AI phân biệt: Mô hình ra quyết định, ví dụ và ứng dụng
Tìm hiểu cách AI phân biệt và các mô hình ra quyết định phân loại, định tuyến và chấm điểm dữ liệu đầu vào, điểm khác biệt so với AI tạo sinh và cách nhà phát triển ứng dụng các mô hình này.
Một yêu cầu hỗ trợ được gửi đến: “Tôi bị tính phí hai lần và cần được hoàn tiền.” Ứng dụng của bạn không nhất thiết cần một đoạn văn do mô hình AI tạo ra. Trước tiên, ứng dụng có thể cần đưa ra quyết định: yêu cầu này nên được chuyển đến bộ phận thanh toán, hỗ trợ kỹ thuật hay kinh doanh?
AI phân biệt (Discriminative AI) tập trung vào việc dự đoán nhãn, điểm số hoặc mục tiêu khác từ dữ liệu đầu vào. Một nhóm mô hình ra quyết định mới đưa ý tưởng này vào các API dành cho nhà phát triển: cung cấp ngữ cảnh và câu hỏi xác định cho mô hình, sau đó nhận lại quyết định có cấu trúc hoặc các xác suất để phần mềm sử dụng. Hướng dẫn này giải thích cách các mô hình hoạt động, vị trí của chúng bên cạnh AI tạo sinh và phương pháp đánh giá chúng.
AI phân biệt là gì?
AI phân biệt dự đoán một đặc điểm của dữ liệu đầu vào. Bộ lọc thư rác dự đoán một email có phải thư rác hay không; bộ phân loại gán yêu cầu hỗ trợ cho một nhóm; mô hình rủi ro ước tính khả năng xảy ra một kết quả xác định.
Trong học máy, các mô hình phân biệt thường học ánh xạ từ dữ liệu đầu vào x sang mục tiêu y, hoặc ước tính xác suất có điều kiện P(y | x). Mục tiêu có thể là một lớp, một giá trị số hoặc một đầu ra có cấu trúc khác. Hồi quy logistic, máy vector hỗ trợ (SVM) và nhiều mô hình phân loại bằng mạng nơ-ron là những ví dụ về phương pháp phân biệt. Không phải mô hình phân biệt nào cũng trả về xác suất và không phải mọi điểm số dạng số đều được hiệu chỉnh tốt.
Ý tưởng nền tảng này đã xuất hiện trước các trợ lý AI hiện nay. Điểm mới là sự ra đời của các API ra quyết định đa dụng, có khả năng tiếp nhận mô tả nhiệm vụ và các lựa chọn trả lời bằng ngôn ngữ tự nhiên. Nhờ đó, nhà phát triển có thể áp dụng cùng một giao diện cho nhiều nhiệm vụ phân loại hoặc chấm điểm.
Mô hình ra quyết định AI là gì?
Trong hệ sinh thái API hiện nay, mô hình ra quyết định (Decision Model) thường chỉ một mô hình hoặc dịch vụ được thiết kế để trả lời các câu hỏi có phạm vi xác định về dữ liệu đầu vào được cung cấp. Thay vì soạn câu trả lời tự do, mô hình trả về kết quả có kiểu dữ liệu xác định, chẳng hạn:
- Xác suất có/không: Khả năng tin nhắn này chứa yêu cầu hoàn tiền là bao nhiêu?
- Lựa chọn: Bộ phận nào nên tiếp nhận yêu cầu hỗ trợ này?
- Điểm số: Câu trả lời này đạt mức nào theo thang đánh giá chất lượng đã xác định?
Ví dụ, một mô hình ra quyết định có thể trả về nhãn thanh toán cùng các ước tính xác suất cho từng bộ phận. Ứng dụng của bạn có thể sử dụng kết quả để định tuyến yêu cầu, hỏi thêm thông tin hoặc chuyển yêu cầu đến nhân viên kiểm duyệt.
TypeSafe gọi dòng mô hình Jev của họ là mô hình “System One”. Liquid AI mô tả mô hình ra quyết định d1 là mô hình tiếp nhận văn bản và hình ảnh, sau đó trả về xác suất mà không tạo token đầu ra. Google Codelab về mô hình phân biệt minh họa cách sử dụng mô hình ra quyết định cùng mô hình tạo sinh trong một ứng dụng.
Các thuật ngữ này có liên quan nhưng không thể thay thế cho nhau. Mô hình phân biệt là một khái niệm rộng trong học máy; mô hình ra quyết định là một sản phẩm hoặc giao diện dành cho các quyết định có phạm vi xác định. Mô hình tạo sinh cũng có thể phân loại văn bản khi nhận được lời nhắc phù hợp, dù quy trình tạo sinh và định dạng phản hồi của nó có sự khác biệt.
AI phân biệt và AI tạo sinh
| AI phân biệt | AI tạo sinh | |
|---|---|---|
| Câu hỏi điển hình | “Danh mục nào phù hợp với dữ liệu đầu vào này?” | “Cần tạo phản hồi hoặc nội dung nào?” |
| Đầu ra phổ biến | Nhãn, dự đoán, điểm số hoặc xác suất | Văn bản, mã, hình ảnh, âm thanh hoặc nội dung được tạo khác |
| Nhiệm vụ ví dụ | Định tuyến yêu cầu hỗ trợ khách hàng | Soạn phản hồi cho khách hàng |
| Thế mạnh cần đánh giá | Quyết định có phạm vi xác định, tính nhất quán và điểm số có thể sử dụng | Tổng hợp linh hoạt, giải thích và sáng tạo nội dung |
| Mối quan tâm chính khi đánh giá | Lỗi phân loại, hiệu chỉnh xác suất và ngưỡng quyết định | Độ chính xác, tuân thủ hướng dẫn, an toàn và tính hữu ích |
Ranh giới này không có nghĩa mỗi mô hình chỉ có thể thực hiện một nhiệm vụ. LLM có thể trả về nhãn JSON và hệ thống ra quyết định có thể sử dụng mô hình tạo sinh trong một quy trình lớn hơn. Điểm khác biệt thực tế nằm ở chức năng mà mỗi thành phần được tối ưu hóa và cung cấp cho người dùng. Phản hồi API có cấu trúc không phải bằng chứng cho thấy xác suất của nó đã được hiệu chỉnh hoặc mô hình nền tảng thuộc loại phân biệt.
Hãy xem xét yêu cầu hoàn tiền. Mô hình ra quyết định có thể xác định vấn đề thuộc bộ phận thanh toán và ước tính mức độ khẩn cấp. Sau đó, mô hình tạo sinh có thể soạn phản hồi thể hiện sự đồng cảm dựa trên chính sách hoàn tiền liên quan. Trước khi thực hiện hành động, ứng dụng vẫn cần kiểm tra chính sách, quyền truy cập và mọi yêu cầu phê duyệt của con người.
Cách mô hình ra quyết định hoạt động trong ứng dụng
Lược đồ chính xác tùy thuộc vào nhà cung cấp, nhưng một yêu cầu ra quyết định điển hình gồm ba phần:
- Trạng thái (State): Thông tin cần đánh giá, chẳng hạn nội dung văn bản của yêu cầu hỗ trợ hoặc một hình ảnh.
- Câu hỏi và tiêu chí: Quyết định cần đưa ra cùng mô tả về các câu trả lời hoặc cấp độ điểm số được phép.
- Phản hồi có kiểu dữ liệu (Typed response): Nhãn, điểm số hoặc phân phối xác suất để ứng dụng diễn giải.
Ví dụ:
State: "I was charged twice for my subscription."
Question: Which team should handle this request?
Options: billing, technical support, sales
Illustrative result: billing
Đây là ví dụ khái niệm, không phải phản hồi API thực tế. Mô hình cũng có thể cung cấp độ tin cậy hoặc xác suất, tùy thuộc vào endpoint. Hãy tuân theo tài liệu của mô hình và API cụ thể thay vì giả định mọi nhà cung cấp đều sử dụng cùng định dạng yêu cầu hoặc hỗ trợ cùng phương thức đầu vào.
Điểm số xác suất có ý nghĩa gì?
Xác suất dự đoán chỉ hữu ích khi bạn hiểu độ tin cậy của nó. Nếu hệ thống gán giá trị 0.8 cho nhiều dự đoán tương tự, một hệ thống được hiệu chỉnh tốt sẽ có tỷ lệ dự đoán đúng khoảng 80% trong nhóm đó. Một điểm số 0.8 riêng lẻ không đảm bảo quyết định cụ thể là chính xác.
Hãy kiểm tra khả năng hiệu chỉnh trên dữ liệu của riêng bạn, đặc biệt sau khi thay đổi mô hình, nhãn, ngôn ngữ hoặc nguồn đầu vào. Bạn có thể sử dụng ngưỡng để chuyển các trường hợp có độ tin cậy thấp đến bộ phận kiểm duyệt, nhưng cần chọn ngưỡng dựa trên chi phí của dương tính giả và âm tính giả. Hàng đợi kiểm tra gian lận và đề xuất nội dung vô hại cần các quy tắc khác nhau.
Ví dụ và trường hợp ứng dụng AI phân biệt
Phân loại và định tuyến yêu cầu hỗ trợ
Mô hình ra quyết định có thể gán các tin nhắn đến cho bộ phận thanh toán, hỗ trợ kỹ thuật hoặc quản lý tài khoản. Hãy bổ sung lựa chọn “khác” hoặc “cần kiểm tra” cho các yêu cầu chưa rõ ràng và kiểm tra những tin nhắn chứa nhiều vấn đề. Đánh giá tỷ lệ lỗi theo từng danh mục thay vì chỉ xem độ chính xác tổng thể: một mô hình bỏ sót các khiếu nại thanh toán khẩn cấp vẫn có thể đạt kết quả tốt trên tập dữ liệu chứa phần lớn câu hỏi thông thường.
Kiểm duyệt nội dung
Quy trình kiểm duyệt có thể đặt câu hỏi liệu nội dung có thuộc một danh mục chính sách đã xác định hay không. Cung cấp cho mô hình các tiêu chí và ví dụ rõ ràng, đánh giá những trường hợp đặc biệt và chuyển các trường hợp chưa chắc chắn hoặc có hậu quả lớn đến người kiểm duyệt được đào tạo. Điểm số quyết định là dữ liệu đầu vào cho quy trình chính sách, không phải bằng chứng cho thấy nội dung vi phạm quy tắc.
Định tuyến LLM và tác nhân AI
Trước khi gọi LLM, ứng dụng có thể phân loại yêu cầu theo chủ đề, độ phức tạp hoặc phương thức đầu vào cần thiết. Thành phần định tuyến có thể chọn quy trình phù hợp hoặc yêu cầu bổ sung thông tin. Hãy kiểm tra hoạt động định tuyến cùng hệ thống phía sau: bước xử lý ban đầu có chi phí thấp sẽ không mang lại giá trị nếu liên tục chuyển các yêu cầu khó sang sai quy trình.
Phân loại tài liệu và hình ảnh
Mô hình ra quyết định đa phương thức có thể phân loại hình ảnh hoặc tài liệu theo danh mục xác định, chẳng hạn hóa đơn, biên lai hoặc ảnh chụp màn hình yêu cầu hỗ trợ. Hãy xác minh endpoint cụ thể hỗ trợ định dạng đầu vào và phương thức xử lý hình ảnh mà bạn cần. Phân loại khác với trích xuất mọi trường dữ liệu trong tài liệu; hãy kiểm tra xem mô hình và API được chọn có hỗ trợ cả hai nhiệm vụ hay không.
Chấm điểm theo tiêu chí đánh giá
Mô hình có thể xếp câu trả lời vào một thang điểm có thứ tự, sử dụng các mô tả như “thiếu bằng chứng quan trọng”, “được hỗ trợ một phần” và “được hỗ trợ đầy đủ”. Hãy kiểm tra mức độ đồng thuận giữa những người đánh giá về nhãn và tính nhất quán của mô hình khi xử lý các câu trả lời tương tự. Tránh trình bày điểm số theo tiêu chí đánh giá như phép đo khách quan khi chưa có xác thực.
Các mô hình ra quyết định có trong danh mục mô hình Felo
Danh mục mô hình Felo có bộ lọc đầu ra Decisions. Theo danh sách ngày 2 tháng 11 năm 2026, các ví dụ gồm:
| Mục trong danh mục | Công dụng được mô tả | Đầu vào hiển thị trong danh mục |
|---|---|---|
| TypeSafe Jev 1.14 | Định tuyến, phân loại và kiểm duyệt | Văn bản và hình ảnh; danh mục mô tả hỗ trợ hình ảnh là tính năng thử nghiệm |
| LiquidAI d1.1 | Quyết định có/không, lựa chọn và chấm điểm | Văn bản và hình ảnh |
| Baseten Joey 1 | Phân loại và định tuyến | Văn bản và hình ảnh |
| Perplexity Decider Flash V1.2 | Phân loại, định tuyến và chấm điểm | Văn bản và hình ảnh |
Các mô tả này phản ánh thông tin trong danh mục, không phải kết quả kiểm tra hiệu suất độc lập hoặc khuyến nghị rằng một mô hình vượt trội hơn các mô hình khác. Tình trạng khả dụng, hỗ trợ tính năng, giới hạn ngữ cảnh và giá cả có thể thay đổi. Hãy kiểm tra danh sách và tài liệu endpoint hiện hành trước khi xây dựng ứng dụng, đặc biệt đối với các tính năng thử nghiệm hoặc đa phương thức. Việc một mô hình xuất hiện trong danh mục không chứng minh mọi tính năng API gốc của nhà cung cấp đều được cung cấp trên mọi nền tảng.
Cách đánh giá mô hình ra quyết định AI
Hãy bắt đầu bằng một quyết định có phạm vi hẹp và tập hợp ví dụ đại diện với nhãn đã được xác thực. Bao gồm các trường hợp khó, danh mục thiểu số, ngữ cảnh còn thiếu và ví dụ cần sự can thiệp của con người. Sau đó, so sánh mô hình với một phương pháp cơ sở đơn giản, bộ phân loại hiện có hoặc LLM có đầu ra cấu trúc.
Đánh giá nhiều yếu tố hơn độ chính xác:
- Precision và Recall (Độ chính xác và độ bao phủ): Những lỗi nào quan trọng và tần suất xuất hiện của chúng trong từng lớp là bao nhiêu?
- Calibration (Hiệu chỉnh): Xác suất dự đoán có khớp với kết quả quan sát được trong các nhóm trường hợp hay không?
- Coverage (Phạm vi xử lý): Bao nhiêu phần trăm yêu cầu có thể được xử lý tự động tại ngưỡng đã chọn?
- Latency và Reliability (Độ trễ và độ tin cậy): Toàn bộ lệnh gọi API có đáp ứng yêu cầu của môi trường sản xuất không?
- Cost (Chi phí): Chi phí cho mỗi quyết định hữu ích là bao nhiêu, bao gồm thử lại, nhiều câu hỏi, xử lý hình ảnh và kiểm duyệt thủ công?
- Robustness (Độ bền vững): Hiệu suất có được duy trì giữa các ngôn ngữ, định dạng, ví dụ chưa gặp và lưu lượng truy cập thay đổi không?
Sử dụng tập kiểm tra độc lập sau khi tinh chỉnh nhãn và ngưỡng. Trong môi trường sản xuất, hãy ghi nhật ký kết quả khi phù hợp, xem xét những trường hợp bất đồng và đánh giá lại khi phiên bản mô hình, chính sách hoặc phân phối dữ liệu đầu vào thay đổi. Đối với các quyết định có hậu quả lớn, hãy thiết kế cơ chế giám sát có ý nghĩa của con người và xác minh các yêu cầu áp dụng.
Câu hỏi thường gặp
AI phân biệt có giống mô hình ra quyết định không?
Không hoàn toàn. AI phân biệt mô tả một phương pháp rộng để dự đoán mục tiêu từ dữ liệu đầu vào. Mô hình ra quyết định là một danh mục sản phẩm mới, tập trung vào các đầu ra có phạm vi xác định như lựa chọn, điểm số và xác suất. Một số mô hình ra quyết định sử dụng kỹ thuật phân biệt, nhưng hai thuật ngữ này không mô tả cùng một khái niệm.
LLM có thể phân loại hoặc đưa ra quyết định không?
Có. LLM tạo sinh có thể nhận lời nhắc để phân loại nội dung hoặc trả về đầu ra có cấu trúc. Việc một mô hình ra quyết định chuyên dụng có hiệu suất tốt hơn, tốc độ cao hơn hoặc chi phí thấp hơn hay không phụ thuộc vào nhiệm vụ, mô hình, nhà cung cấp và phương pháp đánh giá. Hãy kiểm tra cả hai bằng các ví dụ của riêng bạn.
Xác suất của mô hình ra quyết định có luôn chính xác không?
Không. Mô hình có thể tạo ra các xác suất được hiệu chỉnh kém trên một tập dữ liệu hoặc nhóm đối tượng cụ thể. Hãy đo lường khả năng hiệu chỉnh và hậu quả của sai sót trước khi sử dụng ngưỡng để tự động hóa quy trình.
Khi nào nên sử dụng AI tạo sinh thay thế?
Hãy sử dụng mô hình tạo sinh khi nhiệm vụ yêu cầu soạn thảo, giải thích, tổng hợp hoặc tạo nội dung mở. Trong nhiều ứng dụng, mô hình ra quyết định và mô hình tạo sinh phối hợp với nhau: một mô hình định tuyến hoặc phân loại, mô hình còn lại tạo phản hồi.
AI phân biệt cung cấp cho nhà phát triển phương pháp tích hợp các quyết định rõ ràng, có thể đo lường vào quy trình làm việc. Hãy bắt đầu bằng một nhiệm vụ có phạm vi xác định, kiểm tra những lỗi quan trọng và xác định mức độ tự động hóa dựa trên bằng chứng.
Khám phá các mô hình ra quyết định trong danh mục Felo →
Bài viết này cũng có sẵn bằng English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Türkçe, Italiano, ไทย, Español, বাংলা and Português.