Sau hai buổi Nghiên AI Labs, tụi mình đã có thể tiếp tục với một chủ đề nâng cao khác. Nhưng những lần trò chuyện với người tham gia khiến team chú ý đến một câu hỏi cơ bản hơn: Vì sao mình dùng AI rồi mà kết quả vẫn không như mong muốn?
Ở buổi làm video, có người đã quen với quy trình sản xuất, có người mới tìm cách bắt đầu. Ở buổi lập trình cùng AI, có người sẵn sàng viết đặc tả cho sản phẩm, trong khi người khác vẫn đang cố hiểu mình cần giao việc cho AI như thế nào. Khoảng cách ấy khiến tụi mình quyết định dành Labs #3 cho nền tảng.
Người chia sẻ là anh Tiến Vĩ (Jack Vĩ) – Community Lead của cộng đồng Nghiên AI. Anh chuẩn bị buổi học từ kinh nghiệm dùng AI trong sáng tạo nội dung, xây dựng cộng đồng và công việc hằng ngày. Trước ngày tổ chức, slide được mang ra để team góp ý nhiều lần. Điều mọi người cùng xem xét là liệu một người mới, sau khi nghe xong, có thể tự nhìn vào kết quả AI và biết mình nên sửa ở đâu.
Từ một câu trả lời có vẻ đúng đến một kết quả dùng được
AI có thể viết một đoạn văn mạch lạc nhưng bịa số liệu. Nó có thể tóm tắt tài liệu rất nhanh nhưng bỏ qua phần ảnh hưởng đến quyết định của bạn. Nó cũng có thể tạo một hình ảnh đẹp mà chẳng giống thương hiệu bạn đang làm.
Những kết quả ấy có một điểm chung: vẻ ngoài thuyết phục dễ khiến mình bỏ qua cách chúng được tạo ra. Với AI tạo sinh, mô hình dự đoán đầu ra dựa trên năng lực đã học và thông tin được cung cấp trong quá trình sử dụng. Nó không tự biết số nào trong báo cáo của bạn là số cần kiểm chứng, khách hàng nào là người bạn muốn nói chuyện, hay một hình ảnh như thế nào mới được xem là đúng với thương hiệu.
Vì vậy, muốn cải thiện kết quả, mình cần nhìn rõ những yếu tố đang tác động đến nó. Trong Labs #3, anh Vĩ giới thiệu một cách ghi nhớ:
Model × Tool × Prompt × Context × Skill = Output
Đây không phải phép tính để chấm điểm AI. Công thức cho người dùng một bản đồ để lần theo vấn đề.
Model là năng lực của mô hình. Tool quyết định mô hình có thể đọc tài liệu, tạo hình, thao tác với tệp hay thực hiện công việc trong môi trường nào. Prompt nói rõ bạn muốn nó làm gì. Context là dữ liệu, ví dụ, mục tiêu và những giới hạn riêng của công việc. Skill là chuyên môn của người dùng: khả năng đặt bài toán, nhận ra điểm sai và đánh giá kết quả có thể sử dụng hay chưa.
Năm yếu tố này không chỉ dành cho việc tạo ảnh. Khi AI phân tích một báo cáo, công cụ phải đọc được đúng tệp, yêu cầu phải nói rõ bạn cần rút ra điều gì, còn số liệu quan trọng cần được đối chiếu với tài liệu gốc. Khi AI giúp viết nội dung, bối cảnh về người đọc và thương hiệu quan trọng không kém câu lệnh. Khi xây một ứng dụng, bạn vẫn phải biết tính năng đó dành cho ai và kiểm tra nó trong những tình huống nào.
Học cách tìm nguyên nhân, rồi mới thử lại
Trong phần thực hành, bài toán tạo hình ảnh thương hiệu giúp mọi người thấy công thức hoạt động ra sao. Một tấm hình có thể đẹp về màu sắc và bố cục nhưng vẫn sai nhận diện. Nếu AI chưa được xem bộ màu, hình tham chiếu hoặc cách thương hiệu đang xuất hiện trên các kênh, phần cần bổ sung có thể là context. Đổi sang mô hình khác ngay lúc ấy chưa chắc giúp hình đúng hơn.
Ở một lần thử khác, hình đã đúng nhận diện nhưng chữ quá nhỏ để sử dụng trên mạng xã hội. Khi đó, người làm cần xem lại prompt về kích thước, bố cục và nơi hình sẽ xuất hiện. Cuối cùng, chính skill giúp họ nhận ra bản nào đáp ứng được công việc, thay vì chọn bản trông bắt mắt nhất.
Bảng tự đánh giá năm yếu tố trong buổi học được dùng cho mục đích đó. Khi kết quả chưa ổn, người tham gia có thể dừng lại và xem: công cụ có làm được việc này không, AI đã có đủ thông tin chưa, yêu cầu đã rõ chưa, và mình đang dùng tiêu chí nào để đánh giá? Sửa một yếu tố rồi thử lại sẽ giúp mình hiểu điều gì thực sự tạo ra khác biệt. Cách làm ấy có thể áp dụng tiếp cho một bài viết, bản phân tích hay quy trình tự động.
Sáng 11/7, hơn 60 thành viên đã đến học và thực hành cùng tụi mình. Theo ghi nhận của team, sau gần ba tiếng, hơn 95% vẫn ở lại đến cuối buổi. Cảm ơn mọi người đã dành thời gian cho một chủ đề nền tảng giữa rất nhiều công cụ và kỹ thuật mới đáng khám phá.
Labs #3 cho tụi mình thêm một cách nghĩ về việc học AI trong cộng đồng. Công cụ sẽ còn thay đổi. Khả năng nhìn vào một kết quả, hiểu vì sao nó chưa đúng và biết mình cần điều chỉnh điều gì sẽ giúp mỗi người tiếp tục học khi công cụ tiếp theo xuất hiện.