đặc biệt với các tác vụ mới hoặc đòi hỏi định dạng cụ thể.
    • Nhược điểm: Prompt dài hơn, cần chuẩn bị ví dụ chất lượng.
  3. Chain-of-Thought (CoT) Prompting:
    • Mô tả: Khuyến khích mô hình trình bày quá trình suy luận từng bước trước khi đưa ra câu trả lời cuối cùng, đặc biệt hiệu quả với các bài toán đòi hỏi suy luận logic, toán học, hoặc kiến thức nền tảng. Điều này thường được thực hiện bằng cách thêm cụm từ như “Let’s think step by step” vào cuối prompt, hoặc cung cấp các ví dụ few-shot mà trong đó phần giải thích từng bước được trình bày.
    • Ví dụ (Bài toán đơn giản):
      • Prompt: “Roger có 5 quả bóng tennis. Anh ấy mua thêm 2 hộp bóng tennis. Mỗi hộp có 3 quả. Hỏi bây giờ anh ấy có bao nhiêu quả bóng tennis? Let’s think step by step.”
      • LLM (dự kiến sẽ suy luận): “Đầu tiên, tính số bóng Roger mua thêm: 2 hộp * 3 quả/hộp = 6 quả. Sau đó, cộng với số bóng ban đầu: 5 quả + 6 quả = 11 quả. Vậy, Roger có 11 quả bóng tennis.”
    • Ưu điểm: Cải thiện đáng kể khả năng giải quyết các bài toán suy luận phức tạp.
    • Nhược điểm: Làm tăng độ dài của cả prompt (nếu dùng few-shot CoT) và đầu ra.
  4. Self-Consistency:
    • Mô tả: Một kỹ thuật thường được sử dụng cùng với CoT. Thay vì chỉ lấy một chuỗi suy luận, kỹ thuật này tạo ra nhiều chuỗi suy luận khác nhau (bằng cách sử dụng các tham số như “temperature” để tăng tính ngẫu nhiên) và sau đó chọn câu trả lời xuất hiện nhiều nhất trong số các chuỗi suy luận đó.
    • Ưu điểm: Cải thiện độ tin cậy và chính xác của các bài toán suy luận so với việc chỉ dùng một chuỗi CoT.
  5. Generated Knowledge Prompting:
    • Mô tả: Yêu cầu mô hình trước tiên tạo ra một số thông tin hoặc kiến thức liên quan đến câu hỏi, sau đó sử dụng kiến thức vừa tạo ra đó để trả lời câu hỏi ban đầu.
    • Ví dụ: “Câu hỏi: Liệu việc uống cà phê có lợi cho sức khỏe không? Trước khi trả lời, hãy liệt kê một số nghiên cứu về tác động của cà phê đến sức khỏe.”
    • Ưu điểm: Có thể giúp mô hình đưa ra câu trả lời toàn diện và có cơ sở hơn.
  6. Prompt Chaining / Decomposition:
    • Mô tả: Chia một tác vụ lớn, phức tạp thành một chuỗi các tác vụ nhỏ hơn, dễ quản lý hơn. Kết quả đầu ra của prompt này sẽ được sử dụng làm đầu vào cho prompt tiếp theo.
    • Ví dụ (Viết một bài blog):
      • Prompt 1: “Tạo dàn ý chi tiết cho một bài blog về lợi ích của AI trong marketing cho doanh nghiệp nhỏ.”
      • Prompt 2 (sử dụng dàn ý từ Prompt 1): “Dựa trên dàn ý sau [dán dàn ý vào đây], hãy viết phần mở đầu cho bài blog, thu hút sự chú ý của chủ doanh nghiệp nhỏ.”
      • Prompt 3, 4,…: Viết các phần tiếp theo.
    • Ưu điểm: Giúp kiểm soát tốt hơn từng phần của một tác vụ phức tạp, dễ dàng sửa lỗi và cải thiện từng bước.

Việc lựa chọn và kết hợp các kỹ thuật prompting này phụ thuộc vào bản chất của tác vụ, khả năng của mô hình LLM đang sử dụng, và mục tiêu cụ thể của người dùng. Thực hành và thử nghiệm là chìa khóa để trở nên thành thạo trong nghệ thuật prompt engineering.

3.4 Thực hành sử dụng các Công cụ AI Tạo sinh

Lý thuyết về AI Tạo sinh, LLMs và Prompt Engineering sẽ trở nên hữu ích hơn rất nhiều khi được áp dụng vào thực tế. Phần này sẽ hướng dẫn cách làm quen và thực hành với một số công cụ AI Tạo sinh phổ biến, tập trung vào các tác vụ kinh doanh.

3.4.1 Giới thiệu môt số nền tảng Ai phổ biến

Hiện nay, có nhiều công cụ và nền tảng cho phép người dùng tương tác với các mô hình AI Tạo sinh. Dưới đây là một số ví dụ điển hình mà sinh viên có thể dễ dàng tiếp cận:

a. ChatGPT (OpenAI):

  • Giao diện: ChatGPT có giao diện dạng trò chuyện (chat-based). Người dùng nhập prompt vào ô tin nhắn và mô hình sẽ phản hồi lại. Các phiên bản trả phí (như ChatGPT Plus) có thể cung cấp quyền truy cập vào các mô hình mạnh hơn (ví dụ: GPT-4, GPT-4o), khả năng duyệt web, phân tích dữ liệu, tạo hình ảnh (DALL-E), và sử dụng các GPTs tùy chỉnh.
  • Cách sử dụng cơ bản:
    1. Truy cập website chat.openai.com hoặc chat.com và đăng nhập (hoặc đăng ký tài khoản).
    2. Nhập prompt của bạn vào ô “Ask anything”.
    3. Nhấn Enter hoặc nút gửi.
    4. Đọc phản hồi của ChatGPT. Bạn có thể tiếp tục cuộc trò chuyện bằng cách nhập thêm prompt, yêu cầu làm rõ, hoặc chỉnh sửa.
    5. Các cuộc trò chuyện được lưu lại ở thanh bên trái để bạn có thể xem lại sau.
  • Lưu ý: Với tài khoản miễn phí, dữ liệu prompt của bạn có thể được sử dụng để huấn luyện mô hình. Cẩn trọng khi nhập thông tin nhạy cảm.

b. Gemini (Google):

  • Giao diện: Tương tự ChatGPT, Gemini (truy cập qua gemini.google.com) cũng có giao diện trò chuyện. Người dùng nhập prompt và nhận phản hồi. Gemini có khả năng tích hợp với các dịch vụ khác của Google (ví dụ: Gmail, Docs, Drive thông qua các tiện ích mở rộng). Phiên bản Gemini Advanced (trả phí) cung cấp quyền truy cập vào mô hình mạnh hơn (ví dụ: Gemini 1.5 Pro).
  • Cách sử dụng cơ bản:
    1. Truy cập website và đăng nhập bằng tài khoản Google.
    2. Nhập prompt vào ô “Enter a prompt here”.
    3. Nhấn Enter hoặc nút gửi.
    4. Gemini có thể cung cấp nhiều bản nháp (drafts) cho một số phản hồi, cho phép bạn chọn phiên bản phù hợp nhất.
  • Khả năng đa phương thức: Gemini có khả năng xử lý cả văn bản và hình ảnh trong prompt (ví dụ: bạn có thể tải lên một bức ảnh và đặt câu hỏi về nó).

c. Microsoft Copilot (Tích hợp trong Bing Chat):

  • Giao diện: Copilot có thể được truy cập qua website copilot.microsoft.com hoặc tích hợp trong trình duyệt Microsoft Edge và các sản phẩm khác của Microsoft. Nó thường cung cấp các gợi ý prompt và cho phép chọn phong cách trò chuyện (Sáng tạo hơn, Cân bằng hơn, Chính xác hơn).
  • Cách sử dụng cơ bản: Tương tự như ChatGPT và Gemini, người dùng nhập prompt và tương tác với các phản hồi.
  • Tích hợp tìm kiếm Bing: Một điểm mạnh của Copilot là khả năng truy cập thông tin cập nhật từ Internet thông qua công cụ tìm kiếm Bing, và thường trích dẫn nguồn cho các thông tin đó.
  • Tạo hình ảnh: Copilot cũng tích hợp khả năng tạo hình ảnh (thường sử dụng DALL-E).

d. Các công cụ tạo hình ảnh (Ví dụ: Midjourney, Stable Diffusion Online):

  • Midjourney: Thường được sử dụng qua nền tảng Discord. Người dùng nhập prompt văn bản bằng lệnh /imagine và Midjourney sẽ tạo ra các biến thể hình ảnh. Giao diện có thể hơi khác biệt so với các chatbot văn bản.
  • Stable Diffusion Online: Có nhiều website cung cấp giao diện trực tuyến để sử dụng các mô hình Stable Diffusion. Người dùng nhập prompt mô tả hình ảnh mong muốn, có thể chọn phong cách, và điều chỉnh các tham số khác.
  • Lưu ý: Các công cụ tạo hình ảnh thường có những quy tắc riêng về cách viết prompt để đạt hiệu quả tốt nhất (ví dụ: sử dụng từ khóa mô tả chi tiết, phong cách nghệ thuật, ánh sáng, góc nhìn).

Lời khuyên chung khi sử dụng các công cụ này:

  • Bắt đầu đơn giản: Thử nghiệm với các prompt ngắn và đơn giản trước khi chuyển sang các yêu cầu phức tạp.
  • Thử nghiệm nhiều lần: Đừng nản lòng nếu kết quả đầu tiên không như ý. Hãy thử thay đổi prompt, diễn đạt lại ý của bạn, hoặc sử dụng các kỹ thuật prompting khác nhau.
  • So sánh giữa các công cụ: Cùng một prompt có thể cho ra kết quả khác nhau trên các công cụ/mô hình khác nhau. Việc so sánh giúp bạn hiểu rõ hơn về điểm mạnh và điểm yếu của từng công cụ.
  • Luôn kiểm tra và đánh giá kết quả: Không bao giờ tin tưởng tuyệt đối vào đầu ra của AI Tạo sinh. Luôn kiểm tra tính chính xác, sự phù hợp, và các yếu tố đạo đức trước khi sử dụng.
  • Tham khảo tài liệu hướng dẫn: Mỗi công cụ thường có tài liệu hướng dẫn hoặc mục Câu hỏi thường gặp (FAQ) riêng. Hãy đọc kỹ để hiểu rõ hơn về các tính năng và cách sử dụng tối ưu.

3.4.2 Bài tập thực hành kỹ thuật prompting

Dưới đây là một số bài tập thực hành được thiết kế để bạn áp dụng các nguyên tắc và kỹ thuật prompting đã học vào các tình huống cụ thể. Hãy sử dụng một hoặc nhiều công cụ AI Tạo sinh (ChatGPT, Gemini, Copilot,…) để hoàn thành các bài tập này.

Bài tập 1: Viết Email Marketing Giới thiệu Sản phẩm Mới

  • Tình huống: Công ty bạn sắp ra mắt một sản phẩm tai nghe không dây mới có tên “Aura Buds” với các tính năng nổi bật: chống ồn chủ động (ANC), thời lượng pin 30 giờ, thiết kế công thái học thoải mái, và chất lượng âm thanh cao cấp.
  • Yêu cầu Prompting:
    1. Prompt cơ bản (Zero-shot): “Viết một email marketing giới thiệu tai nghe Aura Buds.”
    2. Prompt cải tiến (Áp dụng các nguyên tắc): Hãy xây dựng một prompt chi tiết hơn, yêu cầu AI:
      • Đóng vai một chuyên gia marketing.
      • Viết email với giọng điệu hào hứng, chuyên nghiệp, hướng đến đối tượng khách hàng là những người yêu công nghệ và thường xuyên di chuyển.
      • Nêu bật 3-4 lợi ích chính của Aura Buds (không chỉ liệt kê tính năng).
      • Có một lời kêu gọi hành động (Call to Action - CTA) rõ ràng (ví dụ: đặt hàng trước, tìm hiểu thêm trên website).
      • Đề xuất một dòng tiêu đề (subject line) hấp dẫn cho email.
      • Độ dài email khoảng 200-250 từ.
  • Đánh giá: So sánh kết quả từ hai prompt. Prompt nào cho kết quả tốt hơn? Tại sao? Bạn có thể cải tiến prompt thứ hai như thế nào nữa?

Bài tập 2: Tạo Mô tả Sản phẩm cho Trang Thương mại Điện tử

  • Tình huống: Bạn cần viết mô tả cho một chiếc ba lô du lịch đa năng “Navigator X” trên trang web bán hàng của công ty. Các đặc điểm của ba lô: dung tích 40 lít, chất liệu chống thấm nước, nhiều ngăn tiện dụng (ngăn đựng laptop riêng, ngăn đựng giày, túi nhỏ bí mật), quai đeo trợ lực, thiết kế hiện đại.
  • Yêu cầu Prompting (Áp dụng kỹ thuật Few-shot nếu cần):
    • Xây dựng một prompt yêu cầu AI tạo ra một đoạn mô tả sản phẩm (khoảng 150 từ) cho ba lô Navigator X.
    • Yêu cầu mô tả phải hấp dẫn, tập trung vào lợi ích cho người dùng (ví dụ: “giữ đồ đạc của bạn an toàn và khô ráo”, “thoải mái khi mang trong những chuyến đi dài”).
    • Yêu cầu sử dụng các gạch đầu dòng để liệt kê 3-4 đặc điểm nổi bật nhất.
    • Nếu có thể, hãy thử cung cấp một ví dụ ngắn về một mô tả sản phẩm tốt trong prompt của bạn.
  • Đánh giá: Kết quả có đáp ứng yêu cầu không? Ngôn ngữ có phù hợp với văn phong của một trang thương mại điện tử không?

Bài tập 3: Brainstorming Ý tưởng cho Chiến dịch Truyền thông Xã hội

  • Tình huống: Một quán cà phê sách mới tên “The Cozy Corner” sắp khai trương, hướng đến đối tượng sinh viên và những người yêu thích đọc sách. Bạn cần một số ý tưởng cho chiến dịch truyền thông trên Instagram để thu hút sự chú ý.
  • Yêu cầu Prompting (Áp dụng kỹ thuật Chia nhỏ Tác vụ hoặc Yêu cầu Vai trò):
    • Prompt 1: “Hãy đóng vai một chuyên gia truyền thông xã hội. Đề xuất 5 ý tưởng nội dung chính cho chiến dịch Instagram ra mắt quán cà phê sách ‘The Cozy Corner’, tập trung vào việc tạo không khí ấm cúng và khuyến khích cộng đồng yêu sách.”
    • Prompt 2 (Dựa trên một ý tưởng từ Prompt 1): “Với ý tưởng [chọn một ý tưởng, ví dụ: ‘tổ chức một cuộc thi chia sẻ cuốn sách yêu thích’], hãy đề xuất 3 loại bài đăng cụ thể (ví dụ: hình ảnh, video ngắn, story) và một hashtag chính cho ý tưởng này.”
  • Đánh giá: Các ý tưởng có sáng tạo và phù hợp với đối tượng mục tiêu không? Prompt có đủ rõ ràng để AI hiểu yêu cầu không?

Bài tập 4: Tóm tắt Báo cáo Nghiên cứu Thị trường

  • Tình huống: Bạn có một báo cáo nghiên cứu thị trường dài 10 trang về xu hướng tiêu dùng thực phẩm hữu cơ tại Việt Nam. Bạn cần một bản tóm tắt nhanh để trình bày cho quản lý.
  • Yêu cầu Prompting (Yêu cầu Định dạng và Độ dài):
    • (Nếu công cụ cho phép tải lên hoặc dán văn bản dài) Prompt: “Dưới đây là một báo cáo nghiên cứu thị trường [dán một phần nội dung hoặc mô tả các điểm chính của báo cáo nếu không thể dán hết]. Hãy tóm tắt báo cáo này thành 5 gạch đầu dòng chính, mỗi gạch đầu dòng không quá 20 từ. Tập trung vào những phát hiện quan trọng nhất và các khuyến nghị (nếu có).”
    • (Nếu không thể dán văn bản dài) Prompt: “Giả sử bạn đã đọc một báo cáo 10 trang về xu hướng tiêu dùng thực phẩm hữu cơ tại Việt Nam. Báo cáo này cho thấy [nêu 2-3 phát hiện chính bạn tự nghĩ ra]. Hãy viết một bản tóm tắt báo cáo đó thành 3 kết luận chính, mỗi kết luận khoảng 1-2 câu.”
  • Đánh giá: Bản tóm tắt có nắm bắt được các ý chính không? Có súc tích và dễ hiểu không?

Bài tập 5: Soạn thảo Câu trả lời cho Phản hồi Tiêu cực của Khách hàng

  • Tình huống: Một khách hàng đã để lại một đánh giá tiêu cực trên trang Facebook của công ty bạn, phàn nàn về việc sản phẩm giao hàng chậm trễ và chất lượng dịch vụ hỗ trợ kém.
  • Yêu cầu Prompting (Yêu cầu Vai trò và Giọng điệu):
    • “Hãy đóng vai một nhân viên chăm sóc khách hàng chuyên nghiệp và đồng cảm. Soạn thảo một câu trả lời cho phản hồi tiêu cực sau của khách hàng: ‘[Dán nội dung phản hồi tiêu cực vào đây, hoặc tự tạo một phản hồi tiêu cực mẫu]’. Câu trả lời cần:
      • Thể hiện sự xin lỗi chân thành.
      • Công nhận vấn đề của khách hàng.
      • Đề xuất một giải pháp cụ thể hoặc hướng giải quyết.
      • Mời khách hàng liên hệ riêng để được hỗ trợ thêm.
      • Giữ giọng điệu tôn trọng và xây dựng.”
  • Đánh giá: Câu trả lời có chuyên nghiệp và giải quyết được mối quan tâm của khách hàng không? Có giúp xoa dịu tình hình không?

Lưu ý khi thực hành:

  • Ghi lại các prompt bạn đã sử dụng và kết quả nhận được. Điều này giúp bạn theo dõi quá trình học tập và rút kinh nghiệm.
  • Thử nghiệm với các tham số của mô hình (nếu có): Một số công cụ cho phép bạn điều chỉnh các tham số như “temperature” (ảnh hưởng đến tính ngẫu nhiên/sáng tạo của đầu ra). Hãy thử thay đổi các tham số này để xem ảnh hưởng của chúng.
  • Đừng ngại mắc lỗi: Prompt engineering là một quá trình học hỏi qua thử và sai. Mỗi lỗi là một cơ hội để bạn hiểu rõ hơn về cách AI hoạt động.

Thông qua các bài tập thực hành này, bạn sẽ dần xây dựng được kỹ năng giao tiếp hiệu quả với AI Tạo sinh và áp dụng chúng vào việc giải quyết các vấn đề thực tế trong lĩnh vực kinh doanh.

3.5 Tóm tắt chương 2

Chương 2 đã đưa người học vào thế giới đầy tiềm năng của Trí tuệ Nhân tạo Tạo sinh (Generative AI), một lĩnh vực đang phát triển với tốc độ vũ bão. Chúng ta đã bắt đầu bằng việc định nghĩa AI Tạo sinh là gì, khám phá sự phát triển vượt bậc và những tác động đa chiều của nó, đồng thời điểm qua các loại hình AI Tạo sinh phổ biến như tạo văn bản, hình ảnh, âm thanh, video và mã nguồn.

Trọng tâm của chương là việc giới thiệu về Mô hình Ngôn ngữ Lớn (LLMs). Người học đã được tìm hiểu về khái niệm LLMs, cách thức hoạt động ở mức độ trực quan với kiến trúc Transformer và cơ chế “attention”, cũng như quy trình tiền huấn luyện và tinh chỉnh. Một số mô hình LLM tiêu biểu từ các nhà phát triển hàng đầu như OpenAI, Google, Meta, Anthropic đã được đề cập. Đặc biệt, chương đã phân tích sâu về những khả năng ấn tượng của LLMs, song song với việc nhấn mạnh một cách có phê phán các hạn chế cố hữu như hiện tượng “ảo giác”, thiên vị, thiếu hiểu biết thực sự, sự phụ thuộc vào prompt, và các vấn đề về cập nhật kiến thức. Cuối cùng, các khía cạnh đạo đức và rủi ro kinh doanh khi sử dụng LLMs đã được thảo luận chi tiết, từ vấn đề thiên vị, quyền riêng tư, minh bạch, đến các rủi ro về bảo mật, pháp lý và uy tín thương hiệu.

Một kỹ năng then chốt khi làm việc với AI Tạo sinh là Prompt Engineering. Chương đã giải thích tầm quan trọng của việc xây dựng prompt hiệu quả, đưa ra các nguyên tắc vàng như tính rõ ràng, cung cấp ngữ cảnh, xác định vai trò, định dạng đầu ra, và sử dụng ví dụ. Một số kỹ thuật prompting cơ bản như zero-shot, few-shot, Chain-of-Thought (CoT) prompting cũng đã được giới thiệu.

Để củng cố kiến thức, phần cuối chương tập trung vào thực hành sử dụng các công cụ AI Tạo sinh phổ biến như ChatGPT, Gemini, Microsoft Copilot và các công cụ tạo hình ảnh. Người học được hướng dẫn làm quen với giao diện và cách sử dụng cơ bản, sau đó được thực hành các bài tập kỹ thuật prompting được thiết kế riêng cho các tác vụ kinh doanh cụ thể như viết email marketing, tạo mô tả sản phẩm, brainstorming ý tưởng, tóm tắt báo cáo và soạn thảo phản hồi khách hàng.

Nhìn chung, Chương 2 trang bị cho người học những kiến thức nền tảng và kỹ năng thực hành ban đầu để có thể tiếp cận, đánh giá và bắt đầu ứng dụng AI Tạo sinh và LLMs một cách hiệu quả, có trách nhiệm trong bối cảnh kinh doanh hiện đại, đồng thời nhận thức rõ cả tiềm năng to lớn lẫn những thách thức không nhỏ của công nghệ này.

3.6 Case Study

Các tình huống nghiên cứu dưới đây tập trung vào ứng dụng của AI Tạo sinh, Mô hình Ngôn ngữ Lớn (LLMs) và kỹ thuật “prompting” trong các bối cảnh kinh doanh cụ thể. Mục tiêu là giúp người học hiểu sâu hơn về tiềm năng, thách thức và những cân nhắc thực tế khi triển khai các công nghệ này.

Case Study 2.1: Công ty “ContentCraft” – Tăng tốc Sáng tạo Nội dung Marketing bằng LLMs

  • Bối cảnh: ContentCraft là một agency marketing kỹ thuật số chuyên cung cấp dịch vụ sáng tạo nội dung (bài blog, bài đăng mạng xã hội, kịch bản video, email marketing) cho các khách hàng doanh nghiệp vừa và nhỏ (SMBs). Áp lực về thời gian và khối lượng công việc ngày càng tăng đòi hỏi ContentCraft phải tìm giải pháp để nâng cao năng suất mà vẫn đảm bảo chất lượng.
  • Ứng dụng AI Tạo sinh và LLMs:
    • ContentCraft quyết định thử nghiệm sử dụng một Mô hình Ngôn ngữ Lớn (ví dụ: GPT-4 qua API hoặc một nền tảng chuyên dụng) để hỗ trợ đội ngũ biên tập viên của mình.
    • Quy trình áp dụng:
      1. Nghiên cứu và Lên ý tưởng: Biên tập viên vẫn thực hiện nghiên cứu từ khóa, phân tích đối tượng mục tiêu và lên ý tưởng chính cho nội dung.
      2. Soạn thảo Prompt chi tiết: Thay vì viết toàn bộ nội dung từ đầu, biên tập viên xây dựng các prompt chi tiết cho LLM. Prompt bao gồm: chủ đề, từ khóa chính, đối tượng mục tiêu, giọng điệu mong muốn (ví dụ: chuyên nghiệp, thân thiện, hài hước), độ dài dự kiến, cấu trúc bài viết (ví dụ: các đề mục chính), và các yêu cầu đặc biệt khác (ví dụ: kêu gọi hành động cụ thể).
      3. Tạo bản nháp đầu tiên bằng LLM: LLM tạo ra bản nháp nội dung dựa trên prompt.
      4. Biên tập và Tinh chỉnh bởi Con người: Biên tập viên của ContentCraft sẽ rà soát kỹ lưỡng bản nháp do LLM tạo ra, kiểm tra tính chính xác, sự mạch lạc, giọng điệu, yếu tố độc đáo (originality), và đảm bảo nội dung không chứa thông tin sai lệch hoặc thiên vị. Họ sẽ chỉnh sửa, bổ sung, và “thêm dấu ấn con người” vào nội dung.
      5. Tối ưu hóa SEO và Kiểm tra đạo văn: Trước khi gửi cho khách hàng, nội dung được kiểm tra lại về tối ưu hóa công cụ tìm kiếm (SEO) và sử dụng các công cụ kiểm tra đạo văn.
  • Kết quả và Tác động (Giả định):
    • Thời gian tạo ra bản nháp đầu tiên cho một bài blog giảm từ 3-4 giờ xuống còn 30-60 phút.
    • Biên tập viên có thể tập trung nhiều hơn vào các khía cạnh chiến lược, sáng tạo và chất lượng thay vì các tác vụ viết lặp đi lặp lại.
    • Khả năng đáp ứng yêu cầu của khách hàng tăng lên, có thể nhận nhiều dự án hơn.
    • Chi phí sản xuất nội dung có thể giảm (nếu chi phí sử dụng LLM thấp hơn chi phí nhân sự cho cùng một khối lượng công việc ban đầu).
  • Thách thức và Cân nhắc:
    • Đảm bảo chất lượng và tính độc đáo: Nguy cơ LLM tạo ra nội dung chung chung, thiếu chiều sâu hoặc quá giống với các nội dung khác trên mạng. Yêu cầu kỹ năng biên tập cao từ con người.
    • “Ảo giác” và thông tin sai lệch: LLM có thể bịa đặt thông tin. Việc kiểm tra (fact-checking) là bắt buộc.
    • Vấn đề bản quyền: Ai sở hữu nội dung do LLM hỗ trợ tạo ra? Làm thế nào để đảm bảo không vi phạm bản quyền của dữ liệu huấn luyện?
    • Đào tạo nhân sự: Biên tập viên cần được đào tạo về kỹ thuật prompting và cách làm việc hiệu quả với LLMs.
    • Chi phí sử dụng LLM: Chi phí API hoặc các nền tảng LLM có thể tăng nếu sử dụng ở quy mô lớn.
  • Câu hỏi thảo luận:
    1. Theo bạn, vai trò của “prompt engineering” quan trọng như thế nào trong quy trình làm việc của ContentCraft? Hãy đề xuất một ví dụ về một prompt tốt và một prompt chưa tốt cho tác vụ viết một đoạn giới thiệu cho bài blog về “Lợi ích của việc làm việc từ xa cho SMBs”.
    2. Những rủi ro đạo đức nào ContentCraft cần lưu ý khi sử dụng LLMs để tạo nội dung cho khách hàng? (Ví dụ: tính minh bạch với khách hàng, nguy cơ lan truyền thông tin sai lệch).
    3. Làm thế nào ContentCraft có thể đo lường ROI (Return on Investment) từ việc ứng dụng LLMs vào quy trình sáng tạo nội dung?
    4. Nếu bạn là một biên tập viên tại ContentCraft, bạn sẽ cảm thấy thế nào về việc AI hỗ trợ công việc của mình? Những kỹ năng mới nào bạn cần phát triển?

Case Study 2.2: “Innovate Apparel” – Thiết kế Mẫu Áo Thun Độc đáo bằng AI Tạo sinh Hình ảnh

  • Bối cảnh: Innovate Apparel là một thương hiệu thời trang trẻ, muốn tạo ra các mẫu thiết kế áo thun độc đáo và bắt kịp xu hướng nhanh chóng để thu hút giới trẻ. Quy trình thiết kế thủ công truyền thống tốn nhiều thời gian và đôi khi bị giới hạn bởi ý tưởng của nhà thiết kế.
  • Ứng dụng AI Tạo sinh Hình ảnh:
    • Innovate Apparel sử dụng một công cụ AI tạo hình ảnh từ văn bản (text-to-image) như Midjourney hoặc DALL-E.
    • Quy trình áp dụng:
      1. Nghiên cứu Xu hướng và Ý tưởng: Đội ngũ thiết kế nghiên cứu các xu hướng thời trang, màu sắc, họa tiết đang thịnh hành.
      2. Xây dựng Prompt Mô tả Hình ảnh: Các nhà thiết kế tạo ra các prompt chi tiết mô tả ý tưởng thiết kế áo thun, ví dụ: “Một thiết kế áo thun theo phong cách cyberpunk, họa tiết thành phố tương lai vào ban đêm với ánh đèn neon, màu chủ đạo là xanh dương đậm và tím, sử dụng cho in ấn chất lượng cao.” hoặc “Họa tiết mèo Ai Cập theo phong cách art deco, đường nét vàng kim trên nền đen, tối giản và sang trọng, cho áo thun unisex.”
      3. Tạo và Lặp lại với AI: AI tạo ra nhiều biến thể hình ảnh dựa trên prompt. Đội ngũ thiết kế có thể tinh chỉnh prompt, yêu cầu các biến thể (variations), hoặc kết hợp các yếu tố từ nhiều hình ảnh được tạo ra.
      4. Chọn lọc và Chỉnh sửa bởi Con người: Các thiết kế tiềm năng nhất được chọn lọc. Nhà thiết kế đồ họa sau đó sử dụng các công cụ chuyên dụng (như Adobe Illustrator) để tinh chỉnh, điều chỉnh màu sắc, đảm bảo thiết kế phù hợp cho việc in ấn trên áo, và thêm các chi tiết cuối cùng.
      5. Thử nghiệm và Sản xuất: Các mẫu thiết kế được in thử và đưa vào sản xuất nếu đạt yêu cầu.
  • Kết quả và Tác động (Giả định):
    • Tăng tốc đáng kể quá trình lên ý tưởng và tạo mẫu thiết kế ban đầu.
    • Khám phá được nhiều phong cách và ý tưởng thiết kế mới lạ mà có thể con người khó tự nghĩ ra.
    • Khả năng nhanh chóng tạo ra các bộ sưu tập nhỏ, bắt kịp các “micro-trends”.
    • Tạo ra lợi thế khác biệt so với các đối thủ dựa trên sự độc đáo của thiết kế.
  • Thách thức và Cân nhắc:
    • Chất lượng và Tính ứng dụng của Hình ảnh AI: Hình ảnh do AI tạo ra có thể cần nhiều chỉnh sửa để thực sự phù hợp cho in ấn thời trang (ví dụ: độ phân giải, chi tiết nhỏ, sự nhất quán của họa tiết).
    • Tính độc quyền và Bản quyền: Liệu thiết kế do AI tạo ra có thực sự “độc quyền”? Ai sở hữu bản quyền? Làm thế nào để tránh tạo ra các thiết kế quá giống với các tác phẩm hiện có?
    • Kỹ năng Prompting cho Thiết kế: Nhà thiết kế cần học cách “nói chuyện” với AI tạo hình ảnh, sử dụng từ khóa và mô tả hiệu quả để có được kết quả mong muốn.
    • Chi phí công cụ AI: Một số công cụ tạo hình ảnh AI có thể yêu cầu đăng ký trả phí.
  • Câu hỏi thảo luận:
    1. Hãy thử xây dựng một prompt chi tiết (ít nhất 30 từ) cho một công cụ AI tạo hình ảnh để thiết kế một họa tiết cho áo thun với chủ đề “Thiên nhiên Việt Nam kết hợp phong cách doodle art, màu sắc tươi sáng, vui nhộn”.
    2. Những hạn chế nào của LLMs (ví dụ, “ảo giác”, thiếu hiểu biết thực sự) có thể ít ảnh hưởng hơn đến các công cụ AI tạo hình ảnh so với các công cụ tạo văn bản? Tại sao?
    3. Theo bạn, vai trò của nhà thiết kế con người thay đổi như thế nào khi có sự hỗ trợ của AI tạo hình ảnh? Họ có bị thay thế hoàn toàn không?
    4. Nếu Innovate Apparel muốn sử dụng AI để tạo ra các mô tả sản phẩm hấp dẫn cho những chiếc áo thun này trên website của họ, họ nên áp dụng những nguyên tắc prompting nào?

Case Study 2.3: “CodeHelper Inc.” – Phát triển Trợ lý Lập trình AI cho Doanh nghiệp

  • Bối cảnh: CodeHelper Inc. là một công ty phần mềm chuyên phát triển các công cụ hỗ trợ lập trình viên. Nhận thấy tiềm năng của các LLM trong việc tạo và giải thích mã nguồn, họ quyết định xây dựng một sản phẩm mới: một trợ lý lập trình AI tích hợp vào các môi trường phát triển tích hợp (IDEs) phổ biến.
  • Ứng dụng LLMs (Cụ thể là các mô hình được huấn luyện cho mã nguồn):
    • Sản phẩm trợ lý AI của CodeHelper Inc. sẽ cung cấp các tính năng sau, được vận hành bởi một LLM chuyên biệt cho mã nguồn (ví dụ: tương tự GitHub Copilot hoặc Code Llama):
      1. Gợi ý Mã (Code Completion): Tự động hoàn thành các dòng mã hoặc toàn bộ khối mã dựa trên ngữ cảnh hiện tại.
      2. Tạo Mã từ Mô tả (Code Generation from Natural Language): Lập trình viên mô tả chức năng mong muốn bằng ngôn ngữ tự nhiên, AI sẽ tạo ra đoạn mã tương ứng.
      3. Giải thích Mã (Code Explanation): Giải thích chức năng của một đoạn mã phức tạp bằng ngôn ngữ dễ hiểu.
      4. Tìm và Sửa lỗi (Debugging Assistance): Gợi ý các lỗi tiềm ẩn và cách khắc phục.
      5. Viết Unit Test: Tự động tạo các ca kiểm thử đơn vị (unit tests) cho một đoạn mã.
      6. Dịch Mã giữa các Ngôn ngữ (Code Translation): Hỗ trợ chuyển đổi mã từ ngôn ngữ lập trình này sang ngôn ngữ khác.
  • Thách thức trong Phát triển và Kinh doanh:
    • Độ chính xác và Độ tin cậy của Mã AI tạo ra: Mã do AI tạo ra có thể chứa lỗi logic, lỗ hổng bảo mật, hoặc không tuân theo các chuẩn mực lập trình tốt nhất. Việc kiểm tra và giám sát bởi lập trình viên con người là rất cần thiết.
    • Bảo mật Mã nguồn của Khách hàng: Khi trợ lý AI phân tích mã nguồn của người dùng, làm thế nào để đảm bảo mã nguồn đó không bị rò rỉ hoặc sử dụng cho mục đích khác? Đây là mối quan tâm lớn của các doanh nghiệp khách hàng.
    • Vấn đề Bản quyền với Mã nguồn Huấn luyện và Mã nguồn Tạo ra: LLM được huấn luyện trên hàng tỷ dòng mã nguồn mở. Liệu mã do nó tạo ra có “sao chép” các đoạn mã có bản quyền không?
    • Tích hợp với các IDEs và Quy trình Làm việc: Sản phẩm cần tích hợp mượt mà với các công cụ và quy trình hiện có của lập trình viên.
    • Chi phí Vận hành LLM: Việc xử lý yêu cầu từ hàng ngàn lập trình viên đồng thời đòi hỏi hạ tầng tính toán mạnh mẽ và tốn kém.
    • Định giá Sản phẩm: Làm thế nào để định giá một dịch vụ như vậy một cách hợp lý và cạnh tranh?
  • Câu hỏi thảo luận:
    1. Nếu bạn là một lập trình viên sử dụng trợ lý AI của CodeHelper Inc. để tạo một hàm sắp xếp một danh sách số nguyên, bạn sẽ viết prompt như thế nào để đảm bảo AI hiểu rõ yêu cầu về thuật toán sắp xếp (ví dụ: sắp xếp nổi bọt, sắp xếp nhanh) và ngôn ngữ lập trình mong muốn?
    2. Theo bạn, những hạn chế nào của LLMs (ví dụ: “ảo giác”, thiếu hiểu biết ngữ cảnh sâu) có thể gây ra những vấn đề nghiêm trọng nhất khi ứng dụng trong việc tạo mã nguồn?
    3. CodeHelper Inc. nên có những biện pháp đạo đức và kỹ thuật nào để giải quyết các lo ngại về bảo mật mã nguồn và bản quyền cho khách hàng của họ?
    4. Ngoài các tính năng đã liệt kê, bạn có thể nghĩ ra ứng dụng nào khác của LLMs trong việc hỗ trợ vòng đời phát triển phần mềm không?

Case Study 2.4: Ngân hàng “FutureBank” – Triển khai Chatbot Thông minh hơn với LLM

  • Bối cảnh: FutureBank muốn nâng cấp hệ thống chatbot dịch vụ khách hàng hiện tại của mình. Chatbot cũ dựa trên quy tắc (rule-based) thường xuyên không hiểu được các câu hỏi phức tạp của khách hàng và phải chuyển cuộc gọi cho nhân viên hỗ trợ, gây quá tải và giảm sự hài lòng của khách hàng.
  • Ứng dụng LLMs:
    • FutureBank quyết định tích hợp một Mô hình Ngôn ngữ Lớn, được tinh chỉnh (fine-tuned) với dữ liệu kiến thức của ngân hàng (thông tin sản phẩm, dịch vụ, quy trình, câu hỏi thường gặp) để tạo ra một chatbot thông minh hơn.
    • Các khả năng mong muốn của Chatbot mới:
      1. Hiểu ngôn ngữ tự nhiên tốt hơn: Xử lý được các câu hỏi đa dạng, phức tạp, bao gồm cả tiếng lóng hoặc lỗi chính tả.
      2. Duy trì ngữ cảnh cuộc trò chuyện: Nhớ được các thông tin đã trao đổi trước đó để cuộc trò chuyện liền mạch hơn.
      3. Cung cấp câu trả lời chính xác và cá nhân hóa: Truy xuất thông tin từ cơ sở kiến thức của ngân hàng và có thể truy cập (một cách an toàn) một số thông tin tài khoản cơ bản của khách hàng (sau khi xác thực) để đưa ra câu trả lời phù hợp.
      4. Thực hiện một số tác vụ đơn giản: Ví dụ: kiểm tra số dư, thông báo giao dịch gần nhất, hướng dẫn khóa thẻ.
      5. Chuyển giao thông minh cho nhân viên: Khi không thể giải quyết, chatbot có thể tóm tắt vấn đề và chuyển giao cho nhân viên hỗ trợ phù hợp kèm theo toàn bộ lịch sử trò chuyện.
  • Thách thức và Cân nhắc:
    • An toàn và Bảo mật: Bảo vệ thông tin tài chính nhạy cảm của khách hàng là ưu tiên tuyệt đối. Mọi truy cập vào dữ liệu khách hàng phải được kiểm soát chặt chẽ và tuân thủ các quy định.
    • Ngăn chặn “Ảo giác” và Thông tin sai lệch: Chatbot không được phép cung cấp thông tin tài chính sai hoặc lời khuyên không chính xác. Cần có cơ chế kiểm soát chất lượng đầu ra nghiêm ngặt và giới hạn phạm vi kiến thức của chatbot.
    • Tuân thủ Quy định Ngành: Ngành ngân hàng có nhiều quy định nghiêm ngặt. Chatbot phải được thiết kế để tuân thủ tất cả các quy định này.
    • Chi phí Tinh chỉnh và Vận hành LLM: Việc tinh chỉnh LLM với dữ liệu riêng của ngân hàng và vận hành hệ thống có thể tốn kém.
    • Đào tạo và Chấp nhận của Khách hàng: Khách hàng cần được hướng dẫn cách tương tác hiệu quả với chatbot mới và cảm thấy tin tưởng vào nó.
  • Câu hỏi thảo luận:
    1. Nếu một khách hàng hỏi chatbot của FutureBank: “Tôi nên đầu tư vào cổ phiếu nào vào thời điểm này?”, chatbot dựa trên LLM nên phản hồi như thế nào để vừa hữu ích vừa đảm bảo an toàn và tuân thủ (ví dụ: không đưa ra lời khuyên đầu tư trực tiếp)? Hãy thử viết một prompt mà ngân hàng có thể sử dụng để huấn luyện chatbot cách trả lời cho loại câu hỏi này.
    2. Những rủi ro đạo đức nào là lớn nhất khi triển khai LLM cho chatbot dịch vụ khách hàng trong ngành ngân hàng?
    3. Làm thế nào FutureBank có thể sử dụng kỹ thuật “Reinforcement Learning from Human Feedback (RLHF)” để cải thiện liên tục chất lượng và sự an toàn của chatbot?

Case Study 2.5: “EduSpark” – Phát triển Công cụ Tạo Câu hỏi Trắc nghiệm Cá nhân hóa cho Học sinh

  • Bối cảnh: EduSpark là một công ty công nghệ giáo dục (EdTech) muốn tạo ra một công cụ giúp giáo viên nhanh chóng tạo ra các bộ câu hỏi trắc nghiệm được cá nhân hóa cho học sinh dựa trên nội dung bài học cụ thể.
  • Ứng dụng LLMs và AI Tạo sinh:
    • EduSpark phát triển một nền tảng web nơi giáo viên có thể tải lên tài liệu bài giảng (ví dụ: file PDF, Word, hoặc dán văn bản) hoặc chỉ định một chủ đề cụ thể.
    • Sử dụng một LLM, hệ thống sẽ:
      1. Phân tích và Hiểu nội dung: LLM đọc và hiểu các khái niệm, thông tin quan trọng trong tài liệu được cung cấp.
      2. Tạo Câu hỏi Trắc nghiệm: Dựa trên nội dung đã hiểu, AI tạo ra các câu hỏi trắc nghiệm (multiple-choice questions) với các phương án trả lời đúng và các phương án gây nhiễu (distractors) hợp lý.
      3. Điều chỉnh Độ khó và Phong cách: Giáo viên có thể đưa ra các prompt để điều chỉnh độ khó của câu hỏi (ví dụ: “tạo câu hỏi ở mức độ nhận biết”, “tạo câu hỏi ở mức độ vận dụng cao”) hoặc phong cách của câu hỏi.
      4. Cá nhân hóa (Tiềm năng): Trong tương lai, hệ thống có thể phân tích kết quả làm bài của học sinh để tự động tạo ra các câu hỏi ôn tập được cá nhân hóa, tập trung vào những phần kiến thức mà học sinh còn yếu.
  • Kết quả và Tác động (Giả định):
    • Giúp giáo viên tiết kiệm đáng kể thời gian và công sức trong việc soạn câu hỏi kiểm tra.
    • Tạo ra các bộ câu hỏi đa dạng và phù hợp hơn với nội dung bài giảng so với việc sử dụng các ngân hàng câu hỏi có sẵn.
    • Hỗ trợ việc đánh giá kiến thức học sinh một cách thường xuyên và hiệu quả hơn.
  • Thách thức và Cân nhắc:
    • Chất lượng Câu hỏi và Phương án Gây nhiễu: Đảm bảo câu hỏi do AI tạo ra là chính xác về mặt kiến thức, rõ ràng, không gây hiểu lầm, và các phương án gây nhiễu phải hợp lý, không quá dễ hoặc quá lộ liễu.
    • Nguy cơ “Học vẹt” nếu câu hỏi quá bám sát văn bản: AI cần tạo ra các câu hỏi kiểm tra sự hiểu biết thực sự chứ không chỉ là khả năng ghi nhớ thông tin từ tài liệu.
    • Thiên vị trong Nội dung Giáo dục: Nếu tài liệu đầu vào có thiên vị, AI có thể tạo ra các câu hỏi phản ánh thiên vị đó.
    • Sự chấp nhận của Giáo viên: Giáo viên cần tin tưởng vào chất lượng của các câu hỏi do AI tạo ra và được đào tạo cách sử dụng công cụ hiệu quả.
  • Câu hỏi thảo luận:
    1. Hãy thử viết một prompt cho EduSpark để tạo 3 câu hỏi trắc nghiệm (bao gồm 1 đáp án đúng và 3 phương án gây nhiễu) dựa trên một đoạn văn bản ngắn về “Lịch sử phát triển của AI” (bạn có thể sử dụng nội dung từ Chương 1 của giáo trình này). Yêu cầu một câu hỏi ở mức độ nhận biết, một câu ở mức độ hiểu, và một câu ở mức độ vận dụng.
    2. Làm thế nào EduSpark có thể sử dụng phản hồi từ giáo viên (ví dụ: đánh giá chất lượng câu hỏi, chỉnh sửa câu hỏi) để cải thiện mô hình LLM của mình theo thời gian?
    3. Ngoài việc tạo câu hỏi trắc nghiệm, AI Tạo sinh có thể được ứng dụng như thế nào khác trong lĩnh vực giáo dục để hỗ trợ việc dạy và học?

3.7 Bài tập

(Lưu ý: Các bài tập dưới đây bao gồm cả lý thuyết, tư duy phản biện, kỹ năng prompting và một số yêu cầu tìm hiểu thêm để khuyến khích tinh thần tự học.)

Phần I: Câu hỏi Lý thuyết và Hiểu biết

  1. Trí tuệ Nhân tạo Tạo sinh (Generative AI) khác biệt cơ bản như thế nào so với AI Phân tích (Analytical AI)?
  2. Nêu ba yếu tố chính đã thúc đẩy sự phát triển bùng nổ của AI Tạo sinh trong những năm gần đây.
  3. Liệt kê 4 loại hình AI Tạo sinh phổ biến và cho ví dụ ứng dụng của mỗi loại trong kinh doanh.
  4. Mô hình Ngôn ngữ Lớn (LLM) được gọi là “lớn” vì những lý do nào?
  5. Giải thích ngắn gọn vai trò của kiến trúc “Transformer” và cơ chế “attention” trong hoạt động của các LLM hiện đại.
  6. Phân biệt giữa “Tiền huấn luyện (Pre-training)” và “Tinh chỉnh (Fine-tuning)” trong quá trình phát triển một LLM. Kỹ thuật RLHF là gì?
  7. Hiện tượng “ảo giác” (Hallucination) của LLMs là gì? Tại sao nó lại là một vấn đề nghiêm trọng, đặc biệt trong bối cảnh kinh doanh?
  8. Nêu ít nhất ba hạn chế khác của LLMs (ngoài “ảo giác”) và giải thích tại sao chúng quan trọng.
  9. Tại sao “Prompt Engineering” lại trở thành một kỹ năng quan trọng khi làm việc với AI Tạo sinh?
  10. Nguyên tắc “Rõ ràng và Cụ thể” trong việc xây dựng prompt có ý nghĩa như thế nào? Cho ví dụ minh họa.
  11. Kỹ thuật “Few-shot Prompting” là gì và nó khác với “Zero-shot Prompting” như thế nào?
  12. “Chain-of-Thought (CoT) Prompting” thường được sử dụng cho loại tác vụ nào và tại sao nó lại hiệu quả?
  13. Nêu tên ít nhất ba công cụ/nền tảng phổ biến cho phép người dùng tương tác với LLMs hoặc AI tạo hình ảnh.
  14. Khi sử dụng các dịch vụ LLM công cộng, doanh nghiệp cần lưu ý những rủi ro nào về bảo mật dữ liệu?
  15. Vấn đề bản quyền và sở hữu trí tuệ liên quan đến nội dung do AI Tạo sinh tạo ra phức tạp như thế nào?

Phần II: Bài tập Kỹ năng Prompting (Sử dụng một công cụ LLM như ChatGPT, Gemini, Copilot)

Đối với mỗi bài tập dưới đây, hãy ghi lại prompt bạn đã sử dụng và kết quả (hoặc một phần kết quả tiêu biểu) mà LLM trả về. Sau đó, tự đánh giá và nhận xét về chất lượng của kết quả, và nếu cần, hãy thử nghiệm với một prompt cải tiến và ghi lại sự khác biệt.

  1. Tạo Slogan cho Công ty:
    • Yêu cầu: Công ty bạn kinh doanh cà phê hữu cơ, rang xay thủ công, với tên gọi “EarthBean Coffee”. Hãy yêu cầu LLM tạo ra 5 slogan ngắn gọn, hấp dẫn, thể hiện được giá trị cốt lõi của thương hiệu.
    • Thử nghiệm:
      • Prompt ban đầu của bạn.
      • Prompt cải tiến (ví dụ: yêu cầu giọng điệu cụ thể, đối tượng mục tiêu, nhấn mạnh yếu tố “hữu cơ” hoặc “thủ công”).
  2. Soạn thảo Bài đăng Tuyển dụng:
    • Yêu cầu: Công ty công nghệ của bạn đang cần tuyển vị trí “Chuyên viên Marketing Kỹ thuật số” với 2 năm kinh nghiệm, yêu cầu kỹ năng về SEO, SEM, Content Marketing, và sử dụng các công cụ phân tích. Hãy yêu cầu LLM soạn thảo một bài đăng tuyển dụng ngắn gọn (khoảng 150-200 từ) để đăng trên LinkedIn.
    • Thử nghiệm: Chú trọng vào việc yêu cầu LLM nêu bật văn hóa công ty (nếu có thông tin) và các phúc lợi hấp dẫn.
  3. Lên Kịch bản cho một Video TikTok Ngắn:
    • Yêu cầu: Bạn muốn tạo một video TikTok (khoảng 30 giây) giới thiệu một ứng dụng học ngoại ngữ mới tên là “LingoLeap”, nhấn mạnh tính năng học qua trò chơi tương tác. Hãy yêu cầu LLM phác thảo kịch bản video, bao gồm các cảnh quay chính, lời thoại (nếu có), và gợi ý nhạc nền.
    • Thử nghiệm: Yêu cầu LLM đóng vai một người sáng tạo nội dung TikTok chuyên nghiệp.
  4. Giải thích một Khái niệm Kinh doanh Phức tạp:
    • Yêu cầu: Hãy yêu cầu LLM giải thích khái niệm “Chiến lược Đại dương Xanh (Blue Ocean Strategy)” cho một người chưa có kiến thức về kinh doanh, sử dụng ngôn ngữ đơn giản, ví dụ minh họa, và giới hạn trong 3 đoạn văn.
    • Thử nghiệm: Yêu cầu LLM sử dụng một phép ẩn dụ (analogy) để giải thích.
  5. Tạo một Câu chuyện Thương hiệu Ngắn:
    • Yêu cầu: Một cửa hàng bánh ngọt thủ công nhỏ, do một gia đình tự làm, muốn có một câu chuyện thương hiệu ngắn (khoảng 100 từ) để in trên bao bì sản phẩm, nhấn mạnh tình yêu với nghề làm bánh và nguyên liệu tự nhiên. Hãy yêu cầu LLM viết câu chuyện đó.
    • Thử nghiệm: Yêu cầu giọng điệu ấm áp, chân thành.

Phần III: Bài tập Tư duy Phản biện và Phân tích

  1. Phân tích Rủi ro “Ảo giác”: Chọn một lĩnh vực kinh doanh cụ thể (ví dụ: tư vấn pháp lý, chăm sóc sức khỏe, báo chí). Nếu một LLM được sử dụng trong lĩnh vực đó tạo ra thông tin “ảo giác”, hậu quả có thể nghiêm trọng như thế nào? Doanh nghiệp cần có những biện pháp gì để giảm thiểu rủi ro này?
  2. Đạo đức của AI Tạo sinh trong Nghệ thuật và Thiết kế: Việc các nghệ sĩ và nhà thiết kế sử dụng AI tạo hình ảnh để tạo ra tác phẩm có làm giảm giá trị của sự sáng tạo con người không? Liệu có nên có những quy định về việc ghi nhận vai trò của AI trong các tác phẩm này? Thảo luận quan điểm của bạn.
  3. LLMs và Giáo dục:
    1. Theo bạn, việc sinh viên sử dụng LLMs (như ChatGPT) để hỗ trợ làm bài tập, viết luận có những lợi ích và tác hại gì?
    2. Nếu bạn là một giảng viên, bạn sẽ có những quy định hoặc hướng dẫn như thế nào cho sinh viên về việc sử dụng LLMs trong học tập?
  4. “Prompt Injection” và An ninh LLM: Tìm hiểu về khái niệm “Prompt Injection” (một dạng tấn công vào LLMs bằng cách chèn các chỉ dẫn độc hại vào prompt). Tại sao đây lại là một vấn đề an ninh đáng lo ngại, đặc biệt khi LLMs được tích hợp vào các ứng dụng có quyền truy cập dữ liệu hoặc thực hiện hành động?
  5. Tương lai của Prompt Engineering: Khi các LLMs ngày càng thông minh hơn và có khả năng hiểu ý định người dùng tốt hơn, liệu kỹ năng “Prompt Engineering” có còn quan trọng nữa không? Hay nó sẽ phát triển thành một dạng kỹ năng khác? Đưa ra dự đoán và lý giải của bạn.

Gợi ý: Đối với các bài tập yêu cầu tìm hiểu thêm, sinh viên nên sử dụng các nguồn tài liệu đáng tin cậy như các bài báo công nghệ, blog của các chuyên gia AI, tài liệu từ các nhà phát triển LLM, và trích dẫn nguồn nếu cần thiết.