Tổng quan nghiên cứu

Trong kỷ nguyên số, các hệ thống đối thoại và trợ lý ảo thông minh ngày càng đóng vai trò trọng yếu trong việc hỗ trợ người dùng tiếp cận thông tin tức thì. Tuy nhiên, việc ứng dụng các mô hình ngôn ngữ lớn (LLM) gặp phải rào cản lớn về tài nguyên tính toán khi mức tiêu thụ bộ nhớ tăng gấp 4 lần khi tăng gấp đôi độ dài chuỗi đầu vào theo kiến trúc T5. Bên cạnh đó, việc huấn luyện và cập nhật tri thức cho các mô hình dạng hộp đen tốn kém hàng nghìn USD mỗi lần tái huấn luyện, trong khi nguồn dữ liệu hỏi đáp tiếng Việt chất lượng cao còn rất khan hiếm.

Nghiên cứu tập trung giải quyết vấn đề xây dựng hệ thống hỏi đáp tiếng Việt thích ứng nhanh với từng miền dữ liệu mà không cần tái huấn luyện mô hình. Mục tiêu cụ thể là thiết lập một khung kiến trúc hỏi đáp tăng cường truy xuất (Retrieval-Augmented Question Answering), đồng thời xây dựng một bộ ngữ liệu quy mô lớn gồm 468.438 mẫu và thử nghiệm các chiến lược pha trộn dữ liệu tối ưu. Phạm vi nghiên cứu được thực hiện vào tháng 01/2023 tại Trường Đại học Bách Khoa - ĐHQG TP.HCM, giới hạn trong các bài toán hỏi đáp đơn lượt (single-turn) từ tài liệu văn bản. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp giảm 100% nhu cầu tái huấn luyện tham số khi cập nhật tài liệu mới, đồng thời nâng cao độ chính xác F1 thêm 2,1% nhờ chiến lược kết hợp dữ liệu song ngữ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng kiến trúc Transformer với cơ chế tự chú ý (Self-Attention), cho phép mô hình học đồng thời ngữ cảnh đa chiều của văn bản. Khung lý thuyết chính được xây dựng xoay quanh mô hình Tăng cường truy xuất (Retrieval-Augmented Generation - RAG), kết hợp giữa bộ truy xuất dày đặc mContriever dựa trên cơ chế Contrastive Learning và bộ tạo sinh ngôn ngữ.

Các mô hình được xem xét bao gồm BARTpho với 150 triệu tham số đại diện cho nhánh mô hình tuần tự sang tuần tự (Sequence-to-Sequence), cùng với mBERT (110 triệu tham số) và XLM-R (270 đến 550 triệu tham số) thuộc nhánh chỉ mã hóa (Encoder-only). Ba khái niệm trung tâm bao gồm: Hỏi đáp trích xuất (Extractive QA - trích xuất trực tiếp đoạn văn bản chứa câu trả lời), Hỏi đáp sinh tự do (Abstractive QA - tổng hợp câu trả lời mới từ ngữ cảnh) và Học chuyển giao liên ngôn ngữ (Cross-lingual Transfer Learning).

Phương pháp nghiên cứu

Nguồn dữ liệu được tổng hợp từ 5 bộ dữ liệu hỏi đáp tiếng Anh chuẩn quốc tế gồm SQuAD v1.1 với 130.000 mẫu, kết hợp cùng NarrativeQA, NewsQA, TriviaQA và MS MARCO. Cỡ mẫu hoàn chỉnh đạt 468.438 bộ ba tài liệu - câu hỏi - câu trả lời, chia thành 441.999 mẫu huấn luyện và 26.439 mẫu kiểm định. Phương pháp chọn mẫu áp dụng kỹ thuật thu thập toàn bộ các đoạn văn bản có cấu trúc chuẩn, sau đó thực hiện quy trình 3 giai đoạn: tiền xử lý loại bỏ mã HTML và khoảng trắng thừa, dịch máy ngoại tuyến bằng mô hình VinAI Translate (mBART tinh chỉnh trên 3 triệu cặp câu) vận hành liên tục trong 7 ngày trên hệ thống GPU, và hậu xử lý tự động lọc bỏ các bản dịch lỗi cú pháp.

Lý do lựa chọn phương pháp phân tích kết hợp mContriever và BARTpho là nhằm giải quyết triệt để vấn đề quá tải bộ nhớ của các mô hình hộp đen khi tiếp nhận văn bản dài, đồng thời duy trì khả năng sinh câu trả lời tự nhiên, linh hoạt cho ngữ pháp tiếng Việt. Toàn bộ quá trình thực nghiệm và kiểm thử được tiến hành từ giữa năm 2022 đến tháng 01/2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, việc pha trộn dữ liệu song ngữ Anh - Việt đem lại hiệu quả vượt trội trong việc cải thiện độ chính xác của mô hình đọc hiểu tiếng Việt. Khi đánh giá trên bộ chuẩn XQuAD tiếng Việt, mô hình BARTpho huấn luyện trên dữ liệu kết hợp Anh + Việt đạt điểm F1 là 56,2% và Exact Match (EM) là 39,1%, cao hơn đáng kể so với mô hình chỉ học trên dữ liệu tiếng Việt đơn thuần vốn chỉ đạt F1 là 54,1% (tăng 2,1% điểm F1).

Thứ hai, mô hình đa ngữ thể hiện năng lực vượt bậc khi xử lý các văn bản kỹ thuật chứa từ ngữ không thuần Việt. Thực nghiệm phân tách dữ liệu cho thấy: trên các đoạn văn bản hỗn hợp (chứa tên riêng tiếng Anh, thuật ngữ khoa học), mô hình kết hợp đạt điểm F1 là 58,31% khi câu hỏi có chứa từ mượn và 51,31% khi câu hỏi thuần Việt, tạo ra khoảng cách chênh lệch hiệu năng hơn 0,16% so với mô hình đơn ngữ.

Thứ ba, nghiên cứu tạo ra bộ dữ liệu hỏi đáp tiếng Việt có tính đa dạng rất cao với 254.193 mẫu sinh tự do (chiếm 57,5% tập huấn luyện), 141.000 mẫu trích xuất và 43.501 mẫu không thể trả lời. Độ dài trung bình của tài liệu là 260 từ, câu hỏi là 10 từ và câu trả lời là 11 từ, đáp ứng trọn vẹn cả hai định dạng huấn luyện trích xuất và sinh tự do.

Thảo luận kết quả

Khi mô tả dữ liệu thông qua biểu đồ cột so sánh F1 Score giữa các tập kiểm thử (Pure Vietnamese vs Mixed passages), xu hướng thể hiện rõ ràng: điểm F1 của cả hai mô hình đều tăng vọt khi chuyển từ ngữ cảnh thuần Việt sang ngữ cảnh hỗn hợp. Nguyên nhân xuất phát từ việc tập dữ liệu tiếng Anh chất lượng cao giúp mở rộng không gian biểu diễn từ vựng, giúp bộ giải mã nhận diện chính xác các thực thể ngoại lai và từ viết tắt mà công cụ dịch máy thường xử lý sai.

Tuy nhiên, trên tác vụ hỏi đáp tiếng Anh thuần túy, mô hình BARTpho Anh + Việt chỉ đạt 51,4% F1 so với 54,2% F1 của mô hình chỉ học tiếng Anh. Điều này phù hợp với lý thuyết về sự suy giảm dung lượng mô hình trên mỗi ngôn ngữ (per-language capacity trade-off) khi huấn luyện đa ngữ. Việc tích hợp bộ lọc mContriever vào hệ thống thực tế giúp giảm tải đáng kể khối lượng tính toán cho mô hình tạo sinh, đồng thời triệt tiêu hiện tượng tạo thông tin sai lệch (hallucination) nhờ việc luôn đính kèm tài liệu tham chiếu gốc.

Đề xuất và khuyến nghị

Nhằm thúc đẩy ứng dụng các hệ thống hỏi đáp thông minh vào thực tiễn, nghiên cứu đưa ra 4 khuyến nghị then chốt:

  1. Chuẩn hóa kiến trúc RAG module hóa: Đội ngũ kỹ sư phần mềm tại các tổ chức cần tách biệt hoàn toàn cơ sở tri thức tài liệu khỏi các trọng số mô hình ngôn ngữ. Mục tiêu đặt ra là giảm 90% chi phí vận hành và bảo trì khi thay đổi văn bản quy định, hoàn thành triển khai trong vòng 3 tháng đầu tiên.
  2. Khai thác kho ngữ liệu dịch máy 3 giai đoạn: Các nhóm nghiên cứu xử lý ngôn ngữ tự nhiên nên áp dụng quy trình lọc nhiễu tự động để mở rộng kho dữ liệu tiếng Việt lên trên 500.000 mẫu đối soát chất lượng cao, duy trì tỷ lệ mẫu lỗi dưới mức 1% trong khung thời gian 6 tháng.
  3. Tối ưu hóa mô hình ngôn ngữ bằng kỹ thuật nén: Các chuyên gia trí tuệ nhân tạo cần tiến hành lượng tử hóa (Quantization) và chưng cất tri thức (Knowledge Distillation) cho mô hình BARTpho và mBERT. Mục tiêu là giảm kích thước tệp mô hình xuống dưới 100MB và rút ngắn thời gian suy luận câu trả lời xuống dưới 200 mili-giây trong vòng 4 tháng tới.
  4. Thiết lập cơ chế truy xuất lai (Hybrid Retrieval): Quản trị viên hệ thống công nghệ thông tin cần kết hợp phương pháp tìm kiếm từ khóa truyền thống (BM25) với mô hình nhúng ngữ nghĩa mContriever. Mục tiêu là nâng chỉ số thứ hạng phản hồi chuẩn (Mean Reciprocal Rank - MRR) lên trên 85% trên các hệ thống chăm sóc khách hàng và tư vấn học vụ nội bộ.

Đối tượng nên tham khảo luận văn

Luận văn cung cấp giá trị học thuật và ứng dụng sâu sắc cho 4 nhóm đối tượng chính:

  • Các nhà nghiên cứu và học viên cao học chuyên ngành NLP: Nắm bắt phương pháp pha trộn dữ liệu đa ngữ để tối ưu hóa mô hình ngôn ngữ cho các ngôn ngữ có nguồn tài nguyên hạn chế, đồng thời kế thừa bộ ngữ liệu 468.438 mẫu để thực hiện các nghiên cứu mở rộng.
  • Kỹ sư AI và chuyên gia phát triển phần mềm: Vận dụng kiến trúc RAG kết hợp giữa mContriever và BARTpho để xây dựng các chatbot thông minh có khả năng truy vấn dữ liệu lớn với độ trễ thấp và độ chính xác cao.
  • Nhà quản lý đào tạo và chuyên viên chuyển đổi số tại các trường đại học: Tham khảo trực tiếp case study Hệ thống Tư vấn học vụ (Academic Counselling System) để tự động hóa việc giải đáp thắc mắc về tín chỉ, học bổng và quy chế chuyển điểm cho sinh viên.
  • Doanh nghiệp sở hữu kho tài liệu kỹ thuật phức tạp: Ứng dụng giải pháp tra cứu tri thức nội bộ mà không lo ngại rủi ro rò rỉ dữ liệu lên các nền tảng đám mây công cộng hoặc tốn kém chi phí bản quyền mô hình lớn.

Câu hỏi thường gặp

Hệ thống hỏi đáp tăng cường truy xuất (RAG) ưu việt hơn mô hình truyền thống như thế nào?
Hệ thống RAG chia tách việc lưu trữ tri thức ra khỏi trọng số mô hình. Khi có thông tin mới, hệ thống chỉ cần cập nhật kho văn bản tài liệu thay vì phải chi hàng nghìn USD để huấn luyện lại toàn bộ mô hình ngôn ngữ 150 triệu tham số.

Tại sao việc bổ sung dữ liệu tiếng Anh lại giúp mô hình trả lời tiếng Việt chính xác hơn?
Dữ liệu tiếng Anh chất lượng cao giúp bù đắp sự thiếu hụt của kho ngữ liệu tiếng Việt, hỗ trợ mô hình nhận diện tốt hơn các danh từ riêng, thuật ngữ kỹ thuật và từ mượn, giúp F1 tăng 2,1% trên tập chuẩn XQuAD.

Bộ dữ liệu 468.438 mẫu trong luận văn được xây dựng bằng cách nào?
Dữ liệu được chuyển ngữ từ 5 tập dữ liệu tiếng Anh lớn qua quy trình 3 bước: chuẩn hóa văn bản HTML, dịch máy thần kinh ngoại tuyến qua mô hình VinAI Translate trong 7 ngày trên GPU, và lọc lỗi cú pháp tự động.

Mô hình mBERT VQA có hỗ trợ sinh câu trả lời tự do không?
Không. Do mBERT là mô hình chỉ gồm bộ mã hóa (Encoder-only) với 110 triệu tham số, nghiên cứu gắn thêm 2 đầu phân loại 512 chiều để thực hiện hỏi đáp trích xuất vị trí bắt đầu và kết thúc của câu trả lời.

Ứng dụng Tư vấn học vụ thực tế mang lại kết quả ra sao?
Hệ thống tư vấn học vụ sử dụng tài liệu quy chế đào tạo thực tế, trích xuất chính xác các điều khoản về học phần, điểm số và chuyển trường, cho phép sinh viên tra cứu câu trả lời tức thì với độ tin cậy tuyệt đối.

Kết luận

  • Xây dựng thành công bộ dữ liệu hỏi đáp tiếng Việt quy mô lớn với 468.438 mẫu chất lượng cao, phục vụ đa dạng các tác vụ hỏi đáp trích xuất và sinh tự do.
  • Chứng minh thực nghiệm chiến lược pha trộn dữ liệu song ngữ Anh - Việt giúp cải thiện F1 lên mức 56,2%, vượt trội so với huấn luyện đơn ngữ.
  • Thiết lập hoàn chỉnh khung kiến trúc hỏi đáp tăng cường truy xuất (RAG) kết hợp mContriever và BARTpho, loại bỏ sự phụ thuộc vào việc tái huấn luyện tham số.
  • Hiện thực hóa mô hình thông qua ứng dụng Tư vấn học vụ phục vụ tra cứu quy chế đào tạo đại học với độ chính xác cao.
  • Đặt nền móng vững chắc cho việc nghiên cứu và ứng dụng các mô hình ngôn ngữ tạo sinh sâu trong môi trường ngôn ngữ tiếng Việt.

Trong 6 đến 12 tháng tới, các hướng phát triển tiếp theo cần mở rộng hệ thống sang khả năng hội thoại đa lượt và tích hợp suy luận đa tài liệu. Các tổ chức và doanh nghiệp nên chủ động ứng dụng khung kiến trúc RAG này để nâng cấp toàn diện dịch vụ trợ lý ảo và số hóa quy trình quản trị tri thức.