Các khái niệm cơ bản trong AI: AI, Machine Learning, Deep Learning và GenAI
AI xuất hiện trong chatbot, tính năng gợi ý, tìm kiếm bằng ngôn ngữ tự nhiên và các công cụ hỗ trợ coding. Tuy nhiên, các thuật ngữ như AI, Machine Learning, Deep Learning, Generative AI hay LLM thường bị dùng lẫn cho nhau.
Bài viết này dành cho developer mới bắt đầu tìm hiểu AI. Mục tiêu không phải là đi sâu vào toán học, mà giúp bạn có một “bản đồ” khái niệm để đọc tài liệu, chọn công nghệ và đặt câu hỏi đúng khi xây dựng sản phẩm có AI.
Bạn sẽ hiểu được gì?
- Mối quan hệ giữa AI, Machine Learning, Deep Learning và Generative AI.
- Những thành phần chính của một quy trình Machine Learning.
- Sự khác nhau giữa training và inference, model và algorithm.
- LLM, prompt, embedding, RAG và AI agent hoạt động ở đâu trong hệ thống.
- Vì sao mô hình có thể hallucinate và cách đánh giá output trước khi đưa vào production.
1. AI là gì?
Artificial Intelligence (AI), hay trí tuệ nhân tạo, là lĩnh vực xây dựng các hệ thống có thể thực hiện những nhiệm vụ thường cần khả năng nhận biết, suy luận, học hỏi hoặc ra quyết định của con người.
Ví dụ về một hệ thống AI:
- Nhận diện khuôn mặt hoặc vật thể trong ảnh.
- Chuyển giọng nói thành văn bản.
- Dự đoán giao dịch có khả năng gian lận.
- Gợi ý sản phẩm dựa trên hành vi người dùng.
- Tạo câu trả lời, hình ảnh hoặc mã nguồn từ yêu cầu bằng ngôn ngữ tự nhiên.
AI là khái niệm rộng. Một hệ thống dùng các luật if/else cố định có thể được xem là một dạng AI hẹp, dù nó không “học” từ dữ liệu. Ngược lại, nhiều hệ thống AI hiện đại dùng Machine Learning để tự tìm ra quy luật từ dữ liệu.
Điểm quan trọng: AI không đồng nghĩa với một con robot có ý thức. Phần lớn sản phẩm đang được gọi là AI hiện nay là narrow AI — hệ thống được tối ưu cho một nhóm nhiệm vụ cụ thể.
2. Machine Learning là gì?
Machine Learning (ML), hay học máy, là một nhánh của AI. Thay vì viết thủ công mọi quy tắc, chúng ta cung cấp dữ liệu và một mục tiêu để mô hình học ra quy luật phù hợp.
Hãy hình dung bài toán phân loại email spam. Với cách viết luật thủ công, bạn phải tự liệt kê các từ khóa, địa chỉ gửi và mẫu câu đáng ngờ. Với ML, bạn cung cấp nhiều email đã được gắn nhãn spam hoặc not spam. Thuật toán sẽ tìm ra các tín hiệu có ích, sau đó dùng chúng để dự đoán cho email mới.
Quy trình khái quát:
Dữ liệu + mục tiêu
↓
Huấn luyện model
↓
Đánh giá trên dữ liệu chưa thấy
↓
Dùng model để dự đoán dữ liệu mớiML phù hợp khi quy tắc khó mô tả bằng tay nhưng có đủ dữ liệu đại diện cho vấn đề. Nếu yêu cầu chỉ là kiểm tra một điều kiện rõ ràng, một đoạn code thông thường thường dễ hiểu và đáng tin cậy hơn ML.
3. Deep Learning là gì?
Deep Learning (DL), hay học sâu, là một nhóm phương pháp Machine Learning sử dụng mạng nơ-ron có nhiều tầng. Các tầng này giúp mô hình học những biểu diễn ngày càng trừu tượng từ dữ liệu.
Ví dụ khi nhận diện một con mèo trong ảnh:
- Các tầng đầu có thể học cạnh, đường nét và màu sắc.
- Các tầng giữa kết hợp chúng thành hình dạng như tai hoặc mắt.
- Các tầng sâu hơn kết hợp nhiều đặc trưng để dự đoán đó là một con mèo.
Trong nhiều bài toán ảnh, âm thanh và ngôn ngữ, Deep Learning đạt kết quả tốt vì mô hình có thể tự học đặc trưng từ dữ liệu thô. Đổi lại, mô hình thường cần nhiều dữ liệu, tài nguyên tính toán và thời gian huấn luyện hơn các phương pháp ML truyền thống.
Quan hệ giữa các khái niệm có thể nhớ như sau:
AI
└── Machine Learning
└── Deep LearningDeep Learning là một phần của ML, còn ML là một phần của AI. Không phải mọi AI đều dùng ML, và không phải mọi bài toán ML đều cần Deep Learning.
4. Model, algorithm và parameter
Ba thuật ngữ sau thường xuất hiện cùng nhau nhưng không giống nhau:
Algorithm — thuật toán
Algorithm là phương pháp hoặc quy trình dùng để học từ dữ liệu. Ví dụ: linear regression, decision tree, gradient descent hoặc backpropagation.
Model — mô hình
Model là kết quả cụ thể sau khi thuật toán học trên dữ liệu. Nó chứa các quy luật hoặc biểu diễn mà hệ thống dùng để tạo prediction.
Parameter — tham số
Parameter là các giá trị bên trong model được điều chỉnh trong quá trình training. Mạng nơ-ron có thể có hàng nghìn, hàng triệu hoặc hàng tỷ parameter.
Bạn có thể coi algorithm là cách học, model là “kiến thức đã học” và parameter là các giá trị tạo nên kiến thức đó.
5. Dữ liệu, feature, label và prediction
Một bài toán ML thường có các thành phần sau:
- Dataset: tập dữ liệu dùng cho bài toán.
- Feature: đặc trưng đầu vào, chẳng hạn giá trị đơn hàng, số lần đăng nhập hoặc nội dung một câu hỏi.
- Label/target: đáp án mong muốn, chẳng hạn
spam, giá nhà hoặc khả năng khách hàng rời bỏ dịch vụ. - Prediction: kết quả model dự đoán cho một input.
- Loss function: cách đo mức độ sai của prediction so với label.
Chất lượng dữ liệu có ảnh hưởng trực tiếp đến chất lượng model. Dữ liệu thiếu, sai, lệch hoặc không đại diện sẽ tạo ra model kém, dù bạn dùng kiến trúc hiện đại đến đâu. Đây là lý do công việc ML thực tế thường dành nhiều thời gian cho việc thu thập, làm sạch, gắn nhãn và kiểm tra dữ liệu.
6. Training và inference
Training là giai đoạn model học từ dữ liệu. Trong giai đoạn này, model tạo prediction, tính loss, rồi cập nhật parameter để giảm sai số qua nhiều vòng lặp.
Inference là giai đoạn sử dụng model đã được huấn luyện để xử lý input mới. Ví dụ, khi người dùng gửi câu hỏi đến chatbot, việc model sinh câu trả lời là inference.
Hai giai đoạn có yêu cầu khác nhau:
- Training thường cần nhiều GPU, dữ liệu lớn và thời gian dài.
- Inference cần tối ưu latency, chi phí và khả năng mở rộng.
- Một model tốt trên tập training chưa chắc tốt khi gặp dữ liệu mới.
Developer xây dựng tính năng AI thường làm việc chủ yếu với inference API hoặc model đã có sẵn. Bạn chỉ cần tự training khi có lý do rõ ràng về dữ liệu, chi phí, quyền riêng tư hoặc chất lượng đầu ra.
7. Ba cách học phổ biến trong Machine Learning
Supervised Learning — học có giám sát
Model học từ dữ liệu đã có đáp án. Ví dụ: email được gắn nhãn spam, ảnh được gắn nhãn chó/mèo hoặc lịch sử giao dịch được gắn nhãn gian lận/không gian lận.
Supervised Learning thường dùng cho classification và regression:
- Classification: dự đoán một hoặc nhiều nhóm, như
positive/negative. - Regression: dự đoán một giá trị liên tục, như doanh thu hoặc nhiệt độ.
Unsupervised Learning — học không giám sát
Dữ liệu không có label sẵn. Model tìm cấu trúc hoặc nhóm tự nhiên trong dữ liệu, chẳng hạn gom người dùng thành các nhóm hành vi.
Clustering và dimensionality reduction là hai ví dụ phổ biến. Cách học này hữu ích khi bạn muốn khám phá dữ liệu trước khi quyết định bài toán chi tiết.
Reinforcement Learning — học tăng cường
Một agent tương tác với môi trường, thực hiện action và nhận reward hoặc penalty. Qua nhiều lần thử, agent học chiến lược giúp tối đa hóa reward.
Game, robotics và một số bài toán tối ưu là các ví dụ điển hình. Reinforcement Learning không phải cơ chế mặc định cho mọi chatbot hay tính năng sinh văn bản.
8. Generative AI và LLM
Generative AI (GenAI), hay AI tạo sinh, là nhóm hệ thống có thể tạo ra nội dung mới như văn bản, hình ảnh, âm thanh, video hoặc code.
Large Language Model (LLM), hay mô hình ngôn ngữ lớn, là model được huấn luyện trên lượng lớn dữ liệu ngôn ngữ để hiểu và sinh văn bản. Chatbot, trợ lý coding và tính năng tóm tắt thường được xây dựng trên LLM.
LLM không truy xuất “một câu trả lời đúng” từ một cơ sở dữ liệu theo cách đơn giản. Về khái quát, model dự đoán token tiếp theo dựa trên ngữ cảnh đã nhận. Vì vậy, câu trả lời có thể trôi chảy nhưng vẫn sai sự thật.
Một số thuật ngữ liên quan:
- Token: đơn vị văn bản mà model xử lý; một từ có thể tương ứng với một hoặc nhiều token.
- Context window: lượng token tối đa model có thể xem xét trong một lần gọi.
- Prompt: input hướng dẫn model thực hiện nhiệm vụ.
- Temperature: tham số ảnh hưởng đến mức độ đa dạng/ngẫu nhiên khi sinh output.
Khi dùng LLM trong sản phẩm, đừng chỉ hỏi “model thông minh đến đâu?”. Hãy hỏi thêm: dữ liệu nào được gửi lên, output được kiểm tra ra sao, latency và chi phí mỗi request là bao nhiêu, và người dùng có thể sửa hoặc khiếu nại kết quả thế nào.
9. Embedding và RAG
Embedding
Embedding là cách biểu diễn dữ liệu — thường là văn bản — thành một vector số. Những nội dung có ý nghĩa gần nhau thường có vector gần nhau trong một không gian nhất định.
Embedding được dùng cho semantic search, gợi ý nội dung, phát hiện tài liệu tương tự và phân loại.
RAG
Retrieval-Augmented Generation (RAG) là quy trình tìm các tài liệu liên quan trước, sau đó đưa chúng vào context để LLM tạo câu trả lời.
Một pipeline RAG cơ bản:
Tài liệu → chia nhỏ → tạo embedding → lưu vào vector database
↓
Câu hỏi → tạo embedding → tìm đoạn liên quan → đưa vào LLM → câu trả lờiRAG phù hợp khi câu trả lời cần dựa trên tài liệu riêng của doanh nghiệp hoặc thông tin thường xuyên thay đổi. RAG không tự động đảm bảo câu trả lời đúng: chất lượng chunking, tìm kiếm, quyền truy cập và prompt đều cần được kiểm tra.
RAG khác fine-tuning thế nào?
- RAG: bổ sung thông tin ở thời điểm inference; dễ cập nhật nguồn dữ liệu và thường phù hợp với knowledge base.
- Fine-tuning: tiếp tục huấn luyện model trên dữ liệu riêng để điều chỉnh cách model phản hồi hoặc xử lý một nhiệm vụ; cần dữ liệu được chuẩn bị tốt và quy trình đánh giá chặt chẽ.
Nếu mục tiêu chỉ là giúp model biết tài liệu nội bộ mới nhất, RAG thường là hướng nên thử trước. Fine-tuning không phải cách “nạp thêm tài liệu” đơn giản.
10. AI agent là gì?
AI agent là hệ thống dùng model để lập kế hoạch hoặc quyết định bước tiếp theo, gọi tool, quan sát kết quả và tiếp tục xử lý cho đến khi đạt mục tiêu hoặc chạm giới hạn.
Ví dụ, một agent hỗ trợ xử lý ticket có thể:
- Đọc nội dung ticket.
- Phân loại vấn đề.
- Tra cứu tài liệu bằng search hoặc RAG.
- Kiểm tra trạng thái đơn hàng qua API.
- Soạn phản hồi và chuyển cho nhân viên duyệt.
Agent không chỉ là một prompt dài. Nó là một workflow có state, tool, quyền hạn, điều kiện dừng và cơ chế xử lý lỗi. Khi đưa agent vào production, nên giới hạn tool được phép gọi, validate input/output và yêu cầu human approval cho những hành động có hậu quả như hoàn tiền, xóa dữ liệu hoặc gửi thông báo diện rộng.
11. Hallucination và đánh giá chất lượng
Hallucination là hiện tượng model tạo ra thông tin nghe hợp lý nhưng không được dữ liệu hỗ trợ hoặc không đúng thực tế. Đây là đặc tính cần quản lý, không phải lỗi có thể giải quyết chỉ bằng một câu prompt.
Một số cách giảm rủi ro:
- Cung cấp context đáng tin cậy và yêu cầu model chỉ trả lời dựa trên context.
- Cho phép model nói “không đủ thông tin” thay vì bắt buộc trả lời.
- Validate các trường có cấu trúc bằng schema.
- Dùng rule hoặc code để kiểm tra các giá trị quan trọng.
- Ghi log input, context, output và phiên bản model để có thể điều tra.
- Đánh giá bằng một bộ câu hỏi đại diện trước mỗi lần đổi prompt hoặc model.
Đừng đánh giá tính năng AI chỉ bằng một vài câu trả lời nhìn có vẻ hay. Hãy đo các tiêu chí phù hợp với sản phẩm: accuracy, factuality, relevance, latency, cost, safety và tỷ lệ cần người dùng sửa lại.
12. Cách chọn đúng mức độ AI cho một tính năng
Trước khi chọn LLM hay một model phức tạp, hãy đi từ yêu cầu sản phẩm:
- Nếu luật nghiệp vụ rõ ràng và ổn định, dùng code hoặc rule engine.
- Nếu cần dự đoán từ dữ liệu có cấu trúc, xem xét ML truyền thống.
- Nếu cần xử lý ảnh, âm thanh hoặc ngôn ngữ phức tạp, xem xét Deep Learning hoặc API model có sẵn.
- Nếu cần tạo nội dung hoặc tương tác bằng ngôn ngữ tự nhiên, xem xét GenAI/LLM.
- Nếu cần dữ liệu riêng hoặc tài liệu thay đổi thường xuyên, đánh giá RAG.
- Nếu hệ thống cần nhiều bước và tool, thiết kế workflow/agent với quyền hạn rõ ràng.
AI chỉ là một thành phần của sản phẩm. Một tính năng tốt còn cần UX rõ ràng, fallback khi model lỗi, bảo mật dữ liệu, monitoring, chi phí có thể kiểm soát và người chịu trách nhiệm review output.
Lỗi thường gặp khi mới học AI
Dùng AI cho mọi bài toán
Không phải vấn đề nào cũng cần model. Một rule đơn giản dễ test, dễ giải thích và không phát sinh chi phí inference.
Nghĩ rằng nhiều parameter luôn đồng nghĩa với kết quả tốt hơn
Kết quả còn phụ thuộc vào dữ liệu, task, context, prompt, cách đánh giá và môi trường triển khai.
Nhầm RAG với fine-tuning
RAG giúp model truy cập nguồn thông tin ở thời điểm trả lời. Fine-tuning điều chỉnh behavior của model thông qua training. Chọn sai hướng có thể làm tăng chi phí mà không giải quyết đúng vấn đề.
Tin output mà không kiểm tra
Output của model cần được xem như kết quả do một thành phần không chắc chắn tạo ra. Với code, SQL, nội dung pháp lý, tài chính hoặc thao tác ghi dữ liệu, luôn cần bước review và validation phù hợp.
Gợi ý lộ trình học tiếp
- Học Python cơ bản và cách xử lý dữ liệu bằng pandas.
- Làm một bài toán nhỏ có train/validation/test set để hiểu quy trình ML.
- Thử gọi một LLM API và ghi nhận token, latency, cost của từng request.
- Xây dựng semantic search nhỏ bằng embedding, sau đó thêm RAG.
- Tạo một bộ evaluation dataset trước khi tối ưu prompt.
- Đọc thêm về privacy, security, prompt injection và quản lý quyền của AI agent.
Kết luận
AI là khái niệm rộng; Machine Learning là một nhánh của AI, Deep Learning là một nhóm phương pháp trong ML, còn Generative AI là nhóm hệ thống tạo ra nội dung mới. LLM, embedding, RAG và agent là những thành phần thường gặp khi xây dựng ứng dụng AI hiện đại.
Nắm được mối quan hệ này giúp bạn chọn giải pháp vừa đủ cho bài toán, thay vì bắt đầu từ một thuật ngữ đang phổ biến. Trong production, chất lượng dữ liệu, cách đánh giá, cơ chế kiểm soát và trải nghiệm người dùng quan trọng không kém bản thân model.
