Trong những giai đoạn đầu của AI tạo sinh, phần lớn cuộc trò chuyện xoay quanh khả năng viết và trả lời câu hỏi bằng văn bản. Tuy nhiên, dữ liệu mà con người sử dụng trong công việc hằng ngày không chỉ là những đoạn chữ. Một cuộc họp có thể được lưu dưới dạng bản ghi âm, một báo cáo có thể chứa bảng số liệu và biểu đồ, còn hồ sơ nghiệp vụ thường bao gồm cả hình ảnh, biểu mẫu, email và tài liệu đính kèm. Sự xuất hiện của AI đa phương thức đang mở rộng cách các hệ thống trí tuệ nhân tạo tiếp nhận và xử lý những dạng thông tin đó.
AI đa phương thức, theo cách hiểu khái quát, là nhóm hệ thống có khả năng làm việc với từ hai loại dữ liệu trở lên, chẳng hạn văn bản và hình ảnh, hoặc văn bản và âm thanh. Người dùng có thể đưa vào một bức ảnh để yêu cầu mô tả, cung cấp tài liệu để tìm điểm chính, hoặc kết hợp câu hỏi với một bảng dữ liệu nhằm yêu cầu phân tích. Điểm đáng chú ý không nằm ở việc hệ thống “nhìn” hay “nghe” giống con người, mà ở khả năng kết nối nhiều nguồn dữ liệu trong cùng một tác vụ.
Từ câu hỏi bằng chữ đến bức tranh đầy đủ hơn
Với AI chỉ xử lý văn bản, người dùng thường phải chuyển đổi dữ liệu trước khi đưa vào hệ thống. Một bảng biểu có thể cần được gõ lại, nội dung cuộc họp phải được chép thành chữ, còn thông tin trong ảnh phải được mô tả bằng lời. Bước chuyển đổi này vừa mất thời gian vừa có thể làm thất lạc ngữ cảnh. AI đa phương thức giúp rút ngắn một phần quy trình bằng cách tiếp nhận trực tiếp nhiều dạng đầu vào.
Trong môi trường văn phòng, một nhân viên có thể yêu cầu hệ thống tóm tắt một tài liệu dài, đồng thời chỉ ra những biểu đồ hoặc phần thông tin cần được chú ý. Trong đào tạo, người học có thể đưa hình ảnh của một sơ đồ hoặc trang tài liệu để nhờ giải thích theo từng bước. Trong hoạt động chăm sóc khách hàng, bản ghi âm cuộc gọi có thể được chuyển thành văn bản, phân loại theo chủ đề và dùng để tìm những điểm cần phản hồi. Đây là các hướng ứng dụng mang tính hỗ trợ, trong đó AI giúp con người xử lý khối lượng thông tin lớn hơn thay vì tự động thay thế toàn bộ quyết định.
Khả năng kết hợp các phương thức dữ liệu cũng có ý nghĩa với những người gặp khó khăn khi tiếp cận một loại nội dung nhất định. Chẳng hạn, một hình ảnh có thể được chuyển thành mô tả bằng lời, hoặc một văn bản dài được tóm tắt để người dùng nghe và nắm ý chính. Dù chất lượng phụ thuộc vào công cụ và bối cảnh, cách tiếp cận này cho thấy AI có thể trở thành một lớp giao diện mới giữa con người và kho dữ liệu.
Những thay đổi trong quy trình làm việc
Giá trị thực tế của AI đa phương thức không chỉ nằm ở việc tạo ra một câu trả lời nhanh. Quan trọng hơn, công nghệ này có thể làm thay đổi thứ tự các bước trong một quy trình. Trước đây, con người thường phải thu thập tài liệu, đọc từng phần, ghi chú, phân loại rồi mới bắt đầu tổng hợp. Khi có công cụ phù hợp, AI có thể hỗ trợ ở các bước đầu như nhận diện nội dung, lập bản tóm tắt sơ bộ và gợi ý mối liên hệ giữa các tài liệu.
Tuy vậy, không nên xem kết quả của AI là hồ sơ hoàn chỉnh. Một bản tóm tắt có thể bỏ sót chi tiết nằm trong chú thích của biểu đồ. Một hệ thống nhận dạng âm thanh có thể hiểu sai tên riêng, thuật ngữ chuyên môn hoặc câu nói bị nhiễu. Hình ảnh có bố cục phức tạp cũng có thể khiến AI nhầm lẫn giữa tiêu đề, ghi chú và dữ liệu chính. Vì thế, quy trình hiệu quả thường cần phân định rõ đâu là phần máy hỗ trợ, đâu là phần con người phải xác nhận.
Một mô hình làm việc thận trọng có thể bắt đầu bằng việc yêu cầu AI lập danh mục nội dung đã nhận diện, sau đó đánh dấu những phần không chắc chắn. Người sử dụng kiểm tra các điểm quan trọng bằng tài liệu gốc, điều chỉnh câu hỏi nếu kết quả còn mơ hồ và chỉ đưa thông tin đã được rà soát vào sản phẩm cuối cùng. Cách này thực tế hơn việc giao cho hệ thống một yêu cầu quá rộng rồi sử dụng nguyên văn câu trả lời.
Không phải dữ liệu nào cũng nên đưa vào AI
Khi AI có thể tiếp nhận hình ảnh, âm thanh và tài liệu, câu hỏi về quyền riêng tư trở nên phức tạp hơn. Một tệp ghi âm có thể chứa giọng nói và thông tin cá nhân của nhiều người. Một ảnh chụp màn hình có thể vô tình bao gồm địa chỉ email, mã hồ sơ, thông tin tài khoản hoặc nội dung trao đổi nội bộ. Tài liệu tưởng như chỉ dùng để tham khảo cũng có thể chứa dữ liệu kinh doanh chưa được công bố.
Trước khi sử dụng một công cụ AI, người dùng nên xác định dữ liệu đang xử lý thuộc về ai, có chứa thông tin nhạy cảm hay không và việc đưa dữ liệu đó vào dịch vụ có phù hợp với quy định của tổ chức hay không. Khi chưa cần thiết, có thể loại bỏ các trường thông tin nhận dạng, che những chi tiết riêng tư hoặc dùng dữ liệu mẫu để thử nghiệm. Những biện pháp này không loại bỏ hoàn toàn rủi ro, nhưng giúp giảm khả năng chia sẻ quá mức.
Doanh nghiệp cũng cần xây dựng quy trình rõ ràng thay vì chỉ nhắc nhân viên “cẩn thận khi dùng AI”. Quy trình nên nêu loại dữ liệu nào được phép sử dụng, loại nào cần ẩn danh, ai có quyền truy cập kết quả và kết quả AI phải được kiểm tra ở mức nào trước khi gửi cho khách hàng hoặc dùng để ra quyết định. Với những tác vụ liên quan đến pháp lý, tài chính, tuyển dụng, y tế hoặc quyền lợi cá nhân, yêu cầu kiểm duyệt của con người cần được đặt ở vị trí trung tâm.
Ranh giới giữa nhận diện và hiểu đúng
Một trong những nhầm lẫn phổ biến là cho rằng AI nhận diện được một vật thể hoặc đọc được một tài liệu thì đồng nghĩa với việc hệ thống đã hiểu đầy đủ ý nghĩa của chúng. Trên thực tế, kết quả có thể phụ thuộc nhiều vào chất lượng đầu vào, cách đặt câu hỏi và bối cảnh được cung cấp. Một bức ảnh thiếu sáng, một bản ghi âm có nhiều người nói cùng lúc hoặc một biểu đồ không có đơn vị đo đều có thể làm tăng khả năng diễn giải sai.
AI cũng có thể tạo ra câu trả lời nghe hợp lý nhưng không hoàn toàn phù hợp với dữ liệu gốc. Với nội dung quan trọng, người dùng cần đối chiếu các con số, tên riêng, mốc thời gian và quan hệ nguyên nhân, thay vì chỉ đánh giá câu trả lời dựa trên giọng văn trôi chảy. Nếu hệ thống đưa ra nhận định nhưng không thể chỉ rõ nhận định đó dựa trên phần nào của tài liệu, người dùng nên xem đó là gợi ý để kiểm tra chứ không phải kết luận cuối cùng.
Cách đặt yêu cầu cũng ảnh hưởng đáng kể đến kết quả. Một lời nhắc tốt nên nêu rõ mục tiêu, phạm vi dữ liệu, định dạng mong muốn và những điều hệ thống không được suy đoán. Người dùng có thể yêu cầu AI tách riêng thông tin trực tiếp có trong tài liệu khỏi phần diễn giải, đánh dấu nội dung chưa đủ căn cứ và giữ nguyên các thuật ngữ cần được kiểm tra. Những yêu cầu cụ thể như vậy giúp quá trình đánh giá trở nên minh bạch hơn.
Chuẩn bị kỹ năng cho thời đại dữ liệu đa dạng
AI đa phương thức không chỉ đặt ra yêu cầu đối với nhà phát triển công nghệ. Người sử dụng phổ thông cũng cần một số kỹ năng nền tảng. Trước hết là khả năng tổ chức dữ liệu: biết tài liệu nào liên quan, phiên bản nào là mới nhất và thông tin nào cần giữ nguyên. Tiếp đó là kỹ năng mô tả bối cảnh, bởi cùng một hình ảnh hoặc văn bản có thể cần cách phân tích khác nhau tùy mục tiêu.
Kỹ năng quan trọng khác là đánh giá đầu ra. Người dùng cần biết nhận diện những điểm thiếu căn cứ, phân biệt mô tả với suy luận và kiểm tra lại các thông tin có thể gây hậu quả nếu sai. Đây không phải là yêu cầu chỉ dành cho người làm công nghệ. Bất kỳ ai sử dụng AI để soạn thảo, học tập, nghiên cứu hoặc xử lý công việc đều cần duy trì thói quen xem xét nguồn dữ liệu ban đầu.
Các tổ chức có thể bắt đầu từ những tác vụ rủi ro thấp như tóm tắt tài liệu công khai, chuyển đổi định dạng hoặc lập danh sách câu hỏi cần giải quyết. Sau khi đánh giá chất lượng và chi phí, họ mới nên mở rộng sang các quy trình có dữ liệu nội bộ hoặc ảnh hưởng trực tiếp đến khách hàng. Việc thử nghiệm theo từng bước giúp tổ chức hiểu rõ giới hạn của công cụ, thay vì triển khai rộng chỉ vì một bản trình diễn gây ấn tượng.
AI đa phương thức nên được dùng như một lớp hỗ trợ
Triển vọng của AI đa phương thức nằm ở khả năng làm cho dữ liệu dễ tiếp cận và dễ xử lý hơn. Một hệ thống có thể hỗ trợ con người đọc nhanh tài liệu, tìm các điểm bất thường, chuyển đổi nội dung giữa nhiều định dạng và đặt ra những câu hỏi mà người dùng chưa nghĩ tới. Những lợi ích đó đặc biệt hữu ích khi khối lượng thông tin tăng nhanh nhưng thời gian dành cho việc xử lý vẫn có giới hạn.
Dẫu vậy, công nghệ chỉ phát huy tác dụng khi được đặt trong một quy trình có trách nhiệm. Con người vẫn cần quyết định dữ liệu nào được sử dụng, mục tiêu nào là phù hợp, kết quả nào đủ tin cậy và trường hợp nào phải dừng lại để kiểm tra thủ công. Không nên đánh đồng tốc độ xử lý với độ chính xác, cũng không nên xem khả năng làm việc với nhiều dạng dữ liệu là bằng chứng cho năng lực hiểu biết tuyệt đối.
Trong thời gian tới, câu hỏi quan trọng không chỉ là AI có thể nhìn, nghe hay đọc được những gì. Câu hỏi thiết thực hơn là con người sẽ thiết kế quy trình ra sao để công nghệ hỗ trợ đúng chỗ, hạn chế sai sót và bảo vệ dữ liệu. Khi được sử dụng với mục tiêu rõ ràng, kiểm soát phù hợp và sự giám sát liên tục, AI đa phương thức có thể trở thành công cụ giúp con người làm việc có hệ thống hơn với thế giới dữ liệu ngày càng phong phú.
