AI Crazy
New member
Đa dạng nhận thức có thể giúp các mô hình ngôn ngữ lớn (Llm) tạo ra câu trả lời phù hợp hơn với nhu cầu của người dùng. Nghiên cứu mới cho thấy việc dạy Llm về kiểu tư duy thích nghi hoặc đổi mới có thể chuyển hoá chất lượng và tính hữu dụng của kết quả.
AI và các agent dựa trên Llm đang được triển khai rộng rãi: nhiều tổ chức đã bắt đầu thử nghiệm hoặc sử dụng thường xuyên các công cụ này. Nghiên cứu cho thấy AI đóng góp rõ rệt vào doanh thu vận hành, cải thiện đổi mới, hài lòng khách hàng và lợi nhuận, nhưng mối lo lớn vẫn là độ chính xác và độ tin cậy của dữ liệu đầu vào.
Đa dạng nhận thức mô tả sự khác biệt trong cách mọi người suy nghĩ, giải quyết vấn đề và đưa ra quyết định. Thang đo KAI (Adaption–Innovation Theory) phân biệt từ kiểu thích nghi (thích cấu trúc, quy tắc rõ ràng) đến kiểu đổi mới (ít cấu trúc, linh hoạt hơn), với rất nhiều biến thể ở giữa.
Sự khác biệt này không phản ánh trí thông minh hay động lực; hiểu được phong cách nhận thức của từng người giúp đưa ra giải pháp hiệu quả hơn, cả khi làm việc cá nhân lẫn trong nhóm.
Một nghiên cứu của Carnegie Mellon và Penn State đã thử dạy Llm về lý thuyết thích nghi–đổi mới, rồi giao cho nó ba bài toán thiết kế với hai kiểu prompt khác nhau: một prompt được khung theo phong cách thích nghi (có cấu trúc, chi tiết, kỳ vọng rõ ràng) và một prompt theo phong cách đổi mới (mơ hồ hơn, cho phép linh hoạt và phá vỡ khuôn mẫu).
Câu trả lời được đánh giá theo hai tiêu chí chính: tính khả thi (feasibility) và mức độ liên quan đến mô hình tư duy hiện có (paradigm-relatedness). Kết quả cho thấy prompt theo hướng thích nghi tạo ra giải pháp có cấu trúc, thực tế và khả thi hơn; trong khi prompt theo hướng đổi mới cho ra nhiều ý tưởng thách thức khuôn khổ hiện tại nhưng ít khả thi hơn.
Kết quả này cho thấy Llm có thể được huấn luyện hoặc hướng dẫn để mô phỏng các phong cách tư duy khác nhau, từ đó sinh ra loại câu trả lời phù hợp với nhu cầu cụ thể của người dùng: cần giải pháp ngay lập tức và thực dụng thì chọn phong cách thích nghi; cần ý tưởng đột phá thì chọn phong cách đổi mới.
Thực tế ứng dụng có thể bao gồm giao diện cho phép người dùng chọn "phong cách" phản hồi, hoặc cung cấp đồng thời đa phong cách câu trả lời để cân nhắc giữa tính khả thi và tính sáng tạo. Cách tiếp cận này hứa hẹn tăng tính hữu dụng của Llm và cải thiện trải nghiệm người dùng, nhưng cũng đặt ra yêu cầu về đánh giá chất lượng, kiểm soát rủi ro và lựa chọn dữ liệu huấn luyện phù hợp.
Nguồn: Techradar
Tình hình ứng dụng AI hiện nay
AI và các agent dựa trên Llm đang được triển khai rộng rãi: nhiều tổ chức đã bắt đầu thử nghiệm hoặc sử dụng thường xuyên các công cụ này. Nghiên cứu cho thấy AI đóng góp rõ rệt vào doanh thu vận hành, cải thiện đổi mới, hài lòng khách hàng và lợi nhuận, nhưng mối lo lớn vẫn là độ chính xác và độ tin cậy của dữ liệu đầu vào.
Khái niệm đa dạng nhận thức
Đa dạng nhận thức mô tả sự khác biệt trong cách mọi người suy nghĩ, giải quyết vấn đề và đưa ra quyết định. Thang đo KAI (Adaption–Innovation Theory) phân biệt từ kiểu thích nghi (thích cấu trúc, quy tắc rõ ràng) đến kiểu đổi mới (ít cấu trúc, linh hoạt hơn), với rất nhiều biến thể ở giữa.
Sự khác biệt này không phản ánh trí thông minh hay động lực; hiểu được phong cách nhận thức của từng người giúp đưa ra giải pháp hiệu quả hơn, cả khi làm việc cá nhân lẫn trong nhóm.
Áp dụng vào Llm: thí nghiệm và kết quả
Một nghiên cứu của Carnegie Mellon và Penn State đã thử dạy Llm về lý thuyết thích nghi–đổi mới, rồi giao cho nó ba bài toán thiết kế với hai kiểu prompt khác nhau: một prompt được khung theo phong cách thích nghi (có cấu trúc, chi tiết, kỳ vọng rõ ràng) và một prompt theo phong cách đổi mới (mơ hồ hơn, cho phép linh hoạt và phá vỡ khuôn mẫu).
Câu trả lời được đánh giá theo hai tiêu chí chính: tính khả thi (feasibility) và mức độ liên quan đến mô hình tư duy hiện có (paradigm-relatedness). Kết quả cho thấy prompt theo hướng thích nghi tạo ra giải pháp có cấu trúc, thực tế và khả thi hơn; trong khi prompt theo hướng đổi mới cho ra nhiều ý tưởng thách thức khuôn khổ hiện tại nhưng ít khả thi hơn.
Ý nghĩa cho trải nghiệm người dùng
Kết quả này cho thấy Llm có thể được huấn luyện hoặc hướng dẫn để mô phỏng các phong cách tư duy khác nhau, từ đó sinh ra loại câu trả lời phù hợp với nhu cầu cụ thể của người dùng: cần giải pháp ngay lập tức và thực dụng thì chọn phong cách thích nghi; cần ý tưởng đột phá thì chọn phong cách đổi mới.
Thực tế ứng dụng có thể bao gồm giao diện cho phép người dùng chọn "phong cách" phản hồi, hoặc cung cấp đồng thời đa phong cách câu trả lời để cân nhắc giữa tính khả thi và tính sáng tạo. Cách tiếp cận này hứa hẹn tăng tính hữu dụng của Llm và cải thiện trải nghiệm người dùng, nhưng cũng đặt ra yêu cầu về đánh giá chất lượng, kiểm soát rủi ro và lựa chọn dữ liệu huấn luyện phù hợp.
Nguồn: Techradar
Bài viết liên quan