Mục lục · 6 phần
Trả lời nhanh
Machine learning là cách máy học quy luật từ dữ liệu, còn deep learning dùng cấu trúc phức tạp hơn để xử lý ảnh, giọng nói và ngôn ngữ. Anh/chị có thể dùng dữ liệu đơn hàng để đánh dấu đơn có khả năng hoàn cho nhân viên xác nhận. Đừng chọn deep learning chỉ vì nghe phức tạp hoặc giao AI quyền quyết định cuối.
Machine learning là cách để máy tính rút ra quy luật từ dữ liệu đã có rồi dùng quy luật đó để dự đoán hoặc phân loại dữ liệu mới. Deep learning cũng học từ dữ liệu, nhưng dùng cấu trúc phức tạp hơn để xử lý ảnh, giọng nói và ngôn ngữ.
Machine learning deep learning khác gì ở chỗ máy phải tự làm bao nhiêu việc
Machine learning, hay học máy, là một phần của AI. Thay vì viết sẵn mọi quy tắc kiểu “nếu A thì làm B”, người làm đưa cho máy nhiều ví dụ. Máy tìm điểm giống nhau giữa các ví dụ đó. Sau đó máy dùng điều đã học để đưa ra dự đoán với dữ liệu chưa gặp.
Ví dụ, anh chị có một bảng đơn hàng gồm tên sản phẩm, ngày mua, giá bán và trạng thái hoàn hay không hoàn. Anh chị muốn hệ thống đánh dấu các đơn có khả năng hoàn cao để nhân viên gọi xác nhận trước. Với machine learning, anh chị chọn các cột có ích cho việc dự đoán. Những cột đó gọi là đặc trưng, tức là mẩu thông tin máy dùng để học. Máy không hiểu “khách” theo cách con người hiểu. Nó chỉ tìm mối liên hệ giữa các cột dữ liệu và kết quả cuối cùng.
Deep learning, hay học sâu, là một nhánh của machine learning. Nó dùng mạng nơ-ron nhiều lớp. Mạng nơ-ron là một cấu trúc tính toán nhận dữ liệu ở đầu vào, xử lý qua nhiều lớp rồi trả kết quả ở đầu ra. Điểm khác là deep learning có thể tự tìm ra nhiều đặc trưng từ dữ liệu thô. Dữ liệu thô là dữ liệu chưa được con người tách sẵn thành các cột dễ đọc cho máy.
Hãy hình dung ảnh một chiếc váy. Với machine learning truyền thống, người làm thường phải chuẩn bị thông tin như màu chủ đạo, chiều dài hay kiểu cổ áo. Với deep learning, hệ thống có thể học các dấu hiệu đó trực tiếp từ rất nhiều ảnh đã gắn nhãn. Điều này không có nghĩa deep learning “thông minh hơn người” trong mọi việc. Nó chỉ phù hợp hơn với những việc mà đầu vào vốn khó biến thành một bảng cột rõ ràng.
Một hiểu lầm hay gặp là machine learning chỉ làm được việc đơn giản, còn deep learning mới là AI thật. Không đúng. Một mô hình đơn giản nhưng có dữ liệu sạch, mục tiêu rõ và cách kiểm tra tốt có thể hữu ích hơn một mạng nơ-ron lớn dùng dữ liệu lộn xộn. Câu cần hỏi không phải là công nghệ nào nghe hiện đại hơn. Câu cần hỏi là shop đang muốn giảm việc gì, dữ liệu hiện có là gì và kết quả nào được xem là đúng.
Để đọc nền tảng theo tài liệu gốc, anh chị có thể xem Google Machine Learning Crash Course.
Một shop online gặp hai công nghệ này ở đâu
Anh chị thường dùng machine learning qua tính năng đã có sẵn, dù không nhìn thấy tên của nó. Một công cụ có thể dự đoán sản phẩm nào khách dễ quan tâm hơn. Một hệ thống khác có thể xếp các yêu cầu chăm sóc khách hàng vào nhóm giao hàng, đổi trả hoặc tư vấn sản phẩm. “Phân loại” ở đây nghĩa là đưa mỗi yêu cầu vào đúng một nhóm để đội ngũ xử lý nhanh hơn.
Ví dụ gần với công việc hằng ngày là lọc bình luận cần trả lời trước. Anh chị có thể cho hệ thống học từ các bình luận từng được nhân viên gắn nhãn: hỏi giá, hỏi size, phản ánh giao thiếu hay lời khen. Khi có bình luận mới, hệ thống đề xuất nhãn. Nhân viên vẫn nên xem lại trước khi phản hồi. Mục tiêu là giảm thời gian đọc thủ công, không phải giao toàn bộ quyết định cho máy.
Deep learning xuất hiện rõ hơn khi đầu vào là hình ảnh, âm thanh hoặc câu chữ tự do. Tìm sản phẩm bằng ảnh là một ví dụ. Khách đưa một ảnh lên, hệ thống đối chiếu các đặc điểm trong ảnh với kho ảnh sản phẩm. Chatbot hiểu câu hỏi viết theo nhiều cách cũng thường dùng mô hình ngôn ngữ thuộc nhóm deep learning. “Ngữ cảnh” trong trường hợp này là những câu trước đó trong cuộc trò chuyện giúp hệ thống hiểu người mua đang hỏi về đơn nào hoặc sản phẩm nào.
Nhưng tên công nghệ không nói lên chất lượng trả lời. Một chatbot có thể viết câu rất tự nhiên nhưng vẫn trả lời sai tình trạng đơn hàng nếu nó không được cấp dữ liệu đơn hàng đúng. Một công cụ nhận diện ảnh cũng có thể gợi ý sai nếu ảnh mờ hoặc danh mục sản phẩm thiếu ảnh. Khi dùng AI cho shop, anh chị nên kiểm tra đầu vào, câu trả lời và đường xử lý khi máy không chắc. “Không chắc” nghĩa là hệ thống không có đủ căn cứ để chọn một đáp án đáng tin.
Đừng chọn deep learning chỉ vì nghe phức tạp
Trước khi chọn công cụ, hãy viết ra một việc cụ thể cần xử lý. Chẳng hạn: gom tin nhắn theo chủ đề, tìm các đơn có dấu hiệu bất thường, gợi ý câu trả lời cho câu hỏi lặp lại hoặc tìm ảnh sản phẩm tương tự. Nếu việc đó có dữ liệu dạng bảng và kết quả cần dự đoán rõ ràng, machine learning thường là cách nghĩ dễ bắt đầu hơn.
Nếu việc chính là đọc ảnh, hiểu câu chữ đa dạng hoặc nhận diện giọng nói, deep learning có thể nằm bên trong công cụ anh chị dùng. Dù vậy, phần lớn shop không cần tự xây mô hình. Anh chị có thể dùng phần mềm hoặc API có sẵn. API là cách để phần mềm của anh chị gửi yêu cầu đến một dịch vụ khác rồi nhận kết quả trả về. Điều quan trọng là thử trên dữ liệu thật của shop và đặt người kiểm tra ở các tình huống nhạy cảm.
Đừng bắt đầu bằng câu hỏi “cần bao nhiêu lớp mạng nơ-ron?”. Hãy bắt đầu bằng câu hỏi “kết quả nào khiến nhân viên tin để hành động?”. Với chatbot, đó có thể là câu trả lời có đúng chính sách đổi trả hay không. Với dự báo tồn kho, đó có thể là việc cảnh báo đủ sớm để người phụ trách kiểm lại hàng. Những tiêu chí này cần được shop đặt ra trước khi bật tự động hóa.
Một lỗi khác là đưa tất cả dữ liệu vào công cụ chỉ vì nghĩ càng nhiều càng tốt. Dữ liệu trùng, dữ liệu sai hoặc thông tin khách hàng không cần thiết có thể làm kết quả khó kiểm soát. Anh chị nên chỉ dùng phần dữ liệu phục vụ trực tiếp cho mục tiêu. Cũng nên phân quyền ai được xem dữ liệu và ai được phép sửa hướng dẫn cho chatbot. Đây là cách giảm rủi ro vận hành, không phải việc chỉ dành cho đội kỹ thuật.
Cách thử AI mà không biến nó thành người quyết định cuối
Hãy chọn một việc có thể kiểm tra bằng mắt. Ví dụ, để AI đề xuất nhãn cho tin nhắn khách thay vì tự gửi tin. Nhân viên xem đề xuất, sửa khi cần và ghi lại những trường hợp sai. Những lỗi lặp lại cho biết hướng dẫn chưa rõ, dữ liệu mẫu chưa đủ hoặc công việc đó chưa phù hợp để tự động hóa.
Khi dùng công cụ tạo câu trả lời, cần chuẩn bị giới hạn rõ ràng. Nó được phép trả lời thông tin sản phẩm nào? Nó phải chuyển cho người thật khi nào? Nó có được hứa thời gian giao hàng, giảm giá hay hoàn tiền hay không? Không có câu trả lời chung cho mọi shop. Các giới hạn phải bám đúng chính sách và quy trình mà shop đang áp dụng.
Đây cũng là lúc cần quan tâm đến alignment. Alignment là việc khiến hành vi của hệ thống bám vào mục tiêu và giới hạn người dùng đặt ra. Nếu chatbot được bảo “luôn làm khách hài lòng” nhưng không được nói rõ giới hạn đổi trả, nó có thể đề xuất điều nhân viên không thể thực hiện. Câu trả lời nghe lịch sự chưa đủ. Nó còn phải đúng thông tin và đúng quyền hạn.
Anh chị không cần tìm cách jailbreak công cụ để kiểm tra nó. Jailbreak là việc cố ép hệ thống bỏ qua giới hạn đã được đặt ra. Với người vận hành shop, cách kiểm tra hữu ích hơn là đưa vào những câu hỏi thật mà khách thường hỏi, xem đầu ra, rồi sửa hướng dẫn hoặc giữ bước duyệt của con người. Một quy trình nhỏ nhưng được kiểm tra kỹ thường có ích hơn một tính năng rộng mà không ai chịu trách nhiệm kiểm lại.
Để đặt hai khái niệm này vào bức tranh lớn hơn, anh chị có thể tham khảo các nguyên lý nền tảng giúp máy tính xử lý thông tin trong thực tế.
Khi nào chỉ cần quan tâm đến kết quả đầu ra
Nếu anh chị đang mua phần mềm quản lý kho, phần mềm trả lời tin nhắn hoặc tính năng gợi ý sản phẩm, không nhất thiết phải hỏi nó dùng machine learning hay deep learning. Hãy hỏi kết quả cụ thể hơn: dữ liệu nào công cụ được đọc, kết quả hiển thị cho ai, người dùng có sửa được không và có thể tắt tính năng hay không.
Một công cụ báo “khách có khả năng mua” chỉ là gợi ý, không phải sự thật về từng người. Nó có thể bỏ sót khách tốt hoặc chọn nhầm khách không phù hợp. Vì vậy, đừng để một nhãn do máy tạo ra tự động quyết định giá bán, điều kiện chăm sóc hay cách đối xử với khách hàng. Các quyết định ảnh hưởng trực tiếp đến quyền lợi khách cần có người chịu trách nhiệm xem lại.
Anh chị cũng không cần học lập trình mới bắt đầu dùng AI. Điều cần học trước là cách mô tả việc đang làm, chuẩn bị dữ liệu đúng và kiểm tra kết quả. Khi đã thấy một công việc lặp lại gây tốn thời gian, anh chị mới có lý do rõ ràng để tìm công cụ. Khi chưa có việc cụ thể, việc chọn machine learning hay deep learning chỉ là chọn tên gọi.
Câu hỏi thường gặp
Machine learning có phải là AI không?
Machine learning là một phần của AI. AI là tên rộng cho các hệ thống thực hiện những việc thường cần khả năng suy nghĩ của con người, còn machine learning là cách để một số hệ thống học từ dữ liệu. Không phải mọi AI đều dùng machine learning.
Deep learning có phải lúc nào cũng tốt hơn machine learning không?
Không. Deep learning phù hợp với nhiều bài toán ảnh, âm thanh và ngôn ngữ, nhưng không tự động tốt hơn cho dữ liệu bảng hoặc mục tiêu đơn giản. Công cụ phù hợp là công cụ cho kết quả đáng kiểm tra với dữ liệu và quy trình của shop.
Shop nhỏ có cần tự xây neural network không?
Thường không cần. Neural network là mạng nơ-ron, cấu trúc đứng sau nhiều mô hình deep learning. Shop nhỏ có thể bắt đầu bằng tính năng sẵn có hoặc dịch vụ đã đóng gói, sau đó đo xem nó có thật sự giảm việc và ít lỗi hay không.
Chatbot hiểu tiếng Việt có phải là deep learning không?
Nhiều chatbot hiện nay dùng mô hình ngôn ngữ thuộc nhóm deep learning để xử lý câu chữ. Tuy nhiên, chatbot trả lời đúng hay không còn phụ thuộc vào nội dung anh chị cấp cho nó và quy tắc chuyển việc cho người thật. Đừng chỉ đánh giá bằng việc câu trả lời nghe tự nhiên.
Tôi có cần đưa toàn bộ dữ liệu khách hàng vào AI không?
Không nên. Chỉ đưa dữ liệu cần thiết cho đúng mục tiêu đang thử nghiệm và kiểm tra quyền truy cập trước khi dùng. Việc giảm dữ liệu không cần thiết giúp anh chị dễ quản lý rủi ro hơn.
Muốn dùng AI để trả lời khách thì nên bắt đầu từ đâu?
Hãy bắt đầu từ một nhóm câu hỏi lặp lại và có đáp án đã được shop chốt. Cho AI đề xuất câu trả lời, để nhân viên duyệt trước, rồi ghi lại lỗi thường gặp. Khi kết quả ổn định, anh chị mới cân nhắc mở rộng sang nhóm câu hỏi khác.
