Vì sao AI Agent vẫn cần Machine Learning truyền thống?

Trong hai năm qua, sự bùng nổ của các mô hình ngôn ngữ lớn (LLM) đã khiến nhiều người tin rằng Machine Learning (ML) truyền thống sắp trở nên lỗi thời. Khi ChatGPT, Claude hay Gemini có thể trả lời câu hỏi, viết mã, phân tích dữ liệu và sử dụng công cụ, dường như mọi bài toán đều có thể giao cho LLM xử lý.

Thực tế lại diễn ra theo hướng ngược lại. Khi Agentic AI ngày càng phổ biến, các mô hình Machine Learning truyền thống không những không biến mất mà còn trở thành một trong những thành phần quan trọng nhất giúp AI Agent hoạt động hiệu quả.

Lý do rất đơn giản: LLM rất giỏi suy luận và điều phối, nhưng không phải lúc nào cũng là công cụ tốt nhất để đưa ra các quyết định định lượng hoặc dự đoán chính xác.

AI Agent thực chất hoạt động như thế nào?

Trước khi nói đến vai trò của Machine Learning truyền thống, cần hiểu AI Agent được xây dựng ra sao.

Một AI Agent không chỉ là một mô hình ngôn ngữ lớn. Đó là sự kết hợp giữa LLM với nhiều công cụ và dịch vụ khác để tự động thực hiện một chuỗi công việc gần như không cần con người can thiệp.

Trong hệ thống này, LLM đóng vai trò như "bộ não điều phối". Nó tiếp nhận yêu cầu bằng ngôn ngữ tự nhiên, chuyển đổi thành các thao tác máy tính, quyết định nên gọi công cụ nào, đọc kết quả trả về rồi tổng hợp thành câu trả lời cuối cùng.

Chính vì vậy, ChatGPT, Gemini hay Claude thực tế cũng đang hoạt động theo mô hình tương tự khi kết hợp LLM với tìm kiếm web, truy xuất dữ liệu, máy tính, cơ sở tri thức (RAG) và nhiều dịch vụ khác.

Điểm cốt lõi của Agentic AI không nằm ở bản thân LLM mà ở hệ sinh thái các công cụ (tooling) mà nó có thể sử dụng.

Machine Learning truyền thống cũng có thể trở thành "công cụ" của AI Agent

Ngày nay, phần lớn các AI Agent được trang bị công cụ tìm kiếm, cơ sở dữ liệu, API hoặc hệ thống RAG. Nhưng trên thực tế, một mô hình Machine Learning cũng có thể được coi là một công cụ mà AI Agent gọi đến khi cần.

Hãy lấy ví dụ về một AI Agent hỗ trợ định giá bất động sản. Người dùng chỉ cần nhập địa chỉ của căn nhà, AI Agent sẽ gọi API để thu thập thông tin như diện tích, vị trí, số phòng, năm xây dựng..., sau đó chuyển toàn bộ dữ liệu này tới một mô hình hồi quy (Regression Model) đã được huấn luyện từ trước để dự đoán giá trị thị trường. Cuối cùng, LLM sẽ diễn giải kết quả theo ngôn ngữ tự nhiên để trả lời người dùng.

Về lý thuyết, bạn hoàn toàn có thể yêu cầu chính LLM tự ước lượng giá căn nhà. Nhưng đây lại là lựa chọn kém tối ưu hơn rất nhiều.

Vì sao không nên để LLM thay thế hoàn toàn Machine Learning?

1. Độ chính xác cao hơn

LLM không thực hiện phép tính theo nghĩa truyền thống, nó dự đoán chuỗi token tiếp theo dựa trên xác suất, chứ không tính toán dựa trên mô hình thống kê đã được huấn luyện cho một bài toán cụ thể. Điều đó khiến LLM không phải lựa chọn phù hợp cho các nhiệm vụ cần đưa ra con số chính xác như:

• Dự đoán giá bất động sản.
• Chấm điểm tín dụng.
• Ước lượng doanh thu.
• Dự báo nhu cầu.
• Phát hiện gian lận.

Trong những trường hợp này, một mô hình hồi quy hoặc phân loại được huấn luyện đúng cách thường mang lại kết quả đáng tin cậy hơn nhiều.

2. Dễ giải thích hơn

Một trong những hạn chế lớn nhất của LLM là tính "hộp đen" (Black Box). Khi ChatGPT đưa ra một con số, rất khó để biết chính xác vì sao nó lại đưa ra kết quả như vậy.

Trong khi đó, các mô hình Machine Learning truyền thống cho phép phân tích mức độ ảnh hưởng của từng đặc trưng (feature), đánh giá quá trình suy luận và so sánh với kiến thức chuyên môn. Khả năng giải thích này đặc biệt quan trọng trong các lĩnh vực như tài chính, y tế hoặc bảo hiểm.

3. Chi phí thấp hơn rất nhiều

Mỗi lần gọi LLM đều tiêu tốn token. Nếu doanh nghiệp phải xử lý hàng trăm nghìn hoặc hàng triệu yêu cầu mỗi ngày, chi phí API sẽ tăng rất nhanh.

Ngược lại, việc chạy một mô hình phân loại (Classifier) hay hồi quy (Regression Model) chỉ tiêu tốn rất ít tài nguyên. Ngay cả khi xử lý khối lượng dữ liệu lớn, chi phí vẫn thấp hơn rất nhiều so với việc gọi LLM liên tục.

Ngoài ra, doanh nghiệp cũng kiểm soát được chi phí suy luận của mô hình ML, trong khi lượng token của LLM luôn có thể thay đổi theo từng truy vấn.

4. Kiểm soát tốt hơn

Với các mô hình Machine Learning truyền thống, doanh nghiệp có toàn quyền quyết định:

• Dữ liệu huấn luyện.
• Quá trình lựa chọn đặc trưng.
• Thuật toán.
• Cách tối ưu mô hình.
• Hạ tầng triển khai.

Trong khi đó, nếu sử dụng LLM thương mại, phần lớn những yếu tố này đều nằm trong tay nhà cung cấp. Điều này đồng nghĩa với việc dữ liệu có thể phải gửi tới bên thứ ba, doanh nghiệp phụ thuộc vào hạ tầng của nhà cung cấp và phải chấp nhận rủi ro nếu dịch vụ gặp sự cố.

Dĩ nhiên, việc xây dựng một mô hình Machine Learning truyền thống không đơn giản như gọi API của ChatGPT. Nhà phát triển cần hiểu dữ liệu, thực hiện Feature Engineering, lựa chọn thuật toán phù hợp và có tập dữ liệu đủ chất lượng để huấn luyện.

Nếu không có dữ liệu gán nhãn, họ còn phải sử dụng các phương pháp học không giám sát hoặc tự tạo nhãn. Đổi lại, doanh nghiệp sẽ có được một mô hình có độ chính xác cao, dễ đánh giá, dễ giám sát và dễ tối ưu hơn trong suốt vòng đời vận hành.

Làm thế nào để tích hợp mô hình Machine Learning vào AI Agent?

Có nhiều cách để kết nối một mô hình Machine Learning với AI Agent, nhưng phổ biến nhất là hai phương pháp dưới đây.

Để AI Agent gọi trực tiếp mô hình

Đây là cách triển khai đơn giản nhất. Mô hình ML được đóng gói thành một dịch vụ hoặc API riêng và AI Agent sẽ gọi trực tiếp khi cần dự đoán. Ví dụ, với hệ thống định giá bất động sản, AI Agent sẽ thu thập dữ liệu, gửi tới mô hình hồi quy rồi nhận lại kết quả.

Để làm được điều này, Agent cần hiểu rõ:

• Mô hình dùng để làm gì.
• Khi nào cần gọi.
• Cách định dạng dữ liệu đầu vào.
• Cách diễn giải kết quả trả về.

Điểm đáng lưu ý là mô hình không nên chỉ trả về một con số. Thay vào đó, nên bổ sung thêm các thông tin giải thích như các đặc trưng quan trọng nhất ảnh hưởng tới kết quả, xác suất dự đoán, và mức độ tin cậy của mô hình.

Nhờ vậy, LLM sẽ có thêm ngữ cảnh để tạo ra câu trả lời hữu ích hơn cho người dùng.

Lưu sẵn kết quả trong cơ sở dữ liệu

Một cách tiếp cận khác là không để AI Agent gọi mô hình trực tiếp. Thay vào đó, mô hình ML sẽ chạy định kỳ để tính toán trước toàn bộ kết quả, sau đó lưu vào cơ sở dữ liệu. Khi người dùng đặt câu hỏi, AI Agent chỉ cần truy vấn dữ liệu đã có.

Ví dụ, nếu doanh nghiệp có danh sách 500 khách hàng và muốn AI đánh giá khả năng tín dụng, mô hình chấm điểm tín dụng có thể tính toán toàn bộ kết quả trước. Đến khi Agent cần sử dụng, nó chỉ việc lấy dữ liệu từ cơ sở dữ liệu thay vì chạy lại mô hình. Cách làm này giúp giảm độ trễ, tránh tính toán lặp lại và phù hợp với các tập dữ liệu có kích thước hữu hạn.

Dù sử dụng phương pháp nào, kết quả trả về cũng nên được bổ sung mô tả bằng văn bản thay vì chỉ chứa các giá trị số để LLM có thể hiểu và giải thích chính xác hơn.

Trong hơn một thập kỷ trước khi LLM xuất hiện, Machine Learning truyền thống từng là nền tảng của hàng loạt hệ thống phân tích dữ liệu, dự báo và hỗ trợ ra quyết định. Sự bùng nổ của AI tạo sinh không khiến những mô hình này trở nên lỗi thời.

Ngược lại, trong kiến trúc Agentic AI hiện đại, chúng đang đảm nhiệm đúng những công việc mà LLM không làm tốt. LLM phát huy thế mạnh trong việc giao tiếp với con người, lập kế hoạch và điều phối công cụ. Trong khi đó, các mô hình Machine Learning truyền thống mang lại độ chính xác, khả năng giải thích, chi phí thấp và quyền kiểm soát tốt hơn cho các tác vụ dự đoán.

Thay vì xem hai công nghệ này là đối thủ, các doanh nghiệp nên coi chúng là hai thành phần bổ sung cho nhau. Một AI Agent thực sự mạnh không phải là Agent sử dụng LLM cho mọi việc, mà là Agent biết khi nào nên để LLM suy luận và khi nào nên giao bài toán cho một mô hình Machine Learning chuyên biệt .