Ứng dụng AI trong dạy học - Cách trí tuệ nhân tạo định hình tương lai giáo dục

Mô hình ngôn ngữ lớn có thể có hạn chế gì? Giải pháp khắc phục

• Tập trung câu lệnh (prompt) vào từng phần cụ thể thay vì toàn bộ tài liệu.

• Sử dụng kỹ thuật truy xuất dữ liệu đặc biệt để LLM quét và lấy thông tin từ tập dữ liệu lớn.

Giới hạn token tối đa của một số mô hình LLM phổ biến

1.2. Tạo nội dung sai lệch (hiện tượng “hallucination”)

LLM đôi khi tạo ra hiện tượng hallucination – tức là sinh ra những nội dung nghe có vẻ hợp lý, trôi chảy nhưng thực chất lại sai lệch, gây hiểu nhầm hoặc vô nghĩa. Ví dụ, một LLM có thể “bịa” ra các sự kiện lịch sử, diễn giải sai khái niệm khoa học, hoặc tạo nên thông tin tiểu sử không chính xác về một nhân vật có thật.

Nguyên nhân là do LLM được huấn luyện từ một khối lượng dữ liệu khổng lồ trên Internet, trong đó không tránh khỏi việc chứa lỗi, định kiến hoặc thông tin đã lỗi thời. Mô hình chỉ đơn thuần học theo các mẫu ngôn ngữ trong dữ liệu đó, nên đôi khi sẽ “tự tin” khẳng định những điều sai sự thật.

Một số biện pháp giảm rủi ro gồm:

• Kiểm tra chéo thông tin quan trọng với nguồn uy tín.

• Đặt câu hỏi truy vấn sâu để thăm dò mức độ chắc chắn của AI.

• Sử dụng LLM cho nội dung sáng tạo chủ quan, hạn chế dùng để tạo thông tin thực tế.

• Yêu cầu LLM cung cấp nguồn hoặc bằng chứng khi kết quả đáng ngờ.

• Đề nghị LLM kiểm tra lại kết quả của chính nó để đảm bảo tính chính xác.

1.3. Không thể tự cập nhật kiến thức

LLM chỉ biết dữ liệu được cung cấp tại thời điểm huấn luyện, nên thiếu các sự kiện, xu hướng hay nghiên cứu mới diễn ra sau mốc đó. 

Ví dụ, mô hình huấn luyện đến 2023 sẽ không tự cập nhật thông tin về chính sách năm 2025 nếu không được cung cấp dữ liệu mới, dẫn đến câu trả lời lỗi thời, đặc biệt hạn chế trong lĩnh vực thời sự hoặc dữ liệu biến đổi nhanh như phân tích thị trường chứng khoán hay báo cáo khoa học mới.

Cách xử lý phổ biến gồm:

• So sánh hoặc đối chiếu thông tin với dữ liệu mới nhất.

• Yêu cầu LLM nêu thời điểm cập nhật dữ liệu cho các truy vấn nhạy cảm về thời gian.

• Ưu tiên dùng LLM cho các chủ đề ít thay đổi theo thời gian thay vì các chủ đề biến động nhanh.

• Tinh chỉnh LLM trên dữ liệu mới nhất cho các ứng dụng cần thông tin cập nhật.

• Kết hợp đầu ra LLM với kiểm tra thực tế của con người.

Một số mô hình ngôn ngữ lớn bị giới hạn dữ liệu cập nhật