Góc nhìn từ chuyên gia công nghệ: học máy truyền thống vẫn cần thiết trong thời đại AI tạo sinh

• Với sự ra đời của ChatGPT, AI tạo sinh và các mô hình ngôn ngữ lớn (LLM) đã mở ra nhiều ứng dụng mới trong nhiều ngành, bao gồm cả lĩnh vực tài chính. Tuy nhiên, không phải mọi vấn đề đều cần giải pháp phức tạp như vậy.

• Học máy truyền thống vẫn phù hợp trong nhiều tình huống:
- Khi cần giải quyết một vấn đề cụ thể: LLM có thể là lựa chọn ban đầu tốt, nhưng nếu không đạt kết quả mong muốn, chuyển sang phương pháp thống kê truyền thống có thể hiệu quả hơn.
- Khi ưu tiên hiệu quả chi phí và năng lượng: Xây dựng mô hình học máy truyền thống thường tiết kiệm chi phí hơn so với phát triển LLM tùy chỉnh. LLM cũng tiêu tốn nhiều năng lượng hơn.
- Khi tổ chức đã có thành công với mô hình học máy truyền thống: Tích hợp LLM với các mô hình truyền thống có thể tận dụng ưu điểm của cả hai để tạo ra hệ thống mạnh mẽ và nhất quán.
- Khi cần quản trị chặt chẽ: Trong lĩnh vực như phát hiện gian lận thanh toán, các phương pháp thống kê minh bạch và có thể giải thích được ưu tiên hơn LLM.

• Ứng dụng học máy truyền thống trong lĩnh vực tài chính:
- Đề xuất sản phẩm tài chính phù hợp nhất cho chủ tài khoản
- Phân tích tài khoản để dự đoán khả năng rời bỏ của khách hàng
- Tăng cường bảo mật mạng bằng cách phân tích địa chỉ IP và chặn người dùng đe dọa

• Mặc dù AI tạo sinh và LLM đang thu hút sự chú ý, nhưng nhiều tổ chức vẫn bị hạn chế về nguồn lực. Các nhà lãnh đạo công nghệ và AI nên nhớ nguyên tắc Occam's Razor - giải thích đơn giản nhất thường là tốt nhất.

• Sự kết hợp giữa LLM tiên tiến và kỹ thuật học máy truyền thống đang mở ra triển vọng cho các giải pháp sáng tạo tận dụng ưu điểm của cả hai thế giới.

📌 Học máy truyền thống vẫn đóng vai trò quan trọng trong thời đại AI tạo sinh, đặc biệt khi cần giải quyết vấn đề cụ thể, tiết kiệm chi phí và đảm bảo quản trị chặt chẽ. Trong lĩnh vực tài chính, học máy truyền thống có nhiều ứng dụng hiệu quả như đề xuất sản phẩm, dự đoán hành vi khách hàng và tăng cường bảo mật.

https://www.forbes.com/sites/forbestechcouncil/2024/07/01/in-the-age-of-genai-dont-dismiss-traditional-machine-learning/