Trí tuệ nhân tạo (AI: Artificial Intelligence) là sự phát triển của các hệ thống máy tính có thể thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người, chẳng hạn như học tập, giải quyết vấn đề, ra quyết định và hiểu ngôn ngữ. Các hệ thống này sử dụng thuật toán và lượng dữ liệu khổng lồ để học hỏi, thích nghi và cải thiện theo thời gian, cho phép chúng xử lý các tác vụ phức tạp, tự động hóa quy trình và cung cấp các tính năng tiên tiến như nhận dạng giọng nói và công cụ đề xuất.

Một mô hình ngôn ngữ lớn (LLM: Large Language Model) là một dạng trí thông minh nhân tạo (AI) sử dụng kiến thức sâu sắc và một lượng lớn dữ liệu văn bản để hiểu, tạo ra và xử lý ngôn ngữ của con người. Nhiều công việc khác nhau về ngôn ngữ tự nhiên (NLP) như trả lời các câu hỏi, dịch ngôn ngữ, tóm tắt văn bản và tạo nội dung. Mô hình làm việc bằng cách phân tích các mẫu trong ngôn ngữ và dự đoán từ tiếp theo, câu hoặc đoạn dựa trên dữ liệu chúng nhận được.

Máy học (ML: Machine Learning) là một phần của trí thông minh nhân tạo (AI) mà cho phép các hệ thống máy tính học hỏi từ dữ liệu và cải thiện hiệu suất của chúng trong một thời gian mà không cần được lập trình rõ ràng cho mỗi nhiệm vụ. Sử dụng các thuật toán để xác định các mô hình trong bộ dữ liệu lớn, mô hình ML có thể dự đoán, phân loại và quyết định trên dữ liệu mới, dữ liệu không nhìn thấy. Ứng dụng bao gồm các đề nghị cá nhân và phát hiện gian lận đến các phương tiện tự động và các chẩn đoán y tế, cho phép hệ thống thích nghi và tạo ra những cái nhìn thông minh hơn, thông minh hơn về dữ liệu.

Học hỏi sâu là một phần của máy học sử dụng mạng thần kinh nhân tạo với nhiều lớp "sâu" để xử lý dữ liệu, bắt chước khả năng của não bộ con người để học hỏi từ kinh nghiệm. Bằng cách học các tính năng nên mô hình ngày càng phức tạp thông qua các lớp học sâu này, mô hình học sâu có thể phân tích các loại dữ liệu khác nhau, như hình ảnh, văn bản và âm thanh, để thực hiện các công việc như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, và đưa ra quyết định mà không cần lập trình rõ ràng của con người.

Neural network (Mạng nơ-ron nhân tạo) là một mô hình học máy (Machine Learning) được thiết kế theo dạng mô phỏng cách các tế bào thần kinh bên trong não bộ con người truyền tín hiệu và xử lý thông tin. Về bản chất, mạng nơ-ron nhân tạo này là một mô hình toán học được triển khai dưới dạng thuật toán, giúp máy tính học từ dữ liệu và đưa ra dự đoán. Trong Neural network bao gồm nhiều lớp nút liên kết với nhau: Lớp đầu vào có nhiệm vụ nhận dữ liệu từ bên ngoài, truyền qua các lớp ẩn để xử lý, và cuối cùng là lớp đầu ra sẽ đưa ra kết quả dựa trên những gì đã học. Cấu trúc đặc biệt đó giúp nó có thể điều chỉnh trọng số để giảm sai số và liên tục cải thiện độ chính xác. Đó là lý do công nghệ này có khả năng xử lý những vấn đề phức tạp và được ứng dụng rộng rãi trong nhiều lĩnh vực như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên...

RAG là viết tắt của Retrieval-Augmented Generation (Tăng cường tạo Sinh bằng Truy xuất). Đây là một kỹ thuật trong AI kết hợp hai thành phần:
- Retrieval (Truy xuất): Tìm kiếm thông tin liên quan từ nguồn dữ liệu bên ngoài (như cơ sở dữ liệu, tài liệu, website).
- Generation (Tạo sinh): Sử dụng các mô hình ngôn ngữ (LLMs) để tạo ra câu trả lời dựa trên thông tin đã truy xuất.

Ưu điểm RAG:
- Tổ chức, Doanh nghiệp có thể sử dụng dữ liệu nội bộ hoặc chuyên ngành mà không cần huấn luyện lại mô hình LLM, đảm bảo bảo mật và kiểm soát dữ liệu.
- Tự cung cấp thông tin, cập nhật liên tục và chính xác.
- Giảm "ảo giác" (hallucination) - khi AI tạo ra thông tin sai lệch. Bằng cách truy xuất thông tin trực tiếp liên quan đến truy vấn, RAG đảm bảo phản hồi tập trung và chính xác, tránh lạc đề trong các ứng dụng (Chatbot) hỗ trợ khách hàng hoặc tư vấn.
- Có thể trích dẫn nguồn gốc thông tin.
- Dễ dàng cập nhật kiến thức mới cho AI mà không cần huấn luyện lại mô hình.

Lý do cần RAG: Tổ chức, Doanh nghiệp có thể chủ động tận dụng tài liệu nội bộ, FAQs khách hàng hoặc cơ sở kiến thức sẵn có để mở rộng khả năng tư duy AI của mình, mà không phải đầu tư lớn vào việc training LLM. Đảm bảo bảo mật và kiểm soát dữ liệu (số liệu kinh doanh, bí mật công nghệ, quy trình hoạt động đặc thù...).

Trí tuệ nhân tạo tạo sinh (Generative AI) là một loại trí tuệ nhân tạo tạo ra nội dung mới, độc đáo - chẳng hạn như văn bản, hình ảnh, nhạc, âm thanh và video - bằng cách học các mẫu từ các tập dữ liệu khổng lồ. Không giống như trí tuệ nhân tạo truyền thống vốn chỉ nhận diện các mẫu, trí tuệ nhân tạo tạo sinh sử dụng thông tin đã học được và lời nhắc của người dùng để tạo ra các kết quả đầu ra mới bằng cách dự đoán phần tử tiếp theo (như một từ hoặc điểm ảnh) trong một chuỗi. Các ví dụ phổ biến bao gồm Mô hình Ngôn ngữ Lớn (LLM) như ChatGPT và trình tạo hình ảnh, được sử dụng cho các tác vụ từ trả lời câu hỏi, viết mã đến sáng tác nhạc.

AI tại chỗ (on-premise AI) là việc chạy các mô hình và ứng dụng trí tuệ nhân tạo trong cơ sở hạ tầng cục bộ của một tổ chức - chẳng hạn như máy chủ, trung tâm dữ liệu và thiết bị mạng - thay vì sử dụng các dịch vụ đám mây bên ngoài. Phương pháp này mang lại khả năng kiểm soát và bảo mật dữ liệu tốt hơn, cho phép độ trễ thấp hơn, hỗ trợ tuân thủ quy định đối với dữ liệu nhạy cảm và có khả năng giảm chi phí vận hành dài hạn bằng cách lưu trữ dữ liệu và hoạt động tính toán trong mạng lưới an toàn của công ty.

Agentic AI hay AI Agent là một hệ thống trí tuệ nhân tạo (AI) tiên tiến bao gồm các "tác nhân" tự chủ có thể đặt mục tiêu, đưa ra quyết định và thực hiện hành động với sự can thiệp tối thiểu của con người. Không giống như AI hoặc phần mềm truyền thống tuân theo các quy tắc được xác định trước hoặc phản hồi các lệnh trực tiếp, hệ thống AI Agentic có thể nhận thức môi trường, suy luận, học hỏi và thích nghi để đạt được mục tiêu bằng cách tận dụng các mô hình ngôn ngữ lớn (LLM) và các công cụ khác để thực hiện các tác vụ phức tạp, nhiều bước.

MCP là Giao thức Ngữ cảnh Mô hình (Model Context Protocol), một tiêu chuẩn mở giúp các mô hình ngôn ngữ lớn (LLM) và tác nhân AI có thể giao tiếp và kết nối với các ứng dụng, công cụ và nguồn dữ liệu bên ngoài một cách thống nhất. Nó hoạt động như một "cổng USB" cho AI, đơn giản hóa việc tích hợp, cho phép AI hiểu và hành động dựa trên ngữ cảnh mới, vượt ra ngoài phạm vi dữ liệu huấn luyện ban đầu của nó.

Kiến trúc AI hướng sự kiện (EDA) được áp dụng cho các hệ thống AI, trong đó các tác nhân và dịch vụ AI phản ứng với các sự kiện quan trọng khi chúng xảy ra theo thời gian thực. Thay vì thực hiện các thao tác tĩnh, hệ thống AI sẽ xuất bản và đăng ký các sự kiện, cho phép các thành phần duy trì sự kết nối lỏng lẻo, xử lý thông tin không đồng bộ và phản hồi với các thay đổi như hành động của người dùng hoặc dữ liệu cảm biến. Cách tiếp cận này tạo ra các ứng dụng AI có khả năng mở rộng, linh hoạt và phản ứng nhanh hơn, đặc biệt là cho các tác nhân AI trong các quy trình làm việc phức tạp như dự đoán bảo trì hoặc phát hiện gian lận.

Fine-tuning (Tinh chỉnh) LLM là quá trình huấn luyện thêm một mô hình AI đã được huấn luyện sẵn (pre-trained model) trên tập dữ liệu (datasets) cụ thể để mô hình thích ứng tốt hơn với nhiệm vụ hoặc lĩnh vực chuyên biệt.

Lý do cần Fine-tuning LLM: Các mô hình LLMs thường được huấn luyện trên dữ liệu công khai khổng lồ (từ website, sách vở, thư viện, tài liệu công cộng phổ biến...), nên chúng rất giỏi trả lời câu hỏi chung nhưng kém hiệu quả với dữ liệu chuyên ngành hoặc nội bộ tổ chức, doanh nghiệp chuyên biệt. Thường các bộ dữ liệu (datasets) nội bộ tổ chức, doanh nghiệp không công bố, công khai hoặc không phổ biến, chỉ phục vụ lưu hành nội bộ, ngành nghề (bí mật công nghệ, quy trình hoạt động đặc thù...).