Xây dựng Tử Vi AI: kiến trúc RAG, dữ liệu có cấu trúc và kiểm soát hallucination

Mở đầu

Khi nói đến AI trong các lĩnh vực chuyên ngành, nhiều người thường bắt đầu bằng câu hỏi: nên chọn mô hình nào? Tuy nhiên, chất lượng của một sản phẩm AI không chỉ phụ thuộc vào LLM. Dữ liệu đầu vào, cơ sở tri thức, cách truy xuất thông tin, bộ kiểm thử và trải nghiệm người dùng mới là những thành phần quyết định hệ thống có hoạt động ổn định hay không.

Tử Vi AI là một ví dụ thú vị cho bài toán này. Đây là hướng ứng dụng AI để hỗ trợ lập dữ liệu lá số, giải thích thuật ngữ và trả lời câu hỏi về tử vi phương Đông. Nếu chỉ xem nó như một chatbot, hệ thống có thể tạo ra câu trả lời trôi chảy nhưng thiếu căn cứ. Nếu thiết kế như một sản phẩm AI chuyên ngành, chúng ta cần quan tâm nhiều hơn đến kiến trúc và quy trình kiểm soát dữ liệu.

1. Phân rã bài toán thành các lớp

Một hệ thống Tử Vi AI có thể được chia thành các lớp chính:

1. Lớp tiếp nhận và kiểm tra thông tin đầu vào.
2. Lớp xử lý lịch, ngày giờ và lập dữ liệu lá số.
3. Cơ sở tri thức về cung, sao, thuật ngữ và quy tắc.
4. Lớp truy xuất thông tin liên quan.
5. Mô hình ngôn ngữ dùng để diễn giải.
6. Bộ kiểm tra câu trả lời trước khi hiển thị.
7. Lớp lưu lịch sử, theo dõi lỗi và đánh giá chất lượng.

Việc phân lớp giúp tránh tình trạng đưa toàn bộ trách nhiệm cho một prompt duy nhất. Khi có lỗi, đội phát triển có thể xác định lỗi nằm ở dữ liệu, bộ truy xuất, mô hình hay giao diện.

2. Dữ liệu đầu vào quan trọng hơn tốc độ trả lời

Ngày giờ sinh là dữ liệu nền của quá trình lập lá số. Hệ thống cần kiểm tra lịch âm dương, múi giờ, định dạng ngày và các trường thông tin bắt buộc. Nếu dữ liệu đầu vào không chính xác, phần trả lời phía sau dù có văn phong tốt cũng không đáng tin cậy.

Một giao diện tốt nên hiển thị lại thông tin người dùng đã nhập, cho phép chỉnh sửa trước khi xử lý và cảnh báo khi dữ liệu còn thiếu. Đây là nguyên tắc phổ biến trong các hệ thống AI: phải kiểm soát dữ liệu trước khi tối ưu câu trả lời.

3. Vì sao nên dùng RAG?

RAG, hay Retrieval-Augmented Generation, cho phép hệ thống tìm kiếm các tài liệu liên quan trước khi yêu cầu LLM tạo câu trả lời. Với Tử Vi AI, cơ sở tri thức có thể bao gồm định nghĩa thuật ngữ, quy tắc lập lá số, mô tả các cung và các cách diễn giải theo từng trường phái.

Quy trình cơ bản có thể là:

• Nhận câu hỏi của người dùng.
• Phân loại chủ đề cần tìm.
• Truy xuất các đoạn dữ liệu liên quan.
• Đưa dữ liệu cùng câu hỏi vào context.
• Yêu cầu mô hình chỉ trả lời dựa trên nguồn đã truy xuất.
• Kiểm tra các khẳng định quá mức trước khi hiển thị.

RAG không tự động bảo đảm hệ thống luôn đúng. Nếu tài liệu được lập chỉ mục sai, truy xuất không đúng hoặc context bị thiếu, câu trả lời vẫn có thể gặp lỗi. Dù vậy, RAG giúp tăng khả năng kiểm chứng và dễ cập nhật hơn so với việc cố gắng nhồi toàn bộ kiến thức vào prompt.

4. Thiết kế prompt và giới hạn câu trả lời

Prompt nên quy định rõ vai trò của AI. Ví dụ, hệ thống có thể được yêu cầu giải thích thuật ngữ, nêu các khả năng thường được nhắc đến và chỉ ra phần nào cần đối chiếu thêm. AI không nên được yêu cầu đưa ra lời phán quyết tuyệt đối về tương lai của người dùng.

Một số nguyên tắc hữu ích:

• Không tự bịa thêm dữ liệu không có trong cơ sở tri thức.
• Nếu thiếu thông tin, phải nói rõ là chưa đủ dữ liệu.
• Phân biệt dữ kiện, diễn giải và nhận định tham khảo.
• Không dùng ngôn ngữ gây sợ hãi hoặc tạo áp lực.
• Khuyến khích người dùng kiểm chứng bằng hoàn cảnh thực tế.

Đây là vấn đề chung của AI chuyên ngành. Mô hình càng trả lời tự tin thì người dùng càng dễ nhầm sự trôi chảy với độ chính xác.

5. Đánh giá hallucination như thế nào?

Không nên chỉ kiểm tra xem API có trả về mã 200 hay không. Cần xây dựng bộ câu hỏi mẫu với đáp án hoặc phạm vi chấp nhận được. Bộ test có thể bao gồm:

• Câu hỏi về một thuật ngữ đơn giản.
• Câu hỏi thiếu dữ liệu đầu vào.
• Câu hỏi có nhiều cách hiểu.
• Câu hỏi yêu cầu dự đoán tuyệt đối.
• Câu hỏi kết hợp nhiều cung hoặc nhiều khái niệm.
• Câu hỏi nằm ngoài phạm vi kiến thức của hệ thống.

Các chỉ số nên theo dõi gồm độ chính xác của dữ kiện, mức độ bám nguồn, tỷ lệ câu trả lời thừa nhận thiếu thông tin, độ nhất quán và thời gian phản hồi. Với hệ thống có người dùng thật, cũng nên có cơ chế báo lỗi và đánh giá câu trả lời.

6. Quyền riêng tư và bảo mật

Người dùng có thể nhập ngày giờ sinh, họ tên, email hoặc các câu chuyện cá nhân trong quá trình hỏi đáp. Vì vậy, hệ thống cần có chính sách rõ ràng về lưu trữ và sử dụng dữ liệu.

Một số câu hỏi cần trả lời ngay trên sản phẩm:

• Dữ liệu được lưu trong bao lâu?
• Lịch sử trò chuyện có dùng để huấn luyện không?
• Người dùng có thể xóa hồ sơ và lịch sử không?
• Có chia sẻ dữ liệu cho bên thứ ba không?
• Dữ liệu được mã hóa như thế nào?

Không nên thu thập nhiều thông tin hơn mức cần thiết. Với dữ liệu nhạy cảm, thiết kế bảo mật cần được tính từ đầu thay vì bổ sung sau khi sản phẩm đã có người dùng.

7. Tối ưu chi phí và độ trễ

Nếu gửi toàn bộ lịch sử hội thoại và cơ sở tri thức vào mỗi request, chi phí token sẽ tăng nhanh. Một số hướng tối ưu có thể gồm:

• Tóm tắt lịch sử cũ.
• Chỉ truy xuất các đoạn liên quan nhất.
• Cache những câu hỏi phổ biến.
• Phân loại câu hỏi trước khi chọn model.
• Dùng model nhỏ cho tác vụ đơn giản.
• Giới hạn độ dài context nhưng vẫn giữ đủ dữ kiện.

Cần cân bằng giữa chất lượng, tốc độ và chi phí. Một hệ thống tốt không nhất thiết phải dùng model lớn nhất cho mọi yêu cầu.

8. Trải nghiệm người dùng

Người mới thường không biết nên bắt đầu từ đâu. Vì vậy, giao diện nên có hướng dẫn nhập thông tin, giải thích ngắn gọn về từng khái niệm và cho phép chuyển sang chế độ chuyên sâu khi cần.

Một số tính năng đáng cân nhắc:

• Lưu nhiều hồ sơ với sự đồng ý của người dùng.
• Hiển thị nguồn hoặc phần dữ liệu được sử dụng.
• Cho phép hỏi tiếp theo ngữ cảnh.
• Có nút báo câu trả lời chưa phù hợp.
• Hỗ trợ giao diện trên điện thoại.
• Cho phép xóa lịch sử dễ dàng.

AI tốt không chỉ nằm ở model mà còn nằm ở cách sản phẩm giúp người dùng hiểu và kiểm soát thông tin.

9. Tử Vi AI nên được định vị như thế nào?

Theo mình, cách định vị phù hợp là trợ lý tra cứu và học tập. Công cụ có thể giúp giải thích kiến thức truyền thống, tổ chức thông tin và gợi ý câu hỏi. Nó không nên được quảng bá như một hệ thống biết chắc tương lai hoặc thay thế hoàn toàn chuyên gia.

Cách định vị này giúp giảm kỳ vọng sai lệch và tạo nền tảng phát triển bền vững hơn. Người dùng có thể tiếp cận tử vi bằng tư duy cởi mở, đồng thời vẫn giữ quyền tự quyết với những lựa chọn quan trọng trong cuộc sống.

Kết luận

Tử Vi AI là bài toán giao thoa giữa dữ liệu có cấu trúc, xử lý ngôn ngữ tự nhiên và một lĩnh vực có nhiều thuật ngữ, trường phái. Muốn xây dựng sản phẩm đáng tin cậy, đội phát triển cần chú trọng quy trình từ đầu vào đến đầu ra: kiểm tra dữ liệu, xây dựng cơ sở tri thức, dùng RAG khi phù hợp, kiểm thử hallucination, bảo vệ quyền riêng tư và thiết kế trải nghiệm minh bạch.

Mình có tham khảo thêm một ví dụ về hướng ứng dụng này tại https://tuviphuongdong.vn. Điểm đáng quan tâm không phải là AI có thể đưa ra lời phán đoán hấp dẫn đến đâu, mà là nó có giúp người dùng tiếp cận thông tin rõ ràng, kiểm chứng được và có trách nhiệm hơn hay không.