Tôi đang làm nghiên cứu sinh về AI trong đào tạo. Đây là chỗ ghi lại những gì đọc được, khi nó còn chưa gọn gàng.
Một mô hình có thể đúng tới 95% ngay ngày đầu, nhưng nếu không ai mở nó ra dùng, con số ấy chẳng sinh ra giá trị nào.
Đây là lời nhắc tôi tâm đắc: đúng ở hôm nay không có nghĩa là đúng mãi.
Đây là khoảng cách mà tôi thấy nhiều dự án AI dừng lại đúng ở đó.
Đây là một bài học về kỷ luật chi phí mà tôi thấy nhiều đội học hơi muộn.
Đây là nguyên tắc tôi tin đúng cho cả AI lẫn vận hành: thứ không nhìn được thì không quản được.
Đây là bước khiến AI từ chỗ chỉ biết nói trở thành thứ thực sự làm được việc.
Đây là một thói quen tôi học được: muốn biết thứ gì bền đến đâu, hãy chủ động thử phá nó trước khi người ngoài kịp.
Đây là điều tôi tin phân biệt một hệ AI đáng dùng với một hệ AI dễ gây rắc rối.
Đây là khía cạnh tôi nghĩ sẽ ngày càng quan trọng khi AI bước vào những ngành được quản lý chặt.
Đây là điều tôi nhắc mỗi khi ai đó khoe công ty mình thu thập rất nhiều dữ liệu.
Đây là câu hỏi tôi luôn đặt ra trước khi tin bất kỳ công cụ AI nào: dựa vào đâu mà nói nó tốt?
Đây là ranh giới tôi tin là quan trọng nhất để dùng AI vừa mạnh vừa an tâm.
Đây là hướng đi khiến tôi nghĩ nhiều về cách một đội ngũ tinh gọn nên được tổ chức.
Đây là khái niệm giúp tôi giữ được sự điềm tĩnh giữa lúc truyền thông về AI ồn ào nhất.
Càng nghiên cứu sâu, tôi càng tin rằng dùng AI giỏi và dùng AI an toàn phải đi cùng nhau, nhất là khi luật chơi đang siết lại.
Đây là rủi ro tôi luôn nhắc đầu tiên khi ai đó định giao việc quan trọng cho AI mà không kiểm lại.
Đây là lý do vì sao các trợ lý AI ngày nay biết ý hơn hẳn vài năm trước, dù không hẳn vì chúng to hơn.
Có một con số về chi phí khiến tôi nghĩ lại về câu để năm sau hãy dùng AI.
Đây là khái niệm khiến tôi tin rằng nhỏ mà đủ dùng nhiều khi khôn ngoan hơn to mà cồng kềnh.
Đây là một ví dụ đẹp về chuyện thông minh hơn đôi khi có nghĩa là làm ít đi mà đúng chỗ.
Đây là cách chữa gốc rễ nhất cho căn bệnh chatbot hay bịa mà nhiều người gặp khi đưa AI vào công việc.
Có một kết quả nghiên cứu khiến tôi nhớ mãi, vì nó chứng minh rằng cách ta đặt câu hỏi quan trọng không kém chính mô hình.
Đây là câu hỏi tôi được hỏi nhiều nhất khi doanh nghiệp bắt đầu dùng AI: có cần đào tạo lại mô hình cho riêng mình không? Phần lớn trường hợp, câu trả lời là chưa cần.
Mỗi lần thấy một bức ảnh do AI vẽ ra đẹp đến bất ngờ, tôi lại nhớ rằng nó không được vẽ theo cách ta tưởng. Nó được gỡ ra từ một mớ hỗn độn.
Bạn đưa cho một người rất giỏi toàn bộ hồ sơ của công ty rồi nhờ tìm một chi tiết nằm ở giữa. Họ đọc hết, nhưng nhớ rõ nhất phần đầu và phần cuối.
Có một chuyện nhỏ làm nhiều người dùng AI lần đầu phải ngớ ra: một mô hình viết được cả bản hợp đồng lại đếm sai số chữ cái trong một từ đơn giản.
Có bao giờ bạn gõ vào Google một câu lơ mơ, sai cả từ khoá, mà nó vẫn hiểu và trả về đúng thứ bạn cần chưa?
Gần như mọi công cụ AI mà chúng ta dùng hằng ngày — từ ChatGPT đến Gemini — đều đứng trên cùng một ý tưởng, được công bố năm 2017 trong một bài nghiên cứu của nhóm ở Google với cái tựa nghe rất…
Thời AI còn sơ khai, mỗi việc lại cần một mô hình riêng, dựng gần như từ số không: một mô hình để dịch, một mô hình để nhận diện ảnh, một mô hình khác để lọc thư rác.
Trong ngành có một câu cửa miệng, gọn đến mức nghe qua tưởng đùa: rác vào thì rác ra.
Có một điều khiến giới làm AI trăn trở: một mô hình có thể đoán rất trúng, mà vẫn không nói được vì sao nó lại kết luận như vậy.
Chắc bạn từng có cảm giác này: mở TikTok hay Netflix mới vài phút, nó đã "đọc vị" và đưa đúng thứ mình đang muốn xem, dù mình chưa hề nói ra.
Một trong những bước ngoặt lớn của công nghệ là ngày máy tính bắt đầu "nhìn" được.
Trong việc dạy máy có một sự phân biệt nhỏ mà tôi thấy soi sáng rất nhiều điều về quản trị: giữa những thứ máy tự học được, và vài thứ con người phải chỉnh tay từ trước.
Nhiều người tưởng máy chỉ cần "đọc" qua dữ liệu một lượt là xong.
Bạn có nhớ trò chơi "tam sao thất bản" hồi nhỏ không?
Vì sao có những mô hình vượt qua chỗ khó một cách nhẹ nhàng, trong khi số khác lại mắc kẹt giữa đường?
Điều gì quyết định một "tế bào" trong mạng nơ-ron nên lên tiếng hay giữ im?
Có một mẹo giúp mô hình khoẻ hơn mà nghe qua thấy hơi vô lý: người ta cố tình cho nó… tạm nghỉ bớt một phần.
Chắc hẳn ai cũng từng gặp kiểu học trò thuộc lòng làu làu mọi bài trong sách, nhưng gặp một đề hơi lạ là lúng túng ngay.
Khi dạy một mô hình học, có một "nút chỉnh" nhỏ xíu nhưng quyết định gần như cả kết quả.
Có một điều nghe hơi ngược đời, nhưng lại là trái tim của cách AI học: thứ giúp nó giỏi lên không phải những lần nó đoán đúng, mà chính những lần nó đoán sai.
Hãy nhớ lại cách một đứa trẻ học nhận mặt chữ số.
Mỗi sáng tôi gửi một việc nhỏ bạn làm được ngay hôm đó với AI. Đọc hết trong hai phút.