Cuộc Chiến AI Mở: Phân Tích Hành Vi Sử Dụng của Các Nhà Phát Triển Trên Toàn Cầu

<p><strong>Mục lục</strong></p> <ol> <li><strong>Mở đầu: Sự bùng nổ của AI và câu hỏi về ứng dụng thực tế</strong></li> <li><strong>Phương pháp nghiên cứu: Khám phá thế giới AI qua góc nhìn của nhà phát triển</strong></li> <li><strong>Kết quả nghiên cứu: Sự khác biệt trong việc sử dụng AI theo khu vực, ngành và quy mô công ty</strong><ul> <li>3.1. Ngành và quy mô công ty: Những ai đang dẫn đầu?</li> <li>3.2. Địa lý: Ai đang sử dụng AI và sử dụng như thế nào?</li> </ul> </li> <li><strong>Cuộc chiến giữa các "ông lớn" AI: Musk và Zuckerberg</strong></li> <li><strong>Tương lai của AI mở: Liệu có cạnh tranh được với AI độc quyền?</strong></li> <li><strong>Kết luận: Những điều cần theo dõi trong hành trình AI đầy biến động</strong></li> </ol> <hr> <h2>1. Mở đầu: Sự bùng nổ của AI và câu hỏi về ứng dụng thực tế</h2> <p>Từ khi ChatGPT của OpenAI xuất hiện vào cuối năm 2022, số lượng Mô hình Ngôn ngữ Lớn (LLM) đã tăng lên chóng mặt. Ước tính các doanh nghiệp đã chi 154 tỷ USD cho AI vào năm 2023, và một khảo sát toàn cầu của McKinsey cho thấy 65% công ty đang sử dụng thường xuyên AI tạo sinh (GenAI) trong hoạt động kinh doanh. Tuy nhiên, đằng sau những con số khổng lồ và sự hào hứng, chúng ta vẫn chưa thực sự hiểu rõ công nghệ này đang được sử dụng như thế nào và ở đâu.</p> <p><img alt="Hình ảnh minh họa các LLM phổ biến: Gemini, O1, Grok, Claude, Llama, Yi and Mistral" src="https://knowledge.insead.edu/sites/knowledge/files/styles/1280x500/public/2024-12/429c8e3a-2b42-42ab-a620-f98071239e86.jpg?h=6ac8faef&itok=j_5NRPGo"></p> <p>Bài viết này sẽ cung cấp một góc nhìn sâu hơn, đi xa hơn các khảo sát thông thường với các nhà quản lý kinh doanh. Chúng tôi sẽ phân tích dữ liệu thực tế về cách các nhà phát triển phần mềm đang tương tác với một số LLM mã nguồn mở hàng đầu. Đây là những mô hình có thể truy cập, sửa đổi và phân phối lại một cách tự do với ít hạn chế.</p> <h2>2. Phương pháp nghiên cứu: Khám phá thế giới AI qua góc nhìn của nhà phát triển</h2> <p>Để tìm kiếm dữ liệu sử dụng cụ thể, chúng tôi đã tìm đến nền tảng phát triển phổ biến GitHub, một kho lưu trữ quan trọng cho code AI và các tài nguyên khác. Nền tảng này chứa nhiều LLM mã nguồn mở đáng chú ý như Grok, Llama của Meta, Yi của tập đoàn 01.AI Trung Quốc và Mistral của công ty khởi nghiệp AI cùng tên đến từ Pháp.</p> <p>Ưu điểm của GitHub là khả năng xác định nhà phát triển nào đã tải xuống ("forked") code LLM nào để xây dựng ứng dụng AI. Điều này cung cấp thông tin chi tiết về LLM nào đang được các nhà phát triển ưa chuộng. Vì các nhà phát triển là những người thúc đẩy các giới hạn công nghệ, việc theo dõi hành vi của họ có thể cho thấy xu hướng AI.</p> <p>Ngoài ra, bản chất mở của GitHub cũng cho phép chúng tôi xác định được một tỷ lệ đáng kể quốc gia cư trú, ngành nghề và quy mô công ty của các nhà phát triển. Dù không hoàn toàn chính xác, dữ liệu của chúng tôi cung cấp một bức tranh về cách các nhà phát triển từ các quốc gia, quy mô công ty và ngành khác nhau đang tiếp nhận LLM. Chúng tôi cũng đã so sánh số liệu áp dụng AI với việc sử dụng TensorFlow, một trong những công cụ phát triển máy học phổ biến nhất được Google phát hành vào năm 2015.</p> <h2>3. Kết quả nghiên cứu: Sự khác biệt trong việc sử dụng AI theo khu vực, ngành và quy mô công ty</h2> <h3>3.1. Ngành và quy mô công ty: Những ai đang dẫn đầu?</h3> <p>Ở giai đoạn đầu của việc áp dụng AI, chúng tôi nhận thấy sự khác biệt đáng kể giữa các ngành. Các công ty công nghệ dẫn đầu (48,3% số lượng fork), nhưng ngành giáo dục cũng có tỷ lệ sử dụng LLM khá cao (26,3%).</p> <p>Sự thể hiện mạnh mẽ của các tổ chức giáo dục phản ánh mức độ nghiên cứu về LLM và GenAI. Tại INSEAD, chúng tôi cũng nhận thấy sự quan tâm sâu sắc của các giảng viên và sinh viên trong việc tìm hiểu khả năng và hạn chế của chúng. Vì chi phí phát triển LLM hiện đại rất lớn, các nhà nghiên cứu có thể sử dụng các mô hình mã nguồn mở thay vì các sản phẩm độc quyền của OpenAI và Anthropic.</p> <p>Chúng tôi nhận thấy việc sử dụng LLM ở các ngành truyền thống thấp hơn nhiều, đặc biệt là những ngành sản xuất và bán sản phẩm vật lý. Điều này cho thấy vai trò quan trọng của công nghệ và giáo dục đại học trong việc thúc đẩy sự đổi mới trong nền kinh tế.</p> <p>Chúng tôi dự đoán các công ty khởi nghiệp nhỏ sẽ đi đầu trong việc áp dụng AI mở. Tuy nhiên, trong khi các công ty khởi nghiệp dẫn đầu, vẫn có sự tham gia đáng kể của các công ty thuộc mọi quy mô. Điều này khác với TensorFlow, nơi các công ty lớn là người dùng lớn nhất.</p> <h3>3.2. Địa lý: Ai đang sử dụng AI và sử dụng như thế nào?</h3> <p>Không có gì đáng ngạc nhiên khi Bắc Mỹ là khu vực thống trị hoạt động LLM của các nhà phát triển trên GitHub, với hơn 50% số lượng fork bắt nguồn từ đây. Tuy nhiên, sự thống trị của Bắc Mỹ trong LLM thấp hơn so với TensorFlow, nơi khu vực này chiếm hơn 60% số lượng fork.</p> <p>Dù phần lớn nhất quán giữa các khu vực, vẫn có một số khác biệt đáng chú ý. Các công ty khởi nghiệp có thị phần fork hàng đầu ở mọi khu vực, ngoại trừ Bắc Mỹ. Tại đây, các công ty lớn nhất (có hơn 10.000 nhân viên) lại dẫn đầu. Điều này có thể phản ánh sự trưởng thành hơn của việc áp dụng AI ở Mỹ và Canada, nơi các công ty có nhiều thời gian hơn để hiểu rõ lợi ích của công nghệ này.</p> <p>Điều đáng chú ý hơn là sự thống trị của các mô hình LLM của Mỹ. Llama chiếm thị phần lớn ở tất cả các khu vực, với Grok ở vị trí thứ hai. Dữ liệu của chúng tôi không cho thấy các nhà phát triển thể hiện bất kỳ sự ưu ái khu vực nào đối với LLM địa phương, chẳng hạn như Mistral ở châu Âu.</p> <h2>4. Cuộc chiến giữa các "ông lớn" AI: Musk và Zuckerberg</h2> <p>Llama rõ ràng đang hưởng lợi từ quyết định áp dụng chiến lược mã nguồn mở cho LLM của họ từ sớm, bắt đầu với việc phát hành các trọng số cho Llama 2 vào tháng 11 năm 2023. Vị trí dẫn đầu của họ cũng được củng cố bởi thương hiệu Meta.</p> <p>Với các mô hình Grok, Musk đang tìm cách thách thức Meta để giành vị trí dẫn đầu trong phân khúc mã nguồn mở, đồng thời cạnh tranh với cựu cộng tác viên Sam Altman, CEO của OpenAI. Kể từ khi phát hành Grok 2 vào tháng 8 năm 2023, xAI của Musk đã áp dụng chiến lược kết hợp, trong đó mô hình mới nhất của họ vẫn ở chế độ riêng tư, mặc dù họ công bố các trọng số cho các mô hình trước đó.</p> <p>Điều thú vị là Grok hoạt động tốt dù xuất hiện muộn, đặc biệt là ở Trung Quốc và các khu vực khác trên thế giới. Mối liên hệ chặt chẽ của nó với X có thể là một lợi thế, cũng như sức hút của Musk. Điều thú vị là liệu vai trò mới của ông trong chính phủ Mỹ có ảnh hưởng đến mức độ chấp nhận trong tương lai hay không.</p> <p>Ngoài khu vực, dữ liệu của chúng tôi cho thấy những khác biệt khác trong cơ sở người dùng của hai mô hình này. Grok có trọng số cao hơn một chút trong lĩnh vực công nghệ, trong khi Llama dường như phổ biến hơn trong số những người thuộc lĩnh vực giáo dục. Cuối cùng, Llama phổ biến hơn một chút trong số các tổ chức lớn, trong khi Grok được liên kết nhiều hơn với các công ty khởi nghiệp.</p> <h2>5. Tương lai của AI mở: Liệu có cạnh tranh được với AI độc quyền?</h2> <p>Chúng ta vẫn đang ở giai đoạn đầu của sự phát triển và chấp nhận LLM. Khả năng dự đoán tương lai là rất khó khăn do sự cạnh tranh gay gắt giữa các công ty hàng đầu, chưa kể đến áp lực từ địa chính trị. Liệu một chính quyền Trump quyết đoán hơn có ảnh hưởng đến khả năng thống trị GenAI của Mỹ?</p> <p>Phân tích của chúng tôi, dựa trên hành động của các nhà phát triển thực tế, cung cấp thông tin chi tiết về tình hình hiện tại. Quan trọng hơn, nó cung cấp một điểm chuẩn cho các phân tích trong tương lai và cơ hội để phát hiện các xu hướng về sở thích của nhà phát triển đối với các LLM cụ thể.</p> <p>Chúng tôi đặc biệt quan tâm đến việc theo dõi động lực chấp nhận các mô hình mã nguồn mở. Liệu chúng có thể cạnh tranh hiệu quả với các mô hình độc quyền hoàn toàn hay không? Liệu Meta hoặc xAI có thể thay đổi cam kết của họ đối với mã nguồn mở không? Hiện tại, chúng đang phải đối mặt với những hạn chế về quyền truy cập dữ liệu đến chi phí, nhưng chúng dường như có những cơ hội lớn nhất cho sự đổi mới đáng kể.</p> <p>Ilia Polosukhin, đồng sáng lập của Near.ai và đồng tác giả của bài báo mang tính bước ngoặt "Attention is all you need", cho biết: "tương lai của AI nên mở và có thể truy cập được cho tất cả mọi người. Khi các nhà phát triển tiếp tục đẩy mạnh các giới hạn của những gì có thể đạt được với công nghệ này, các mô hình có thể truy cập không cần xin phép sẽ là nền tảng để xây dựng những đột phá mới".</p> <h2>6. Kết luận: Những điều cần theo dõi trong hành trình AI đầy biến động</h2> <p>Bức tranh về AI chắc chắn sẽ thay đổi và phát triển theo thời gian. Chúng tôi hy vọng rằng, điều này sẽ cho phép chúng tôi tiếp tục lập bản đồ các xu hướng chấp nhận và cung cấp các chỉ số tốt hơn về nơi chúng ta có thể hướng tới trong hành trình AI mang tính cách mạng này.</p>

Cuộc Chiến AI Mở: Phân Tích Hành Vi Sử Dụng của Các Nhà Phát Triển Trên Toàn Cầu

Mục lục Mở đầu: Sự bùng nổ của AI và câu hỏi về ứng dụng thực tế Phương pháp nghiên cứu: Khám phá thế giới AI qua góc nhìn của nhà phát t...

Read more »

OpenAI Ra Mắt o1 và Hàng Loạt Công Cụ Mới Cho Nhà Phát Triển

<p><strong>Mục lục</strong></p> <ol> <li><strong>Giới Thiệu</strong></li> <li><strong>OpenAI o1 trong API</strong><ul> <li>Tính năng chính</li> <li>So sánh hiệu năng</li> <li>Khả năng ứng dụng</li> </ul> </li> <li><strong>Cải Tiến Realtime API</strong><ul> <li>Hỗ trợ WebRTC</li> <li>Giá cả cạnh tranh hơn</li> <li>Kiểm soát phản hồi tốt hơn</li> </ul> </li> <li><strong>Tinh Chỉnh Ưu Tiên (Preference Fine-Tuning)</strong><ul> <li>So sánh với Tinh chỉnh có giám sát (Supervised Fine-Tuning)</li> <li>Ứng dụng thực tế</li> </ul> </li> <li><strong>Bộ SDK Go và Java mới</strong></li> <li><strong>Kết luận</strong></li> </ol> <h2>1. Giới Thiệu</h2> <p>OpenAI vừa công bố một loạt các bản cập nhật và công cụ mới dành cho các nhà phát triển, bao gồm các mô hình mạnh mẽ hơn, các công cụ tùy biến mới, và những nâng cấp giúp cải thiện hiệu suất, tính linh hoạt và hiệu quả chi phí. Cụ thể, chúng ta có:</p> <ul> <li><strong>OpenAI o1</strong> trong API với hỗ trợ function calling, developer messages, Structured Outputs và khả năng thị giác.</li> <li><strong>Cập nhật Realtime API</strong> bao gồm tích hợp WebRTC đơn giản, giảm 60% giá cho GPT-4o audio và hỗ trợ GPT-4o mini với giá chỉ bằng 1/10 audio trước đây.</li> <li><strong>Tinh chỉnh Ưu tiên (Preference Fine-Tuning)</strong>, một kỹ thuật tùy chỉnh mô hình mới giúp dễ dàng điều chỉnh dựa trên sở thích của người dùng và nhà phát triển.</li> <li><strong>SDK Go và Java mới</strong> đã có phiên bản beta.</li> </ul> <h2>2. OpenAI o1 trong API</h2> <p><img alt="User added image" src="https://i.ytimg.com/vi/2mbM1wHwQhk/maxresdefault.jpg"></p> <p><strong>OpenAI o1</strong>, mô hình suy luận được thiết kế để xử lý các tác vụ phức tạp nhiều bước với độ chính xác cao, hiện đã có mặt cho các nhà phát triển ở tầng sử dụng 5 trong API. o1 là phiên bản kế nhiệm của OpenAI o1-preview, đã được các nhà phát triển sử dụng để xây dựng các ứng dụng tác nhân nhằm tối ưu hóa hỗ trợ khách hàng, cải thiện các quyết định chuỗi cung ứng và dự báo các xu hướng tài chính phức tạp.</p> <h3>Tính năng chính của o1:</h3> <ul> <li><strong>Function calling:</strong> Kết nối liền mạch o1 với dữ liệu và API bên ngoài.</li> <li><strong>Structured Outputs:</strong> Tạo các phản hồi tuân thủ đáng tin cậy theo JSON Schema tùy chỉnh của bạn.</li> <li><strong>Developer messages:</strong> Xác định hướng dẫn hoặc ngữ cảnh cho mô hình, chẳng hạn như xác định giọng điệu, phong cách và các hướng dẫn hành vi khác.</li> <li><strong>Khả năng thị giác:</strong> Suy luận dựa trên hình ảnh để mở ra nhiều ứng dụng hơn trong khoa học, sản xuất hoặc lập trình, nơi đầu vào trực quan rất quan trọng.</li> <li><strong>Độ trễ thấp:</strong> o1 sử dụng trung bình ít hơn 60% token suy luận so với o1-preview cho cùng một yêu cầu.</li> <li>Một tham số API <code>reasoning_effort</code> mới cho phép bạn kiểm soát thời gian mô hình suy nghĩ trước khi trả lời.</li> </ul> <h3>So sánh hiệu năng</h3> <p>Phiên bản o1-2024-12-17 đã đạt được kết quả vượt trội trên nhiều tiêu chuẩn đánh giá, cải thiện hiệu quả chi phí và hiệu suất. Dưới đây là bảng so sánh chi tiết:</p> <table> <thead> <tr> <th>Danh Mục</th> <th>Tiêu Chuẩn</th> <th>o1-2024-12-17</th> <th>o1-preview</th> </tr> </thead> <tbody><tr> <td><strong>Tổng quan</strong></td> <td>GPQA diamond</td> <td>75.7</td> <td>73.3</td> </tr> <tr> <td></td> <td>MMLU (pass @1)</td> <td>91.8</td> <td>90.8</td> </tr> <tr> <td><strong>Lập trình</strong></td> <td>SWE-bench Verified</td> <td>48.9</td> <td>41.3</td> </tr> <tr> <td></td> <td>LiveBench (Coding)</td> <td>76.6</td> <td>52.3</td> </tr> <tr> <td><strong>Toán học</strong></td> <td>MATH (pass @1)</td> <td>96.4</td> <td>85.5</td> </tr> <tr> <td></td> <td>AIME 2024 (pass @1)</td> <td>79.2</td> <td>42.0</td> </tr> <tr> <td></td> <td>MGSM (pass @1)</td> <td>89.3</td> <td>90.8</td> </tr> <tr> <td><strong>Thị giác</strong></td> <td>MMMU (pass @1)</td> <td>77.3</td> <td>—</td> </tr> <tr> <td></td> <td>MathVista (pass @1)</td> <td>71.0</td> <td>—</td> </tr> <tr> <td><strong>Tính xác thực</strong></td> <td>SimpleQA</td> <td>42.6</td> <td>42.4</td> </tr> <tr> <td><strong>Tác nhân</strong></td> <td>TAU-bench (retail)</td> <td>73.5</td> <td>—</td> </tr> <tr> <td></td> <td>TAU-bench (airline)</td> <td>54.2</td> <td>—</td> </tr> </tbody></table> <p>Ngoài ra, o1-2024-12-17 còn vượt trội hơn đáng kể so với gpt-4o trong các thử nghiệm function calling và Structured Outputs.</p> <h3>Khả năng ứng dụng</h3> <p>Với những cải tiến đáng kể này, o1 mở ra những khả năng ứng dụng rộng lớn trong nhiều lĩnh vực, từ tối ưu hóa quy trình kinh doanh đến phát triển các ứng dụng AI phức tạp.</p> <h2>3. Cải Tiến Realtime API</h2> <p>Realtime API cho phép các nhà phát triển tạo ra những trải nghiệm hội thoại tự nhiên, độ trễ thấp, lý tưởng cho các trợ lý giọng nói, công cụ dịch thuật trực tiếp, gia sư ảo và các hệ thống hỗ trợ khách hàng tương tác.</p> <h3>Hỗ trợ WebRTC</h3> <p>OpenAI đã giới thiệu hỗ trợ <strong>WebRTC</strong> cho Realtime API, một tiêu chuẩn mở giúp dễ dàng xây dựng và mở rộng các sản phẩm giọng nói thời gian thực trên nhiều nền tảng khác nhau. Tích hợp WebRTC giúp các tương tác mượt mà và nhạy bén hơn trong các điều kiện thực tế.</p> <pre><code class="language-javascript">async function createRealtimeSession(localStream, remoteAudioEl, token) { const pc = new RTCPeerConnection(); pc.ontrack = e => remoteAudioEl.srcObject = e.streams[0]; pc.addTrack(localStream.getTracks()[0]); const offer = await pc.createOffer(); await pc.setLocalDescription(offer); const headers = { Authorization: `Bearer ${token}`, 'Content-Type': 'application/sdp' }; const opts = { method: 'POST', body: offer.sdp, headers }; const resp = await fetch('https://api.openai.com/v1/realtime', opts); await pc.setRemoteDescription({ type: 'answer', sdp: await resp.text() }); return pc; } </code></pre> <h3>Giá cả cạnh tranh hơn</h3> <p>OpenAI đã giảm giá token audio tới 60% cho gpt-4o-realtime-preview-2024-12-17 và đưa GPT-4o mini vào Realtime API với mức giá thấp hơn nhiều:</p> <ul> <li><strong>GPT-4o audio:</strong> $40/1 triệu token đầu vào và $80/1 triệu token đầu ra. Token audio đã được cache giảm 87,5% xuống còn $2.50/1 triệu token đầu vào.</li> <li><strong>GPT-4o mini audio:</strong> $10/1 triệu token đầu vào và $20/1 triệu token đầu ra. Token text có giá $0.60/1 triệu token đầu vào và $2.40/1 triệu token đầu ra. Cả audio và text đã được cache đều có giá $0.30/1 triệu token.</li> </ul> <h3>Kiểm soát phản hồi tốt hơn</h3> <p>Các tính năng mới của Realtime API cho phép kiểm soát tốt hơn các phản hồi:</p> <ul> <li><strong>Phản hồi ngoài băng tần đồng thời:</strong> Cho phép các tác vụ nền như kiểm duyệt nội dung hoạt động mà không làm gián đoạn tương tác giọng nói của người dùng.</li> <li><strong>Ngữ cảnh đầu vào tùy chỉnh:</strong> Xác định các mục hội thoại nào sẽ được đưa vào làm đầu vào của mô hình.</li> <li><strong>Kiểm soát thời gian phản hồi:</strong> Sử dụng Voice Activity Detection (VAD) phía máy chủ mà không tự động kích hoạt phản hồi.</li> <li><strong>Tăng thời lượng phiên tối đa:</strong> Từ 15 lên 30 phút.</li> </ul> <h2>4. Tinh Chỉnh Ưu Tiên (Preference Fine-Tuning)</h2> <p><strong>Preference Fine-Tuning</strong> giúp tùy chỉnh các mô hình dựa trên sở thích của người dùng và nhà phát triển. Phương pháp này sử dụng Direct Preference Optimization (DPO) để so sánh các cặp phản hồi của mô hình và dạy mô hình phân biệt giữa các đầu ra được ưu tiên và không được ưu tiên.</p> <h3>So sánh với Tinh chỉnh có giám sát (Supervised Fine-Tuning)</h3> <table> <thead> <tr> <th>Đặc điểm</th> <th>Tinh chỉnh có giám sát (SFT)</th> <th>Tinh chỉnh ưu tiên (PFT)</th> </tr> </thead> <tbody><tr> <td><strong>Mục tiêu</strong></td> <td>Khuyến khích mô hình tạo ra các đầu ra chính xác bằng cách sao chép các đầu ra được gắn nhãn</td> <td>Tối ưu hóa mô hình để ưu tiên hành vi mong muốn bằng cách củng cố các phản hồi ưu tiên và giảm phản hồi không ưu tiên</td> </tr> <tr> <td><strong>Dữ liệu huấn luyện</strong></td> <td>Các cặp đầu vào và đầu ra chính xác</td> <td>Các cặp đầu ra mô hình ưu tiên và không ưu tiên, thông qua chú thích của con người, A/B testing hoặc tạo dữ liệu tổng hợp</td> </tr> <tr> <td><strong>Ứng dụng</strong></td> <td>Các tác vụ dễ chuẩn bị đầu ra lý tưởng và cần độ chính xác cao như định dạng code tùy chỉnh</td> <td>Các tác vụ mà phản hồi "tốt hơn" mang tính chủ quan, như viết sáng tạo hoặc tóm tắt</td> </tr> </tbody></table> <h3>Ứng dụng thực tế</h3> <p>Các đối tác đã thử nghiệm Preference Fine-Tuning đã thấy kết quả đầy hứa hẹn. Ví dụ, Rogo AI đã cải thiện hiệu suất của mô hình từ 75% lên hơn 80% bằng cách sử dụng Preference Fine-Tuning cho ứng dụng trợ lý AI dành cho nhà phân tích tài chính.</p> <p>Preference Fine-Tuning hiện đã có cho gpt-4o-2024-08-06 và sẽ sớm có cho gpt-4o-mini-2024-07-18.</p> <h2>5. Bộ SDK Go và Java mới</h2> <p>OpenAI ra mắt hai bộ SDK chính thức mới cho <strong>Go</strong> và <strong>Java</strong> ở dạng beta, bên cạnh các thư viện Python, Node.js và .NET hiện có.</p> <p><strong>Go</strong> là ngôn ngữ tĩnh, lý tưởng cho việc xử lý đồng thời và xây dựng các API và hệ thống backend có khả năng mở rộng.</p> <pre><code class="language-go">client := openai.NewClient() ctx := context.Background() prompt := "Write me a haiku about Golang." <p>completion, err := client.Chat.Completions.New( ctx, openai.ChatCompletionNewParams{ Messages: openai.F( []openai.ChatCompletionMessageParamUnion{ openai.UserMessage(prompt), }, ), Model: openai.F(openai.ChatModelGPT4o), }, ) </code></pre></p> <p><strong>Java</strong> là ngôn ngữ được ưa chuộng trong phát triển phần mềm doanh nghiệp, với hệ thống kiểu mạnh mẽ và hệ sinh thái thư viện mã nguồn mở rộng lớn.</p> <pre><code class="language-java">OpenAIClient client = OpenAIOkHttpClient.fromEnv(); <p>ChatCompletionCreateParams params = ChatCompletionCreateParams .builder() .message(List.of( ChatCompletionMessageParam.ofChatCompletionUserMessageParam( ChatCompletionUserMessageParam .builder() .role(ChatCompletionUserMessageParam.Role.USER) .content( ChatCompletionUserMessageParam.Content.ofTextContent( "What is the origin of Java's Duke mascot?" ) ) .build() ) )) .model(ChatModel.O1_PREVIEW) .build();</p> <p>ChatCompletion chatCompletion = client.chat().completions().create(params); </code></pre></p> <h2>6. Kết luận</h2> <p>Những cập nhật mới của OpenAI hứa hẹn mang đến những công cụ mạnh mẽ và linh hoạt cho các nhà phát triển AI. Cho dù bạn đang xây dựng các ứng dụng giọng nói, tinh chỉnh các mô hình hay phát triển các ứng dụng tác nhân phức tạp, những công cụ này sẽ giúp bạn mở rộng giới hạn của những gì có thể. Hãy khám phá tài liệu API chi tiết để bắt đầu thử nghiệm ngay hôm nay!</p>

OpenAI Ra Mắt o1 và Hàng Loạt Công Cụ Mới Cho Nhà Phát Triển

Mục lục Giới Thiệu OpenAI o1 trong API Tính năng chính So sánh hiệu năng Khả năng ứng dụng Cải Tiến Realtime API Hỗ trợ WebRTC Gi...

Read more »

Nghiên Cứu Mới Nhất: ChatGPT Chưa Thể Thay Thế Chuyên Gia Tài Chính

<p><strong>Mục lục</strong></p> <ol> <li><strong>Mở đầu: AI trong ngành tài chính - Tiềm năng và giới hạn</strong></li> <li><strong>Nghiên cứu của Đại học Washington State: Đánh giá khả năng của ChatGPT</strong><ul> <li>Phương pháp nghiên cứu</li> <li>Kết quả bất ngờ: ChatGPT mạnh về tổng quát, yếu về đặc thù</li> </ul> </li> <li><strong>Thử thách với các tình huống phức tạp và chuyên sâu</strong><ul> <li>Bài kiểm tra chuyên môn: Khó hơn là chỉ chọn đáp án đúng</li> <li>Fine-tuning: Tăng cường độ chính xác nhưng vẫn chưa đủ</li> </ul> </li> <li><strong>Bài học rút ra: AI là trợ thủ đắc lực, không phải kẻ thay thế</strong><ul> <li>Tác động đến thị trường lao động</li> </ul> </li> <li><strong>Kết luận: AI tiếp tục phát triển, cần tiếp tục theo dõi</strong></li> </ol> <hr> <h2>1. Mở đầu: AI trong ngành tài chính - Tiềm năng và giới hạn</h2> <p>Sự phát triển mạnh mẽ của trí tuệ nhân tạo (AI) đang dần len lỏi vào mọi ngóc ngách của đời sống, và ngành tài chính cũng không ngoại lệ. Các công cụ AI như ChatGPT hứa hẹn mang đến những thay đổi lớn, nhưng liệu chúng có thể thay thế hoàn toàn vai trò của con người trong lĩnh vực này? Một nghiên cứu mới đây của Đại học Washington State (WSU) đã đưa ra những kết quả đáng chú ý, làm sáng tỏ hơn về tiềm năng và những giới hạn của AI trong ngành tài chính.</p> <p><img alt="User added image" src="https://cdn.corporatefinanceinstitute.com/assets/finance-definition.jpg"></p> <h2>2. Nghiên cứu của Đại học Washington State: Đánh giá khả năng của ChatGPT</h2> <h3>Phương pháp nghiên cứu</h3> <p>Nghiên cứu được công bố trên tạp chí Financial Analysts Journal, do hai giáo sư Donald (DJ) Fairhurst của WSU và Daniel Greene của Đại học Clemson thực hiện. Nhóm nghiên cứu đã phân tích hơn 10.000 câu trả lời từ các mô hình AI như BARD, Llama và ChatGPT cho các câu hỏi trong các kỳ thi cấp chứng chỉ tài chính. Mục tiêu không chỉ là tìm ra đáp án đúng mà còn đánh giá khả năng giải thích và suy luận của AI so với các chuyên gia tài chính thực thụ.</p> <h3>Kết quả bất ngờ: ChatGPT mạnh về tổng quát, yếu về đặc thù</h3> <p>Mặc dù phiên bản trả phí ChatGPT 4.0 cho thấy khả năng cung cấp câu trả lời chính xác và gần gũi với con người, nhưng nó vẫn gặp khó khăn trong những tình huống chuyên biệt và phức tạp. Giáo sư Fairhurst nhận xét: "Với các khái niệm phổ quát, có nhiều tài liệu giải thích trên internet, ChatGPT có thể tổng hợp rất tốt. Nhưng nếu đó là vấn đề cụ thể, độc nhất, nó sẽ thực sự gặp khó khăn."</p> <h2>3. Thử thách với các tình huống phức tạp và chuyên sâu</h2> <h3>Bài kiểm tra chuyên môn: Khó hơn là chỉ chọn đáp án đúng</h3> <p>Nghiên cứu sử dụng các câu hỏi từ các kỳ thi cấp phép như Series 6, 7, 65 và 66, vốn mô phỏng các công việc thực tế của chuyên gia tài chính. AI tỏ ra khá chính xác trong các lĩnh vực như giao dịch chứng khoán và theo dõi xu hướng thị trường. Tuy nhiên, nó gặp khó khăn với các vấn đề phức tạp hơn như xác định bảo hiểm của khách hàng và tình trạng thuế.</p> <h3>Fine-tuning: Tăng cường độ chính xác nhưng vẫn chưa đủ</h3> <p>Nhóm nghiên cứu đã thử nghiệm tinh chỉnh ChatGPT 3.5 bằng cách cung cấp các ví dụ về câu trả lời và giải thích đúng. Điều này đã cải thiện đáng kể độ chính xác, gần bằng với ChatGPT 4.0. Tuy nhiên, ngay cả sau khi được "huấn luyện", AI vẫn không thể xử lý tốt các tình huống phức tạp liên quan đến các giao dịch sáp nhập và mua lại. Kết quả cho thấy dữ liệu huấn luyện của ChatGPT chỉ giới hạn đến tháng 9 năm 2021, khiến nó không thể nắm bắt được các giao dịch diễn ra sau thời điểm đó.</p> <h2>4. Bài học rút ra: AI là trợ thủ đắc lực, không phải kẻ thay thế</h2> <h3>Tác động đến thị trường lao động</h3> <p>Nghiên cứu này củng cố quan điểm rằng AI là một công cụ mạnh mẽ, nhưng tốt nhất nên được sử dụng để hỗ trợ các chuyên gia tài chính giàu kinh nghiệm hơn là thay thế họ. Giáo sư Fairhurst nhấn mạnh: "Còn quá sớm để lo lắng rằng ChatGPT sẽ thay thế hoàn toàn các công việc tài chính." Tuy nhiên, sự trỗi dậy của AI có thể làm thay đổi cấu trúc các vị trí đầu vào trong các ngân hàng đầu tư. Theo đó, các công việc mang tính chất thủ công của các chuyên viên phân tích cấp thấp có thể giảm bớt, do các công cụ AI có thể đảm nhận một phần các công việc này.</p> <h2>5. Kết luận: AI tiếp tục phát triển, cần tiếp tục theo dõi</h2> <p>Nghiên cứu của WSU đã có những đóng góp quan trọng trong việc hiểu rõ hơn về tiềm năng và hạn chế của AI như ChatGPT trong các ngành nghề chuyên môn. Khi AI tiếp tục phát triển, chúng ta cần tiếp tục theo dõi và nghiên cứu để có thể tận dụng tối đa lợi ích mà công nghệ này mang lại. Tuy nhiên, cần phải luôn nhớ rằng, AI hiện tại vẫn chưa thể thay thế được con người trong các công việc đòi hỏi khả năng tư duy, phân tích và đưa ra quyết định phức tạp.</p>

Nghiên Cứu Mới Nhất: ChatGPT Chưa Thể Thay Thế Chuyên Gia Tài Chính

Mục lục Mở đầu: AI trong ngành tài chính - Tiềm năng và giới hạn Nghiên cứu của Đại học Washington State: Đánh giá khả năng của ChatGPT ...

Read more »

Spotify và Hành Trình Cá Nhân Hóa Trải Nghiệm Âm Thanh Bằng AI

<h2>Mục lục</h2> <ol> <li><strong>Lời Mở Đầu: AI Tạo Sinh và Câu Chuyện Cá Nhân</strong></li> <li><strong>Xây Dựng Nền Tảng AI Linh Hoạt và Mở Rộng</strong></li> <li><strong>Ứng Dụng Thực Tế: Đề Xuất Theo Bối Cảnh và Bình Luận AI</strong><ul> <li><strong>Đề Xuất Được Giải Thích: Vì Sao Bạn Nghe?</strong></li> <li><strong>Bình Luận AI: DJ Ảo Đồng Hành Cùng Bạn</strong></li> </ul> </li> <li><strong>Tối Ưu Hóa Mô Hình Ngôn Ngữ Lớn (LLM) cho Spotify</strong></li> <li><strong>Hạ Tầng Mở Rộng và Hiệu Quả cho AI</strong></li> <li><strong>Lời Kết: Tương Lai của AI trong Cá Nhân Hóa Trải Nghiệm</strong></li> </ol> <hr> <h2>1. Lời Mở Đầu: AI Tạo Sinh và Câu Chuyện Cá Nhân</h2> <p>Spotify đang khám phá tiềm năng của trí tuệ nhân tạo (AI) tạo sinh, đặc biệt là các mô hình ngôn ngữ lớn (LLM), để mang đến những trải nghiệm âm thanh cá nhân hóa sâu sắc hơn cho người dùng. Với khả năng kết hợp kiến thức rộng lớn và thích ứng với nhiều ngữ cảnh khác nhau, LLM có thể tạo ra những "câu chuyện cá nhân" - những lời giới thiệu, giải thích đầy ý nghĩa và gần gũi, giúp người dùng khám phá những nội dung mới một cách tự nhiên.</p> <p><img alt="User added image" src="https://storage.googleapis.com/research-production/1/2024/12/RS067-Option-01-How-Spotify-Adapted-Llama-to-Enhance-Personalization-and-Discovery-WITHOUT-LOGO.png"></p> <p>Mục tiêu của Spotify là kết nối người sáng tạo và người nghe một cách ý nghĩa. Bằng cách tận dụng sức mạnh của LLM kết hợp với chuyên môn về âm nhạc, podcast và sách nói, Spotify mong muốn mang đến những trải nghiệm được "đo ni đóng giày" để người nghe có thể khám phá những nghệ sĩ, tác giả và người sáng tạo mới, cũng như hiểu sâu hơn về những đề xuất được đưa ra.</p> <p>Cá nhân hóa đề xuất chỉ là một phần trong hành trình AI của Spotify. Công ty đang khám phá nhiều ứng dụng khác nhau, bao gồm:</p> <ul> <li>Hệ thống tìm kiếm và đề xuất nội dung được cá nhân hóa cao.</li> <li>Xử lý âm thanh tiên tiến, tạo ra những giọng nói AI tự nhiên và thu hút như AI DJ tiếng Anh và tiếng Tây Ban Nha.</li> <li>Nội dung tạo sinh, ví dụ như chia chương cho podcast, giúp người dùng dễ dàng điều hướng nội dung hơn.</li> </ul> <p>Bài viết này sẽ đi sâu vào hai trường hợp sử dụng cụ thể, minh họa cách Spotify sử dụng LLM để tạo ra những đề xuất có ngữ cảnh thông qua những câu chuyện cá nhân: giúp người dùng khám phá những nghệ sĩ mới với những giải thích ngắn gọn và ý nghĩa, và cung cấp những bình luận theo thời gian thực được tùy chỉnh cho từng người nghe thông qua AI DJ.</p> <h2>2. Xây Dựng Nền Tảng AI Linh Hoạt và Mở Rộng</h2> <p>Trong thập kỷ qua, Spotify đã sử dụng nhiều kỹ thuật học máy khác nhau để cải thiện cách người dùng tương tác với kho nội dung phong phú của mình. Khi tiến sâu hơn vào phát triển LLM, Spotify nhận thấy cần có một phương pháp tiếp cận bài bản, đảm bảo AI được tích hợp để mang lại những đề xuất có ngữ cảnh thông qua những câu chuyện cá nhân.</p> <p>Một mô hình nền tảng mạnh mẽ là yếu tố then chốt. Nó mang lại sự linh hoạt cho các thử nghiệm nhanh chóng và cho phép phát triển các giải pháp mục tiêu. Spotify có thể tối ưu hóa một LLM đa mục đích để đáp ứng các yêu cầu sản phẩm cụ thể, đồng thời thúc đẩy đổi mới trong cách kể chuyện cá nhân hóa bằng cách sử dụng LLM đa mục đích làm mô hình nền tảng. Một mô hình nền tảng tốt cần có những đặc điểm sau:</p> <ul> <li><strong>Kiến thức rộng lớn:</strong> Mô hình cần bao phủ kiến thức chung và kiến thức chuyên ngành, phù hợp với danh mục đa dạng các nội dung âm nhạc, podcast và sách nói của Spotify.</li> <li><strong>Tính linh hoạt:</strong> Mô hình cần thực hiện tốt các tác vụ như gọi hàm và hiểu nội dung, ví dụ như trích xuất chủ đề và phân loại an toàn.</li> <li><strong>Hỗ trợ cộng đồng:</strong> Sự hỗ trợ mạnh mẽ từ cộng đồng giúp đơn giản hóa việc tinh chỉnh, cung cấp các công cụ đào tạo và suy luận quy mô lớn hiệu quả, và thúc đẩy cải tiến liên tục.</li> <li><strong>An toàn:</strong> An toàn là rất quan trọng để đảm bảo trải nghiệm tích cực cho người dùng, đặc biệt là trong các câu chuyện cá nhân hóa.</li> </ul> <p>Spotify đã đánh giá nhiều mô hình tiên tiến và nhận thấy mô hình Llama của Meta là một ứng cử viên sáng giá. Llama đáp ứng các tiêu chí cần thiết cho một mô hình nền tảng đáng tin cậy và phù hợp để điều chỉnh theo các lĩnh vực cụ thể.</p> <h2>3. Ứng Dụng Thực Tế: Đề Xuất Theo Bối Cảnh và Bình Luận AI</h2> <p>Thông thường, người dùng Spotify dựa vào ảnh bìa và sự quen thuộc với nghệ sĩ hoặc thể loại khi quyết định có nghe các đề xuất âm nhạc hay không. Spotify đang tìm cách thêm sự minh bạch và ngữ cảnh vào các đề xuất để tăng sự tin tưởng của người dùng và khuyến khích họ khám phá sâu hơn.</p> <p>LLM đã thể hiện tiềm năng lớn trong việc cung cấp ngữ cảnh cá nhân hóa, giống như lời giới thiệu của một người bạn. Thông tin bổ sung này tăng khả năng người dùng sẽ khám phá nội dung mới. Spotify đã đạt được những kết quả đầy hứa hẹn trong việc điều chỉnh LLM cho mục đích này.</p> <h3>Đề Xuất Được Giải Thích: Vì Sao Bạn Nghe?</h3> <p>LLM mang đến một chiều hướng mới cho quá trình cá nhân hóa của Spotify bằng cách giải thích lý do một mục cụ thể có thể phù hợp với người dùng. Những giải thích này giúp người dùng hiểu rõ hơn về các đề xuất và có cái nhìn sâu sắc hơn về nội dung.</p> <p>Spotify đã thử nghiệm LLM trong việc tạo ra những giải thích ngắn gọn và ý nghĩa cho các đề xuất âm nhạc, podcast và sách nói. Bằng cách kết hợp kiến thức rộng lớn của mô hình nền tảng với chuyên môn về nội dung âm thanh, Spotify đã tạo ra những giải thích cung cấp thông tin chi tiết về nội dung được đề xuất. Ví dụ: "Đĩa đơn mới nhất của Dead Rabbitts là một cơn cuồng adrenaline metalcore!" hoặc "Sống lại buổi hòa nhạc Dublin năm 1993 mang tính biểu tượng của U2 với ZOO TV Live EP".</p> <p>Tuy nhiên, việc sử dụng LLM để tạo ra các giải thích đề xuất cũng có những thách thức: đảm bảo phong cách nhất quán, triển khai các biện pháp an toàn để ngăn chặn các nội dung không phù hợp, giảm thiểu sự "ảo giác" (thông tin sai lệch), và hiểu rõ sở thích của người dùng. Spotify đã sử dụng phương pháp "con người trong vòng lặp", với các biên tập viên cung cấp các ví dụ "vàng" về ngữ cảnh hóa và đưa ra phản hồi liên tục để giải quyết các vấn đề.</p> <p>Kết quả thử nghiệm cho thấy, những giải thích có thông tin chi tiết về nghệ sĩ hoặc âm nhạc đã giúp tăng đáng kể sự tương tác của người dùng. Trong một số trường hợp, người dùng có khả năng nhấp vào các đề xuất đi kèm giải thích cao gấp bốn lần, đặc biệt là đối với các nội dung niche.</p> <h3>Bình Luận AI: DJ Ảo Đồng Hành Cùng Bạn</h3> <p>Một ví dụ khác về cách đề xuất theo ngữ cảnh tạo ra kết nối sâu sắc hơn với người sáng tạo là AI DJ của Spotify. Ra mắt vào năm 2023, DJ là một hướng dẫn AI cá nhân, hiểu rõ sở thích âm nhạc của người nghe, đưa ra những lựa chọn bài hát phù hợp và những bình luận sâu sắc về các nghệ sĩ và bài hát được đề xuất.</p> <p>LLM mang đến cơ hội độc đáo để mở rộng những câu chuyện cá nhân này, đảm bảo mọi người nghe đều nhận được những bình luận phong phú, dựa trên ngữ cảnh, giúp họ kết nối sâu sắc hơn với âm nhạc và những người sáng tạo.</p> <p>Một trong những thách thức chính đối với bình luận AI DJ dựa trên LLM là đạt được sự hiểu biết sâu sắc về văn hóa, phù hợp với sở thích của từng người nghe. Tại Spotify, các biên tập viên âm nhạc đóng vai trò trung tâm trong việc giải quyết thách thức này. Bằng cách trang bị cho các biên tập viên này các công cụ AI tạo sinh, Spotify có thể mở rộng chuyên môn của họ hiệu quả hơn bao giờ hết.</p> <p>Spotify đã thử nghiệm nhiều mô hình và nhận thấy rằng việc tinh chỉnh các mô hình Llama nhỏ hơn đã tạo ra những câu chuyện có tính văn hóa và hấp dẫn, ngang bằng với các công nghệ tiên tiến khác, đồng thời giảm đáng kể chi phí và độ trễ.</p> <p>Những câu chuyện cá nhân hóa cho AI DJ cho phép người nghe khám phá âm nhạc mới và những câu chuyện đằng sau các bài hát, làm sâu sắc thêm sự kết nối của họ với nội dung.</p> <h2>4. Tối Ưu Hóa Mô Hình Ngôn Ngữ Lớn (LLM) cho Spotify</h2> <p>Để xây dựng những câu chuyện cá nhân hóa, Spotify cần một cơ sở hạ tầng có thể mở rộng. Công ty đã phát triển một hệ sinh thái quản lý và đào tạo dữ liệu toàn diện để có thể nhanh chóng mở rộng LLM.</p> <p>Các LLM như Llama là những mô hình đa mục đích mạnh mẽ, có khả năng hỗ trợ nhiều trường hợp sử dụng khác nhau. Spotify đã điều chỉnh LLM trên một tập dữ liệu đào tạo được tuyển chọn cẩn thận, bao gồm các ví dụ nội bộ, dữ liệu do các chuyên gia âm nhạc tạo ra, và dữ liệu tổng hợp được tạo ra thông qua kỹ thuật nhắc lệnh và sử dụng suy luận zero-shot của các LLM tiên tiến.</p> <p>Spotify cũng đánh giá các LLM từ mô hình 1B đến 8B, so sánh hiệu suất zero-shot của chúng với các giải pháp phi tạo sinh. Llama 3.1 8B đã chứng minh hiệu suất cạnh tranh. Dựa trên kết quả này, Spotify đã triển khai một phiên bản thích ứng đa nhiệm của Llama, nhắm mục tiêu 10 tác vụ cụ thể của Spotify. Cách tiếp cận này nhằm mục đích tăng cường hiệu suất tác vụ mà vẫn giữ nguyên các khả năng chung của mô hình.</p> <p>Kết quả cho thấy, việc điều chỉnh theo lĩnh vực đã giúp cải thiện đáng kể (lên đến 14%) các tác vụ cụ thể của Spotify so với hiệu suất của Llama khi chưa được điều chỉnh.</p> <h2>5. Hạ Tầng Mở Rộng và Hiệu Quả cho AI</h2> <p>Đào tạo các LLM với hàng tỷ tham số đòi hỏi phải có khả năng đào tạo phân tán. Spotify đã phát triển một quy trình kiểm tra điểm dừng có thông lượng cao để lưu lại tiến độ của mô hình. Bằng cách tối ưu hóa thông lượng đọc/ghi, Spotify đã giảm đáng kể thời gian kiểm tra điểm dừng và tối đa hóa việc sử dụng GPU.</p> <p>Hành trình LLM của Spotify không chỉ dừng lại ở việc tinh chỉnh. Công ty đang giải quyết các thách thức trên toàn bộ vòng đời, bao gồm cả việc phục vụ và suy luận hiệu quả cho các trường hợp sử dụng ngoại tuyến và trực tuyến. Spotify sử dụng các mô hình nhẹ và các kỹ thuật tối ưu hóa tiên tiến như bộ nhớ cache nhắc lệnh và lượng tử hóa để giảm độ trễ trong khi tối đa hóa thông lượng mà không làm giảm độ chính xác.</p> <p>Việc tích hợp vLLM, một công cụ suy luận và phục vụ phổ biến cho LLM, đã mang lại những cải tiến lớn về hiệu quả phục vụ. vLLM cho phép độ trễ thấp và thông lượng cao trong quá trình suy luận, cho phép Spotify cung cấp các giải pháp AI tạo sinh theo thời gian thực cho hàng triệu người dùng.</p> <h2>6. Lời Kết: Tương Lai của AI trong Cá Nhân Hóa Trải Nghiệm</h2> <p>Spotify đã kết hợp AI tạo sinh với chuyên môn sâu rộng về lĩnh vực âm thanh để mang đến những đề xuất theo ngữ cảnh thông qua những câu chuyện cá nhân. Bài viết này cho thấy LLM có thể được điều chỉnh để vượt qua các giới hạn của hệ thống đề xuất, cho phép tạo ra các trải nghiệm theo thời gian thực và được cá nhân hóa cao, như bình luận AI DJ và giải thích đề xuất.</p> <p>Spotify cam kết thúc đẩy công nghệ này hơn nữa bằng cách hợp tác với các nhà lãnh đạo trong ngành và cộng đồng mã nguồn mở, đồng thời giải quyết các thách thức quan trọng như tối ưu hóa cơ sở hạ tầng và khả năng mở rộng.</p> <p>Bằng cách chia sẻ các ứng dụng cụ thể, Spotify hy vọng sẽ truyền cảm hứng cho những cách thức mới để mang đến những trải nghiệm cá nhân hóa, ý nghĩa, thúc đẩy mối quan hệ sâu sắc hơn giữa người dùng và nội dung.</p>

Spotify và Hành Trình Cá Nhân Hóa Trải Nghiệm Âm Thanh Bằng AI

Mục lục Lời Mở Đầu: AI Tạo Sinh và Câu Chuyện Cá Nhân Xây Dựng Nền Tảng AI Linh Hoạt và Mở Rộng Ứng Dụng Thực Tế: Đề Xuất Theo Bối Cảnh ...

Read more »

AI Biết Nghe Lời Người Dùng: Nghiên Cứu Mới Từ Đại Học Washington

<p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu vấn đề</li> <li>Phương pháp "Học tùy biến theo sở thích"</li> <li>Vấn đề của phương pháp cũ và giải pháp mới</li> <li>Ứng dụng và những điều cần lưu ý</li> <li>Sự đón nhận của cộng đồng AI</li> <li>Kết luận</li> </ol> <hr> <h2>1. Giới thiệu vấn đề</h2> <p>Trong thế giới công nghệ hiện đại, các chatbot trí tuệ nhân tạo (AI) đang ngày càng trở nên phổ biến, đóng vai trò như một nguồn cung cấp thông tin đa dạng. Tuy nhiên, một vấn đề đặt ra là làm thế nào để đảm bảo những chatbot này cung cấp thông tin phù hợp với sở thích và nhu cầu của từng người dùng? Các nhà nghiên cứu tại Đại học Washington (UW) đã phát triển một phương pháp mới, mang tên "học tùy biến theo sở thích," nhằm giải quyết vấn đề này.</p> <h2>2. Phương pháp "Học tùy biến theo sở thích"</h2> <p><img alt="User added image" src="https://cdn.geekwire.com/wp-content/uploads/2024/12/Jaques-Natasha-Web.jpg"> <em>Natasha Jaques, trợ lý giáo sư tại Trường Khoa học & Kỹ thuật Máy tính Paul G. Allen của Đại học Washington.</em></p> <p>Phương pháp "học tùy biến theo sở thích" (Variational Preference Learning - VPL) được thiết kế để điều chỉnh đầu ra của mô hình ngôn ngữ lớn (LLM) sao cho phù hợp hơn với sở thích cá nhân của từng người dùng. Thay vì dựa vào các bộ dữ liệu huấn luyện đã được định sẵn với những thiên kiến nhất định, VPL cho phép người dùng tự "huấn luyện" chatbot theo ý muốn của mình.</p> <h2>3. Vấn đề của phương pháp cũ và giải pháp mới</h2> <p>Các hệ thống AI hiện tại thường được huấn luyện dựa trên các bộ dữ liệu có sẵn, có thể chứa các định kiến hoặc thông tin không phù hợp. Để khắc phục điều này, các kỹ sư sử dụng phương pháp "học tăng cường từ phản hồi của con người" (RLHF). Tuy nhiên, RLHF phụ thuộc vào một nhóm người đánh giá các phản hồi của chatbot và chọn câu trả lời phù hợp nhất, và điều này không đảm bảo rằng các phản hồi sẽ đáp ứng được nhu cầu đa dạng của người dùng.</p> <p>Theo Natasha Jaques, trợ lý giáo sư tại Trường Khoa học & Kỹ thuật Máy tính Paul G. Allen của UW, việc một số ít các nhà nghiên cứu tại các tập đoàn công nghệ, những người không được đào tạo về chính sách hoặc xã hội học, quyết định điều gì là phù hợp hay không phù hợp cho các mô hình AI là một điều đáng lo ngại. Phương pháp VPL của UW giải quyết vấn đề này bằng cách đặt người dùng vào vai trò người tinh chỉnh đầu ra của chatbot.</p> <h2>4. Ứng dụng và những điều cần lưu ý</h2> <p>VPL có thể được áp dụng trong nhiều tình huống khác nhau, bao gồm cả tương tác bằng lời nói và huấn luyện robot thực hiện các tác vụ đơn giản. Với chỉ khoảng bốn truy vấn, VPL có thể học được loại phản hồi mà người dùng mong muốn, bao gồm mức độ cụ thể, độ dài, giọng điệu và thông tin được cung cấp. Tuy nhiên, VPL cũng cần phải cẩn trọng để tránh các phản hồi chứa thông tin sai lệch hoặc không phù hợp.</p> <h2>5. Sự đón nhận của cộng đồng AI</h2> <p>Nghiên cứu của Jaques và các đồng nghiệp đã được trình bày tại Hội nghị về Hệ thống Xử lý Thông tin Thần kinh (NeurIPS) tại Vancouver, B.C. và được xếp hạng trong top 2% các bài báo được gửi đến. Nghiên cứu này nhận được sự quan tâm lớn từ cộng đồng AI, thể hiện sự nhận thức về vấn đề đa dạng hóa quan điểm trong hệ thống AI.</p> <h2>6. Kết luận</h2> <p>Phương pháp "học tùy biến theo sở thích" của các nhà nghiên cứu tại Đại học Washington là một bước tiến quan trọng trong việc phát triển các chatbot AI thân thiện và hữu ích hơn. Bằng cách trao quyền cho người dùng trong việc định hình phản hồi của AI, phương pháp này mở ra một tương lai nơi AI thực sự phục vụ nhu cầu đa dạng của mọi người.</p>

AI Biết Nghe Lời Người Dùng: Nghiên Cứu Mới Từ Đại Học Washington

Mục lục: Giới thiệu vấn đề Phương pháp "Học tùy biến theo sở thích" Vấn đề của phương pháp cũ và giải pháp mới Ứng dụng và nh...

Read more »

Chatbot Trị Liệu: Liệu Có Phải Là Giải Pháp Cho Tương Lai?

<p><strong>Mục Lục</strong></p> <ol> <li><strong>Mở đầu: Sự trỗi dậy của chatbot trong lĩnh vực sức khỏe tinh thần</strong></li> <li><strong>Trải nghiệm thực tế: Chia sẻ của người dùng</strong></li> <li><strong>Góc nhìn của chuyên gia: Lợi ích và rủi ro</strong><ul> <li>Lợi ích tiềm năng</li> <li>Những rủi ro cần lưu ý</li> <li>Lời khuyên từ các chuyên gia</li> </ul> </li> <li><strong>So sánh chatbot và nhà trị liệu thực thụ</strong><ul> <li>Sự khác biệt về khả năng</li> <li>Quyền riêng tư và bảo mật thông tin</li> </ul> </li> <li><strong>Tương lai của chatbot trong trị liệu</strong></li> <li><strong>Kết luận: Cần có cái nhìn đúng đắn về chatbot trị liệu</strong></li> </ol> <hr> <h2>1. Mở đầu: Sự trỗi dậy của chatbot trong lĩnh vực sức khỏe tinh thần</h2> <p>Trong thời đại công nghệ phát triển vượt bậc, chatbot AI đang dần trở nên phổ biến trong nhiều lĩnh vực, và sức khỏe tinh thần cũng không ngoại lệ. Nhiều người dùng mạng xã hội đang tìm đến chatbot như một phương tiện để chia sẻ vấn đề cá nhân và nhận được những phản hồi. Vậy, liệu đây có phải là một giải pháp hiệu quả hay chỉ là một trào lưu nhất thời?</p> <p><img alt="Nhiều người dùng mạng xã hội đang tìm đến chatbot để chia sẻ vấn đề của mình." src="https://media.cnn.com/api/v1/images/stellar/prod/wellness-ai-chat-therapy.png?c=16x9&q=h_653,w_1160,c_fill/f_webp"></p> <h2>2. Trải nghiệm thực tế: Chia sẻ của người dùng</h2> <p>Mya Dunham, 24 tuổi, đã sử dụng ứng dụng chatbot ChatGPT trong hai tháng qua để tìm kiếm lời khuyên. Cô chia sẻ rằng mình thường xuyên viết ra những cảm xúc của bản thân và gửi cho bot để phân tích và đưa ra phản hồi. Dunham cho biết, mục đích của cô là để có được một góc nhìn mới, khác với những suy nghĩ chủ quan của bản thân. Trải nghiệm ban đầu của Dunham với chatbot rất tích cực, cô cảm thấy bot "chào đón và mời gọi" hơn những gì mình mong đợi, và thậm chí "cảm thấy rất con người."</p> <p>Tuy nhiên, khi Dunham chia sẻ trải nghiệm của mình trên TikTok, nhiều ý kiến trái chiều đã nổ ra. Một số người ủng hộ việc sử dụng chatbot cho mục đích trị liệu, trong khi những người khác lại bày tỏ sự nghi ngờ về việc có thể thoải mái tâm sự với một robot.</p> <h2>3. Góc nhìn của chuyên gia: Lợi ích và rủi ro</h2> <h3>Lợi ích tiềm năng</h3> <p>Theo các chuyên gia, việc sử dụng chatbot AI trong trị liệu có thể mang lại một số lợi ích nhất định. Tiến sĩ Russell Fulmer, chủ tịch Lực lượng đặc nhiệm về AI của Hiệp hội Tư vấn Hoa Kỳ, cho rằng một số người có thể dễ dàng cởi mở và chia sẻ hơn khi trò chuyện với chatbot so với một người thật. Ngoài ra, chatbot có thể hỗ trợ những người đang gặp phải các vấn đề như lo âu nhẹ hoặc trầm cảm nhẹ.</p> <p>Một ưu điểm nữa là chatbot có thể dễ tiếp cận hơn đối với những người không có điều kiện về tài chính hoặc thời gian để tìm đến các nhà trị liệu chuyên nghiệp.</p> <h3>Những rủi ro cần lưu ý</h3> <p>Tuy nhiên, các chuyên gia cũng cảnh báo về những rủi ro tiềm ẩn khi sử dụng chatbot cho mục đích trị liệu. Tiến sĩ Marlynn Wei, một nhà tâm thần học, cho rằng chatbot có thể đưa ra những thông tin sai lệch hoặc thiên vị, thay vì những lời khuyên tốt nhất cho sức khỏe tinh thần.</p> <p>Bên cạnh đó, chatbot không được thiết kế để có khả năng nhận biết khi nào người dùng cần đến sự hỗ trợ của một chuyên gia thật sự. Những "ảo giác" (thông tin sai lệch) và sự thiếu chính xác của AI cũng là những vấn đề đáng lo ngại.</p> <h3>Lời khuyên từ các chuyên gia</h3> <p>Các chuyên gia khuyến cáo rằng chatbot chỉ nên được sử dụng như một công cụ hỗ trợ, không thể thay thế hoàn toàn cho các nhà trị liệu chuyên nghiệp. Nên sử dụng chatbot kết hợp với việc tư vấn từ người thật để đạt được kết quả tốt nhất. Đặc biệt, trẻ vị thành niên và những đối tượng dễ bị tổn thương nên có sự giám sát của người lớn khi sử dụng chatbot.</p> <h2>4. So sánh chatbot và nhà trị liệu thực thụ</h2> <h3>Sự khác biệt về khả năng</h3> <p>Tiến sĩ Daniel Kimmel, một nhà tâm thần học, đã thử nghiệm khả năng trị liệu của ChatGPT và nhận thấy rằng chatbot "đã làm rất tốt trong việc sử dụng các kỹ thuật của một nhà trị liệu thực thụ". Tuy nhiên, chatbot thiếu đi sự tò mò và khả năng "kết nối các điểm" như một nhà trị liệu thực thụ.</p> <p>Một nhà trị liệu chuyên nghiệp có khả năng lắng nghe, kết nối những gì bệnh nhân nói với một bức tranh lớn hơn, và đưa ra những lời khuyên phù hợp dựa trên kinh nghiệm và kiến thức chuyên môn của mình. Chatbot chưa thể làm được điều này một cách hoàn hảo.</p> <h3>Quyền riêng tư và bảo mật thông tin</h3> <p>Một điểm khác biệt quan trọng nữa là tính bảo mật thông tin. Các cuộc trò chuyện với nhà trị liệu chuyên nghiệp được bảo vệ bởi luật HIPAA, đảm bảo sự riêng tư và bảo mật tuyệt đối. Trong khi đó, chatbot thường không tuân thủ các quy định này, và các công ty đứng sau chatbot thường khuyên người dùng không nên chia sẻ những thông tin nhạy cảm.</p> <h2>5. Tương lai của chatbot trong trị liệu</h2> <p>Các chuyên gia đều đồng ý rằng công nghệ chatbot AI sẽ tiếp tục phát triển và đóng vai trò quan trọng trong lĩnh vực sức khỏe tinh thần. Tuy nhiên, cần có thêm nhiều nghiên cứu để hiểu rõ hơn về tiềm năng và ứng dụng của chatbot, đồng thời đảm bảo sự an toàn và hiệu quả khi sử dụng.</p> <h2>6. Kết luận: Cần có cái nhìn đúng đắn về chatbot trị liệu</h2> <p>Chatbot trị liệu có thể là một công cụ hữu ích, đặc biệt là với những người khó tiếp cận các dịch vụ trị liệu truyền thống. Tuy nhiên, chúng ta cần có một cái nhìn đúng đắn về những gì chatbot có thể và không thể làm. Không nên xem chatbot là một giải pháp thay thế hoàn toàn cho các nhà trị liệu chuyên nghiệp. Thay vào đó, hãy coi chúng như một công cụ hỗ trợ, giúp mọi người tiếp cận với các dịch vụ sức khỏe tinh thần một cách dễ dàng hơn.</p> <p>Quan trọng hơn hết, chúng ta cần ưu tiên sức khỏe tinh thần của mình, và đừng phán xét người khác về cách họ lựa chọn để chữa lành.</p> <hr>

Chatbot Trị Liệu: Liệu Có Phải Là Giải Pháp Cho Tương Lai?

Mục Lục Mở đầu: Sự trỗi dậy của chatbot trong lĩnh vực sức khỏe tinh thần Trải nghiệm thực tế: Chia sẻ của người dùng Góc nhìn của chuyê...

Read more »