Tổng quan nghiên cứu

Trong bối cảnh bùng nổ của trí tuệ nhân tạo và các ứng dụng hội thoại, nhu cầu tự động hóa giao tiếp thông qua hệ thống hỏi đáp thông minh đang gia tăng mạnh mẽ tại các doanh nghiệp và cơ sở giáo dục. Các mô hình ngôn ngữ lớn hiện nay thường đối mặt với thách thức nghiêm trọng về chi phí tính toán khi bộ nhớ sử dụng tăng theo cấp số nhân, điển hình như kiến trúc T5 tăng gấp bốn lần dung lượng bộ nhớ khi độ dài chuỗi đầu vào tăng gấp đôi. Đồng thời, các mô hình tạo sinh truyền thống lưu trữ tri thức tĩnh trong trọng số tham số, dẫn đến chi phí tái huấn luyện đắt đỏ mỗi khi dữ liệu nghiệp vụ thay đổi. Tại Việt Nam, rào cản lớn nhất nằm ở sự thiếu hụt các bộ dữ liệu hỏi đáp tiếng Việt quy mô lớn và công khai để tinh chỉnh mô hình phục vụ thương mại.

Nhằm giải quyết triệt để những bất cập trên, nghiên cứu này tập trung xây dựng hệ thống hỏi đáp tăng cường truy xuất cho tiếng Việt với khả năng thích ứng linh hoạt trên nhiều miền nghiệp vụ mà không cần tái huấn luyện mô hình. Mục tiêu cụ thể là phát triển quy trình chuyển dịch tự động dữ liệu hỏi đáp chất lượng cao, thực nghiệm các chiến lược phối trộn dữ liệu đa ngữ nhằm tối ưu hóa độ chính xác và triển khai ứng dụng thực tế trong hệ thống tư vấn học vụ tại Trường Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh. Nghiên cứu giới hạn phạm vi ở bài toán hỏi đáp đơn lượt, xử lý truy xuất thông tin chính xác từ kho tri thức văn bản chuyên ngành và sinh câu trả lời tự nhiên, giúp giảm thiểu hơn 70% thời gian phát triển ứng dụng đối thoại chuyên biệt.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kiến trúc Transformer với cơ chế tự chú ý đa đầu, cho phép nắm bắt quan hệ ngữ cảnh hai chiều vượt trội so với các mạng nơ-ron hồi quy truyền thống. Mô hình tăng cường truy xuất kết hợp chặt chẽ giữa hai thành phần cốt lõi: Bộ truy xuất dày đặc và Bộ tạo sinh ngôn ngữ. Về mặt phân loại, bài toán hỏi đáp được tiếp cận dưới cả hai hình thức gồm đọc hiểu trích xuất, tức trích đoạn văn bản làm câu trả lời, và đọc hiểu tạo sinh câu trả lời tự nhiên.

Khung nghiên cứu tích hợp mô hình ngôn ngữ tiếng Việt chuyên biệt BARTpho với 150 triệu tham số cùng các mô hình đa ngôn ngữ mBERT sở hữu 110 triệu tham số và XLM-R. Bộ truy xuất sử dụng mContriever áp dụng học tương phản phi giám sát để nhúng ngữ nghĩa của câu hỏi và tài liệu vào cùng không gian vector 768 chiều. Khung lý thuyết này giúp hệ thống vừa khai thác được tri thức mở rộng bên ngoài, vừa kiểm soát tính chính xác của câu trả lời, tránh hiện tượng sinh ảo giác thông tin thường gặp trong các mô hình ngôn ngữ lớn đóng kín.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp giữa kỹ thuật dịch máy nơ-ron và học chuyển giao đa nhiệm. Để giải quyết bài toán thiếu hụt dữ liệu, tác giả xây dựng quy trình tự động ba giai đoạn gồm tiền xử lý, dịch máy ngoại tuyến bằng hệ thống VinAI Translate trên cụm máy chủ đa GPU liên tục trong khoảng 7 ngày, và hậu xử lý làm sạch lỗi định dạng. Cỡ mẫu thu được đạt quy mô 468.438 bộ ba tài liệu - câu hỏi - câu trả lời, được tổng hợp từ năm bộ dữ liệu học máy tiêu chuẩn quốc tế như SQuAD và NarrativeQA, trong đó 441.999 mẫu dành cho tập huấn luyện và 26.439 mẫu dành cho tập phát triển.

Phương pháp chọn mẫu phân tầng được áp dụng để chia tách tập dữ liệu thành 254.193 mẫu tạo sinh, 141.000 mẫu trích xuất và 43.501 mẫu câu hỏi không có câu trả lời. Lý do lựa chọn phương pháp này nhằm giúp mô hình học được đa dạng cấu trúc ngữ pháp và thích ứng tốt với cả câu hỏi suy luận lẫn câu hỏi tra cứu trực tiếp. Toàn bộ quá trình tinh chỉnh mô hình được tiến hành qua 15 chu kỳ huấn luyện với tốc độ học 0,001. Hiệu năng được đo lường khách quan bằng tập kiểm thử chuẩn XQuAD tiếng Việt gồm 240 đoạn văn và 1.190 cặp câu hỏi - đáp án thông qua hai thước đo định lượng là điểm F1 và điểm khớp chính xác.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, việc áp dụng chiến lược phối trộn dữ liệu song ngữ Anh - Việt mang lại bước nhảy vọt về độ chính xác. Mô hình BARTpho huấn luyện kết hợp dữ liệu Anh - Việt đạt điểm F1 56,4% trên tập dữ liệu chuẩn XQuAD, vượt trội hơn khoảng 2,3% so với mô hình chỉ huấn luyện bằng dữ liệu tiếng Việt thuần túy đạt 54,1%.

Thứ hai, nghiên cứu phát hiện năng lực xử lý vượt trội của mô hình đa ngữ đối với các văn bản chứa thực thể lai tạp. Khi đánh giá trên tập dữ liệu chứa từ mượn tiếng Anh, tên riêng quốc tế và thuật ngữ khoa học, mô hình BARTpho phối trộn đạt F1 lên tới 58,31%, cao hơn 7,0% so với mức 51,31% của mô hình đơn ngữ. Ngược lại, trên các đoạn văn bản thuần Việt 100%, mô hình phối trộn đạt kết quả tương đương ở mức 46,2%.

Thứ ba, việc tích hợp đầu dự đoán ba lớp trên nền tảng mô hình chỉ mã hóa mBERT với 110 triệu tham số giúp tối ưu hóa thời gian suy luận và đạt hiệu năng trích xuất câu trả lời chính xác xấp xỉ các mô hình tạo sinh phức tạp có quy mô gấp đôi tham số.

Thứ tư, trong hệ thống tư vấn học vụ thực tế, bộ truy xuất mContriever kết hợp bộ tạo sinh đạt thứ hạng tương hỗ bình quân trên 0,82 và tỷ lệ khớp chính xác nội dung câu trả lời đạt trên 78% trên tập dữ liệu câu hỏi thường gặp của sinh viên.

Thảo luận kết quả

Kết quả nghiên cứu chứng minh hiện tượng chuyển giao tri thức chéo ngôn ngữ diễn ra hiệu quả khi ngôn ngữ đích thuộc nhóm tài nguyên thấp trong bài toán chuyên biệt. Dữ liệu gốc tiếng Anh chất lượng cao giúp bổ sung cấu trúc biểu diễn ngữ nghĩa phong phú cho không gian vector của mô hình tiếng Việt. Khi trực quan hóa dữ liệu qua biểu đồ đường cong học tập qua từng chu kỳ huấn luyện, điểm F1 của mô hình phối trộn tăng trưởng ổn định và đạt điểm hội tụ nhanh hơn khoảng 20% so với mô hình đơn ngữ.

So sánh với các nghiên cứu công bố về mô hình mT5 với quy mô từ 300 triệu đến 13 tỷ tham số, giải pháp kết hợp mContriever và BARTpho 150 triệu tham số trong nghiên cứu này đạt chất lượng trả lời tương đương nhưng giảm được hơn 60% tài nguyên tính toán và bộ nhớ RAM khi triển khai trên máy chủ cục bộ. Dữ liệu đối sánh thể hiện rõ qua bảng thống kê hiệu năng, khẳng định tính khả thi vượt trội của kiến trúc tăng cường truy xuất trong các ứng dụng thực tế có hạ tầng phần cứng giới hạn.

Đề xuất và khuyến nghị

Thứ nhất, các tổ chức giáo dục và doanh nghiệp cần tiến hành tích hợp kiến trúc tăng cường truy xuất vào các cổng thông tin trực tuyến trong lộ trình từ 3 đến 6 tháng tới. Việc này nhằm mục tiêu tự động hóa giải đáp 80% thắc mắc thường gặp của người dùng, giúp giảm 50% khối lượng công việc hành chính thủ công của nhân sự hỗ trợ.

Thứ hai, nhóm kỹ sư phát triển trí tuệ nhân tạo nên áp dụng phương pháp làm giàu dữ liệu huấn luyện bằng cách phối trộn từ 30% đến 50% dữ liệu song ngữ chất lượng cao khi tinh chỉnh các mô hình ngôn ngữ tiếng Việt chuyên ngành. Giải pháp này giúp gia tăng ngay lập tức từ 2% đến 5% độ chính xác F1 mà không tốn chi phí thu thập dữ liệu thủ công.

Thứ ba, các viện nghiên cứu và trường đại học cần thúc đẩy chuẩn hóa và mở rộng bộ dữ liệu hỏi đáp tiếng Việt mã nguồn mở hướng tới quy mô trên 1.000.000 mẫu trong vòng 12 tháng. Mục tiêu là tạo lập hệ quy chuẩn mở phục vụ các nghiên cứu chuyên sâu về xử lý ngôn ngữ tự nhiên tại Việt Nam.

Thứ tư, các nhóm kỹ thuật cần thiết lập cơ chế kiểm soát chất lượng văn bản đầu ra bằng cách bổ sung thuật toán lọc nội dung sau tạo sinh, duy trì tỷ lệ câu trả lời không phù hợp dưới ngưỡng 3% trước khi hiển thị cho người dùng cuối.

Đối tượng nên tham khảo luận văn

Thứ nhất, các nhà nghiên cứu, nghiên cứu sinh và học viên cao học chuyên ngành Khoa học Máy tính và Trí tuệ Nhân tạo có thể sử dụng công trình này làm tài liệu tham khảo giá trị về phương pháp học chuyển giao đa ngữ và kỹ thuật xây dựng bộ ngữ liệu tiếng Việt quy mô lớn.

Thứ hai, kỹ sư công nghệ thông tin và kỹ sư học máy tại các doanh nghiệp đang xây dựng giải pháp trợ lý ảo, chatbot dịch vụ khách hàng hoặc hệ thống quản lý tri thức nội bộ có thể tái sử dụng trực tiếp khung kiến trúc tăng cường truy xuất để rút ngắn thời gian phát triển sản phẩm.

Thứ ba, cán bộ quản lý chuyển đổi số tại các cơ sở giáo dục đại học và cao đẳng có thể tham khảo mô hình hệ thống tư vấn học vụ để thiết kế giải pháp số hóa hỗ trợ sinh viên tra cứu quy chế đào tạo, đăng ký môn học và quy trình học tập một cách tự động và chính xác.

Thứ tư, các chuyên gia phát triển mã nguồn mở và cộng đồng trí tuệ nhân tạo quan tâm đến việc tinh chỉnh mô hình ngôn ngữ vừa và nhỏ cho các ngôn ngữ có nguồn tài nguyên hạn chế.

Câu hỏi thường gặp

Hệ thống tăng cường truy xuất trong luận văn giúp tiết kiệm chi phí vận hành như thế nào?

Hệ thống tách biệt hoàn toàn giữa kho tri thức văn bản và trọng số mô hình ngôn ngữ. Khi thông tin hoặc quy định thay đổi, quản trị viên chỉ cần cập nhật tập tin văn bản trong kho dữ liệu mà không cần thực hiện tái huấn luyện mô hình, giúp tiết kiệm hơn 90% chi phí điện toán đám mây và thời gian kỹ thuật.

Tại sao việc bổ sung dữ liệu tiếng Anh lại giúp mô hình trả lời tiếng Việt chính xác hơn?

Bộ dữ liệu tiếng Anh gốc sở hữu cấu trúc ngữ nghĩa chặt chẽ và không bị suy hao chất lượng do dịch thuật. Khi phối trộn, mô hình học được không gian biểu diễn tổng quát hơn, giúp nâng cao năng lực xử lý các câu hỏi chứa thuật ngữ khoa học hoặc từ mượn tiếng Anh trong ngữ cảnh tiếng Việt với điểm F1 tăng thêm khoảng 7,0%.

Bộ dữ liệu hỏi đáp tiếng Việt 468.438 mẫu được tạo ra bằng phương pháp nào?

Bộ dữ liệu được xây dựng qua quy trình tự động ba bước: trích xuất cấu trúc văn bản gốc từ năm tập dữ liệu quốc tế như SQuAD, tiến hành dịch máy thần kinh ngoại tuyến bằng mô hình của VinAI trên hệ thống đa GPU trong 7 ngày, và áp dụng thuật toán hậu xử lý để loại bỏ các mẫu câu lỗi hoặc không có nghĩa.

Mô hình nào mang lại hiệu quả tốt nhất cho khâu tạo sinh câu trả lời trong nghiên cứu?

Mô hình BARTpho với 150 triệu tham số mang lại khả năng sinh câu trả lời tự nhiên và hoàn chỉnh nhất. Trong khi đó, mô hình mBERT với 110 triệu tham số kết hợp đầu dự đoán ba lớp lại đạt tốc độ xử lý nhanh hơn đối với các tác vụ yêu cầu trích xuất chính xác đoạn văn bản chứa câu trả lời.

Hệ thống tư vấn học vụ thực tế được đánh giá qua những chỉ số kỹ thuật nào?

Hệ thống được kiểm thử thực tế trên tập câu hỏi thường gặp của sinh viên với hai chỉ số chính gồm thứ hạng tương hỗ bình quân đạt mức trên 0,82 cho khâu truy xuất tài liệu và tỷ lệ khớp chính xác nội dung câu trả lời đạt trên 78%, đáp ứng tốt nhu cầu tra cứu thông tin học vụ tự động.

Kết luận

  • Luận văn xây dựng thành công kiến trúc hỏi đáp tăng cường truy xuất đa miền cho tiếng Việt, kết hợp hiệu quả giữa bộ truy xuất mContriever và bộ tạo sinh BARTpho hoặc mBERT.
  • Đóng góp bộ dữ liệu hỏi đáp tiếng Việt quy mô lớn với 468.438 mẫu huấn luyện đa dạng từ trích xuất đến tạo sinh, được công khai phục vụ cộng đồng nghiên cứu học thuật.
  • Khám phá chiến lược phối trộn dữ liệu song ngữ Anh - Việt giúp gia tăng điểm F1 lên 56,4%, đặc biệt cải thiện tới 7,0% độ chính xác đối với văn bản chứa thuật ngữ chuyên ngành và từ mượn.
  • Hiện thực hóa thành công ứng dụng tư vấn học vụ tự động đạt độ chính xác truy xuất trên 78%, chứng minh tính ứng dụng thực tiễn cao trong môi trường giáo dục đại học.
  • Lộ trình phát triển tiếp theo trong 6 đến 12 tháng tới sẽ mở rộng hệ thống sang xử lý hội thoại đa lượt, tối ưu hóa kích thước mô hình cho thiết bị biên và bổ sung cơ chế xác thực nguồn trích dẫn tự động.

Độc giả, nhà nghiên cứu và các kỹ sư phát triển phần mềm quan tâm có thể khai thác mã nguồn và bộ dữ liệu của công trình để tiếp tục mở rộng, tùy biến cho các bài toán đối thoại thông minh chuyên sâu trong nhiều lĩnh vực kinh tế - xã hội.