• Tác động của AI tạo sinh khiến các nhà quản lý sản phẩm cân nhắc lại cách lựa chọn mô hình phù hợp (LLM, ML truyền thống hay rule-based).

• Quyết định có nên dùng AI cần dựa trên đánh giá cụ thể về:

  • Đầu vào và đầu ra của nhu cầu khách hàng, ví dụ đầu vào là sở thích bài hát và đầu ra là playlist tùy chỉnh như Spotify.

  • Số lượng tổ hợp đầu vào-đầu ra: càng nhiều trường hợp khác biệt ở quy mô lớn thì càng cần ML, ngược lại tác vụ lặp lại đơn giản có thể dùng hệ thống luật.

  • Mức độ phát hiện được pattern giữa đầu vào-đầu ra: Nếu có pattern, nên xem xét supervised/semi-supervised ML, tiết kiệm hơn LLM; nếu không có pattern, hoặc yêu cầu đầu ra mở rộng, có thể dùng LLM.

  • Chi phí và độ chính xác: LLM tốn kém khi mở rộng, đầu ra đôi khi không chính xác dù có fine-tuning/prompt engineering; mô hình supervised cổ điển, network classifier hoặc rule-based phù hợp hơn nếu cần đầu ra chính xác, định sẵn.

• Bảng tổng kết các trường hợp sử dụng:

  • Tác vụ lặp lại, đầu ra giống nhau cho cùng đầu vào: không cần ML, chỉ dùng rule-based.

  • Tác vụ lặp lại, đầu ra khác nhau cho cùng đầu vào: nên dùng LLM tạo sinh (ví dụ tạo ảnh, đề xuất mới).

  • Tác vụ lặp lại, đầu ra tương tự cho nhiều đầu vào: cân nhắc giữa rule-based và classifier/topic modelling, tùy mức độ phức tạp và có pattern hay không.

  • Tác vụ lặp lại, đầu ra khác nhau cho đầu vào khác nhau: ML hoặc LLM gần như là bắt buộc, vì số tổ hợp lớn (hỗ trợ khách hàng, tìm kiếm…).

  • Tác vụ không lặp lại, đầu ra mở rộng: LLM là lựa chọn phù hợp (phân tích review, dự đoán văn bản).

• Khuyến nghị: Luôn đánh giá kỹ nhu cầu, chi phí và độ chính xác sản phẩm trước khi quyết định dùng AI tạo sinh (LLM), tránh lạm dụng cho bài toán đơn giản.

📌 Framework chỉ ra: Chỉ nên dùng LLM khi tổ hợp đầu vào-đầu ra phức tạp, khó pattern, hoặc yêu cầu đầu ra sáng tạo. Nhiều tác vụ vẫn phù hợp với rule-based hoặc ML truyền thống để tiết kiệm chi phí và đạt độ chính xác cao hơn.