Với đa số doanh nghiệp, câu trả lời mặc định là mua hoặc gọi API mô hình có sẵn, kết hợp dữ liệu riêng qua truy xuất (RAG); tinh chỉnh (fine-tuning) chỉ nên làm khi đã chứng minh được rằng cách rẻ hơn không đạt yêu cầu; tự huấn luyện mô hình nền từ đầu gần như chỉ dành cho công ty có ngân sách nghiên cứu lớn hoặc ngôn ngữ, lĩnh vực chưa có mô hình đủ tốt.
Lý do là chi phí và rủi ro tăng rất nhanh khi đi xuống từng mức, trong khi lợi thế đạt được không tăng tương ứng. Bài này chia lựa chọn thành năm mức, so sánh trên cùng một bảng và đưa ra một cây quyết định để bạn mang vào cuộc họp ngân sách.
Năm mức đưa AI vào doanh nghiệp
Mức 1 — Dùng phần mềm có AI tích hợp. Trợ lý trong bộ văn phòng, tính năng tóm tắt cuộc họp, gợi ý trong phần mềm CRM. Doanh nghiệp không xây gì cả; công việc chính là cấu hình quyền, chính sách dữ liệu và đào tạo người dùng.
Mức 2 — Gọi API mô hình kèm câu lệnh được thiết kế. Đội kỹ thuật viết ứng dụng nhỏ gọi mô hình qua giao diện lập trình, với câu lệnh hệ thống, ví dụ mẫu và định dạng đầu ra cố định. Phù hợp cho phân loại văn bản, trích xuất trường thông tin, soạn nháp.
Mức 3 — Truy xuất tăng cường (RAG) trên tài liệu nội bộ. Mô hình được cung cấp đoạn tài liệu liên quan tại thời điểm trả lời. Tri thức nằm ở kho tài liệu chứ không nằm trong trọng số mô hình, nên cập nhật bằng cách sửa tài liệu. Cơ chế RAG đã được giải thích ở nhiều nơi; điểm cần nhớ ở góc triển khai là chất lượng phụ thuộc chủ yếu vào khâu cắt đoạn, đánh chỉ mục và phân quyền tài liệu.
Mức 4 — Tinh chỉnh mô hình có sẵn. Huấn luyện thêm một mô hình nền trên vài trăm đến vài chục nghìn ví dụ của doanh nghiệp để thay đổi hành vi: giọng văn, định dạng, cách phân loại đặc thù. Kỹ thuật tinh chỉnh tham số hiệu quả như LoRA (Hu và cộng sự, 2021) làm chi phí giảm mạnh so với tinh chỉnh toàn bộ.
Mức 5 — Tự huấn luyện mô hình nền. Thu thập kho dữ liệu khổng lồ, thuê cụm máy tính lớn, đội nghiên cứu chuyên sâu. Hợp lý cho một số ít tập đoàn công nghệ hoặc dự án ngôn ngữ, lĩnh vực đặc thù có chủ đích dài hạn.
So sánh năm mức trên cùng một bảng
Bảng dưới so sánh tương đối, không phải con số tuyệt đối; chi phí thật phụ thuộc quy mô sử dụng và nhà cung cấp.
| Tiêu chí | Mức 1–2 | Mức 3 (RAG) | Mức 4 (tinh chỉnh) | Mức 5 (tự huấn luyện) |
|---|---|---|---|---|
| Thời gian ra bản dùng được | Vài ngày đến vài tuần | Vài tuần đến vài tháng | Vài tháng | Nhiều tháng đến nhiều năm |
| Chi phí ban đầu | Thấp | Trung bình | Trung bình đến cao | Rất cao |
| Năng lực nội bộ cần có | Quản trị ứng dụng, viết câu lệnh | Kỹ sư dữ liệu, kỹ sư phần mềm | Kỹ sư học máy, dữ liệu gán nhãn | Đội nghiên cứu, hạ tầng tính toán |
| Cập nhật tri thức mới | Phụ thuộc nhà cung cấp | Dễ: sửa tài liệu | Khó: phải huấn luyện lại | Rất khó |
| Kiểm soát dữ liệu | Thấp đến trung bình | Trung bình | Cao nếu tự lưu trữ | Cao nhất |
| Rủi ro khoá chặt nhà cung cấp | Cao | Trung bình | Trung bình | Thấp |
Điều bảng không nói được: mỗi mức không loại trừ nhau. Một hệ thống trưởng thành thường kết hợp RAG để có tri thức cập nhật và tinh chỉnh nhẹ để có định dạng ổn định. Sai lầm phổ biến là nhảy thẳng xuống mức 4 để "dạy mô hình kiến thức công ty" — việc mà mức 3 làm tốt hơn và rẻ hơn.
Tinh chỉnh để làm gì và không để làm gì
Hiểu lầm lớn nhất về tinh chỉnh là coi nó như cách "nạp kiến thức" vào mô hình. Thực tế, tinh chỉnh trên tập nhỏ chủ yếu thay đổi cách mô hình trả lời: tuân thủ một định dạng, dùng đúng thuật ngữ nội bộ, phân loại theo bộ nhãn riêng, giữ giọng văn thương hiệu. Muốn mô hình biết chính sách giá mới ban hành tuần trước, cách đúng là đưa văn bản đó vào kho truy xuất. Nhồi kiến thức vào trọng số vừa tốn kém, vừa khó kiểm soát, vừa phải làm lại mỗi khi chính sách đổi.
Tinh chỉnh hợp lý trong ba tình huống. Thứ nhất, bạn cần một mô hình nhỏ, rẻ, chạy nhanh để làm một việc hẹp với khối lượng lớn — ví dụ phân loại hàng triệu phản hồi khách mỗi tháng — và mô hình lớn qua API quá đắt. Thứ hai, yêu cầu định dạng hay phong cách khắt khe mà câu lệnh và ví dụ mẫu không giữ ổn định được. Thứ ba, dữ liệu không được phép rời khỏi hạ tầng của bạn, nên phải dùng mô hình trọng số mở tự lưu trữ và mô hình đó cần được nâng lên cho đủ tốt.
Điều kiện cần là có tập ví dụ chất lượng: đầu vào thật, đầu ra do chuyên gia duyệt, phủ đủ các ca khó. Vài trăm ví dụ sạch thường giá trị hơn vài chục nghìn ví dụ nhiễu. Và luôn giữ một tập kiểm thử tách riêng để chứng minh mô hình tinh chỉnh thật sự tốt hơn bản gốc kèm câu lệnh tốt — nhiều dự án bỏ qua bước này và tốn tiền cho một mô hình không hơn gì.
Mô hình trọng số mở tự lưu trữ hay mô hình đóng qua API
Đây là quyết định riêng, cắt ngang qua các mức 2 đến 4. Mô hình đóng qua API thường mạnh nhất ở thời điểm phát hành, không cần hạ tầng, trả tiền theo lượng dùng. Đổi lại, dữ liệu đi qua máy chủ của nhà cung cấp, giá và phiên bản mô hình do họ quyết định, và một phiên bản bạn đã kiểm thử kỹ có thể bị ngừng hỗ trợ.
Mô hình trọng số mở (open-weight) — trọng số được công bố, có thể tải về chạy trên máy chủ riêng hoặc đám mây riêng — cho quyền kiểm soát cao hơn: dữ liệu không rời hạ tầng, phiên bản cố định, có thể tinh chỉnh tự do trong phạm vi giấy phép. Cái giá là bạn tự lo máy chủ có GPU, tự tối ưu tốc độ phục vụ, tự vá lỗi và tự cập nhật. Lưu ý "trọng số mở" khác "mã nguồn mở" theo nghĩa chặt: nhiều giấy phép có điều khoản giới hạn mục đích sử dụng hoặc quy mô người dùng, cần pháp chế đọc trước khi dùng thương mại.
Quy tắc ngón tay cái: khối lượng nhỏ và biến động, yêu cầu chất lượng cao nhất, dữ liệu không quá nhạy cảm thì API hợp lý hơn. Khối lượng lớn và ổn định, dữ liệu nhạy cảm, bài toán hẹp mà mô hình vừa phải đã đủ tốt thì tự lưu trữ bắt đầu có lợi. Điểm hoà vốn giữa hai cách phải tính bằng số liệu sử dụng thật của bạn, không nên tin con số chung chung.
Cây quyết định: chọn mức nào cho một bài toán
Đi lần lượt các câu hỏi, dừng ở câu đầu tiên có câu trả lời "có":
- Phần mềm đang dùng đã có tính năng AI làm được việc này chưa? Có thì dùng mức 1, tập trung vào cấu hình và đào tạo.
- Việc này chỉ cần năng lực chung của mô hình (viết, tóm tắt, phân loại, trích xuất) với dữ liệu đưa vào từng lần? Có thì mức 2.
- Câu trả lời phụ thuộc tri thức riêng, thay đổi theo thời gian của doanh nghiệp? Có thì mức 3, đầu tư vào chất lượng tài liệu và phân quyền.
- Đã thử mức 2–3 với câu lệnh tốt và tập kiểm thử rõ ràng mà vẫn không đạt định dạng, độ chính xác hoặc chi phí mục tiêu? Có thì cân nhắc mức 4.
- Không có mô hình nào trên thị trường xử lý được ngôn ngữ, lĩnh vực hoặc ràng buộc của bạn, và bạn có ngân sách nghiên cứu nhiều năm? Chỉ khi đó mới bàn tới mức 5.
Cây quyết định này cố ý thiên về mức thấp. Lý do: mỗi mức cao hơn tăng thêm phần việc vận hành dài hạn — giám sát, cập nhật, kiểm thử lại — mà ngân sách dự án ban đầu thường không tính.
Chống khoá chặt nhà cung cấp ngay từ thiết kế
Tách lớp gọi mô hình. Ứng dụng không gọi thẳng một nhà cung cấp ở hàng chục chỗ, mà qua một lớp trung gian thống nhất. Đổi mô hình khi đó là đổi cấu hình, không phải viết lại ứng dụng.
Giữ tài sản ở phía mình. Kho tài liệu, chỉ mục, bộ câu lệnh, tập ví dụ và tập kiểm thử là tài sản của doanh nghiệp. Nếu chúng nằm gọn trong nền tảng của nhà cung cấp mà không xuất ra được, bạn đang bị khoá.
Kiểm thử định kỳ với mô hình thay thế. Chạy tập kiểm thử của bạn trên ít nhất một mô hình thứ hai mỗi quý. Khi cần chuyển, bạn đã biết mất gì và được gì.
Đọc kỹ điều khoản dữ liệu và ngừng hỗ trợ. Hợp đồng nên nói rõ dữ liệu đầu vào có bị dùng để huấn luyện không, lưu bao lâu, lưu ở đâu, và nhà cung cấp báo trước bao lâu khi ngừng một phiên bản mô hình.
Ví dụ: cùng một bài toán đi qua ba mức
Ví dụ giả định: một công ty bảo hiểm phi nhân thọ muốn hỗ trợ nhân viên giám định đọc hồ sơ bồi thường xe — ảnh hiện trường, biên bản, báo giá sửa chữa — và đề xuất các điểm cần kiểm tra. Giai đoạn đầu, đội dự án dùng mức 2: gọi mô hình qua API, đưa nội dung hồ sơ vào câu lệnh và yêu cầu liệt kê điểm bất thường theo mẫu cố định. Sau ba tuần đã có bản dùng thử, nhân viên giám định đánh giá hữu ích với hồ sơ đơn giản nhưng mô hình không biết quy tắc nghiệp vụ riêng của công ty.
Giai đoạn hai chuyển sang mức 3: quy tắc giám định, điều khoản sản phẩm và danh mục giá phụ tùng tham chiếu được đưa vào kho truy xuất, có phân quyền theo sản phẩm. Mô hình bắt đầu trích dẫn đúng điều khoản, và khi quy tắc thay đổi, đội nghiệp vụ chỉ cần sửa tài liệu. Đây là bước mang lại phần lớn giá trị.
Giai đoạn ba mới cân nhắc mức 4: khối lượng hồ sơ tăng, chi phí gọi mô hình lớn thành đáng kể, và việc phân loại mức độ hư hỏng cần nhất quán hơn. Đội dự án tinh chỉnh một mô hình nhỏ chỉ cho bước phân loại, dùng vài nghìn hồ sơ đã được giám định viên kết luận, còn bước giải thích vẫn dùng mô hình lớn kèm truy xuất. Bài học của ví dụ: mỗi bước xuống mức thấp hơn đều có lý do đo được, và không bước nào bị nhảy cóc.
Câu hỏi thường gặp
Doanh nghiệp nhỏ có nên tự lưu trữ mô hình trọng số mở không?
Thường là chưa. Chi phí máy chủ có GPU, công vận hành và cập nhật dễ vượt xa tiền gọi API ở khối lượng nhỏ. Ngoại lệ là khi dữ liệu tuyệt đối không được ra ngoài và bài toán đủ hẹp để một mô hình nhỏ chạy trên máy chủ khiêm tốn đáp ứng được.
Tinh chỉnh cần bao nhiêu dữ liệu?
Không có con số chung. Với việc thay đổi định dạng hoặc giọng văn, vài trăm ví dụ chất lượng cao có thể đã thấy khác biệt. Với phân loại nhiều nhãn hoặc lĩnh vực chuyên sâu cần nhiều hơn. Cách đúng là tăng dần kích thước tập huấn luyện và đo trên tập kiểm thử cố định để thấy khi nào thêm dữ liệu không còn cải thiện.
Mô hình tinh chỉnh có còn dùng được khi nhà cung cấp ra mô hình mới không?
Mô hình tinh chỉnh gắn với phiên bản gốc. Khi có mô hình nền mới tốt hơn, bạn thường phải tinh chỉnh lại trên nền mới, và đôi khi mô hình mới kèm câu lệnh tốt đã vượt bản tinh chỉnh cũ. Vì vậy hãy giữ tập dữ liệu huấn luyện và quy trình tinh chỉnh như một tài sản có thể chạy lại.
Mua giải pháp đóng gói của nhà cung cấp trong nước hay tự làm trên API?
Giải pháp đóng gói nhanh có kết quả và thường đã xử lý tiếng Việt, tích hợp phổ biến. Tự làm trên API linh hoạt hơn và giữ tài sản ở phía bạn. Tiêu chí chọn là bài toán có phổ biến không, bạn có đội kỹ thuật duy trì không, và hợp đồng có cho xuất dữ liệu, cấu hình khi chấm dứt không.
Có nên chờ mô hình tốt hơn rồi mới làm?
Chờ thì luôn có mô hình tốt hơn ở phía trước. Phần tốn công nhất của dự án — làm sạch tài liệu, định nghĩa đúng sai, xây tập kiểm thử, thay đổi quy trình — không phụ thuộc mô hình và dùng lại được khi đổi mô hình. Bắt đầu sớm với kiến trúc dễ thay mô hình là cách an toàn hơn chờ đợi.