Trong thời đại trí tuệ nhân tạo (AI) ngày càng phát triển, việc áp dụng các mô hình ngôn ngữ lớn (LLM) như ChatGPT vào doanh nghiệp đã mở ra rất nhiều cơ hội. Tuy nhiên, một trong những thách thức lớn là làm sao để AI có thể cung cấp nguồn tham khảo rõ ràng, cũng như link và tên tổ chức gắn với từng con số hoặc số liệu được đưa ra. Đây là vấn đề không chỉ quan trọng với mục đích minh bạch, mà còn giúp giảm thiểu rủi ro do “hallucination” của AI – hiện tượng AI tạo ra thông tin sai lệch hoặc không có thật.
AI Hallucination là gì và tại sao nguy hiểm?
“Hallucination” trong ngữ cảnh AI là khi mô hình tạo ra thông tin, số liệu, tên tổ chức... mà chúng không thực sự biết hoặc không có trong dữ liệu huấn luyện. Điều này xảy ra do bản chất của LLM chỉ là dự đoán chuỗi từ tiếp theo dựa trên ngữ cảnh, không phải “biết rõ sự thật”.
- Nguy hiểm vì: Thông tin sai lệch gây mất niềm tin cho người dùng hoặc doanh nghiệp. Tác động pháp lý: Nếu sử dụng cho báo cáo tài chính, marketing, hay phân tích thị trường có thể gây hậu quả nghiêm trọng. Kinh doanh: Quyết định dựa trên dữ liệu không chính xác dễ dẫn đến sai lầm chiến lược.
Vì sao LLM chỉ dự đoán chữ, không phải biết sự thật?
Các mô hình ngôn ngữ lớn vận hành dựa trên thuật toán học sâu và thống kê xác suất. Chúng được huấn luyện trên hàng trăm tỉ từ văn bản nhưng không có khả năng truy cập trực tiếp đến sự thật hay cập nhật thời gian thực. Khi AI “đưa ra thông tin”, thực chất nó đang tính toán chuỗi từ có khả năng xuất hiện tiếp theo dựa trên dữ liệu quá khứ.
Hậu quả của việc này trong doanh nghiệp
- Dữ liệu sai lệch khi trích dẫn số liệu, nguồn tin. Mất thời gian kiểm tra, hiệu chỉnh lại các báo cáo hoặc tài liệu marketing. Ảnh hưởng đến uy tín, niềm tin của khách hàng và đối tác.
Dữ liệu huấn luyện nhiều và giới hạn của AI
Mô hình được huấn luyện trên một kho dữ liệu khổng lồ nhưng không toàn diện và cập nhật liên tục. Điều này dẫn đến những giới hạn như:
- Thông tin lỗi thời: Dữ liệu huấn luyện có thể cũ, không phản ánh thông tin thời sự. Thiếu chi tiết chuyên sâu: Những số liệu, tên tổ chức cụ thể không được ghi rõ trong dữ liệu. Không thể tìm kiếm trực tiếp: AI không có khả năng tra cứu web hoặc cơ sở dữ liệu ngoài phạm vi huấn luyện mà không được tích hợp thêm API.
Prompt Engineering: Giải pháp giảm rủi ro, yêu cầu trích dẫn nguồn
Kỹ thuật Prompt Engineering (kỹ thuật xây prompt) là cách sử dụng câu hỏi hoặc yêu cầu cho AI một cách chính xác, cụ thể nhằm giảm thiểu halluscination và tăng tính minh bạch. Dưới đây là các cách tiếp cận hữu ích:
1. Cung cấp bối cảnh rõ ràng
Trước khi yêu cầu 21/23 trich dan gia AI tạo số liệu hoặc trích dẫn, hãy đưa đầy đủ bối cảnh sử dụng, phạm vi đề tài, và mục đích. Ví dụ:
“Cho tôi số liệu doanh số quý 1 năm 2024 của công ty XYZ, kèm theo tên tổ chức cung cấp số liệu và link nguồn uy tín như báo cáo tài chính của công ty hoặc các trang chính thức.”
2. Giới hạn phạm vi yêu cầu
Không để câu hỏi quá rộng hoặc chung chung, dễ khiến AI tự động “sáng tạo”. Nên phân nhỏ câu hỏi, chẳng hạn:
- Yêu cầu trích dẫn nguồn cho từng con số cụ thể. Giới hạn trong phạm vi thời gian, địa lý, ngành nghề rõ ràng.
3. Yêu cầu trích dẫn bắt buộc (Prompt trích dẫn nguồn)
Bắt buộc AI phải trả lời kèm theo tên tổ chức và đường link nguồn tham khảo. Ví dụ “Trích dẫn tên tổ chức và link nguồn cho mỗi số liệu.”
4. Yêu cầu AI thừa nhận giới hạn của mình
Cho phép AI thừa nhận khi không thể cung cấp số liệu chính xác hoặc nguồn rõ ràng ("Tôi không có thông tin chính xác về số liệu này") giúp giảm bớt rủi ro thông tin sai.
5. Chia nhỏ tác vụ giúp tăng độ chính xác
Thay vì hỏi AI tổng hợp một lúc nhiều con số và nguồn, hãy chia nhỏ câu hỏi theo từng khía cạnh cụ thể rồi tổng hợp kết quả nhằm giảm nhầm lẫn.
Kiểm tra nguồn bằng công cụ bên ngoài – Google và các nền tảng tra cứu
Việc chỉ dựa vào LLM mà không kiểm tra thông tin có thể gây hỏng báo cáo hoặc tài liệu. Cách an toàn nhất là kết hợp công cụ kiểm tra nguồn bên ngoài như Google:
- Tìm trang web chính thức, báo cáo tài chính, hoặc bài viết uy tín trùng khớp số liệu và tổ chức được AI cung cấp. Sử dụng công cụ tra cứu chuyên ngành để kiểm định số liệu thị trường, tài chính. Xác nhận lại với đội ngũ chuyên môn nội bộ hoặc đối tác đáng tin cậy.
Bảng tổng hợp cách bắt AI đưa link và tên tổ chức cho từng con số
Phương pháp Mục đích Ví dụ prompt Lưu ý Cung cấp bối cảnh rõ ràng Giúp AI hiểu phạm vi và yêu cầu chính xác “Cho tôi số liệu doanh thu công ty ABC năm 2023, kèm nguồn.” Không quá chung chung, tránh prompt mơ hồ Yêu cầu trích dẫn nguồn (prompt trích dẫn nguồn) Buộc AI đưa ra tên tổ chức, link tham khảo “Kèm tên tổ chức cung cấp số liệu và đường link tham khảo rõ ràng.” Phải kiểm tra lại độ tin cậy nguồn Yêu cầu thừa nhận giới hạn Giảm rủi ro thông tin sai khi AI không rõ nguồn “Nếu không chắc chắn, vui lòng nói rõ.” Tạo sự trung thực trong trả lời Chia nhỏ tác vụ Tăng độ chính xác từng phần thông tin “Cho con số 1 với nguồn, sau đó số 2 với nguồn.” Không hỏi một lần quá nhiều thay đổi dữ liệu Kiểm tra nguồn ngoài (Google) Xác minh thực tế thông tin AI cung cấp “Tìm trên Google báo cáo tài chính ABC 2023.” Luôn kiểm tra trước khi dùng trong báo cáo chính thứcKết luận
Khi sử dụng AI để tổng hợp dữ liệu và báo cáo số liệu trong doanh nghiệp, việc bắt AI đưa link và tên tổ chức rõ ràng cho từng con số là cực kỳ quan trọng để đảm bảo tính minh bạch và độ tin cậy thông tin. Hiểu rõ về bản chất hallucination trong AI, giới hạn của dữ liệu huấn luyện và cách áp dụng prompt engineering hiệu quả cùng với kiểm tra nguồn ngoài bằng Google hay nền tảng uy tín sẽ giúp giảm thiểu rủi ro sai sót.
Doanh nghiệp nên xây dựng quy trình làm việc kết hợp AI và con người, để vừa tận dụng tốc độ và khả năng tổng hợp dữ liệu của AI, vừa giữ được sự chính xác và đáng tin cậy của thông tin trước khi công bố hay sử dụng.
