Video này được tài trợ bởi Skills Bridge. Trước khi tiếp tục, Linh muốn giới thiệu đến bạn chuỗi 02 workshop là: Tối Ưu Hóa Việc Quản Lý Thời Gian, Tạo Slides, phân tích Dữ Liệu và Chatbot Với AI.

Trong chuỗi workshop này, bạn sẽ được hướng dẫn cách ứng dụng các công cụ AI trong việc tối ưu các công việc thủ công hàng ngày với các tình huống thực hành cụ thể. Bên cạnh đó, chuyên gia cũng sẽ giúp bạn giải quyết các khó khăn bạn gặp phải trong quá trình sử dụng ngay tại lớp, mà bạn không phải mất thời gian tự tìm hiểu.

Đến cuối buổi, bạn không chỉ có được kỹ năng sử dụng công cụ AI để tối ưu hiệu suất công việc. Mà còn mở ra cho mình năng lực chủ động trong việc áp dụng các giải pháp AI hiệu quả.

Tìm hiểu và đăng ký tham gia workshop TẠI ĐÂY nhé!

Đó là góc nhìn tổng quát về mối quan hệ giữa các khái niệm. Bây giờ Linh sẽ chia sẻ rõ hơn về từng khái niệm. Đầu tiên là khái niệm AI. AI là một khái niệm không mới. Cụm từ Artificial Intelligence hay Trí tuệ nhân tạo được đề xuất bởi nhà khoa học máy tính người Mỹ John McCarthy tại Hội nghị Dartmouth từ năm 1956.

Trí tuệ nhân tạo về cơ bản là một hệ thống máy tính siêu thông minh có thể bắt chước con người theo một số cách, như cảm nhận, suy luận, hành động hoặc thích ứng như con người. Chúng ta gọi nó là Nhân tạo bởi vì nó được tạo ra bởi con người bằng cách sử dụng công nghệ.

Đôi khi bạn sẽ tương tác với hệ thống AI như ra lệnh cho ChatGPT, trò chuyện với Siri. Nhưng thường thì AI sẽ hoạt động ngầm bên dưới các công cụ mà bạn đang sử dụng. Ví dụ như gợi ý các từ khi bạn tìm kiếm trên Google, đề xuất bài hát khi bạn nghe nhạc trên Spotify, hay gợi ý cho bạn một món đồ cần mua trên Shopee dựa trên lịch sử các món đồ mà bạn đã xem hay mua trước đó.

Khái niệm thứ hai là một ứng dụng của AI, mang tên Machine Learning hay Máy học. Nói một cách dễ hiểu thì Machine Learning là làm cho máy học giống con người. Các bạn có nhớ lúc nhỏ chúng ta học nói, học đi như thế nào không? Đúng rồi, chúng ta đã học thông qua trải nghiệm.

Với Machine Learning, các chương trình sẽ phân tích hàng nghìn ví dụ để xây dựng thuật toán. Sau đó, thuật toán sẽ được điều chỉnh dựa trên việc chương trình có đạt được mục tiêu hay không. Cứ như vậy, theo thời gian, chương trình sẽ trở nên thông minh hơn.

Chung quy lại, Machine Learning là một chương trình sử dụng nhiều dữ liệu đầu vào để huấn luyện mô hình. Sau đó, mô hình được đào tạo đó có thể đưa ra dự đoán dựa trên dữ liệu mới mà nó chưa từng thấy trước đây.

Các thuật toán có thể được phân loại theo 4 cách học tùy thuộc vào loại dữ liệu đầu vào và kết quả kỳ vọng. Đó là:

(1) Supervised learning (Học có giám sát)

(2) Unsupervised learning (Học không giám sát)

(3) Semi-supervised learning (Học nửa giám sát)

(4) Reinforcement learning (Học tăng cường).

Theo Amazon Web Services, Deep learning là một loại hình kỹ thuật Máy học được xây dựng mô phỏng theo não người. Thuật toán Deep learning phân tích dữ liệu bằng cấu trúc logic tương tự như logic của con người. Nghĩa là, Deep learning sẽ sử dụng các hệ thống thông minh được gọi là Artificial Neural Networks (ANN, hay mạng nơ-ron nhân tạo) để xử lý thông tin theo lớp. Dữ liệu đi từ lớp đầu vào này, qua nhiều lớp mạng nơ-ron ẩn “sâu” trước khi tới được lớp kết quả.

Tiếp theo, chúng ta sẽ tìm hiểu về một thuật ngữ rất phổ biến là Generative AI (hay AI tạo sinh). Generative AI là một dạng AI có thể tạo ra nội dung và ý tưởng mới, thay vì chỉ tìm kiếm hay phân loại các nội dung sẵn có. Các nội dung mới được tạo ra có thể là các cuộc trò chuyện, câu chuyện, hình ảnh, video và âm nhạc.

Có rất nhiều loại mô hình Generative AI khác nhau. Ví dụ như các mô hình chuyển văn bản thành văn bản phổ biến như ChatGPT hay Gemini. Văn bản có thể là ngôn ngữ tự nhiên, và cũng có thể là các đoạn mã.

Các mô hình chuyển văn bản thành hình ảnh như Image Creator in Microsoft Designer, MidJourney, DALL-E. Hãy mô tả những gì bạn muốn, và một hình ảnh sẽ được tạo ra cho bạn. Ví dụ Linh đang sử dụng tính năng Image Creator của Microsoft Designer. Nếu bạn chưa có ý tưởng nào, bạn có thể nhấp chọn “Surprise me", hệ thống sẽ đề xuất câu lệnh mẫu cho bạn điền vào.

Hoặc bạn có thể chọn một hình mình thích, và nhấn “Select to try" để được đề xuất câu lệnh tạo ra hình ảnh tương tự phong cách với hình ảnh bạn chọn.

Ngược lại, bạn cũng có thể dùng công cụ như ChatGPT4 để yêu cầu hệ thống mô tả, hay phân tích một hình ảnh nhất định. Các nội dung trong hình ảnh này có thể là các bảng, biểu đồ, hay bất kỳ nội dung có định dạng hình ảnh nào mà bạn có.

Chúng ta cũng có các mô hình chuyển lời nói thành văn bản như Turbo Scribe mà bạn và Linh đã thực hành trong bài Tự Động Hóa Việc Ghi Chép Trong Cuộc Họp của chuỗi video Làm Bạn Với AI. Chúng ta cũng có các mô hình tạo ra các âm thanh hay bài hát từ các câu lệnh bằng văn bản.

Bạn cũng có thể chuyển văn bản thành video bằng các công cụ như Imagen Video của Google, Make-A-Video của Meta. Ngoài ra còn có các mô hình khác như chuyển văn bản thành mô hình 3D được ứng dụng trong các trò chơi, mô hình chuyển văn bản thành một nhiệm vụ cụ thể. Thậm chí, có những sản phẩm AI kết hợp các mô hình khác nhau để bạn cùng lúc có thể làm việc với văn bản, hình ảnh, giọng nói như ChatGPT 4.

Một thuật ngữ phổ biến khác là Large Language Models, LLMs, hay Mô hình ngôn ngữ lớn. LLMs cũng là một nhánh của Deep Learning. Thông thường, các LLMs sẽ được đào tạo trước với một bộ dữ liệu rất lớn, sau đó mới được điều chỉnh cho các mục đích cụ thể.

Nghĩa là một mô hình ngôn ngữ được đào tạo trước để giải quyết các vấn đề ngôn ngữ phổ biến như trả lời những câu hỏi cụ thể dựa trên thông tin được lưu trữ, tạo văn bản, phân loại văn bản, viết quảng cáo, hay thậm chí là lập trình. Sau đó, các LLMs này sẽ sử dụng các bộ dữ liệu nhỏ hơn, chuyên biệt hơn để giải quyết vấn đề cụ thể của từng ngành như bán lẻ, tài chính, chăm sóc sức khỏe, hay giải trí.

Vậy mô hình này hoạt động như thế nào? Trong bài viết này, Linh sẽ không nói quá sâu về phần công nghệ. Linh sẽ giải thích theo một cách khái quát và đơn giản nhất. Cách máy học cũng giống như cách bạn học nói lúc nhỏ. Nghĩa là bạn sẽ lắng nghe mọi người xung quanh nói chuyện. Khi nghe đủ nhiều, bạn sẽ phát hiện ra các khuôn mẫu. Ban đầu, bạn sẽ chỉ bập bẹ một vài từ đơn giản như ba ba, ma ma. Sau đó bạn nói được nhiều từ rời rạc hơn, rồi ghép thành một câu đầy đủ.

Tương tự, các mô hình ngôn ngữ cũng được cung cấp một lượng văn bản khổng lồ, phần lớn từ sách báo, mạng Internet, để học. Khi bạn nhập một vài từ làm đầu vào, mô hình này sẽ thực hiện quá trình “đoán từ tiếp theo" cho đến khi nó có thể tạo thành một câu, hay đoạn văn có nghĩa hoàn chỉnh.

Ví dụ, nếu hệ thống đọc trên Internet một câu như “Hà Nội là thủ đô của nước Việt Nam", thì câu đó sẽ được chuyển thành nhiều điểm dữ liệu để mô hình học cách dự đoán từ tiếp theo.

Cụ thể, với câu trên, nếu dữ liệu đầu vào là “Hà Nội là", từ tiếp theo cần điền là gì? Đúng rồi, là “thủ đô". Từ tiếp theo sau “Hà Nội là thủ đô" là gì? Từ “của". “Hà Nội là thủ đô của”.

Cứ tiếp tục như vậy cho đến khi hệ thống đoán hết các từ trong câu. Từ câu này qua câu khác. Các bạn có thể thấy điều thú vị ở đây là nếu chúng ta lấy đoạn văn bản đầu ra nhận được bỏ trở lại làm đầu vào, mô hình sẽ tiếp tục bổ sung các từ mới.

Đó cũng là cách mà các công cụ như ChatGPT hoạt động khi bạn nhập một đoạn văn bản hay chúng ta thường gọi là câu lệnh prompt vào ChatGPT. Một mô hình ngôn ngữ lớn có thể có hàng nghìn tỷ đến hàng trăm tỷ tham số. Ví dụ, mô hình GPT-3 của Open AI có 175 tỷ tham số, hay Mô hình Jurassic-1 của AI21 Labs có 178 tỷ tham số và một kho từ vựng token gồm 250.000 thành phần từ. Như các bạn có thể thấy, mặc dù các mô hình GPT của OpenAI là phổ biến, nhưng cũng có rất nhiều mô hình LLMs khác đang được phát triển và ngày càng lớn hơn, chứa nhiều tham số hơn.

Cuối cùng, để sử dụng các công cụ như ChatGPT hiệu quả, một kỹ năng cực kỳ quan trọng mà các bạn cần học đó là viết câu lệnh prompt.

Prompt được hiểu đơn giản là một hướng dẫn được nhập vào hệ thống bằng ngôn ngữ, hình ảnh, hoặc đoạn mã để yêu cầu AI thực hiện một nhiệm vụ mà bạn muốn.

Khi giao việc, bạn không thể nói với một nhân viên mới là “Hãy gửi cho chị một báo cáo". Bạn cần nói rõ ra báo cáo đó là về chủ đề gì, nội dung ra sao, cấu trúc như thế nào. Ví dụ, “Hãy gửi cho chị báo cáo kết quả kinh doanh quý 1 của sản phẩm A trong 5 slides. Lưu ý là hãy so sánh với kết quả của quý 1 năm ngoái và với sản phẩm B”. Điều này sẽ giúp bạn nhân viên làm đúng yêu cầu của bạn hơn. Khi bạn yêu cầu trợ lý ChatGPT hay Gemini làm việc cho bạn cũng vậy thôi, hãy cung cấp một prompt với các tình huống, yêu cầu, định dạng càng cụ thể càng tốt.

Như các bạn có thể thấy, AI và các công cụ của nó làm được rất nhiều việc. Hạn chế lớn nhất của việc sử dụng các công cụ này có lẽ là trí tưởng tượng và khả năng bạn giao tiếp hiệu quả của bạn với chúng. Đừng chỉ lên mạng và tải về bộ công cụ 100 hay 1,000 prompt giúp bạn làm việc này, việc kia hiệu quả. Bởi vì nếu không hiểu logic đằng sau chúng, bạn không thể sáng tạo và linh hoạt tạo ra những prompt tương tự khi có yêu cầu mới phát sinh.

Video này được tài trợ bởi Skills Bridge. Trước khi tiếp tục, Linh muốn giới thiệu đến bạn chuỗi 02 workshop là: Tối Ưu Hóa Việc Quản Lý Thời Gian, Tạo Slides, phân tích Dữ Liệu và Chatbot Với AI.

Trong chuỗi workshop này, bạn sẽ được hướng dẫn cách ứng dụng các công cụ AI trong việc tối ưu các công việc thủ công hàng ngày với các tình huống thực hành cụ thể. Bên cạnh đó, chuyên gia cũng sẽ giúp bạn giải quyết các khó khăn bạn gặp phải trong quá trình sử dụng ngay tại lớp, mà bạn không phải mất thời gian tự tìm hiểu.

Đến cuối buổi, bạn không chỉ có được kỹ năng sử dụng công cụ AI để tối ưu hiệu suất công việc. Mà còn mở ra cho mình năng lực chủ động trong việc áp dụng các giải pháp AI hiệu quả.

Tìm hiểu và đăng ký tham gia workshop TẠI ĐÂY nhé!

Đó là góc nhìn tổng quát về mối quan hệ giữa các khái niệm. Bây giờ Linh sẽ chia sẻ rõ hơn về từng khái niệm. Đầu tiên là khái niệm AI. AI là một khái niệm không mới. Cụm từ Artificial Intelligence hay Trí tuệ nhân tạo được đề xuất bởi nhà khoa học máy tính người Mỹ John McCarthy tại Hội nghị Dartmouth từ năm 1956.

Trí tuệ nhân tạo về cơ bản là một hệ thống máy tính siêu thông minh có thể bắt chước con người theo một số cách, như cảm nhận, suy luận, hành động hoặc thích ứng như con người. Chúng ta gọi nó là Nhân tạo bởi vì nó được tạo ra bởi con người bằng cách sử dụng công nghệ.

Đôi khi bạn sẽ tương tác với hệ thống AI như ra lệnh cho ChatGPT, trò chuyện với Siri. Nhưng thường thì AI sẽ hoạt động ngầm bên dưới các công cụ mà bạn đang sử dụng. Ví dụ như gợi ý các từ khi bạn tìm kiếm trên Google, đề xuất bài hát khi bạn nghe nhạc trên Spotify, hay gợi ý cho bạn một món đồ cần mua trên Shopee dựa trên lịch sử các món đồ mà bạn đã xem hay mua trước đó.

Khái niệm thứ hai là một ứng dụng của AI, mang tên Machine Learning hay Máy học. Nói một cách dễ hiểu thì Machine Learning là làm cho máy học giống con người. Các bạn có nhớ lúc nhỏ chúng ta học nói, học đi như thế nào không? Đúng rồi, chúng ta đã học thông qua trải nghiệm.

Với Machine Learning, các chương trình sẽ phân tích hàng nghìn ví dụ để xây dựng thuật toán. Sau đó, thuật toán sẽ được điều chỉnh dựa trên việc chương trình có đạt được mục tiêu hay không. Cứ như vậy, theo thời gian, chương trình sẽ trở nên thông minh hơn.

Chung quy lại, Machine Learning là một chương trình sử dụng nhiều dữ liệu đầu vào để huấn luyện mô hình. Sau đó, mô hình được đào tạo đó có thể đưa ra dự đoán dựa trên dữ liệu mới mà nó chưa từng thấy trước đây.

Các thuật toán có thể được phân loại theo 4 cách học tùy thuộc vào loại dữ liệu đầu vào và kết quả kỳ vọng. Đó là:

(1) Supervised learning (Học có giám sát)

(2) Unsupervised learning (Học không giám sát)

(3) Semi-supervised learning (Học nửa giám sát)

(4) Reinforcement learning (Học tăng cường).

Theo Amazon Web Services, Deep learning là một loại hình kỹ thuật Máy học được xây dựng mô phỏng theo não người. Thuật toán Deep learning phân tích dữ liệu bằng cấu trúc logic tương tự như logic của con người. Nghĩa là, Deep learning sẽ sử dụng các hệ thống thông minh được gọi là Artificial Neural Networks (ANN, hay mạng nơ-ron nhân tạo) để xử lý thông tin theo lớp. Dữ liệu đi từ lớp đầu vào này, qua nhiều lớp mạng nơ-ron ẩn “sâu” trước khi tới được lớp kết quả.

Tiếp theo, chúng ta sẽ tìm hiểu về một thuật ngữ rất phổ biến là Generative AI (hay AI tạo sinh). Generative AI là một dạng AI có thể tạo ra nội dung và ý tưởng mới, thay vì chỉ tìm kiếm hay phân loại các nội dung sẵn có. Các nội dung mới được tạo ra có thể là các cuộc trò chuyện, câu chuyện, hình ảnh, video và âm nhạc.

Có rất nhiều loại mô hình Generative AI khác nhau. Ví dụ như các mô hình chuyển văn bản thành văn bản phổ biến như ChatGPT hay Gemini. Văn bản có thể là ngôn ngữ tự nhiên, và cũng có thể là các đoạn mã.

Các mô hình chuyển văn bản thành hình ảnh như Image Creator in Microsoft Designer, MidJourney, DALL-E. Hãy mô tả những gì bạn muốn, và một hình ảnh sẽ được tạo ra cho bạn. Ví dụ Linh đang sử dụng tính năng Image Creator của Microsoft Designer. Nếu bạn chưa có ý tưởng nào, bạn có thể nhấp chọn “Surprise me", hệ thống sẽ đề xuất câu lệnh mẫu cho bạn điền vào.

Hoặc bạn có thể chọn một hình mình thích, và nhấn “Select to try" để được đề xuất câu lệnh tạo ra hình ảnh tương tự phong cách với hình ảnh bạn chọn.

Ngược lại, bạn cũng có thể dùng công cụ như ChatGPT4 để yêu cầu hệ thống mô tả, hay phân tích một hình ảnh nhất định. Các nội dung trong hình ảnh này có thể là các bảng, biểu đồ, hay bất kỳ nội dung có định dạng hình ảnh nào mà bạn có.

Chúng ta cũng có các mô hình chuyển lời nói thành văn bản như Turbo Scribe mà bạn và Linh đã thực hành trong bài Tự Động Hóa Việc Ghi Chép Trong Cuộc Họp của chuỗi video Làm Bạn Với AI. Chúng ta cũng có các mô hình tạo ra các âm thanh hay bài hát từ các câu lệnh bằng văn bản.

Bạn cũng có thể chuyển văn bản thành video bằng các công cụ như Imagen Video của Google, Make-A-Video của Meta. Ngoài ra còn có các mô hình khác như chuyển văn bản thành mô hình 3D được ứng dụng trong các trò chơi, mô hình chuyển văn bản thành một nhiệm vụ cụ thể. Thậm chí, có những sản phẩm AI kết hợp các mô hình khác nhau để bạn cùng lúc có thể làm việc với văn bản, hình ảnh, giọng nói như ChatGPT 4.

Một thuật ngữ phổ biến khác là Large Language Models, LLMs, hay Mô hình ngôn ngữ lớn. LLMs cũng là một nhánh của Deep Learning. Thông thường, các LLMs sẽ được đào tạo trước với một bộ dữ liệu rất lớn, sau đó mới được điều chỉnh cho các mục đích cụ thể.

Nghĩa là một mô hình ngôn ngữ được đào tạo trước để giải quyết các vấn đề ngôn ngữ phổ biến như trả lời những câu hỏi cụ thể dựa trên thông tin được lưu trữ, tạo văn bản, phân loại văn bản, viết quảng cáo, hay thậm chí là lập trình. Sau đó, các LLMs này sẽ sử dụng các bộ dữ liệu nhỏ hơn, chuyên biệt hơn để giải quyết vấn đề cụ thể của từng ngành như bán lẻ, tài chính, chăm sóc sức khỏe, hay giải trí.

Vậy mô hình này hoạt động như thế nào? Trong bài viết này, Linh sẽ không nói quá sâu về phần công nghệ. Linh sẽ giải thích theo một cách khái quát và đơn giản nhất. Cách máy học cũng giống như cách bạn học nói lúc nhỏ. Nghĩa là bạn sẽ lắng nghe mọi người xung quanh nói chuyện. Khi nghe đủ nhiều, bạn sẽ phát hiện ra các khuôn mẫu. Ban đầu, bạn sẽ chỉ bập bẹ một vài từ đơn giản như ba ba, ma ma. Sau đó bạn nói được nhiều từ rời rạc hơn, rồi ghép thành một câu đầy đủ.

Tương tự, các mô hình ngôn ngữ cũng được cung cấp một lượng văn bản khổng lồ, phần lớn từ sách báo, mạng Internet, để học. Khi bạn nhập một vài từ làm đầu vào, mô hình này sẽ thực hiện quá trình “đoán từ tiếp theo" cho đến khi nó có thể tạo thành một câu, hay đoạn văn có nghĩa hoàn chỉnh.

Ví dụ, nếu hệ thống đọc trên Internet một câu như “Hà Nội là thủ đô của nước Việt Nam", thì câu đó sẽ được chuyển thành nhiều điểm dữ liệu để mô hình học cách dự đoán từ tiếp theo.

Cụ thể, với câu trên, nếu dữ liệu đầu vào là “Hà Nội là", từ tiếp theo cần điền là gì? Đúng rồi, là “thủ đô". Từ tiếp theo sau “Hà Nội là thủ đô" là gì? Từ “của". “Hà Nội là thủ đô của”.

Cứ tiếp tục như vậy cho đến khi hệ thống đoán hết các từ trong câu. Từ câu này qua câu khác. Các bạn có thể thấy điều thú vị ở đây là nếu chúng ta lấy đoạn văn bản đầu ra nhận được bỏ trở lại làm đầu vào, mô hình sẽ tiếp tục bổ sung các từ mới.

Đó cũng là cách mà các công cụ như ChatGPT hoạt động khi bạn nhập một đoạn văn bản hay chúng ta thường gọi là câu lệnh prompt vào ChatGPT. Một mô hình ngôn ngữ lớn có thể có hàng nghìn tỷ đến hàng trăm tỷ tham số. Ví dụ, mô hình GPT-3 của Open AI có 175 tỷ tham số, hay Mô hình Jurassic-1 của AI21 Labs có 178 tỷ tham số và một kho từ vựng token gồm 250.000 thành phần từ. Như các bạn có thể thấy, mặc dù các mô hình GPT của OpenAI là phổ biến, nhưng cũng có rất nhiều mô hình LLMs khác đang được phát triển và ngày càng lớn hơn, chứa nhiều tham số hơn.

Cuối cùng, để sử dụng các công cụ như ChatGPT hiệu quả, một kỹ năng cực kỳ quan trọng mà các bạn cần học đó là viết câu lệnh prompt.

Prompt được hiểu đơn giản là một hướng dẫn được nhập vào hệ thống bằng ngôn ngữ, hình ảnh, hoặc đoạn mã để yêu cầu AI thực hiện một nhiệm vụ mà bạn muốn.

Khi giao việc, bạn không thể nói với một nhân viên mới là “Hãy gửi cho chị một báo cáo". Bạn cần nói rõ ra báo cáo đó là về chủ đề gì, nội dung ra sao, cấu trúc như thế nào. Ví dụ, “Hãy gửi cho chị báo cáo kết quả kinh doanh quý 1 của sản phẩm A trong 5 slides. Lưu ý là hãy so sánh với kết quả của quý 1 năm ngoái và với sản phẩm B”. Điều này sẽ giúp bạn nhân viên làm đúng yêu cầu của bạn hơn. Khi bạn yêu cầu trợ lý ChatGPT hay Gemini làm việc cho bạn cũng vậy thôi, hãy cung cấp một prompt với các tình huống, yêu cầu, định dạng càng cụ thể càng tốt.

Như các bạn có thể thấy, AI và các công cụ của nó làm được rất nhiều việc. Hạn chế lớn nhất của việc sử dụng các công cụ này có lẽ là trí tưởng tượng và khả năng bạn giao tiếp hiệu quả của bạn với chúng. Đừng chỉ lên mạng và tải về bộ công cụ 100 hay 1,000 prompt giúp bạn làm việc này, việc kia hiệu quả. Bởi vì nếu không hiểu logic đằng sau chúng, bạn không thể sáng tạo và linh hoạt tạo ra những prompt tương tự khi có yêu cầu mới phát sinh.