Trong suốt hai năm trở lại đây, sự phát triển vũ bão của các mô hình ngôn ngữ lớn hay còn gọi là LLM đã tạo ra một niềm tin rằng machine learning truyền thống sắp bị thay thế hoàn toàn. Khi mà các hệ thống như ChatGPT, Claude hay Gemini có khả năng giải đáp thắc mắc, soạn thảo mã nguồn, xử lý thông tin và vận hành công cụ, phần lớn người dùng đều cho rằng LLM có thể cáng đáng mọi bài toán.
Tuy nhiên, thực tế triển khai lại cho thấy một góc nhìn hoàn toàn trái ngược. Cùng với sự bỗi thu của xu hướng agentic ai, các thuật toán machine learning cổ điển không những giữ vững vị thế mà còn đóng vai trò là trụ cột không thể thiếu để giúp ai agent vận hành trơn tru và chính xác.
Nguyên nhân rất căn bản: các mô hình ngôn ngữ lớn tỏ ra vô cùng xuất sắc trong việc tư duy logic và điều phối tác vụ, nhưng chúng không phải lúc nào cũng là giải pháp tối ưu cho những bài toán đòi hỏi tính định lượng cao hoặc đưa ra dự báo sát thực tế.
Bản chất cấu trúc vận hành của một ai agent là gì?
Trước khi phân tích sâu hơn về tầm quan trọng của machine learning truyền thống, chúng ta cần làm rõ cấu trúc bên trong của một ai agent.
Một ai agent thông minh không chỉ đơn thuần là một mô hình ngôn ngữ đơn lẻ. Thay vào đó, nó là sự tích hợp chặt chẽ giữa llm cùng vô số công cụ và dịch vụ bổ trợ nhằm tự động hóa toàn bộ chuỗi quy trình mà gần như không cần sự can thiệp thủ công từ con người.
Tại đây, llm đóng vai trò tương tự như bộ vi xử lý trung tâm. Nó tiếp nhận các yêu cầu bằng văn bản thông thường, biên dịch chúng thành các câu lệnh máy tính, lựa chọn đúng công cụ cần thiết, tiếp nhận phản hồi và tổng hợp thành đáp án cuối cùng cho người dùng.
Chính vì vậy, những nền tảng phổ biến hiện nay cũng đang ứng dụng cách tiếp cận kết hợp này, gắn kết llm với các công cụ tìm kiếm trực tuyến, hệ thống cơ sở dữ liệu, máy tính toán, hệ thống truy xuất tri thức rág và nhiều dịch vụ chuyên biệt khác.
Sức mạnh thực sự của agentic ai không xuất phát từ bản thân llm, mà nằm ở hệ sinh thái công cụ vô cùng phong phú mà nó có quyền truy cập và sử dụng.
Machine learning truyền thống đóng vai trò như một công cụ chuyên biệt của ai agent
Hiện nay, phần lớn các ai agent đều được trang bị các công cụ tra cứu thông tin, cơ sở dữ liệu chuyên sâu, giao diện lập trình ứng dụng api hoặc kiến trúc rág. Thế nhưng trên thực tế, một mô hình machine learning hoàn toàn có thể được định nghĩa là một công cụ đắc lực mà ai agent có thể gọi tới bất cứ khi nào cần thiết.
Hãy xem xét một ví dụ thực tế về một ai agent chuyên hỗ trợ thẩm định giá bất động sản. Khi người mua nhập vào vị trí và thông tin nhà ở, agent sẽ tự động kích hoạt api để gom nhặt các chỉ số như diện tích sàn, tọa độ địa lý, số lượng phòng, năm hoàn thành... sau đó chuyển toàn bộ dữ liệu này sang một mô hình hồi quy đã được huấn luyện kỹ lưỡng nhằm dự báo mức giá thị trường. Bước cuối cùng, llm sẽ chuyển hóa những con số kỹ thuật này thành ngôn ngữ tự nhiên thân thiện để phản hồi khách hàng.
Về nguyên tắc, bạn hoàn toàn có khả năng yêu cầu trực tiếp llm tự phỏng đoán giá trị căn nhà đó. Dù vậy, đây lại là phương án đem lại hiệu quả kém nhất.
Những lý do chính khiến llm không thể thay thế hoàn toàn machine learning
1. Đảm bảo độ chính xác vượt trội
Các mô hình ngôn ngữ lớn không thực hiện các phép toán theo cách thức truyền thống; thay vào đó, chúng dự đoán các từ tiếp theo dựa trên xác suất thống kê học được từ tập dữ liệu lớn thay vì tính toán thông qua một mô hình thống kê chuyên biệt cho từng bài toán cụ thể. Điều này khiến llm trở nên kém tin cậy trong các tác vụ đòi hỏi sự chính xác tuyệt đối về số liệu bao gồm:
- Dự báo giá trị bất động sản.
- Đánh giá điểm số tín dụng cá nhân.
- Ước tính doanh thu tài chính doanh nghiệp.
- Dự báo tình hình cung cầu thị trường.
- Nhận diện và phòng chống các hành vi gian lận.
Đối với những bài toán này, việc áp dụng các mô hình hồi quy hoặc mô hình phân loại được xây dựng và huấn luyện chuẩn chỉnh luôn đem lại độ tin cậy cao hơn rất nhiều.
2. Khả năng giải thích minh bạch
Một trong những nhược điểm lớn nhất của công nghệ llm chính là bản chất hộp đen. Khi các trợ lý ảo đưa ra một kết quả hay con số cụ thể, việc truy vết nguyên nhân sâu xa dẫn đến kết quả đó là vô cùng khó khăn.
Trái lại, các thuật toán machine learning truyền thống cho phép các kỹ sư dễ dàng bóc tách mức độ tác động của từng đặc trưng dữ liệu, kiểm định quá trình suy luận và đối chiếu trực tiếp với nghiệp vụ chuyên môn. Tính minh bạch này đóng vai trò sống còn trong các lĩnh vực đặc thù như ngân hàng tài chính, y tế chăm sóc sức khỏe hay ngành bảo hiểm.
3. Tối ưu hóa chi phí vận hành
Mỗi lần gọi đến các api của llm đều tiêu tốn một lượng token nhất định. Nếu một doanh nghiệp phải xử lý hàng triệu yêu cầu từ khách hàng mỗi ngày, chi phí vận hành hạ tầng sẽ leo thang nhanh chóng.
Ngược lại, việc vận hành một mô hình phân loại hoặc mô hình hồi quy chỉ tiêu thụ một lượng tài nguyên vô cùng nhỏ. Ngay cả khi phải xử lý khối lượng dữ liệu khổng lồ, chi phí vẫn ở mức rất thấp so với việc lạm dụng llm liên tục.
Bên cạnh đó, doanh nghiệp hoàn toàn chủ động được chi phí suy luận của mô hình ml, trong khi đơn giá token của llm thường xuyên biến động theo từng truy vấn thực tế.
4. Quyền kiểm soát toàn diện hệ thống
Sử dụng các mô hình machine learning truyền thống mang lại cho doanh nghiệp quyền tự chủ tuyệt đối trong các khâu:
- Kiểm soát nguồn dữ liệu huấn luyện đầu vào.
- Quá trình tinh chỉnh và lựa chọn đặc trưng dữ liệu.
- Lựa chọn thuật toán tối ưu.
- Phương pháp tinh chỉnh mô hình.
- Thiết lập hạ tầng triển khai phần cứng.
Trong khi đó, khi lựa chọn các dòng llm thương mại, đa số các quyền hạn này đều nằm trong tay bên cung cấp dịch vụ. Điều này đồng nghĩa với việc dữ liệu nội bộ có thể phải truyền tải ra bên ngoài, doanh nghiệp bị ràng buộc vào hạ tầng của hãng và phải chịu đựng rủi ro mỗi khi hệ thống đối tác gặp sự cố gián đoạn.
Tất nhiên, việc tự tay xây dựng một mô hình machine learning không đơn giản chỉ là gọi một câu lệnh api thông thường. Các kỹ sư dữ liệu phải thấu hiểu sâu sắc bản chất dữ liệu, tiến hành kỹ thuật tạo đặc trưng, lựa chọn giải thuật phù hợp và chuẩn bị một tập dữ liệu đủ độ tinh khiết để huấn luyện.
Trong trường hợp thiếu hụt dữ liệu có nhãn, các nhà phát triển bắt buộc phải ứng dụng những kỹ thuật học không giám sát hoặc tự động tạo nhãn dữ liệu. Đổi lại, thành quả thu về sẽ là một mô hình có độ chuẩn xác cao, thuận lợi trong việc đánh giá, theo dõi và cải tiến xuyên suốt vòng đời vận hành thực tế.
Phương pháp tích hợp mô hình machine learning vào hệ thống ai agent
Có khá nhiều phương thức để kết nối một mô hình machine learning với ai agent, tuy nhiên nổi bật nhất vẫn là hai cách tiếp cận dưới đây.
Để ai agent tương tác trực tiếp với mô hình
Đây là giải pháp thiết kế cơ bản nhất. Mô hình ml được đóng gói thành một dịch vụ độc lập hoặc giao diện api riêng biệt để ai agent có thể gọi thẳng tới khi cần đưa ra dự đoán. Lấy ví dụ với hệ thống định giá nhà đất ở trên, ai agent sẽ tiến hành gom nhặt dữ liệu, chuyển tiếp sang mô hình hồi quy và tiếp nhận kết quả trả về.
Để phương án này hoạt động trơn tru, agent cần phải nắm rõ các yếu tố:
- Chức năng chính xác của mô hình là gì.
- Thời điểm thích hợp để gọi mô hình.
- Cấu trúc định dạng dữ liệu đầu vào chuẩn xác.
- Cách thức phân tích kết quả nhận được.
Một điểm lưu ý quan trọng là mô hình không nên chỉ trả về độc nhất một con số khô khan. Thay vào đó, hệ thống nên đính kèm thêm các thông tin giải thích chi tiết như các đặc trưng có trọng số lớn nhất tác động đến kết quả, chỉ số xác suất dự báo cùng mức độ tín nhiệm của mô hình.
Nhờ vậy, llm sẽ được cung cấp thêm nhiều ngữ cảnh phong phú để xây dựng nên những câu trả lời hoàn thiện và mang lại giá trị thiết thực hơn cho người dùng cuối.
Lưu trữ trước kết quả vào hệ quản trị cơ sở dữ liệu
Một hướng đi khác là không cho phép ai agent kết nối trực tiếp với mô hình theo thời gian thực. Thay vào đó, mô hình ml sẽ chạy định kỳ theo lịch trình để tính toán sẵn toàn bộ danh mục kết quả rồi lưu trữ thẳng vào hệ thống cơ sở dữ liệu.
Chẳng hạn, nếu doanh nghiệp đang quản lý thông tin của hàng trăm nghìn khách hàng và muốn ai đánh giá năng lực tín dụng, mô hình chấm điểm có thể xử lý toàn bộ danh sách từ trước. Đến khi agent cần truy vấn, nó chỉ việc trích xuất thông tin có sẵn từ database thay vì kích hoạt lại mô hình tính toán từ đầu. Phương pháp này giúp cắt giảm đáng kể độ trễ, triệt tiêu tình trạng tính toán lặp lại và đặc biệt hữu dụng với các tập dữ liệu có quy mô cố định.
Bất kể lựa chọn giải pháp nào, các dữ liệu đầu ra cũng cần được bổ sung thêm phần chú thích bằng văn bản thay vì chỉ hiển thị các giá trị số đơn thuần để các mô hình llm dễ dàng đọc hiểu và giải thích một cách chuẩn xác nhất.
Nhận định từ chuyên gia kỹ thuật của TTC Việt Nam: Xuyên suốt hơn một thập kỷ trước khi kỷ nguyên llm trỗi dậy, machine learning truyền thống từng đóng vai trò là xương sống cho vô số hệ thống phân tích dữ liệu, hoạch định chiến lược và hỗ trợ ra quyết định. Sự bùng nổ mạnh mẽ của công nghệ ai tạo sinh không hề làm mai một đi giá trị của những mô hình nền tảng này.
Ngược lại, trong bức tranh tổng thể của kiến trúc agentic ai hiện đại, chúng đang gánh vác hoàn hảo những công việc mà các mô hình ngôn ngữ lớn chưa thực sự tối ưu. Trong khi llm tỏa sáng ở khả năng giao tiếp mượt mà với con người, xây dựng kế hoạch và điều khiển công cụ, thì các mô hình machine learning truyền thống lại mang đến độ chính xác cao, tính giải thích minh bạch, tiết kiệm chi phí và giúp doanh nghiệp nắm giữ quyền kiểm soát tối đa đối với các tác vụ dự báo chuyên sâu.
Thay vì đặt hai công nghệ này ở thế đối đầu cạnh tranh, các đơn vị doanh nghiệp nên nhìn nhận chúng dưới lăng kính bổ trợ lẫn nhau. Một hệ thống ai agent thực sự đẳng cấp không nằm ở việc lạm dụng llm cho mọi tác vụ, mà là biết rõ thời điểm nào nên giao phó cho llm tư duy điều phối và khi nào nên chuyển giao bài toán cho các mô hình machine learning chuyên biệt xử lý.
Để được tư vấn các giải pháp mạng, viễn thông và tích hợp hệ thống AI tiên tiến nhất cho doanh nghiệp, hãy liên hệ ngay với TTC Việt Nam qua website ttcvn.net hoặc hotline của chúng tôi để nhận hỗ trợ chuyên sâu từ đội ngũ kỹ thuật viên giàu kinh nghiệm.
