Bài #3: NLP là gì? Vì sao máy có thể xử lý ngôn ngữ?
Kiến thức chuyên đề
Bài #3: NLP là gì? Vì sao máy có thể xử lý ngôn ngữ?
Ở bài trước, ta đã học rằng machine learning giúp máy tìm mẫu từ dữ liệu, còn deep learning dùng mạng nơ-ron nhiều lớp để học các mẫu phức tạp hơn. Bài này đi vào một nhánh rất quan trọng của AI: NLP, hay xử lý ngôn ngữ tự nhiên. Đây là nền tảng đứng sau nhiều việc quen thuộc như tìm kiếm thông minh, dịch máy, sửa chính tả, phân loại bình luận, tóm tắt văn bản và chatbot.
Khi ta nói “máy hiểu ngôn ngữ”, cần hiểu cẩn thận. Máy không đọc tiếng Việt bằng trải nghiệm sống như con người. Thứ máy có thể làm là chuyển câu chữ thành tín hiệu số, học các mẫu trong văn bản, rồi dự đoán ý định, chủ đề hoặc câu trả lời phù hợp với ngữ cảnh.
Mục tiêu bài học
Sau bài này, bạn cần nắm được 5 ý: NLP là gì; vì sao ngôn ngữ tự nhiên khó hơn dữ liệu có cấu trúc; máy xử lý văn bản qua các bước nào; NLP hiện đại học từ dữ liệu ra sao; và LLM liên hệ với NLP như thế nào.
NLP là gì?
NLP là viết tắt của Natural Language Processing, nghĩa là xử lý ngôn ngữ tự nhiên. “Ngôn ngữ tự nhiên” là ngôn ngữ con người dùng hằng ngày, như tiếng Việt, tiếng Anh, tiếng Nhật, lời nhắn trong chat, câu hỏi trong lớp học, bình luận trên mạng hoặc đoạn văn trong sách.
Nhiệm vụ của NLP là giúp máy tính làm việc với dạng dữ liệu mềm này. Thay vì chỉ xử lý dữ liệu gọn gàng như số điểm, ngày tháng, mã sản phẩm, máy cần phân tích câu chữ có ngữ cảnh, ẩn ý, lỗi chính tả, từ đồng nghĩa và cả những câu không hoàn chỉnh.
Vì sao ngôn ngữ khó với máy?
Ngôn ngữ tự nhiên khó vì một câu có thể mang nhiều nghĩa. Câu “bài này khó quá” có thể là lời than, yêu cầu giải thích, hoặc phản hồi rằng giáo viên nên giảm độ khó. Từ “mạng” có thể là internet, mạng lưới, mạng sống hoặc mạng nơ-ron. Con người dựa vào bối cảnh để hiểu, còn máy phải học cách suy ra bối cảnh từ dữ liệu.
Tiếng Việt còn có đặc điểm riêng: nhiều từ ghép gồm nhiều âm tiết, dấu thanh làm thay đổi nghĩa, còn tin nhắn chat đôi khi thiếu dấu. “Giải giúp em bài này”, “em chưa hiểu chỗ này”, “sao lại chuyển vế như vậy ạ” đều có thể là cùng một nhu cầu: cần lời giải từng bước.
Máy xử lý văn bản qua những bước nào?
Ở mức đơn giản, một hệ thống NLP thường đi qua vài bước: thu nhận văn bản, làm sạch hoặc chuẩn hóa, tách văn bản thành câu, từ hoặc token, rồi biến các đơn vị đó thành con số để mô hình có thể tính toán.
Ví dụ câu “Em chưa hiểu phân số là gì” có thể được tách thành “Em”, “chưa”, “hiểu”, “phân số”, “là”, “gì”. Mô hình biểu diễn các phần này bằng vector số để giữ lại quan hệ ngữ cảnh: “phân số” gần với “tử số”, “mẫu số”, “chia phần”; còn “chưa hiểu” thường liên quan đến nhu cầu giải thích.
Từ luật viết tay đến học từ dữ liệu
NLP thời kỳ đầu dựa nhiều vào luật do con người viết: câu có dấu hỏi có thể là câu hỏi; có từ “không” có thể là phủ định; có cụm “bao nhiêu” có thể cần trả lời bằng số lượng. Cách này dễ hiểu, nhưng khó bao phủ hết mọi cách diễn đạt.
NLP hiện đại dùng nhiều machine learning và deep learning hơn. Thay vì viết tay từng luật, ta cho mô hình học từ rất nhiều ví dụ văn bản: câu hỏi học tập, bình luận, đoạn tóm tắt, bản dịch, câu trả lời đúng và cả những lỗi thường gặp.
LLM là bước phát triển nổi bật trong NLP hiện đại. Mô hình ngôn ngữ lớn học quan hệ giữa token, câu, đoạn và ngữ cảnh dài hơn, nên có thể làm nhiều tác vụ NLP chỉ bằng prompt: tóm tắt, phân loại, trả lời câu hỏi, chuyển giọng văn hoặc giải thích bài học.
Ví dụ đời thường
Khi bạn gõ sai chính tả và bàn phím gợi ý từ đúng, đó là NLP. Khi hộp thư tách quảng cáo, thư quan trọng và thư rác, đó cũng là NLP. Khi bạn tìm “cách học phân số dễ hiểu” và công cụ tìm kiếm vẫn trả về bài “phân số là gì”, hệ thống đang cố hiểu ý định chứ không chỉ khớp từng chữ.
Trong giáo dục, NLP có thể hỗ trợ đọc câu hỏi của học sinh. Nếu học sinh viết “em không hiểu vì sao đổi dấu khi chuyển vế”, hệ thống có thể nhận ra chủ đề là phương trình và phản hồi bằng ví dụ từng bước thay vì đưa ngay đáp án cuối.
Ví dụ kỹ thuật đơn giản
Giả sử ta muốn phân loại câu hỏi của học sinh vào 3 nhóm: cần giải thích khái niệm, cần hướng dẫn làm bài, hoặc cần kiểm tra đáp án. Ta thu thập nhiều câu hỏi đã được giáo viên gắn nhãn: “phân số là gì” thuộc nhóm khái niệm; “làm sao rút gọn phân số này” thuộc nhóm hướng dẫn; “đáp án 3/4 đúng không” thuộc nhóm kiểm tra. Khi gặp câu mới, mô hình dự đoán nhóm phù hợp; nếu kết hợp với LLM, hệ thống còn có thể tạo câu trả lời theo đúng nhóm.
Máy “hiểu” đến mức nào?
Ta có thể nói máy “hiểu” theo nghĩa vận hành: nó nhận ra mẫu, liên hệ ngữ cảnh và tạo phản hồi có ích. Nhưng không nên hiểu rằng máy có ý thức hoặc trải nghiệm như con người. Nhận ra giới hạn này giúp ta dùng AI tỉnh táo hơn: với câu hỏi cần độ chính xác cao, nguồn đáng tin hoặc dữ liệu mới, ta vẫn phải kiểm chứng.
Hiểu nhầm thường gặp
Hiểu nhầm 1: NLP chỉ là dịch máy. Dịch là một ứng dụng của NLP, nhưng NLP còn gồm tóm tắt, phân loại, tìm kiếm, trích xuất thông tin, hỏi đáp và tạo văn bản.
Hiểu nhầm 2: Máy chỉ cần từ điển là hiểu ngôn ngữ. Từ điển giúp biết nghĩa cơ bản của từ, nhưng ngôn ngữ phụ thuộc nhiều vào ngữ cảnh. Cùng một từ có thể đổi nghĩa tùy câu, người nói và mục đích giao tiếp.
Hiểu nhầm 3: LLM trả lời trôi chảy nghĩa là luôn hiểu đúng. LLM có thể tạo văn bản rất mạch lạc nhưng vẫn hiểu sai ý, bỏ sót chi tiết hoặc suy diễn quá mức. Câu trả lời hay vẫn cần kiểm tra khi dùng cho học tập, nghiên cứu hoặc công việc.
Bài tập nhanh
Hãy lấy 5 câu hỏi học tập và gắn nhãn cho chúng: hỏi khái niệm, cần hướng dẫn từng bước, cần kiểm tra đáp án, hay hỏi mẹo ghi nhớ. Sau đó viết lại mỗi câu theo một cách khác nhưng giữ nguyên ý. Bạn sẽ thấy vì sao NLP khó: cùng một ý có thể có rất nhiều cách nói.
Ghi nhớ
NLP giúp máy tính xử lý ngôn ngữ tự nhiên của con người. Máy không hiểu câu chữ giống con người, nhưng có thể tách văn bản thành đơn vị nhỏ, mã hóa chúng thành số, học quan hệ ngữ cảnh và dự đoán tác vụ phù hợp. NLP là nền tảng quan trọng của LLM, nhưng câu trả lời của mô hình vẫn cần được kiểm chứng khi độ chính xác quan trọng.
