Với máy tính, một bức ảnh chỉ là bảng số khổng lồ, mỗi số biểu thị màu của một điểm ảnh. Thị giác máy tính là tập hợp kỹ thuật biến bảng số đó thành hiểu biết: có bao nhiêu chiếc xe, biển số là gì, sản phẩm có vết nứt không. Mô hình học sâu học từ hàng nghìn đến hàng triệu ảnh đã được gắn nhãn, dần nhận ra cạnh, hình dạng, rồi tới vật thể hoàn chỉnh.
Ngày nay nhiều mô hình nền tảng đã được huấn luyện sẵn trên lượng ảnh rất lớn, doanh nghiệp chỉ cần tinh chỉnh với dữ liệu riêng, giúp giảm đáng kể chi phí và thời gian.
"},{"h2":"Các bài toán chính của thị giác máy tính","html":"Mỗi bài toán trả lời một câu hỏi khác nhau về bức ảnh.
","table":{"caption":"Bài toán thị giác máy tính và ví dụ","head":["Bài toán","Câu hỏi trả lời","Ví dụ"],"rows":[["Phân loại ảnh","Ảnh này thuộc loại gì?","Sản phẩm đạt hay lỗi"],["Phát hiện vật thể","Có những vật gì, ở đâu?","Đếm xe, phát hiện người không đội mũ bảo hộ"],["Phân vùng ảnh","Từng điểm ảnh thuộc vật nào?","Đo diện tích vết nứt, ảnh y tế"],["Nhận dạng chữ (OCR)","Trong ảnh có chữ gì?","Đọc hóa đơn, biển số, nhãn hàng"],["Theo dõi chuyển động","Vật di chuyển thế nào qua các khung hình?","Phân tích luồng khách trong cửa hàng"]]}},{"h2":"Ứng dụng theo ngành","html":"Camera có nhận diện khuôn mặt hoặc theo dõi hành vi người liên quan tới dữ liệu cá nhân. Doanh nghiệp tại Việt Nam cần tuân thủ quy định về bảo vệ dữ liệu cá nhân: thông báo rõ mục đích, giới hạn thời gian lưu trữ, phân quyền truy cập. Nên ưu tiên giải pháp chỉ lưu số liệu tổng hợp như lượt khách thay vì lưu hình ảnh định danh khi không cần thiết.
"},{"h2":"Bắt đầu nhỏ để đo hiệu quả","html":"Thay vì lắp hệ thống cho cả nhà máy, hãy chọn một trạm kiểm tra có tỉ lệ lỗi dễ đo, chạy song song AI và người kiểm tra trong vài tuần. So sánh số lỗi phát hiện, số báo nhầm và thời gian xử lý. Nếu AI đạt yêu cầu, mở rộng dần; nếu chưa, bổ sung dữ liệu hoặc điều chỉnh ánh sáng, góc camera trước khi kết luận công nghệ không phù hợp.
"}],"tip":"Phần lớn dự án thị giác máy tính thất bại không phải do mô hình mà do ảnh đầu vào kém. Đầu tư vào ánh sáng ổn định và góc camera cố định thường cải thiện độ chính xác nhiều hơn đổi mô hình.","faq":[{"q":"Computer Vision và nhận dạng hình ảnh có giống nhau không?","a":"Nhận dạng hình ảnh là một bài toán thuộc thị giác máy tính. Thị giác máy tính rộng hơn, gồm cả phát hiện vị trí, phân vùng, đọc chữ, theo dõi chuyển động."},{"q":"Camera thường có dùng được cho AI không?","a":"Nhiều trường hợp dùng được nếu độ phân giải và góc quay phù hợp. Một số bài toán cần camera công nghiệp tốc độ cao hoặc ánh sáng chuyên dụng."},{"q":"Có cần GPU để chạy thị giác máy tính không?","a":"Mô hình lớn hoặc xử lý nhiều luồng video cần GPU hoặc thiết bị AI biên. Bài toán nhỏ có thể chạy trên máy tính thường hoặc dịch vụ đám mây."},{"q":"Độ chính xác bao nhiêu là đủ?","a":"Tùy chi phí của sai sót. Kiểm tra lỗi an toàn cần rất cao và có người kiểm tra lại; đếm lượt khách chấp nhận sai số nhỏ hơn."}],"sources":[{"t":"Wikipedia: Computer vision","u":"https://en.wikipedia.org/wiki/Computer_vision"},{"t":"OpenCV: thư viện thị giác máy tính mã nguồn mở","u":"https://opencv.org/"}],"related":["ai-kiem-soat-chat-luong","ocr-la-gi","deep-learning-la-gi","multimodal-ai-la-gi","ai-trong-san-xuat"]}, {"id":1012,"slug":"nlp-la-gi","title":"NLP là gì? Xử lý ngôn ngữ tự nhiên và tiếng Việt","meta_desc":"NLP (xử lý ngôn ngữ tự nhiên) là gì, gồm những bài toán nào và vì sao tiếng Việt khó xử lý. Ứng dụng trong chăm sóc khách hàng, kế toán, marketing.","excerpt":"NLP giúp máy hiểu và tạo ngôn ngữ con người: phân loại, tóm tắt, trích xuất, dịch, trả lời câu hỏi. Bài giải thích các bài toán chính, đặc thù tiếng Việt và ứng dụng trong doanh nghiệp.","answer":"NLP (Natural Language Processing, xử lý ngôn ngữ tự nhiên) là lĩnh vực AI giúp máy tính hiểu, phân tích và tạo ra ngôn ngữ của con người, dạng văn bản hoặc lời nói. Các bài toán phổ biến gồm phân loại văn bản, trích xuất thông tin, tóm tắt, dịch, phân tích cảm xúc và hỏi đáp. Mô hình ngôn ngữ lớn như ChatGPT là bước tiến mới nhất của NLP.","kws":["nlp là gì","xử lý ngôn ngữ tự nhiên","natural language processing"],"sections":[{"h2":"NLP từ quy tắc đến mô hình ngôn ngữ lớn","html":"NLP đời đầu dựa trên quy tắc ngữ pháp và từ điển do con người viết. Sau đó là các phương pháp thống kê và học máy, học từ dữ liệu văn bản đã gắn nhãn. Từ năm 2017, kiến trúc Transformer và các mô hình ngôn ngữ lớn thay đổi cuộc chơi: một mô hình có thể làm nhiều việc khác nhau chỉ bằng cách đổi câu lệnh, thay vì huấn luyện riêng cho từng bài toán.
Điều này giúp doanh nghiệp tiếp cận NLP dễ hơn nhiều: thay vì thuê đội ngũ xây mô hình phân loại email, có thể dùng mô hình ngôn ngữ lớn với vài ví dụ mẫu.
"},{"h2":"Các bài toán NLP thường gặp","html":"Bảng dưới liệt kê bài toán và ví dụ ứng dụng thực tế.
","table":{"caption":"Bài toán NLP và ứng dụng","head":["Bài toán","Mô tả","Ứng dụng"],"rows":[["Phân loại văn bản","Gán nhãn cho văn bản","Phân loại email hỗ trợ, ticket theo bộ phận"],["Trích xuất thông tin","Rút ra trường dữ liệu cụ thể","Lấy tên, số điện thoại, mã đơn từ tin nhắn"],["Phân tích cảm xúc","Đánh giá tích cực, tiêu cực","Theo dõi đánh giá sản phẩm, bình luận mạng xã hội"],["Tóm tắt","Rút gọn nội dung dài","Tóm tắt hợp đồng, biên bản họp"],["Dịch máy","Chuyển ngôn ngữ","Dịch tài liệu kỹ thuật, email khách nước ngoài"],["Hỏi đáp","Trả lời dựa trên tài liệu","Chatbot nội bộ, chăm sóc khách hàng"]]}},{"h2":"Vì sao tiếng Việt khó với máy","html":"Các mô hình ngôn ngữ lớn hiện nay xử lý tiếng Việt tốt hơn nhiều so với vài năm trước, nhưng vẫn nên thử với dữ liệu thật của doanh nghiệp.
"},{"h2":"Ứng dụng NLP trong doanh nghiệp","html":"Lấy 100 đến 200 mẫu thật, gồm cả tin nhắn viết tắt, không dấu. Cho người gắn đáp án đúng, rồi so với kết quả AI để tính tỉ lệ đúng. Xem kỹ các trường hợp sai để biết nên cải thiện bằng cách thêm ví dụ, sửa chỉ dẫn hay đổi mô hình. Đo lại định kỳ vì cách khách hàng viết thay đổi theo thời gian.
"}],"tip":"Trước khi chọn công cụ, hãy gom khoảng 100 tin nhắn thật của khách hàng, kể cả những tin viết tắt, sai chính tả nhất. Thử công cụ trên chính bộ này sẽ cho kết quả đáng tin hơn mọi bản demo.","faq":[{"q":"NLP và LLM khác nhau thế nào?","a":"NLP là cả lĩnh vực xử lý ngôn ngữ. LLM là một loại mô hình trong NLP, hiện là công cụ mạnh nhất cho nhiều bài toán."},{"q":"Có công cụ NLP riêng cho tiếng Việt không?","a":"Có nhiều thư viện và mô hình do cộng đồng, trường đại học và doanh nghiệp Việt Nam phát triển. Các mô hình ngôn ngữ lớn quốc tế cũng hỗ trợ tiếng Việt khá tốt."},{"q":"NLP có xử lý được giọng nói không?","a":"Giọng nói thường được chuyển thành văn bản trước (speech-to-text) rồi mới áp dụng các kỹ thuật NLP."},{"q":"Doanh nghiệp nhỏ có cần đội kỹ thuật để dùng NLP không?","a":"Không bắt buộc. Nhiều phần mềm chat, CRM đã tích hợp sẵn các tính năng như phân loại tin nhắn, gợi ý trả lời."}],"sources":[{"t":"Wikipedia: Natural language processing","u":"https://en.wikipedia.org/wiki/Natural_language_processing"},{"t":"Hugging Face: NLP Course","u":"https://huggingface.co/learn"}],"related":["llm-la-gi","tieng-viet-va-ai-loi-thuong-gap","speech-to-text-la-gi","ai-trong-cham-soc-khach-hang","embedding-la-gi"]}, {"id":1013,"slug":"fine-tuning-la-gi","title":"Fine-tuning là gì? Khi nào doanh nghiệp cần tinh chỉnh mô hình AI","meta_desc":"Fine-tuning (tinh chỉnh) là huấn luyện thêm mô hình AI có sẵn với dữ liệu riêng. Khi nào nên dùng, so sánh với prompt và RAG, chi phí và dữ liệu cần chuẩn bị.","excerpt":"Tinh chỉnh giúp mô hình học văn phong, định dạng hoặc nhiệm vụ đặc thù của doanh nghiệp. Bài so sánh fine-tuning với viết prompt và RAG để chọn cách phù hợp, tránh tốn tiền không cần thiết.","answer":"Fine-tuning (tinh chỉnh) là quá trình huấn luyện thêm một mô hình AI đã có sẵn bằng dữ liệu riêng của bạn, để nó làm tốt hơn một nhiệm vụ cụ thể như viết đúng văn phong, trả lời theo định dạng cố định hay phân loại theo nhãn riêng. Fine-tuning không phải cách tốt nhất để AI “biết” kiến thức nội bộ; việc đó thường dùng RAG hiệu quả và rẻ hơn.","kws":["fine-tuning","tinh chỉnh mô hình","fine tuning là gì"],"sections":[{"h2":"Fine-tuning làm thay đổi điều gì","html":"Mô hình nền đã học kiến thức chung từ lượng dữ liệu khổng lồ. Fine-tuning cho nó xem thêm hàng trăm đến hàng nghìn ví dụ “đầu vào, đầu ra mong muốn” của bạn, và điều chỉnh một phần tham số để hành vi khớp với các ví dụ đó. Kết quả là mô hình làm theo khuôn mẫu ổn định hơn mà không cần chỉ dẫn dài trong mỗi lần gọi.
Fine-tuning giỏi dạy cách làm (giọng văn, định dạng, quy tắc phân loại), nhưng kém trong việc nạp kiến thức thay đổi thường xuyên như bảng giá, tồn kho, chính sách mới.
"},{"h2":"So sánh prompt, RAG và fine-tuning","html":"Ba cách tiếp cận giải quyết những vấn đề khác nhau và thường kết hợp với nhau.
","table":{"caption":"Chọn cách tùy biến AI phù hợp","head":["Tiêu chí","Viết prompt tốt","RAG","Fine-tuning"],"rows":[["Giải quyết","Chỉ dẫn cách làm","Cung cấp kiến thức, tài liệu","Định hình hành vi, phong cách"],["Chi phí khởi đầu","Thấp nhất","Trung bình","Cao hơn (dữ liệu, huấn luyện)"],["Cập nhật thông tin","Sửa prompt","Cập nhật tài liệu là xong","Phải huấn luyện lại"],["Trích dẫn nguồn","Không có sẵn","Có thể chỉ ra đoạn nguồn","Không"],["Nên thử khi","Luôn bắt đầu ở đây","Cần trả lời theo tài liệu nội bộ","Prompt và RAG chưa đạt độ ổn định"]]}},{"h2":"Khi nào nên fine-tuning","html":"Chi phí gồm thời gian chuẩn bị dữ liệu (thường lớn nhất), phí huấn luyện và phí sử dụng mô hình đã tinh chỉnh, có thể cao hơn mô hình gốc tùy nhà cung cấp. Rủi ro gồm mô hình học cả lỗi trong dữ liệu, “quên” một phần khả năng chung, và phải tinh chỉnh lại khi nhà cung cấp ngừng hỗ trợ phiên bản mô hình cũ.
"}],"tip":"Trong đa số dự án doanh nghiệp vừa và nhỏ, viết prompt tốt kết hợp RAG đã giải quyết được 80 đến 90 phần trăm nhu cầu. Chỉ nghĩ đến fine-tuning khi đã có bộ đánh giá rõ ràng cho thấy hai cách kia không đủ.","faq":[{"q":"Fine-tuning có giúp AI biết thông tin công ty không?","a":"Có một phần, nhưng không đáng tin cậy và khó cập nhật. Muốn AI trả lời theo tài liệu nội bộ, nên dùng RAG."},{"q":"Cần bao nhiêu dữ liệu để fine-tuning?","a":"Tùy nhiệm vụ và nhà cung cấp, thường từ vài chục đến vài nghìn ví dụ chất lượng cao. Chất lượng quan trọng hơn số lượng."},{"q":"Fine-tuning có làm lộ dữ liệu không?","a":"Dữ liệu được gửi lên nhà cung cấp để huấn luyện, cần đọc kỹ điều khoản. Với dữ liệu nhạy cảm, có thể tinh chỉnh mô hình mã nguồn mở trên hạ tầng riêng."},{"q":"Có thể fine-tuning ChatGPT bản web không?","a":"Không. Tinh chỉnh thực hiện qua API và nền tảng dành cho nhà phát triển. Bản web cho phép tạo GPTs hoặc dự án với chỉ dẫn và tài liệu riêng, không phải fine-tuning."}],"sources":[{"t":"Wikipedia: Fine-tuning (deep learning)","u":"https://en.wikipedia.org/wiki/Fine-tuning_(deep_learning)"},{"t":"OpenAI Platform Docs","u":"https://platform.openai.com/docs"}],"related":["rag-la-gi","prompt-engineering-la-gi","mo-hinh-ai-ma-nguon-mo-va-dong","small-language-model-la-gi","tu-xay-hay-mua-giai-phap-ai"]}, {"id":1014,"slug":"embedding-la-gi","title":"Embedding là gì? Cách AI hiểu nghĩa của văn bản","meta_desc":"Embedding là cách biến văn bản thành dãy số thể hiện ý nghĩa, giúp AI tìm kiếm theo nghĩa, gợi ý, phân nhóm. Giải thích dễ hiểu và ứng dụng trong doanh nghiệp.","excerpt":"Embedding biến câu chữ thành tọa độ trong không gian ý nghĩa, nhờ đó máy biết hai câu khác chữ nhưng cùng nghĩa. Đây là nền tảng của tìm kiếm ngữ nghĩa và chatbot đọc tài liệu nội bộ.","answer":"Embedding là cách biểu diễn văn bản (hoặc ảnh, âm thanh) thành một dãy số, gọi là vector, sao cho những nội dung có ý nghĩa gần nhau thì có vector gần nhau. Nhờ embedding, máy tính có thể tìm kiếm theo nghĩa thay vì khớp từ khóa, ví dụ hiểu “máy in không lên giấy” và “máy in kẹt giấy” là cùng chủ đề. Đây là thành phần cốt lõi của RAG và chatbot đọc tài liệu.","kws":["embedding là gì","vector embedding","tìm kiếm ngữ nghĩa"],"sections":[{"h2":"Hình dung embedding như tọa độ trên bản đồ ý nghĩa","html":"Hãy tưởng tượng một bản đồ mà mỗi câu văn là một điểm. Các câu nói về sửa máy in nằm gần nhau, các câu về kế toán thuế nằm ở vùng khác. Embedding chính là tọa độ của câu trên bản đồ đó, chỉ khác là bản đồ có hàng trăm đến hàng nghìn chiều thay vì hai chiều.
Khi người dùng đặt câu hỏi, hệ thống tính tọa độ của câu hỏi rồi tìm những đoạn tài liệu có tọa độ gần nhất. Kết quả là tìm đúng nội dung dù người hỏi dùng từ khác với tài liệu.
"},{"h2":"Tìm kiếm từ khóa và tìm kiếm ngữ nghĩa","html":"Hai cách tìm kiếm có điểm mạnh riêng, hệ thống tốt thường kết hợp cả hai.
","table":{"caption":"So sánh tìm kiếm từ khóa và tìm kiếm bằng embedding","head":["Tiêu chí","Tìm theo từ khóa","Tìm theo embedding"],"rows":[["Cách khớp","Trùng chữ","Gần nghĩa"],["Câu hỏi dùng từ khác tài liệu","Dễ trượt","Vẫn tìm được"],["Mã sản phẩm, số hiệu chính xác","Rất tốt","Có thể kém"],["Không dấu, viết tắt","Kém nếu không xử lý","Tốt hơn, tùy mô hình"]]}},{"h2":"Ứng dụng của embedding","html":"Tạo embedding thường rẻ hơn nhiều so với gọi mô hình ngôn ngữ để sinh câu trả lời, và chỉ cần tính một lần cho mỗi đoạn tài liệu, trừ khi tài liệu thay đổi. Chi phí đáng kể hơn nằm ở việc lưu trữ và tìm kiếm khi kho dữ liệu lớn, thường dùng cơ sở dữ liệu vector hoặc tính năng vector có sẵn trong các hệ quản trị cơ sở dữ liệu phổ biến.
"}],"tip":"Khi xây chatbot đọc tài liệu, đặt tiêu đề mục và tên tài liệu vào đầu mỗi đoạn trước khi tạo embedding. Mẹo nhỏ này giúp tìm đúng đoạn hơn hẳn, nhất là với các đoạn ngắn thiếu ngữ cảnh.","faq":[{"q":"Embedding và token khác nhau thế nào?","a":"Token là mảnh văn bản mà mô hình đọc. Embedding là dãy số biểu diễn ý nghĩa của một token, câu hoặc đoạn văn."},{"q":"Có cần GPU để tạo embedding không?","a":"Dùng qua API thì không cần. Tự chạy mô hình embedding cho khối lượng lớn thì GPU giúp nhanh hơn, nhưng mô hình nhỏ vẫn chạy được trên CPU."},{"q":"Embedding có lộ nội dung gốc không?","a":"Vector không phải bản sao văn bản nhưng vẫn chứa thông tin về nội dung, nên cần bảo vệ như dữ liệu gốc."},{"q":"Embedding dùng cho ảnh được không?","a":"Được. Có mô hình tạo embedding cho ảnh, thậm chí chung không gian với văn bản để tìm ảnh bằng câu mô tả."}],"sources":[{"t":"Wikipedia: Word embedding","u":"https://en.wikipedia.org/wiki/Word_embedding"},{"t":"Google for Developers: Embeddings","u":"https://developers.google.com/machine-learning/crash-course"}],"related":["vector-database-la-gi","rag-la-gi","xay-kho-tri-thuc-ai-noi-bo","nlp-la-gi","token-trong-ai-la-gi"]}, {"id":1015,"slug":"vector-database-la-gi","title":"Vector database là gì? Nền tảng cho AI đọc tài liệu nội bộ","meta_desc":"Vector database (cơ sở dữ liệu vector) lưu và tìm kiếm embedding theo độ gần ý nghĩa. Khi nào doanh nghiệp cần, các lựa chọn phổ biến và lưu ý triển khai.","excerpt":"Cơ sở dữ liệu vector giúp tìm nhanh những đoạn tài liệu gần nghĩa nhất với câu hỏi trong hàng triệu đoạn. Bài giải thích vai trò trong hệ thống RAG, khi nào cần và cách chọn.","answer":"Vector database (cơ sở dữ liệu vector) là hệ thống lưu trữ các embedding, tức dãy số biểu diễn ý nghĩa của văn bản, hình ảnh, và cho phép tìm nhanh những bản ghi có ý nghĩa gần nhất với một câu truy vấn. Đây là thành phần thường gặp trong chatbot đọc tài liệu nội bộ (RAG), hệ thống gợi ý và tìm kiếm ngữ nghĩa.","kws":["vector database","cơ sở dữ liệu vector","vector db"],"sections":[{"h2":"Vì sao cần loại cơ sở dữ liệu riêng","html":"Cơ sở dữ liệu thông thường giỏi tìm theo điều kiện chính xác: khách hàng có mã X, đơn hàng trong tháng Y. Tìm “đoạn nào gần nghĩa nhất với câu hỏi này” lại là bài toán khác: phải so khoảng cách giữa vector câu hỏi với hàng nghìn đến hàng triệu vector đã lưu. So từng cái một rất chậm, nên cơ sở dữ liệu vector dùng các chỉ mục đặc biệt để tìm gần đúng mà vẫn nhanh.
"},{"h2":"Vector database trong hệ thống RAG","html":"Không phải lúc nào cũng cần một sản phẩm chuyên dụng riêng.
","table":{"caption":"Các nhóm giải pháp lưu trữ vector","head":["Nhóm","Ví dụ","Phù hợp khi"],"rows":[["Tiện ích vector trong cơ sở dữ liệu quen thuộc","PostgreSQL với pgvector, các bản MySQL/MariaDB mới có kiểu vector","Dữ liệu vừa phải, muốn ít thành phần"],["Cơ sở dữ liệu vector chuyên dụng mã nguồn mở","Qdrant, Milvus, Weaviate, Chroma","Cần hiệu năng cao, tự quản lý hạ tầng"],["Dịch vụ đám mây có quản lý","Pinecone và các dịch vụ của nhà cung cấp đám mây","Muốn triển khai nhanh, không tự vận hành"],["Công cụ tìm kiếm có hỗ trợ vector","Elasticsearch, OpenSearch","Đã dùng sẵn cho tìm kiếm từ khóa"]]}},{"h2":"Khi nào chưa cần","html":"Nếu kho tài liệu chỉ vài chục trang và ít thay đổi, có thể đưa thẳng vào cửa sổ ngữ cảnh của mô hình hoặc dùng tính năng “dự án”, “tài liệu” có sẵn trong ChatGPT, Claude, Gemini, NotebookLM. Cơ sở dữ liệu vector đáng đầu tư khi tài liệu lớn, cập nhật thường xuyên, cần phân quyền hoặc tích hợp vào phần mềm riêng.
"},{"h2":"Lưu ý triển khai","html":"Giống một nhân viên mới: thời gian đào tạo là huấn luyện, còn mỗi lần họ xử lý một yêu cầu thật là suy luận. Đào tạo tốn kém nhưng làm ít lần; xử lý yêu cầu diễn ra hằng ngày với khối lượng lớn. Với AI, các công ty phát triển mô hình chịu phần lớn chi phí huấn luyện; doanh nghiệp sử dụng chủ yếu trả tiền cho suy luận qua API, thuê bao hoặc hạ tầng tự vận hành.
","table":{"caption":"So sánh huấn luyện và suy luận","head":["Tiêu chí","Huấn luyện","Suy luận"],"rows":[["Mục đích","Học từ dữ liệu","Tạo kết quả cho dữ liệu mới"],["Tần suất","Một lần hoặc định kỳ","Mỗi lần sử dụng"],["Tài nguyên","Rất lớn, nhiều GPU","Nhỏ hơn mỗi lần, cộng dồn theo lượng dùng"],["Ai thường chi trả","Nhà phát triển mô hình","Người dùng, doanh nghiệp"]]}},{"h2":"Yếu tố ảnh hưởng tốc độ và chi phí suy luận","html":"Có ba lựa chọn chính, mỗi lựa chọn đánh đổi giữa sự tiện lợi, chi phí và kiểm soát dữ liệu.
Ba khái niệm này hay bị dùng lẫn lộn. Nhà cung cấp là công ty phát triển (OpenAI, Google, Anthropic, Meta, Alibaba, DeepSeek, Mistral). Mô hình là sản phẩm kỹ thuật họ huấn luyện, thường có nhiều phiên bản và kích cỡ. Ứng dụng là giao diện người dùng trò chuyện, như ChatGPT, Gemini, Claude, hoặc phần mềm bên thứ ba gọi mô hình qua API.
Hiểu điều này giúp bạn biết: cùng một mô hình nhưng trải nghiệm có thể khác nhau tùy ứng dụng, và một phần mềm doanh nghiệp có thể đổi mô hình bên dưới mà người dùng không nhận ra.
"},{"h2":"Các nhóm mô hình phổ biến","html":"Phân loại theo loại nhiệm vụ chính.
","table":{"caption":"Phân loại mô hình AI theo nhiệm vụ","head":["Nhóm","Làm gì","Ví dụ ứng dụng"],"rows":[["Mô hình ngôn ngữ lớn","Hiểu và tạo văn bản, mã nguồn","Trợ lý trò chuyện, tóm tắt, soạn thảo"],["Mô hình suy luận","Giải bài toán nhiều bước","Phân tích số liệu, lập trình phức tạp"],["Mô hình đa phương thức","Xử lý chữ, ảnh, âm thanh cùng lúc","Đọc ảnh hóa đơn, phân tích biểu đồ"],["Mô hình tạo ảnh, video","Sinh hình ảnh, video từ mô tả","Thiết kế quảng cáo, minh họa"],["Mô hình giọng nói","Chuyển lời thành chữ và ngược lại","Tổng đài tự động, phụ đề"],["Mô hình embedding","Biến nội dung thành vector ý nghĩa","Tìm kiếm ngữ nghĩa, RAG"],["Mô hình học máy truyền thống","Dự báo, phân loại từ bảng số liệu","Dự báo doanh số, chấm điểm khách hàng"]]}},{"h2":"Mô hình lớn, nhỏ, đóng, mở","html":"Mô hình mới ra mắt liên tục, giá thay đổi và phiên bản cũ có thể bị ngừng hỗ trợ. Doanh nghiệp nên thiết kế hệ thống với một lớp trung gian, nơi có thể chuyển giữa các nhà cung cấp, và duy trì bộ câu hỏi đánh giá để so sánh mô hình mới một cách khách quan trước khi đổi.
"}],"tip":"Hãy giữ một bộ khoảng 30 câu hỏi, yêu cầu tiêu biểu của doanh nghiệp kèm đáp án mong muốn. Mỗi khi có mô hình mới, chạy lại bộ này để quyết định đổi hay không dựa trên kết quả thật.","faq":[{"q":"ChatGPT là mô hình hay ứng dụng?","a":"ChatGPT là ứng dụng. Bên trong nó dùng các mô hình do OpenAI phát triển, có thể thay đổi theo thời gian và theo gói."},{"q":"Mô hình nào tốt nhất?","a":"Không có mô hình tốt nhất cho mọi việc. Mỗi mô hình mạnh ở những nhiệm vụ khác nhau; nên chọn theo nhu cầu cụ thể và thử nghiệm thực tế."},{"q":"Doanh nghiệp có nên tự huấn luyện mô hình không?","a":"Hiếm khi cần. Dùng mô hình có sẵn kết hợp prompt tốt, RAG, và đôi khi tinh chỉnh là đủ cho phần lớn nhu cầu."},{"q":"Phiên bản mô hình thay đổi có ảnh hưởng gì?","a":"Có thể làm kết quả thay đổi. Hệ thống quan trọng nên chỉ định rõ phiên bản và kiểm tra lại khi nâng cấp."}],"sources":[{"t":"Wikipedia: Foundation model","u":"https://en.wikipedia.org/wiki/Foundation_model"},{"t":"Hugging Face: Models","u":"https://huggingface.co/models"}],"related":["llm-la-gi","mo-hinh-ai-ma-nguon-mo-va-dong","small-language-model-la-gi","ai-benchmark-la-gi","api-ai-la-gi"]}, {"id":1018,"slug":"mo-hinh-ai-ma-nguon-mo-va-dong","title":"Mô hình AI mã nguồn mở và mô hình đóng: khác nhau thế nào, chọn loại nào","meta_desc":"So sánh mô hình AI mã nguồn mở (mở trọng số) và mô hình đóng về chất lượng, chi phí, bảo mật, vận hành. Gợi ý khi nào doanh nghiệp nên chọn loại nào.","excerpt":"Mô hình đóng dùng qua API, tiện và mạnh; mô hình mở tải về tự chạy, kiểm soát dữ liệu tốt hơn. Bài so sánh đầy đủ và đưa ra tình huống phù hợp cho từng loại.","answer":"Mô hình đóng (như các mô hình GPT, Gemini, Claude) chỉ dùng được qua API hoặc ứng dụng của nhà cung cấp. Mô hình mã nguồn mở, chính xác hơn là mở trọng số (như Llama, Qwen, Mistral, DeepSeek, Gemma), cho phép tải về và tự chạy trên hạ tầng riêng. Mô hình đóng thường tiện và mạnh ở đầu bảng; mô hình mở giúp kiểm soát dữ liệu, tùy biến sâu và có thể rẻ hơn khi dùng nhiều, nhưng cần năng lực vận hành.","kws":["mô hình ai mã nguồn mở","open source ai","open weight"],"sections":[{"h2":"“Mã nguồn mở” trong AI nghĩa là gì","html":"Với phần mềm, mã nguồn mở nghĩa là công khai mã để ai cũng xem, sửa, dùng. Với mô hình AI, phần quan trọng là trọng số, tức các tham số đã học. Nhiều mô hình được gọi là “mã nguồn mở” thực chất là mở trọng số: bạn tải được mô hình để chạy, nhưng không có dữ liệu huấn luyện và có thể bị ràng buộc bởi giấy phép riêng, ví dụ giới hạn quy mô người dùng hoặc mục đích sử dụng.
Vì vậy trước khi dùng cho thương mại, cần đọc kỹ giấy phép của từng mô hình.
"},{"h2":"Bảng so sánh","html":"Bảng tóm tắt các khác biệt chính.
","table":{"caption":"So sánh mô hình đóng và mô hình mở trọng số","head":["Tiêu chí","Mô hình đóng","Mô hình mở trọng số"],"rows":[["Cách dùng","API, ứng dụng của nhà cung cấp","Tải về, tự chạy hoặc thuê dịch vụ chạy hộ"],["Chất lượng","Thường dẫn đầu ở nhiệm vụ khó","Khoảng cách đang thu hẹp, đủ tốt cho nhiều việc"],["Dữ liệu","Đi qua máy chủ nhà cung cấp","Có thể giữ hoàn toàn trong doanh nghiệp"],["Tùy biến","Giới hạn trong tính năng nhà cung cấp cho phép","Tinh chỉnh sâu, kiểm soát hoàn toàn"],["Chi phí","Trả theo lượng dùng","Đầu tư hạ tầng, vận hành; rẻ hơn khi dùng nhiều"],["Vận hành","Nhà cung cấp lo","Doanh nghiệp tự lo hoặc thuê"],["Rủi ro phụ thuộc","Giá, chính sách, phiên bản có thể đổi","Chủ động, nhưng phải tự cập nhật"]]}},{"h2":"Khi nào chọn mô hình đóng","html":"Nhiều doanh nghiệp dùng kết hợp: mô hình mở chạy nội bộ cho việc xử lý dữ liệu nhạy cảm như phân loại hồ sơ khách hàng, và mô hình đóng cho việc cần chất lượng cao với dữ liệu đã ẩn danh. Một lớp điều phối ở giữa giúp chuyển đổi linh hoạt khi giá hoặc chất lượng thay đổi.
"}],"tip":"Đừng chọn mô hình mở chỉ vì “miễn phí”. Hãy tính đủ chi phí máy chủ, điện, bảo trì và người vận hành; với lượng dùng nhỏ, API trả theo lượt thường rẻ hơn nhiều.","faq":[{"q":"Mô hình mở có miễn phí không?","a":"Thường miễn phí tải về, nhưng chạy cần phần cứng và vận hành có chi phí. Một số giấy phép có điều kiện khi dùng thương mại."},{"q":"DeepSeek có phải mô hình mở không?","a":"DeepSeek công bố trọng số của nhiều mô hình, đồng thời có ứng dụng và API riêng. Dùng qua ứng dụng, API thì dữ liệu đi qua máy chủ của họ; tự chạy trọng số thì không."},{"q":"Mô hình mở có kém an toàn hơn không?","a":"Không hẳn. Mô hình mở cho phép kiểm soát dữ liệu tốt hơn, nhưng doanh nghiệp phải tự cài đặt các lớp bảo vệ và lọc nội dung mà nhà cung cấp đóng thường làm sẵn."},{"q":"Máy tính thường chạy được mô hình mở không?","a":"Mô hình nhỏ chạy được trên máy có RAM lớn hoặc GPU tầm trung. Mô hình lớn cần máy chủ GPU chuyên dụng."}],"sources":[{"t":"Open Source Initiative: Open Source AI Definition","u":"https://opensource.org/ai"},{"t":"Hugging Face: Models","u":"https://huggingface.co/models"}],"related":["mo-hinh-ai-la-gi","chay-ai-tren-may-tinh-ca-nhan","ollama-la-gi","fine-tuning-la-gi","deepseek-la-gi"]}, {"id":1019,"slug":"ai-benchmark-la-gi","title":"AI benchmark là gì? Đọc bảng xếp hạng mô hình AI sao cho đúng","meta_desc":"AI benchmark là bộ bài kiểm tra chuẩn để so sánh mô hình AI. Hiểu các loại benchmark phổ biến, giới hạn của bảng xếp hạng và cách tự đánh giá cho doanh nghiệp.","excerpt":"Mỗi mô hình mới ra mắt đều kèm điểm benchmark. Bài giải thích benchmark đo gì, vì sao điểm cao chưa chắc phù hợp với bạn và cách tự xây bộ đánh giá nhỏ cho doanh nghiệp.","answer":"AI benchmark là bộ bài kiểm tra chuẩn dùng để đo và so sánh năng lực các mô hình AI, ví dụ kiến thức tổng quát, toán, lập trình, đọc hiểu. Điểm benchmark hữu ích để nắm xu hướng, nhưng không phản ánh đầy đủ chất lượng với tiếng Việt và công việc cụ thể của doanh nghiệp; cách đánh giá đáng tin nhất là thử trên dữ liệu và nhiệm vụ thật của bạn.","kws":["ai benchmark","bảng xếp hạng ai","đánh giá mô hình ai"],"sections":[{"h2":"Benchmark đo những gì","html":"Mỗi benchmark tập trung vào một năng lực. Các nhà phát triển thường công bố điểm trên nhiều bộ khác nhau để cho thấy mô hình mạnh ở đâu.
","table":{"caption":"Các nhóm benchmark thường gặp","head":["Nhóm","Đo năng lực","Ví dụ tên bộ kiểm tra"],"rows":[["Kiến thức tổng quát","Trả lời câu hỏi nhiều lĩnh vực","MMLU và các biến thể"],["Suy luận, toán","Giải bài toán nhiều bước","GSM8K, các đề thi toán"],["Lập trình","Viết và sửa mã nguồn","HumanEval, SWE-bench"],["Đánh giá bởi người dùng","Người dùng chọn câu trả lời tốt hơn","Các bảng xếp hạng so cặp như LMArena"],["Đa phương thức","Hiểu ảnh, biểu đồ, video","Các bộ hỏi đáp trên hình ảnh"]]}},{"h2":"Vì sao điểm cao chưa chắc phù hợp với bạn","html":"Bộ đánh giá này dùng lại được mỗi khi có mô hình mới, giúp quyết định nhanh và khách quan.
"}],"tip":"Thêm vào bộ đánh giá vài câu hỏi “bẫy” mà câu trả lời đúng là “không đủ thông tin”. Mô hình biết thừa nhận không chắc chắn thường an toàn hơn cho môi trường doanh nghiệp.","faq":[{"q":"LMArena là gì?","a":"Là nền tảng nơi người dùng so sánh câu trả lời của hai mô hình ẩn danh và chọn câu tốt hơn, từ đó tạo bảng xếp hạng dựa trên đánh giá của con người."},{"q":"Có benchmark tiếng Việt không?","a":"Có một số bộ do cộng đồng nghiên cứu Việt Nam xây dựng, nhưng ít phổ biến hơn tiếng Anh. Tự đánh giá trên dữ liệu thật vẫn là cách tin cậy nhất."},{"q":"Bao lâu nên đánh giá lại mô hình?","a":"Khi có mô hình mới đáng chú ý hoặc khi nhà cung cấp thông báo thay đổi phiên bản, và định kỳ vài tháng một lần."},{"q":"Benchmark có đo được độ an toàn không?","a":"Có những bộ đánh giá riêng về an toàn, thiên lệch, khả năng từ chối yêu cầu có hại, nhưng doanh nghiệp vẫn cần kiểm tra theo bối cảnh của mình."}],"sources":[{"t":"Wikipedia: Language model benchmark","u":"https://en.wikipedia.org/wiki/Language_model_benchmark"},{"t":"LMArena","u":"https://lmarena.ai/"}],"related":["mo-hinh-ai-la-gi","ai-ho-tro-tieng-viet-tot","mo-hinh-ai-suy-luan-la-gi","do-hieu-qua-ai","toi-uu-prompt"]}, {"id":1020,"slug":"mo-hinh-ai-suy-luan-la-gi","title":"Mô hình AI suy luận (reasoning model) là gì? Khi nào nên dùng","meta_desc":"Mô hình suy luận (reasoning model) là AI “nghĩ” nhiều bước trước khi trả lời, mạnh với toán, lập trình, phân tích. Khi nào nên dùng, khi nào lãng phí.","excerpt":"Các mô hình suy luận dành thêm thời gian xử lý để giải bài toán nhiều bước chính xác hơn. Bài giải thích cách hoạt động, ưu nhược điểm và cách chọn giữa mô hình thường và mô hình suy luận.","answer":"Mô hình AI suy luận (reasoning model) là loại mô hình ngôn ngữ được huấn luyện để “suy nghĩ” qua nhiều bước trung gian trước khi đưa ra câu trả lời cuối cùng. Nhờ vậy chúng làm tốt hơn các bài toán cần lập luận như toán, lập trình, phân tích số liệu, lập kế hoạch; đổi lại chậm hơn và tốn token hơn. Với việc đơn giản như soạn email, mô hình thường là đủ và kinh tế hơn.","kws":["reasoning model","mô hình suy luận","ai reasoning"],"sections":[{"h2":"Mô hình suy luận khác mô hình thường ở đâu","html":"Mô hình ngôn ngữ thông thường tạo câu trả lời gần như ngay lập tức. Mô hình suy luận được huấn luyện thêm để tạo ra một chuỗi suy nghĩ nội bộ: phân tích đề, thử hướng giải, kiểm tra lại, sửa sai, rồi mới trả lời. Một số sản phẩm cho xem tóm tắt quá trình suy nghĩ, một số ẩn đi.
Cách tiếp cận này phổ biến từ năm 2024 với các mô hình như dòng o của OpenAI, sau đó nhiều nhà cung cấp khác như DeepSeek, Google, Anthropic cũng đưa ra chế độ suy luận hoặc “suy nghĩ mở rộng”.
"},{"h2":"So sánh khi chọn","html":"Bảng giúp quyết định dùng chế độ nào cho từng loại việc.
","table":{"caption":"Mô hình thường và mô hình suy luận","head":["Tiêu chí","Mô hình thường","Mô hình suy luận"],"rows":[["Tốc độ","Nhanh","Chậm hơn, có khi vài chục giây trở lên"],["Chi phí","Thấp hơn","Cao hơn do tốn token suy nghĩ"],["Mạnh ở","Soạn thảo, tóm tắt, hỏi đáp, dịch","Toán, lập trình, phân tích, lập kế hoạch nhiều ràng buộc"],["Rủi ro","Trả lời vội với bài khó","Lãng phí với việc đơn giản"]]}},{"h2":"Việc nên giao cho mô hình suy luận","html":"Khi dùng qua API, phần “suy nghĩ” cũng được tính token đầu ra, nên một câu trả lời ngắn vẫn có thể tốn nhiều. Nhiều nhà cung cấp cho phép điều chỉnh mức độ suy nghĩ. Trong hệ thống tự động, nên định tuyến: việc đơn giản dùng mô hình thường, chỉ chuyển sang mô hình suy luận khi nhiệm vụ được đánh giá là phức tạp.
"}],"tip":"Nếu bạn thấy mô hình thường trả lời sai một bài toán nhiều bước, hãy thử lại bằng chế độ suy luận trước khi kết luận AI “không làm được”. Ngược lại, đừng bật chế độ suy luận cho việc soạn email hằng ngày.","faq":[{"q":"Mô hình suy luận có hết bịa thông tin không?","a":"Không. Chúng giảm lỗi lập luận, nhưng vẫn có thể sai về dữ kiện. Cần kiểm chứng như với mọi mô hình."},{"q":"ChatGPT, Gemini, Claude có chế độ suy luận không?","a":"Các trợ lý lớn đều có mô hình hoặc chế độ suy nghĩ mở rộng, tên gọi và cách bật khác nhau tùy sản phẩm và gói."},{"q":"Chain of Thought và mô hình suy luận có giống nhau không?","a":"Chain of Thought là kỹ thuật prompt yêu cầu mô hình trình bày từng bước. Mô hình suy luận được huấn luyện để tự làm điều đó tốt hơn."},{"q":"Có nên dùng mô hình suy luận cho chatbot chăm sóc khách hàng?","a":"Thường không cần vì khách muốn trả lời nhanh. Có thể dùng cho bước xử lý phức tạp phía sau như kiểm tra chính sách đổi trả nhiều điều kiện."}],"sources":[{"t":"Wikipedia: Reasoning language model","u":"https://en.wikipedia.org/wiki/Reasoning_language_model"},{"t":"Wei và cộng sự: Chain-of-Thought Prompting (arXiv)","u":"https://arxiv.org/abs/2201.11903"}],"related":["chain-of-thought-la-gi","mo-hinh-ai-la-gi","ai-inference-la-gi","deepseek-la-gi","ai-nao-tot-nhat-de-phan-tich-du-lieu"]} ]