Bạn nào theo dõi thông tin công nghệ thì chắc không thể nào không biết đến buổi hội thảo DevDay mà công ty OpenAI tổ chức vào ngày 6/11 vừa qua. Trong chương trình này, OpenAI đã giới thiệu đến công chúng bản ChatGPT 4-Turbo và nhiều điểm nâng cấp khác xịn mịn hơn nhiều so với bản free 3.5 mà đa số chúng ta đang sử dụng. Để đọc chi tiết hơn thì các bạn có thể check ở link này.
Còn trong bài viết ngày hôm nay thì Cherry sẽ tập trung bàn về một tính năng duy nhất: Custom GPTs, theo trình tự như sau:
Giải thích Custom GPTs là gì và tại sao nó mang tính đột phá?
Từ ví dụ cụ thể về Custom GPTs, Cherry sẽ giúp bạn hiểu được sự thay đổi xu hướng trong ngành AI.
Và ý nghĩa của sự thay đổi này là gì? nó sẽ ảnh hưởng gì đến chúng ta?
*note: ví dụ được đưa ra là cụ thể về Custom GPTs của OpenAI, tuy nhiên, trong bài Cherry có thể dùng 'GPTs' hoặc 'Custom GPTs' để chỉ chung các ứng dụng có chức năng và cách hoạt động tương tự.
I. Custom GPTs là gì và tại sao nó mang tính đột phá?
Custom GPTs là gì?
Khác với ChatGPT (bản đa số các bạn đang sử dụng), một công cụ đa năng và đa mục đích, phù hợp cho nhiều loại nhiệm vụ như tìm kiếm lời khuyên, tra cứu định nghĩa, chỉnh sửa bài luận, hoặc hỗ trợ lập trình, Custom GPTs (gọi đơn giản là GPTs) là những phiên bản được tùy chỉnh của ChatGPT, mỗi phiên bản được thiết kế cho một mục đích cụ thể. Chúng cung cấp các phản hồi chính xác, liên quan và đặc thù cho từng lĩnh vực một cách hiệu quả hơn so với một GPT đa mục đích. Hãy tưởng tượng như thế này: ChatGPT giống như một bách khoa toàn thư, cung cấp cái nhìn tổng quan về nhiều chủ đề, trong khi Custom GPTs giống như những cuốn sách chuyên ngành, mỗi cuốn tập trung sâu vào một chủ đề cụ thể.
Tại sao nó mang tính đột phá?
GPTs rất dễ sử dụng: ngay cả những người không có nền tảng về lập trình cũng có thể dễ dàng tạo ra một Custom GPT phù hợp với nhu cầu của mình 👉 không tin thì xem video demo bên dưới nhé.
Quá trình tạo ra chúng nhanh chóng và hiệu quả, thường chỉ mất vài phút hoặc vài giờ.
Nếu bạn không thích tự tạo ra GPT của riêng mình, không vấn đề gì - bạn có thể ghé qua cửa hàng ứng dụng của OpenAI, tương tự như App Store, và chọn một sản phẩm phù hợp với yêu cầu của bạn.
II. Custom GPTs và sự thay đổi xu hướng trong ngành AI
Giờ Cherry sẽ đưa ra một ví dụ thực tế để giúp các bạn hiểu rõ hơn cách mà các mô hình GPT đang thay đổi cuộc chơi AI. Hãy tưởng tượng: chúng ta muốn phân loại một loạt các món ăn khác nhau vào các nhóm đồ ăn định trước. Và giả sử rằng chúng ta có đủ mọi thứ cần thiết cho để giải bài toán này: dữ liệu đầy đủ liên quan đến món ăn và các nhãn phân loại tương ứng của chúng.
Không có GPTs
Thường trong những tình huống như thế này, chúng ta thường dựa vào các thuật toán Học Máy, đặc biệt là Học Có Giám Sát. Tuy nhiên, con đường này đòi hỏi khá nhiều nguồn lực:
Yêu cầu ban đầu
(a) có nhiều data
👉 các cty tech hoặc tiêu dùng có thể ổn, nhưng công ty mới mở hoặc B2B thì không có nhiều data đến thế
(b) data được gắn nhãn (ví dụ: món Xá xíu cần được gắn nhãn phân loại là Món ăn Trung Hoa)
👉 cái này thì đến cty tech nhiều khi còn không có :) nên đa số sẽ phải outsource cho bên thứ 3 thuê nhân công ngồi phân loại và gắn nhãn giùm
(c) nhân tài AI (lương $X,XXX, X cao học)
👉 thời này thì cty tech hay non-tech cũng thắt lưng buộc bụng, nên nghe tới đây các bác quản lý cũng đã méo mặt rồi 😀
Chuẩn bị và chuẩn hoá data
The Training & Testing Drill (well ... còn nhiều bước khác nữa, bạn có thể expand để tìm hiểu thêm)
Việc xây dựng một model phân loại món ăn hoàn chỉnh trong tình huống này có thể mất từ vài ngày đến vài tuần cho một mô hình 'đồ chơi', và có thể kéo dài lên đến vài tháng cho một mô hình hoàn thiện, sẵn sàng cho production.
Có GPTs
Bây giờ, hãy thử giải quyết cũng bài toán đó với một Custom GPT. Lần này chúng ta sẽ tăng độ khó lên bằng cách chỉ sử dụng tên của các món ăn làm dữ liệu đầu vào cho bộ phân loại. Điều này có nghĩa là chúng ta không cần thêm thông tin gì khác như tên nhà hàng, vị trí, hay giá cả của món ăn. Mục tiêu của chúng ta là gì? Đó là phân loại những món ăn này vào sáu nhóm: đồ uống, món nước, món khô, ẩm thực Trung Hoa, ẩm thực Việt Nam và salad.
Video #1 - Tạo 1 custom GPT để phân loại món ăn vào các nhóm đồ ăn đã định trước.
Trong Video #1, các bạn có thể thấy Cherry dễ dàng tùy chỉnh GPT cho nhu cầu của mình bằng cách sử dụng ngôn ngữ thông thường hàng ngày - một việc được gọi là 'kỹ thuật ra lệnh' (prompt engineering). Cherry không cần phải mất công nêu mọi chi tiết về ứng dụng mà mình muốn ngay từ đầu. GPT đủ thông minh để yêu cầu làm rõ hoặc chỉ dẫn bổ sung khi cần. Sau đó, nó tóm gọn cả cuộc trò chuyện thành một đoạn văn mô tả súc tích (xem video #2). Kết quả cuối cùng? Một ứng dụng hoạt động tốt một cách đáng ngạc nhiên, nhất là khi nó chỉ mất dưới 10 phút để thiết lập.
Video #2 - Review và test con custom GPT mà chúng ta đã tạo
Vậy ... sự thay đổi lớn ở đây là gì?
Trước khi GPTs xuất hiện, cách làm thông thường là huấn luyện các mô hình cụ thể trên bộ dữ liệu đặc thù cho từng nhiệm vụ cụ thể. Ví dụ chúng ta đã xem ở trên: dùng mô hình Học Có Giám Sát, train trên dữ liệu liên quan đến món ăn, cho nhiệm vụ phân loại các món ăn đó .
Các công ty, bất kể quy mô, thường có rất nhiều tasks mà sự hỗ trợ của AI sẽ rất có giá trị - điều này đòi hỏi chi phí khá lớn để thực hiện hết. Thậm chí khi có ngân sách không giới hạn, vẫn còn hai vấn đề lớn tồn đọng: thứ nhất, liệu công ty có đủ lượng dữ liệu cần thiết để huấn luyện một mô hình thực sự hiệu quả hay không, và thứ hai, làm thế nào để thu hút nhân tài khoa học dữ liệu, nhất là với các tổ chức không thuộc lĩnh vực công nghệ hoặc tài chính.
Khi OpenAI giới thiệu Custom GPTs, họ cơ bản đã cho phép mọi người áp dụng mô hình GPT đa năng, quy mô lớn và tiên tiến của họ làm mô hình cơ sở (foundation model). Từ đó, người dùng có thể tùy chỉnh nó cho các nhiệm vụ cụ thể của mình mà không tốn nhiều chi phí bổ sung về thời gian, tiền bạc và công sức. Như ví dụ của Cherry chỉ ra, việc sử dụng Custom GPTs để xây dựng một mô hình không mất nhiều công sức như cách làm truyền thống, đặc biệt là trong ba khía cạnh chính: yêu cầu ban đầu, chuẩn bị dữ liệu, và quá trình huấn luyện và kiểm thử. Điều này tạo nên một bước đột phá lớn, đặc biệt là đối với các công ty không thuộc mảng tech hay tiêu dùng, những lĩnh vực mà trước đây còn gặp nhiều khó khăn trong việc áp dụng khoa học dữ liệu và phân tích do các rào cản kể trên.
Nếu bạn quan tâm đến khía cạnh kỹ thuật hơn, Cherry gợi ý bạn tìm hiểu về Retrieval-Augmented Generation (RAG).
III. Ý nghĩa của sự thay đổi này là gì?
Cho doanh nghiệp
Ứng dụng AI chất lượng cao không còn chỉ giới hạn trong tay những công ty công nghệ và tài chính giàu có, sở hữu nhiều dữ liệu. Ngày nay, với sự phổ biến của các mô hình cơ sở (như ChatGPT, Llama, etc.,), việc tuỳ chỉnh chúng để tạo ra các ứng dụng mới có thể được thực hiện nhanh chóng và tiết kiệm hơn đáng kể. Sự dân chủ hóa công nghệ này đang mở đường để tăng cường năng suất và cải thiện hiệu suất kinh doanh một cách toàn diện cho mọi công ty, bất kể ngành nghề.
Cho devs và các bạn trẻ có mong muốn khởi nghiệp
Yes, có một số công ty gần như đã "chết" hoặc phải đối diện với sự cạnh tranh gay gắt sau khi OpenAI ra mắt các tính năng và cải tiến mới (ví dụ như Jasper AI, Chegg, v.v.). Tuy nhiên, cũng giống như việc Apple không phải là nhà phát triển mọi ứng dụng trong App Store, vẫn còn rất nhiều cơ hội cho devs và các bạn trẻ có mong muốn khởi nghiệp khai thác lợi nhuận từ Kho ứng dụng GPTs. Điều quan trọng ở đây là phải khôn ngoan trong việc chọn và xây dựng sản phẩm.
Theo quan điểm của Cherry, cơ hội đầy hứa hẹn nằm ở việc hỗ trợ các doanh nghiệp tùy chỉnh các mô hình nền tảng này thành các ứng dụng có thể giải quyết từng vấn đề cụ thể cho họ. Điều này đòi hỏi việc tận dụng dữ liệu nội bộ của công ty và tích hợp các ứng dụng một cách liền mạch vào hệ thống hiện tại của họ, đồng thời cung cấp dịch vụ với mức giá cạnh tranh.
Cho các bạn làm việc trong ngành data
Thực tế hơi phũ là: nhu cầu cho các công việc liên quan đến dữ liệu khả năng cao sẽ chậm lại. Điều này do (1) năng suất tăng cao (ví dụ như nhờ GitHub Copilot cho devs hoặc Data Analysis GPT cho analysts), (2) sự chuyển đổi sang hướng tiếp cận tiếp nhận và điều chỉnh các mô hình cơ sở (như Custom GPTs) thay vì xây dựng các mô hình từ đầu, và (3) khi các doanh nghiệp áp dụng AI để tối ưu hóa hoạt động (nghĩa là giảm chi phí mà vẫn duy trì hiệu suất).
Trong bối cảnh đó, Cherry xin đưa ra chút đánh giá cá nhân như sau: ba yếu tố trên đều sẽ nhanh chóng làm thay đổi vai trò của phần lớn các chuyên gia dữ liệu (trừ trường hợp bạn cực kì outstanding và strong về research thì vẫn có job cho bạn develop các AI models). Chúng ta đang chuyển từ việc tập trung vào các task có tính chất tạo lập, xây dựng sang các vai trò giống như kiến trúc sư, biên tập viên, hoặc người kiểm soát chất lượng hơn. Do đó, rất có thể chúng ta sẽ chứng kiến sự xuất hiện của các vai trò và job title mới phù hợp với những thay đổi về nhu cầu và kỹ năng này.
Cho các bạn khác
Các bạn làm Chăm sóc khách hàng, Content sẽ là mảng bị ảnh hưởng nặng nhất. Các ngành khác cũng sẽ cảm nhận sự thay đổi về nhu cầu và tính chất việc làm nhưng Cherry đánh giá là chỉ ở mức tăng năng suất và giảm lượng nhân lực tuyển. Để cạnh tranh hơn trong tương lai, các bạn cần phải (1) chủ động học thêm các tool mới (ví dụ: Canva AI, ChatGPT, Bard, etc) để làm việc hiệu quả hơn và (2) cải thiện kĩ năng critical thinking và communication để giao tiếp hiệu quả hơn với các chương trình như GPT và cả với con người.
References
What are Generative AI models? (2023) YouTube. YouTube. Available at: https://www.youtube.com/watch?v=hfIUstzHs9A&t=33s (Accessed: 14 November 2023).
Introducing GPTs. Available at: https://openai.com/blog/introducing-gpts (Accessed: 14 November 2023).
New models and developer products announced at DevDay. Available at: https://openai.com/blog/new-models-and-developer-products-announced-at-devday (Accessed: 14 November 2023).
cảm ơn Cherry vì bài viết này ạ, concise and insightful !!!😍