"LLM không học thuộc lòng tài liệu. Nó học các quy luật thống kê và mối quan hệ giữa các token từ khối lượng dữ liệu rất lớn."
"Transformer nhìn thấy toàn bộ câu cùng lúc, nhưng Positional Encoding giúp nó biết mỗi từ đang đứng ở đâu."
"Một Attention nhìn một góc. Nhiều Attention nhìn nhiều góc."
"Con người đọc bằng mắt. LLM đọc bằng Attention."
"Nếu không có Transformer, sẽ không có ChatGPT, Claude hay Gemini như ngày nay."
"Nếu Machine Learning giúp máy học từ dữ liệu, thì LLM giúp máy hiểu và tạo ra ngôn ngữ gần với cách con người giao tiếp."
Sau module này bạn sẽ:
✅ Hiểu LLM là gì.
✅ Biết LLM khác Machine Learning truyền thống ở đâu.
✅ Hiểu vì sao LLM tạo được văn bản.
✅ Hiểu kiến trúc tổng thể của một hệ thống LLM.
✅ Biết khi nào nên và không nên dùng LLM.
🎬 M19.1 Câu chuyện mở đầu 📖 M19.2 LLM là gì? 🆚 M19.3 Machine Learning vs LLM 📚 M19.4 LLM học như thế nào? 🔤 M19.5 Token là gì? 🧠 M19.6 Transformer là gì? 💬 M19.7 Prompt → Response 🏢 M19.8 Ứng dụng doanh nghiệp 📡 M19.9 Viễn thông 💻 M19.10 Oracle DBA 🏦 M19.11 Ngân hàng ⚠️ M19.12 Khi nào KHÔNG nên dùng LLM 💡 M19.13 Góc AI Architect 🧪 M19.14 Workshop 🧠 M19.15 Mindmap 📋 M19.16 Checklist 🎨 M19.17 Infographic
Một em bé.
Không ai dạy.
Định nghĩa.
Danh từ.
Động từ.
Nhưng.
Ngày nào.
Cũng nghe.
Bố mẹ.
Nói chuyện.
↓
Một năm.
↓
Biết.
Nói.
↓
Ba năm.
↓
Biết.
Đặt câu.
↓
Năm năm.
↓
Biết kể chuyện.
LLM cũng có nguyên lý tương tự ở mức khái quát:
LLM (Large Language Model) là mô hình AI được huấn luyện trên khối lượng văn bản rất lớn để xử lý các tác vụ liên quan đến ngôn ngữ.
LLM có thể:
Điều quan trọng là LLM không "hiểu" theo nghĩa con người hiểu, mà tạo ra phản hồi dựa trên các mẫu (patterns) đã học được từ dữ liệu.
| Machine Learning | Large Language Model |
|---|---|
| Dữ liệu có cấu trúc | Chủ yếu là văn bản (và có thể mở rộng sang đa phương thức) |
| Phân loại, dự đoán | Sinh và xử lý ngôn ngữ |
| Mỗi bài toán thường cần mô hình riêng | Một mô hình có thể làm nhiều nhiệm vụ |
| Thường cần Feature Engineering | Học biểu diễn ngôn ngữ từ dữ liệu huấn luyện |
💡 Hai hướng này không thay thế nhau mà thường bổ sung cho nhau trong doanh nghiệp.
Ví dụ.
Có câu:
"Hôm nay trời rất ..."
LLM sẽ học xác suất của từ tiếp theo.
Có thể là:
Trong quá trình huấn luyện, mô hình liên tục điều chỉnh tham số để cải thiện khả năng dự đoán token tiếp theo.
LLM không đọc trực tiếp từng câu.
Nó chia văn bản thành các đơn vị nhỏ gọi là token.
Ví dụ:
Oracle RAC hoạt động ổn định
Có thể được chia thành nhiều token.
Lưu ý:
Cách tách token phụ thuộc vào từng mô hình và bộ tokenizer.
Transformer là kiến trúc nền tảng của hầu hết các LLM hiện đại.
Ở mức đơn giản, Transformer giúp mô hình:
Trong các module tiếp theo, chúng ta sẽ học chi tiết về:
Một yêu cầu của người dùng sẽ đi qua các bước:
👤 Người dùng ↓ 📝 Prompt ↓ 🔤 Tokenizer ↓ 🧠 LLM ↓ 🔤 Detokenizer ↓ 💬 Câu trả lời
Đây là luồng xử lý ở mức khái quát. Trong thực tế còn có các thành phần như kiểm duyệt nội dung, bộ nhớ hội thoại, công cụ (tools) hoặc RAG tùy từng hệ thống.
LLM có thể hỗ trợ:
Một kỹ sư hỏi:
"Tại sao NodeB tại Hà Nội mất kết nối?"
LLM có thể:
Nếu cần kết luận dựa trên dữ liệu thời gian thực, LLM thường sẽ kết hợp với hệ thống truy xuất dữ liệu hoặc công cụ chuyên dụng.
Một DBA hỏi:
"ORA-00600 [ktsircinfo_num1] là gì?"
LLM có thể:
Nếu kết hợp với RAG, câu trả lời có thể dựa trên tài liệu nội bộ và runbook của doanh nghiệp thay vì chỉ dựa trên kiến thức đã huấn luyện.
Nhân viên hỏi:
"Quy trình mở tài khoản doanh nghiệp?"
LLM:
↓
Đọc.
Quy trình nội bộ.
↓
Tóm tắt.
↓
Trả lời.
↓
Dẫn nguồn.
Đây là ví dụ điển hình của trợ lý AI doanh nghiệp.
Không phải bài toán nào cũng phù hợp.
Ví dụ:
❌ Tính toán tài chính cần độ chính xác tuyệt đối.
❌ Điều khiển thời gian thực với yêu cầu phản hồi cực thấp.
❌ Các bài toán dự đoán số liệu mà mô hình Machine Learning truyền thống phù hợp hơn.
Trong nhiều trường hợp, giải pháp tốt nhất là kết hợp LLM với hệ thống quy tắc, công cụ hoặc mô hình Machine Learning khác.
Một AI Architect sẽ đặt câu hỏi:
Việc chọn đúng kiến trúc thường quan trọng hơn việc chọn mô hình lớn nhất.
Phân tích ba bài toán sau và quyết định:
Thiết kế kiến trúc trợ lý AI cho doanh nghiệp.
Bao gồm:
Bạn là AI Solution Architect của MobiFone.
Hãy đề xuất:
Giải thích lý do.
🧠 LLM │ ┌─────────────┼─────────────┐ │ │ │ 📚 Dữ liệu 🔤 Token 🧠 Transformer │ │ │ └─────────────┼─────────────┘ │ 💬 Prompt │ ▼ 🤖 AI Response
┌────────────────────────────────────────────────────────────┐ │ 🧠 LARGE LANGUAGE MODEL │ ├────────────────────────────────────────────────────────────┤ │ 👤 User │ │ │ │ │ ▼ │ │ 📝 Prompt │ │ │ │ │ ▼ │ │ 🔤 Tokenizer │ │ │ │ │ ▼ │ │ 🧠 Transformer-based LLM │ │ │ │ │ ▼ │ │ 🔤 Detokenizer │ │ │ │ │ ▼ │ │ 💬 Response │ ├────────────────────────────────────────────────────────────┤ │ 💡 Một mô hình – nhiều tác vụ ngôn ngữ │ └────────────────────────────────────────────────────────────┘
Module M19 mới trả lời câu hỏi:
"LLM là gì?"
Nhưng câu hỏi lớn hơn là:
"Tại sao ChatGPT lại trả lời tự nhiên như vậy?"
Ở Module M20, chúng ta sẽ đi vào trái tim của LLM:
Đây sẽ là module quan trọng nhất để hiểu bản chất của các LLM hiện đại, đồng thời là nền tảng cho các phần tiếp theo về Embedding, RAG, AI Agent và Enterprise LLM.
"Huấn luyện mô hình là khoa học. Vận hành AI ở quy mô lớn là kỹ nghệ."
"Huấn luyện được mô hình chỉ là điểm khởi đầu. Giá trị thật nằm ở việc vận hành nó ổn định trong nhiều năm."
"Nếu mô hình AI là bộ não, thì Data Pipeline chính là hệ tuần hoàn đưa dữ liệu nuôi bộ não đó."
"AI không bắt đầu từ Model. AI bắt đầu từ dữ liệu."
"Học nhiều không đồng nghĩa với học đúng. Học thuộc không đồng nghĩa với hiểu."
"Đừng hỏi AI đúng bao nhiêu lần. Hãy hỏi AI sai trong trường hợp nào."
"Thuật toán giỏi không thể cứu được dữ liệu tệ. Nhưng dữ liệu tốt có thể giúp cả mô hình đơn giản hoạt động rất hiệu quả."
"Không phải cứ có dữ liệu là đưa hết cho AI học."
"Nếu Machine Learning là động cơ, thì Deep Learning là động cơ phản lực."
"AI là chiếc xe. Machine Learning là động cơ."
Sau module này bạn sẽ:
✅ Hiểu Machine Learning là gì.
✅ Hiểu vì sao AI hiện đại gần như đều sử dụng Machine Learning.
✅ Biết sự khác nhau giữa AI, Machine Learning và Deep Learning.
✅ Biết khi nào nên và không nên dùng Machine Learning.
M09.1 🎬 Câu chuyện mở đầu M09.2 🎯 Mục tiêu M09.3 🤔 Machine Learning là gì? M09.4 ⚙️ Machine Learning hoạt động ra sao? M09.5 📊 AI vs ML vs Deep Learning M09.6 🏢 Case Study doanh nghiệp M09.7 📡 Case Study viễn thông M09.8 ⚠️ Sai lầm thường gặp M09.9 💡 Góc chuyên gia M09.10 🧠 Mindmap M09.11 🧪 Lab M09.12 📋 Checklist M09.13 🖼️ Infographic
Hãy tưởng tượng.
Hôm nay bạn mở YouTube.
Bạn xem:
⚽ Bóng đá.
Ngày mai.
YouTube lại gợi ý:
🏆 Highlight Ngoại hạng Anh.
⚽ Tin chuyển nhượng.
🎙️ Bình luận bóng đá.
Bạn tiếp tục xem.
Một tuần sau.
Trang chủ gần như toàn bóng đá.
Câu trả lời là không.
YouTube sử dụng Machine Learning để học từ hành vi của hàng tỷ lượt xem, sau đó dự đoán nội dung mà bạn có khả năng quan tâm.
💡 Machine Learning không "đọc suy nghĩ" của bạn. Nó học từ dữ liệu hành vi.
Kết thúc bài học, bạn có thể:
Machine Learning (Học máy) là phương pháp giúp máy tính học từ dữ liệu để đưa ra dự đoán hoặc quyết định mà không cần lập trình từng quy tắc chi tiết.
Điểm quan trọng là:
Bạn muốn phân biệt:
🍎 Táo.
🍊 Cam.
Có hai cách.
Nhưng nếu có táo xanh thì sao?
Quy tắc bắt đầu phức tạp.
Đưa cho AI:
AI tự học các đặc điểm chung.
Đây chính là Machine Learning.
📥 Dữ liệu │ ▼ 🧹 Làm sạch │ ▼ 🧩 Trích xuất đặc trưng │ ▼ 🧠 Mô hình Machine Learning │ ▼ 📊 Dự đoán │ ▼ 📈 Đánh giá & cải tiến
💡 Lưu ý: Trong nhiều mô hình hiện đại (đặc biệt là Deep Learning), bước trích xuất đặc trưng (Feature Engineering) có thể được mô hình tự học một phần hoặc gần như hoàn toàn.
🤖 AI │ ┌───────┴────────┐ │ │ Rule-based AI 🧠 Machine Learning │ ┌────────┴────────┐ │ │ Thuật toán ML 🧠 Deep Learning
| Khái niệm | Mô tả |
|---|---|
| 🤖 AI | Lĩnh vực rộng, mục tiêu tạo hệ thống có khả năng thực hiện các nhiệm vụ cần trí thông minh |
| 🧠 Machine Learning | Một nhánh của AI, học từ dữ liệu |
| 🔬 Deep Learning | Một nhánh của Machine Learning, dùng mạng nơ-ron nhiều lớp |
Mục tiêu:
Đây đều là các bài toán phù hợp với Machine Learning.
Machine Learning được dùng để:
Bạn có:
Machine Learning có thể học từ dữ liệu lịch sử để:
AI không thay thế DBA, mà giúp DBA xử lý nhanh hơn và nhất quán hơn.
❌ Nghĩ rằng Machine Learning luôn tốt hơn phần mềm truyền thống.
❌ Tin rằng càng nhiều dữ liệu thì mô hình chắc chắn càng tốt.
❌ Chỉ tập trung chọn thuật toán mà bỏ qua chất lượng dữ liệu.
❌ Đánh giá mô hình chỉ bằng Accuracy.
Khi bắt đầu một dự án Machine Learning, hãy trả lời bốn câu hỏi:
Nếu chưa trả lời được bốn câu hỏi này, chưa nên bắt đầu huấn luyện mô hình.
🤖 AI │ ▼ 🧠 Machine Learning │ ┌───────────┼───────────┐ │ │ │ 📘 Supervised 🔍 Unsupervised 🏆 Reinforcement │ ▼ 🔬 Deep Learning
Liệt kê 10 bài toán tại đơn vị bạn.
Đánh dấu:
Giải thích lý do.
Chọn một bài toán như:
Mô tả:
Đóng vai Kiến trúc sư AI.
Ban lãnh đạo yêu cầu:
"Ứng dụng AI vào toàn bộ hệ thống."
Hãy phản biện:
┌────────────────────────────────────────────────────────────┐ │ 🧠 MACHINE LEARNING │ ├────────────────────────────────────────────────────────────┤ │ 🎯 Bài toán kinh doanh │ │ │ │ │ ▼ │ │ 📦 Dữ liệu │ │ │ │ │ ▼ │ │ 🧹 Làm sạch │ │ │ │ │ ▼ │ │ 🧠 Machine Learning │ │ │ │ │ ▼ │ │ 📊 Dự đoán │ │ │ │ │ ▼ │ │ 📈 Đánh giá & Cải tiến │ ├────────────────────────────────────────────────────────────┤ │ 💡 AI ⊃ Machine Learning ⊃ Deep Learning │ └────────────────────────────────────────────────────────────┘
"Machine Learning không bắt đầu bằng thuật toán. Nó bắt đầu bằng bài toán."
