Một mô hình AI dành cho tiếng Việt được tiếp tục hoàn thiện

Dòng Chảy AI · Hành Trình AI · 23–29/03/2024

Tiếng Việt có dấu, cách dùng từ và ngữ cảnh riêng. Một công cụ ngôn ngữ muốn giúp người Việt viết, tìm hiểu hay đặt câu hỏi cần được đánh giá với chính những cách diễn đạt đó — không chỉ dựa vào kết quả ở một ngôn ngữ khác.

Trong tuần này, ngày 23/3/2024, kho mô hình công khai của VinAI ghi nhận một lần cập nhật trọng số cho PhoGPT-4B-Chat, phiên bản được điều chỉnh để đáp ứng hướng dẫn và hội thoại. Đây là một mốc cập nhật tệp được ghi trong kho, không tự cho biết đã có bao nhiêu người sử dụng hay công cụ đã hoạt động tốt đến đâu trong thực tế. 4

Bài toán phía sau một mô hình tiếng Việt

Trước tuần này, tháng 12/2023, Tuổi Trẻ và Znews đưa tin về PhoGPT — dự án nghiên cứu mô hình ngôn ngữ của VinAI dành cho tiếng Việt. Tuổi Trẻ thuật lại mong muốn của nhóm là cải thiện khả năng phục vụ ngôn ngữ và bối cảnh Việt Nam. Đây là động lực được nhóm trình bày, không phải bằng chứng rằng mọi khó khăn tiếng Việt đã được giải quyết. 1 2

Một mô hình ngôn ngữ học các mẫu trong dữ liệu để tạo ra văn bản. Với tiếng Việt, dữ liệu và cách đánh giá cần phản ánh những nhiệm vụ người dùng thực sự gặp. Nhưng một bộ dữ liệu có nhiều văn bản tiếng Việt không tự bảo đảm mô hình hiểu đúng mọi cách nói, vùng miền hay lĩnh vực chuyên môn.

Mốc cập nhật cho biết gì?

Trong phiên bản báo cáo nghiên cứu ghi ngày 22/3/2024, trước tuần đang nhìn lại một ngày, nhóm VinAI mô tả PhoGPT-4B là mô hình nền được huấn luyện trên dữ liệu tiếng Việt và PhoGPT-4B-Chat là phiên bản tiếp tục điều chỉnh cho hội thoại. Ngày 23/3, kho công khai ghi việc cập nhật trọng số của bản Chat. Hai nguồn cùng cho thấy công việc nghiên cứu và phát triển, nhưng không phải phép đo độc lập về chất lượng của bản cập nhật trong mọi hoàn cảnh. 3 4

Một cơ sở dữ liệu AI của cơ quan nhà nước được truy cập sau đó ghi ngày 24/3/2024 là ngày công bố thế hệ PhoGPT-4B. Mốc đó khác ngày bản báo cáo và ngày cập nhật tệp; các nguồn hiện có không xác định rõ chúng tương ứng với cùng một lần phát hành hay các bước khác nhau. Vì vậy, bài này không gộp chúng thành một thời điểm đã được xác minh duy nhất. 5

Người dùng và nhà phát triển cần nhìn gì ngoài tên mô hình?

Giả sử một nhóm muốn dùng mô hình để hỗ trợ trả lời câu hỏi bằng tiếng Việt. Họ cần thử với những câu hỏi thực tế, kiểm tra câu trả lời, xem điều kiện sử dụng và bảo vệ dữ liệu phù hợp. Đây là tình huống minh họa, không phải thử nghiệm của Dòng Chảy AI hay một nhóm đã được phỏng vấn.

Kho dự án nêu những hạn chế như khả năng suy luận, lập trình, toán và nguy cơ đưa ra nội dung sai hoặc có hại. Đó là mô tả của nhóm phát triển, không phải một phép đo đại diện cho mọi phiên bản hay mọi người dùng. 6

Việc phát triển công cụ cho tiếng Việt mở thêm một hướng để nhà nghiên cứu và người xây dựng ứng dụng khám phá. Giá trị với người dùng sẽ phụ thuộc vào kiểm thử thực tế, chất lượng dữ liệu và cách ứng dụng được thiết kế — chứ không chỉ vào việc mô hình mang tên Việt hay được công bố công khai.

Tài liệu tham khảo

1. Tuổi Trẻ — Thế giới có ChatGPT, Việt Nam có PhởGPT, 5/12/2023; tường thuật dự án trước kỳ.
2. Znews — Ra mắt mô hình ngôn ngữ tiếng Việt mới, tháng 12/2023; bối cảnh trước kỳ.
3. VinAI — PhoGPT: Generative Pre-training for Vietnamese, phiên bản 3 ghi 22/3/2024; báo cáo nghiên cứu của nhóm phát triển, trước kỳ.
4. VinAI trên Hugging Face — Cập nhật trọng số PhoGPT-4B-Chat, 23/3/2024; lịch sử kho gốc.
5. Cục Công nghệ số và Trí tuệ nhân tạo — PhoGPT, cơ sở dữ liệu tra cứu sau kỳ, ghi ngày 24/3/2024 cho thế hệ 4B.
6. VinAI — Kho dự án PhoGPT, nguồn nhóm phát triển, nội dung có thể cập nhật sau năm 2024.