Sóng AI
Writer
Bối cảnh phân tích đã phát triển đáng kể trong thập kỷ qua, từ mô hình thống kê cơ bản đến học máy và học sâu, với sự xuất hiện của AI tạo sinh mở ra nhiều khả năng mới.
AI tạo sinh có thể tạo văn bản giống người, hình ảnh và mã nguồn, nhưng vai trò tối ưu của nó bên cạnh các công cụ AI dự đoán vẫn đang phát triển.
Học máy xác định mẫu từ dữ liệu lịch sử để đưa ra dự đoán mà không cần lập trình rõ ràng, phù hợp với dữ liệu có cấu trúc (dạng bảng).
Học máy được sử dụng rộng rãi trong kinh doanh: bán lẻ dự báo nhu cầu sản phẩm, doanh nghiệp dịch vụ thuê bao dự đoán khách hàng rời bỏ, tổ chức tài chính đánh giá rủi ro vỡ nợ.
Học máy không hiệu quả với dữ liệu phi cấu trúc (hình ảnh, văn bản, âm thanh) vì cần cấu trúc hóa thủ công - một công việc tốn kém.
Học sâu, dựa trên mạng nơ-ron, có thể xử lý dữ liệu phi cấu trúc mà không cần xử lý thủ công, nhưng "đói dữ liệu" hơn và khó hiểu hơn do phức tạp.
AI tạo sinh khác với AI dự đoán ở khả năng tạo nội dung mới thay vì chỉ dự đoán, được xây dựng trên kiến trúc transformer.
Để quyết định công cụ AI nào phù hợp, cần xác định bản chất vấn đề: là vấn đề dự đoán hay vấn đề tạo sinh?
Vấn đề tạo sinh dễ nhận biết khi đầu ra mong muốn là phi cấu trúc (văn bản, hình ảnh, video, âm nhạc).
Vấn đề dự đoán có hai loại: phân loại (chọn từ các đầu ra xác định trước) và hồi quy (dự đoán một số).
Với vấn đề tạo sinh, AI tạo sinh là lựa chọn duy nhất, sử dụng LLM đa phương thức, mô hình text-to-image, hoặc mô hình chuyên biệt.
Với vấn đề dự đoán có dữ liệu đầu vào dạng bảng, nên ưu tiên học máy truyền thống vì dễ xây dựng, điều chỉnh và giải thích hơn học sâu.
Với vấn đề dự đoán có dữ liệu đầu vào phi cấu trúc và nhãn đầu ra là văn bản thông thường, nên thử LLM trước.
Nếu không thể sử dụng LLM (do độ chính xác, chi phí, độ trễ hoặc bảo mật dữ liệu), nên dùng học sâu với mô hình được huấn luyện trước.
Có thể giảm gánh nặng dữ liệu khi sử dụng học sâu bằng cách tìm mô hình đã được huấn luyện trước trên dữ liệu tương tự và tinh chỉnh với dữ liệu cụ thể.
LLM có thể hỗ trợ tạo và gắn nhãn dữ liệu để tinh chỉnh mô hình đã huấn luyện trước, giảm chi phí và thời gian gắn nhãn thủ công.
Với dữ liệu đầu vào kết hợp dạng bảng và phi cấu trúc, nên bắt đầu trực tiếp với học sâu.
Lựa chọn giữa học máy, học sâu và AI tạo sinh không nên là đề xuất hoặc-hoặc mà là tập hợp khả năng có thể kết hợp và điều chỉnh dựa trên đặc điểm cụ thể của vấn đề.
Khi lựa chọn công cụ AI, cần xác định bản chất vấn đề (tạo sinh hay dự đoán) và loại dữ liệu đầu vào. Dùng AI tạo sinh cho vấn đề tạo sinh, học máy cho dữ liệu dạng bảng, và LLM cho dữ liệu phi cấu trúc với nhãn thông thường. Học sâu phù hợp khi LLM không khả thi hoặc dữ liệu đầu vào hỗn hợp.Nguồn: Songai.vn
