LLM là gì? Cách Large Language Model hoạt động dễ hiểu

Mục lục bài viết

LLM hoạt động thế nào? Giải thích dễ hiểu cho người không chuyên AI

Bạn hỏi AI: “Viết giúp tôi một email nhắc deadline nhưng đừng làm người nhận khó chịu.”

Vài giây sau, nó trả về một đoạn email khá ổn. Có mở đầu nhẹ nhàng. Có lý do. Có deadline. Có câu kết lịch sự.

Bạn đọc xong và hơi rùng mình: “Nó hiểu mình thật à?”

Câu trả lời ngắn gọn: không theo cách con người hiểu.

LLM không có trải nghiệm đi làm, không từng bị dí deadline, không biết cảm giác ngại nhắc đồng nghiệp. Nhưng nó đã học rất nhiều mẫu ngôn ngữ, rất nhiều cách con người viết email, giải thích, tranh luận, tóm tắt, xin lỗi, thuyết phục. Khi bạn đưa yêu cầu, nó dự đoán chuỗi chữ nào có khả năng phù hợp nhất trong bối cảnh đó.

Nghe có vẻ lạnh lùng. Nhưng chính cơ chế “dự đoán chữ tiếp theo” này lại tạo ra những khả năng rất hữu ích: viết, tóm tắt, dịch, phân loại, brainstorm, giải thích và hỗ trợ phân tích.

LLM không đọc chữ như chúng ta đọc chữ

Khi bạn nhìn câu “Báo cáo tuần này cần gửi trước 5 giờ”, bạn đọc theo nghĩa.

LLM thì không bắt đầu bằng nghĩa. Nó bắt đầu bằng việc cắt ngôn ngữ thành những mảnh nhỏ.

Những mảnh đó gọi là token.

Token có thể là một từ, một phần từ, dấu câu, hoặc ký tự tùy ngôn ngữ và hệ thống token hóa. Với tiếng Việt, chuyện này thú vị hơn tiếng Anh một chút, vì một “từ” trong tiếng Việt có thể gồm nhiều tiếng tách bằng dấu cách. Ví dụ “dữ liệu khách hàng” nhìn với người Việt là một cụm nghĩa, nhưng với mô hình có thể được tách thành nhiều token.

Ẩn dụ dễ hiểu: LLM không ăn cả ổ bánh mì. Nó cắt bánh thành lát. Sau đó mới xử lý từng lát, rồi xem các lát đó liên quan với nhau ra sao.

Framework: Bếp chữ 5 bước

Để hiểu LLM, hãy tưởng tượng nó như một “bếp chữ” có 5 công đoạn.

Bước 1: Cắt chữ thành token

Đầu vào của bạn được chia thành các token.

Câu hỏi dài, tài liệu dài, email dài - tất cả đều bị cắt thành mảnh trước khi mô hình xử lý.

Điều này giải thích vì sao prompt quá dài, nhiều chi tiết lẫn lộn, đôi khi khiến AI trả lời lạc hướng. Không phải vì nó “lười”. Mà vì nguyên liệu đầu vào quá nhiều, chưa được sơ chế.

Bước 2: Đổi chữ thành số

Máy tính không thật sự hiểu chữ như người. Nó cần biểu diễn chữ thành số.

Các token được chuyển thành những vector, tức là các dãy số thể hiện phần nào mối quan hệ về ngữ nghĩa, ngữ cảnh và cách dùng. Trong thế giới AI, khái niệm này thường liên quan đến embedding.

Ví dụ đời thường: bạn có thể hình dung mỗi từ/cụm từ như một địa điểm trên bản đồ. Những thứ gần nghĩa sẽ nằm gần nhau hơn. “Hợp đồng”, “điều khoản”, “ký kết” có thể ở gần nhau hơn so với “hợp đồng” và “bánh cuốn”.

Bước 3: Nhìn ngữ cảnh xung quanh

LLM không chỉ nhìn một token đơn lẻ. Nó nhìn quan hệ giữa các token trong ngữ cảnh.

Từ “lead” chẳng hạn. Trong marketing, “lead” là khách hàng tiềm năng. Trong câu “lead the team”, nó lại là dẫn dắt. Ngữ cảnh quyết định cách hiểu.

Bước 4: Dự đoán phần tiếp theo

Đây là lõi của câu chuyện.

LLM tạo câu trả lời bằng cách dự đoán token tiếp theo, rồi token tiếp theo nữa, rồi tiếp nữa. Nó không mở một ngăn kéo chứa “câu trả lời đúng” rồi lấy ra. Nó tạo câu trả lời từng bước dựa trên mẫu đã học và ngữ cảnh bạn cung cấp.

Điểm này rất quan trọng: vì LLM sinh ngôn ngữ theo xác suất, nó có thể viết rất mượt nhưng vẫn sai.

Bước 5: Được căn chỉnh để hữu ích hơn

Một mô hình nền sau khi học ngôn ngữ chưa chắc đã là chatbot dễ dùng. Nó cần thêm các giai đoạn hậu huấn luyện, tinh chỉnh, phản hồi và lớp an toàn để trả lời hữu ích, tránh nội dung nguy hiểm, làm theo chỉ dẫn tốt hơn.

Udemy mô tả các giai đoạn như pre-training, post-training, reinforcement learning, deployment và prompting để đưa LLM từ mô hình nền thành sản phẩm người dùng có thể tương tác.

Vậy LLM “biết” gì?

Nên nói thế này cho an toàn: LLM lưu giữ rất nhiều mẫu liên hệ trong ngôn ngữ và dữ liệu huấn luyện.

Nó biết rằng:

• Một email xin lỗi khách hàng thường có cấu trúc nào.
• Một báo cáo dự án thường có phần tiến độ, rủi ro, việc tiếp theo.
• Một đoạn code Python thường có cú pháp ra sao.
• Một câu hỏi về marketing thường liên quan đến persona, thông điệp, kênh, chỉ số.

Nhưng nó không “biết” theo nghĩa con người có trải nghiệm, niềm tin, trách nhiệm và khả năng kiểm chứng độc lập.

Nói vui: LLM giống một nhân viên đọc rất nhiều tài liệu, nhớ cực nhiều mẫu, viết cực nhanh, nhưng thỉnh thoảng vẫn tự tin nói sai nếu bạn không đưa đủ bối cảnh hoặc không bắt nó dựa vào nguồn.

Mini case: BA dùng LLM để xử lý yêu cầu khách hàng

Một BA trong công ty phần mềm outsourcing nhận được ghi chú workshop dài 10 trang. Nội dung gồm: yêu cầu của khách hàng, ý kiến sales, phản hồi dev, vài câu nói nửa chừng của stakeholder, và nhiều chỗ “sẽ xác nhận sau”.

Nếu đưa nguyên văn vào AI và hỏi “tóm tắt giúp”, kết quả thường chỉ đẹp trên bề mặt.

Cách dùng tốt hơn:

Bạn là trợ lý phân tích nghiệp vụ.

Hãy đọc ghi chú workshop dưới đây và chia thành 5 nhóm:
1. Yêu cầu đã rõ
2. Yêu cầu còn mơ hồ
3. Giả định đang được dùng
4. Rủi ro nếu hiểu sai
5. Câu hỏi cần xác nhận với khách hàng

Không thêm yêu cầu mới. Nếu thông tin không có trong ghi chú, đánh dấu là "chưa có dữ liệu".

Ở đây, BA không kỳ vọng LLM “hiểu domain hơn mình”. BA dùng LLM để dọn thông tin, phát hiện điểm cần hỏi lại, rồi tự đưa phán đoán nghề nghiệp.

Đó là cách dùng LLM lành mạnh.

LLM mạnh ở đâu?

• Xử lý ngôn ngữ nhanh: Email, tài liệu, transcript, feedback, comment, proposal - những thứ nhiều chữ là đất diễn tự nhiên của LLM.
• Chuyển đổi format: Từ ghi chú thành bảng. Từ bảng thành email. Từ email thành checklist. Từ checklist thành agenda.
• Tạo bản nháp: LLM rất giỏi giúp bạn vượt qua trang trắng. Nhưng bản nháp không phải bản cuối.
• Gợi ý góc nhìn: Bạn có thể yêu cầu AI đóng vai khách hàng khó tính, trưởng phòng tài chính, người dùng mới, QA tester, hoặc đối thủ cạnh tranh để phản biện ý tưởng.
• Giải thích theo nhiều cấp độ: Cùng một khái niệm, bạn có thể yêu cầu AI giải thích cho sinh viên, manager, developer hoặc khách hàng không chuyên.

LLM yếu ở đâu?

• Sự thật cập nhật: Nếu không được kết nối nguồn mới hoặc dữ liệu nội bộ, LLM có thể thiếu thông tin hiện tại.
• Dữ liệu riêng của công ty bạn: Nó không tự biết chính sách nghỉ phép, bảng giá, hợp đồng, quy trình nội bộ hoặc chiến lược quý này của công ty bạn.
• Trách nhiệm: AI không chịu trách nhiệm khi email sai, báo cáo sai, proposal sai. Người gửi chịu.
• Ngữ cảnh ngầm: Những thứ như “sếp anh thích ngắn”, “khách này đang rất khó chịu”, “dự án này nhạy cảm chính trị nội bộ” phải được bạn cung cấp hoặc tự kiểm soát.

Kết luận

1. LLM không đọc và hiểu chữ như con người; nó xử lý token và mẫu ngữ cảnh.
2. Câu trả lời được sinh từng phần dựa trên xác suất và chỉ dẫn.
3. LLM mạnh ở việc xử lý ngôn ngữ, chuyển format, tóm tắt, tạo bản nháp và gợi ý góc nhìn.
4. LLM yếu ở dữ kiện cập nhật, dữ liệu nội bộ và trách nhiệm kiểm chứng.
5. Người dùng giỏi LLM là người biết giao việc rõ, cung cấp bối cảnh và kiểm tra đầu ra.