Hướng dẫn lựa chọn giữa AI tạo sinh và AI dự đoán dựa trên bản chất vấn đề, loại dữ liệu đầu vào và yêu cầu đầu ra

https://sloanreview.mit.edu/article/when-to-use-genai-versus-predictive-ai/

#MIT

Khi nào nên sử dụng AI tạo sinh so với AI dự đoán

AI tạo sinh không phù hợp với mọi vấn đề. Sử dụng những hướng dẫn này để quyết định giữa AI dự đoán — công cụ học máy và học sâu — và AI tạo sinh.

Rama Ramakrishnan, 24 tháng 3 năm 2025 Thời gian đọc: 12 phút

Tóm tắt: Các nhà lãnh đạo thường bối rối về việc khi nào nên sử dụng AI tạo sinh so với AI dự đoán (công cụ học máy và học sâu). Vấn đề không phải là... Đọc thêm +

Lĩnh vực phân tích đã phát triển đáng kể trong thập kỷ qua. Nhiều tổ chức đã tiến triển từ mô hình thống kê cơ bản đến học máy, và một số đã bổ sung học sâu vào bộ công cụ của họ. Trong bối cảnh này, sự xuất hiện của AI tạo sinh — với khả năng tạo ra văn bản giống con người, tạo hình ảnh, và viết mã — giới thiệu những khả năng mới và những câu hỏi mới.

Mặc dù AI tạo sinh hứa hẹn sẽ cách mạng hóa mọi thứ từ dịch vụ khách hàng đến phát triển sản phẩm, vai trò tối ưu của nó bên cạnh các công cụ AI dự đoán (tức là, các công cụ học máy và học sâu) vẫn đang được hoàn thiện. Điều đó thường khiến các nhà lãnh đạo tự hỏi đâu là cách tiếp cận đúng để giải quyết một vấn đề cụ thể. Bài viết này trình bày một bộ hướng dẫn để giúp các nhà lãnh đạo và tổ chức điều hướng quyết định khó khăn nhưng quan trọng này.

Học máy so với Học sâu so với GenAI

Hãy bắt đầu với một tổng quan nhanh về học máy, học sâu, và AI tạo sinh, tập trung vào những điểm mạnh và hạn chế tương ứng của chúng.

Học máy: Loại AI này liên quan đến việc xác định các mẫu từ dữ liệu lịch sử bằng cách sử dụng các kỹ thuật thống kê và tính toán để đưa ra dự đoán hoặc quyết định mà không được lập trình rõ ràng để làm như vậy. Bao gồm một loạt các kỹ thuật, bao gồm phân tích hồi quy, cây quyết định, rừng ngẫu nhiên, và tăng cường độ dốc, sức mạnh chính của nó nằm ở việc xử lý dữ liệu bảng/có cấu trúc — dữ liệu có thể được sắp xếp trong các hàng và cột của bảng tính hoặc bảng cơ sở dữ liệu. Trong dữ liệu bảng, các cột — được biết đến như các biến độc lập hoặc đặc trưng — hoặc là tự nhiên số (như mức cholesterol LDL của bệnh nhân, hoặc số dư tín dụng trung bình cho người xin vay) hoặc có thể được biểu diễn bằng số. (Ví dụ, nếu bệnh nhân có tiền sử gia đình bị bệnh tim, nó được biểu diễn bằng giá trị 1; nếu không, giá trị là 0).

Văn bản được phân tích bởi và tạo ra từ các công cụ AI tạo sinh bao gồm một phạm vi đáng kinh ngạc các loại.

Vì các vấn đề với dữ liệu đầu vào dạng bảng phổ biến trong kinh doanh, học máy đã có tác động tích cực to lớn. Các nhà bán lẻ sử dụng học máy để dự báo nhu cầu sản phẩm và nhu cầu hàng tồn kho bằng cách phân tích dữ liệu bán hàng lịch sử và mẫu theo mùa. Các doanh nghiệp dựa trên đăng ký sử dụng học máy để dự đoán và ngăn chặn khách hàng rời bỏ. Các tổ chức tài chính sử dụng học máy để dự đoán rủi ro vỡ nợ khoản vay.

Nhưng học máy không hoạt động tốt nếu dữ liệu đầu vào không có cấu trúc (như hình ảnh, văn bản ngôn ngữ tự nhiên, hoặc âm thanh). Để sử dụng học máy truyền thống hiệu quả với dữ liệu không cấu trúc, dữ liệu phải được cấu trúc thủ công — một nhiệm vụ tốn kém khiến học máy không hấp dẫn cho các trường hợp sử dụng kinh doanh nơi dữ liệu đầu vào không phải dạng bảng.

Học sâu: Một loại học máy cụ thể dựa trên mạng nơ-ron, học sâu là một bước tiến đáng kể trong khả năng phân tích. Các mô hình học sâu có thể xử lý dữ liệu không cấu trúc như hình ảnh, âm thanh, và ngôn ngữ tự nhiên mà không cần xử lý thủ công trước, do đó làm cho nhiều trường hợp sử dụng khả thi. Học sâu cũng có thể chứa đầu vào dạng bảng. Khả năng xử lý cả dữ liệu có cấu trúc và không cấu trúc làm cho nó đặc biệt có giá trị cho các nhiệm vụ nơi dữ liệu đầu vào tự nhiên xuất hiện ở các phương thức khác nhau. Một mô hình phát hiện bệnh, ví dụ, nên có khả năng xử lý dữ liệu hình ảnh (như quét X-quang) cùng với dữ liệu bảng, chẳng hạn như kết quả xét nghiệm của bệnh nhân. Nhưng học sâu có xu hướng "đói dữ liệu" hơn học máy, và nó có thể khó hiểu và diễn giải hơn do độ phức tạp và kích thước của mạng nơ-ron cơ bản.

AI tạo sinh: GenAI được phân biệt với AI dự đoán bởi khả năng tạo ra nội dung mới thay vì chỉ đưa ra dự đoán. Được xây dựng trên một kiến trúc học sâu đột phá được gọi là transformer, các hệ thống này có thể tạo ra văn bản mạch lạc, hình ảnh thực tế, và thậm chí mã chức năng và, do đó, hứa hẹn khả năng áp dụng rộng rãi cho một phần lớn công việc tri thức. Ví dụ, một bộ phận marketing có thể sử dụng GenAI để soạn thảo bản sao quảng cáo, tạo ra các biến thể nội dung hình ảnh, hoặc tạo ra các giao tiếp khách hàng được cá nhân hóa ở quy mô lớn.

Đầu vào và đầu ra của các hệ thống AI tạo sinh như LLM thường không có cấu trúc. Phổ biến nhất, chúng bao gồm dữ liệu văn bản và/hoặc hình ảnh và, gần đây hơn, video. Lưu ý rằng văn bản được phân tích bởi và tạo ra từ các công cụ AI tạo sinh bao gồm một phạm vi đáng kinh ngạc các loại, chẳng hạn như mã phần mềm, chuỗi protein, ký hiệu âm nhạc, biểu thức toán học, và công thức hóa học.

Cách xác định cách tiếp cận đúng

Làm thế nào một nhà lãnh đạo có thể quyết định công cụ AI nào sử dụng cho một vấn đề cụ thể? Hãy giả sử rằng vấn đề đã được xác định rõ ràng, các đầu vào liên quan đã được xác định, và đầu ra mong muốn đã được chỉ định.

Một điểm khởi đầu hợp lý là bản chất của vấn đề: Đó là vấn đề dự đoán hay vấn đề tạo sinh?

Các vấn đề tạo sinh dễ nhận biết. Nếu đầu ra mong muốn không có cấu trúc — như văn bản, hình ảnh, video, hoặc âm nhạc — đó là vấn đề tạo sinh.

Các vấn đề dự đoán có hai biến thể: phân loại và hồi quy. Trong các vấn đề phân loại, cho một đầu vào, người dùng cần lựa chọn từ một tập hợp các đầu ra đã xác định trước. Ví dụ, cho dữ liệu về một bệnh nhân, bác sĩ có thể muốn dự đoán liệu bệnh nhân có nguy cơ cao, trung bình, hay thấp mắc bệnh tim mạch. Điểm quan trọng ở đây là các danh mục đầu ra — nguy cơ cao, nguy cơ trung bình, và nguy cơ thấp — được xác định trước, không được tạo ra ngay lúc đó.

Trong các vấn đề hồi quy, bạn muốn dự đoán một con số (hoặc một vài con số). Với dữ liệu về một bệnh nhân và chi tiết điều trị, bác sĩ có thể muốn dự đoán mức cholesterol LDL của họ sẽ là bao nhiêu sau sáu tháng nữa. Hoặc, với dữ liệu bán hàng trong quá khứ của một sản phẩm, một tổ chức có thể muốn dự đoán đơn vị bán hàng của nó trong 24 giờ tới. Lưu ý rằng sự phân biệt giữa phân loại và hồi quy có thể hơi mờ nhạt. Ví dụ, các vấn đề hồi quy thường có thể được đặt thành các vấn đề phân loại. Thay vì cố gắng dự đoán mức cholesterol LDL chính xác của một bệnh nhân, bác sĩ có thể hài lòng với việc dự đoán liệu nó sẽ cao, trung bình, hay thấp.

Với bản chất của vấn đề đã được xác định, chúng ta có thể chuyển sang công cụ nào để sử dụng.

Hãy bắt đầu với trường hợp dễ dàng. Nếu bạn có một vấn đề tạo sinh cần giải quyết, chỉ có một lựa chọn: AI tạo sinh. Tùy thuộc vào loại đầu ra bạn muốn tạo ra, bạn có thể cần sử dụng LLM đa phương thức, như GPT-4 của OpenAI, Claude 3.7 Sonnet của Anthropic, hoặc Gemini 1.5 của Google; các mô hình chuyển đổi văn bản thành hình ảnh, như Dall-E; hoặc các mô hình chuyên dụng đã được xây dựng cho âm thanh và các lĩnh vực khác.

Tuy nhiên, nếu bạn có một vấn đề dự đoán, vấn đề trở nên phức tạp hơn.

Kịch bản đơn giản nhất là khi tất cả dữ liệu đầu vào đều ở dạng bảng. Trong tình huống này, bạn nên ưu tiên học máy truyền thống. Mặc dù học sâu cũng có thể giải quyết những vấn đề này, nhưng nó mang theo một loạt gánh nặng khác có thể không đáng công sức: Nó có thể đòi hỏi nhiều nỗ lực hơn để "điều chỉnh" mô hình cho vấn đề, mô hình có thể không dễ diễn giải cho quản lý do tính chất hộp đen của nó, v.v. Ngược lại, các mô hình học máy nhanh hơn nhiều để xây dựng và điều chỉnh và yêu cầu ít "chăm sóc" hơn, và các phương pháp có thể diễn giải được có sẵn. Ngoài ra, có nhiều phần mềm mã nguồn mở dễ sử dụng và một lượng lớn người biết cách sử dụng các công cụ này.

Bằng cách chọn học máy thay vì học sâu, bạn không nhất thiết phải chấp nhận độ chính xác thấp hơn để đổi lấy sự dễ dàng trong phát triển. Một số phương pháp học máy được sử dụng rộng rãi (như XGBoost, viết tắt của Extreme Gradient Boosting) không chỉ dễ làm việc hơn học sâu mà còn có thể chính xác hơn cho các vấn đề dự đoán dữ liệu bảng.

Còn nếu bạn có một vấn đề dự đoán nơi các đầu vào không có cấu trúc, như văn bản hoặc hình ảnh thì sao?

Đây có lẽ là kịch bản mà câu trả lời "đúng" đã thay đổi nhiều nhất trong những năm gần đây. Trước khi xuất hiện AI tạo sinh, cách tiếp cận tiêu chuẩn sẽ là thu thập dữ liệu và huấn luyện một mô hình học sâu. Nhưng các LLM ngày nay thường có khả năng giải quyết các loại vấn đề này ngay từ đầu, mà không cần bất kỳ đào tạo chuyên biệt nào.

Hãy bắt đầu với điểm mạnh của LLM: khi dữ liệu đầu vào và nhãn đầu ra là văn bản ngôn ngữ tự nhiên "hàng ngày", trái với văn bản kỹ thuật hoặc đầy thuật ngữ từ một lĩnh vực chuyên biệt.

Ví dụ, giả sử bạn muốn xây dựng một hệ thống AI có thể phát hiện liệu một đánh giá sản phẩm trên trang thương mại điện tử có chỉ ra ý tưởng cải tiến sản phẩm tiềm năng hay không. Một hệ thống phân loại đánh giá như vậy sẽ cho phép bạn xử lý hàng nghìn đánh giá một cách hiệu quả và chuyển những đánh giá quan trọng đến các đội thiết kế sản phẩm để điều tra thêm. Văn bản trong đánh giá sản phẩm được coi là văn bản hàng ngày, vì đánh giá được viết bởi người tiêu dùng. Các nhãn cũng có thể được thiết kế là văn bản hàng ngày (chẳng hạn như "đề cập đến ý tưởng cải tiến sản phẩm" hoặc "không đề cập đến ý tưởng cải tiến sản phẩm").

Một vài năm trước, chúng ta sẽ giải quyết vấn đề này bằng cách thu thập hàng nghìn đánh giá, gắn nhãn mỗi đánh giá như mô tả ở trên (một nhiệm vụ thủ công tốn kém), và huấn luyện một mô hình AI dự đoán với dữ liệu này. Nhưng vì LLM đã được đào tạo trên một lượng lớn văn bản, chúng có thể xử lý văn bản hàng ngày (như đánh giá sản phẩm và các nhãn được gán cho chúng) mà không cần bất kỳ đào tạo đặc biệt nào.

Xem xét đánh giá sản phẩm này của một chiếc ghế văn phòng trên Wayfair.com: "Đường cong của lưng ghế không để lại đủ không gian để ngồi thoải mái." Nó dường như chỉ ra một ý tưởng cải tiến sản phẩm tiềm năng. Chúng ta có thể đơn giản prompt một LLM để phân loại văn bản như sau:

Prompt: Đánh giá sản phẩm sau đây có chỉ ra ý tưởng cải tiến sản phẩm tiềm năng không? Trả lời có hoặc không. Đánh giá: Đường cong của lưng ghế không để lại đủ không gian để ngồi thoải mái.

Phản hồi LLM: Có

Nếu độ chính xác ngoài hộp của LLM không đủ cao, đôi khi nó có thể được cải thiện bằng kỹ thuật prompt và/hoặc bằng cách cung cấp một vài ví dụ (được gọi là few-shot prompting).

Việc viết mã để tự động hóa quá trình này là đơn giản. Khối lượng lớn các đánh giá có thể dễ dàng được phân loại bằng cách thực hiện mã trên một chu kỳ thường xuyên. Các LLM mã nguồn đóng như ChatGPT, Claude, hoặc Gemini chắc chắn có thể được sử dụng cho mục đích này. Chi phí API để sử dụng các hệ thống này đã giảm mạnh trong những năm gần đây, nhưng chi phí có thể được giảm thêm bằng cách sử dụng các LLM mã nguồn mở có khả năng (như các họ mô hình Llama hoặc Mistral).

Nếu vấn đề là vấn đề phân loại dự đoán, dữ liệu đầu vào là văn bản hoặc hình ảnh, và nhãn đầu ra là văn bản hàng ngày, hãy thử giải quyết nó với một LLM trước.

Mặc dù chúng ta đã xem xét một kịch bản phân loại văn bản chi tiết, cách tiếp cận được mô tả ở trên cũng áp dụng tương tự nếu dữ liệu đầu vào là hình ảnh. Nhiều LLM hiện nay là đa phương thức và có thể phân loại hình ảnh, phát hiện đối tượng trong hình ảnh, hoặc trích xuất dữ liệu có cấu trúc từ tài liệu với độ chính xác chấp nhận được. Chúng đặc biệt hiệu quả nếu hình ảnh đầu vào là hình ảnh hàng ngày thay vì hình ảnh từ một lĩnh vực kỹ thuật chuyên biệt cao (như hình ảnh y tế) và nhãn đầu ra là văn bản hàng ngày.

Tóm lại, nếu vấn đề là vấn đề phân loại dự đoán, dữ liệu đầu vào là văn bản hoặc hình ảnh, và nhãn đầu ra là văn bản hàng ngày (thay vì thuật ngữ chuyên dụng đặc biệt), hãy thử giải quyết nó với một LLM trước.

Tuy nhiên, đôi khi việc sử dụng LLM là không khả thi. Điều này có thể xảy ra vì nhiều lý do, bao gồm các vấn đề liên quan đến độ chính xác, chi phí, độ trễ, hoặc quyền riêng tư dữ liệu. Trong tình huống này, việc sử dụng cách tiếp cận AI dự đoán là hợp lý, và vì dữ liệu đầu vào không có cấu trúc, học sâu thường là một lựa chọn tốt.

Như đã lưu ý trước đó, học sâu có xu hướng có nhu cầu dữ liệu mạnh mẽ so với các mô hình học máy truyền thống. Nhưng gánh nặng này có thể được giảm đáng kể bằng cách sử dụng các mô hình học sâu đã được đào tạo trước. Các trung tâm mô hình chứa hàng trăm nghìn mô hình học sâu đã được đào tạo trước. Bạn có thể tìm kiếm một trung tâm cho các mô hình đã được đào tạo trước trên cùng loại dữ liệu đầu vào không cấu trúc mà vấn đề của bạn liên quan đến. Ví dụ, nếu bạn đang làm việc với văn bản y tế, bạn có thể tìm kiếm các mô hình đã được đào tạo trước trên văn bản như vậy. Nếu bạn đang làm việc với hình ảnh của các sản phẩm công nghiệp, bạn có thể tìm kiếm các mô hình đã được đào tạo trước trên các hình ảnh đó.

Các mô hình đã được đào tạo trước như vậy có thể được tải xuống và tinh chỉnh nhanh chóng với một lượng vừa phải dữ liệu cụ thể cho vấn đề. Thay vì thu thập và gắn nhãn hàng chục nghìn đầu vào, bạn có thể chỉ cần hàng trăm đầu vào.

LLM cũng có thể hữu ích ở đây. Bạn có thể sử dụng chúng để tạo ra và gắn nhãn dữ liệu cần thiết để tinh chỉnh một mô hình đã được đào tạo trước. Ví dụ, thay vì gắn nhãn thủ công hàng nghìn đánh giá sản phẩm thương mại điện tử với "đề cập đến ý tưởng cải tiến sản phẩm" hoặc "không đề cập đến ý tưởng cải tiến sản phẩm," bạn có thể sử dụng LLM để gắn nhãn một cách rẻ và nhanh chóng (một kỹ thuật được gọi là LLM-as-a-judge). Nếu ngay cả đánh giá sản phẩm chưa được gắn nhãn cũng không có sẵn với số lượng đủ (có lẽ vì trang thương mại điện tử mới ra mắt gần đây), một LLM có thể được prompt để tạo ra các đánh giá tổng hợp, sử dụng các đánh giá có sẵn làm "hạt giống."

Cuối cùng, nếu dữ liệu đầu vào là sự kết hợp giữa dữ liệu bảng và dữ liệu không cấu trúc, tôi khuyên bạn nên bắt đầu với học sâu trực tiếp.

Các khuyến nghị của tôi có thể được tóm tắt như sau:

1. Xác định liệu vấn đề là vấn đề tạo sinh hay vấn đề dự đoán.
2. Giải quyết các vấn đề tạo sinh với các công cụ AI tạo sinh.
3. Đối với các vấn đề dự đoán nơi dữ liệu đầu vào là dạng bảng, sử dụng các công cụ AI dự đoán, đặc biệt là các công cụ học máy đã được thử nghiệm như hồi quy hoặc tăng cường độ dốc.
4. Đối với các vấn đề dự đoán nơi dữ liệu đầu vào không có cấu trúc và nhãn đầu ra là văn bản hàng ngày, hãy thử sử dụng các công cụ GenAI. Nếu điều này tỏ ra không thể chấp nhận được vì bất kỳ lý do nào (do các yếu tố như độ chính xác, chi phí, hoặc bảo mật dữ liệu), hãy thử học sâu.
5. Nếu bạn đang sử dụng học sâu, bạn có thể giảm gánh nặng dữ liệu đáng kể theo hai cách. Cách thứ nhất là tránh xây dựng mô hình từ đầu và thay vào đó tìm kiếm các mô hình đã được đào tạo trước trên các loại dữ liệu đầu vào tương tự có thể được tinh chỉnh với dữ liệu của bạn. Cách thứ hai là sử dụng LLM để gắn nhãn dữ liệu đào tạo của bạn một cách hiệu quả về chi phí.

Giá trị của việc kết hợp các cách tiếp cận AI

Như tôi đã thảo luận, sự lựa chọn giữa học máy truyền thống, học sâu, và AI tạo sinh không nên được xem như một đề xuất hoặc-hoặc mà là một tập hợp các khả năng có thể được kết hợp và điều chỉnh dựa trên các chi tiết cụ thể của vấn đề.

Nhìn về phía trước, ranh giới giữa các công nghệ này có thể tiếp tục mờ đi khi các khả năng mới xuất hiện. Sự phát triển gần đây của các mô hình được đào tạo trước cho dữ liệu bảng, ví dụ, có thể chỉ ra một giải pháp thay thế hiệu quả về dữ liệu cho việc xây dựng các mô hình AI dự đoán từ đầu cho các vấn đề dữ liệu bảng.

Các nhà lãnh đạo doanh nghiệp phải luôn cập nhật về những tiến bộ công nghệ trong khi duy trì tập trung vào các mục tiêu kinh doanh cốt lõi của họ. Bằng cách tuân theo một khuôn khổ quyết định có cấu trúc và duy trì tập trung vào việc tạo ra giá trị kinh doanh, các tổ chức có thể điều hướng thành công trong bối cảnh AI phức tạp và đưa ra quyết định dự án AI với khả năng cao hơn để mang lại giá trị kinh doanh.