Học từ sai số

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.

Trong ngành, cơ chế này có một cái tên khá dài — lan truyền ngược (backpropagation) — nhưng ý tưởng thì giản dị. Hình dung một học trò làm bài rồi được chấm. Em ấy nhìn vào chỗ bị trừ điểm, lần ngược lại xem mình hiểu sai ở bước nào, rồi chỉnh lại cách nghĩ cho bài sau. Máy cũng làm đúng như thế: nó đưa ra một dự đoán, đo xem lệch bao nhiêu so với đáp án, rồi lần ngược lại chỉnh từng chi tiết bên trong một chút, theo hướng làm cái sai nhỏ đi. Một mô hình lớn như GPT có tới hàng trăm tỷ chi tiết như vậy, và tất cả đều được mài giũa trên cùng một nguyên tắc mộc mạc: sai ở đâu, lần về đó, sửa một ít.

Điều tôi hay thấy là nhiều tổ chức lại làm ngược lại. Thay vì hiệu chỉnh đều đặn, họ chờ tới cuối quý rồi cải tổ thật lớn một lần. Trong khi đó, tiến bộ bền vững thường đến từ việc gọi tên cái sai thật cụ thể, rồi chỉnh từng điểm nhỏ qua mỗi tuần.

Mà muốn sửa được thì cái sai phải đủ rõ. Nói "tháng này làm ăn kém" thì gần như không sửa được gì. Nhưng nói "cứ 100 khách vào giỏ hàng thì 42 người bỏ đi ngay ở bước thanh toán" — thì đã có một chỗ rất cụ thể để bắt tay vào.

Cái sai rõ nhất trong tuần vừa rồi của bạn, liệu có thể gọi tên nó bằng một con số không?

Đến bàn làm việc

Một mô hình tự khá lên bằng cách trả lời hai câu hỏi rất giản dị: mình sai bao nhiêu, và sai từ đâu.

Cuối tuần, chúng ta hoàn toàn có thể mượn đúng cách nghĩ đó cho công việc. Chọn một kết quả chưa đạt, rồi bình tĩnh lần ngược ba bước: kết quả lệch ở chỗ nào, bắt nguồn từ quyết định nào, và lúc đó mình đã thiếu thông tin gì.

Mục đích ở đây không phải để truy trách nhiệm ai, mà là để tìm đúng chỗ cần chỉnh. Một hệ thống trưởng thành lên theo cách như vậy, và con người cũng thế.