Nhiều ứng viên coi các câu hỏi định nghĩa là “dễ thở”, nhưng đây chính là cái bẫy sàng lọc đầu tiên. Trả lời hời hợt sẽ khiến bạn mất điểm ngay lập tức. Hãy xem đây là cơ hội để thể hiện tầm nhìn chiến lược của mình.
Nhà tuyển dụng hỏi về nền tảng AI để đánh giá tầm nhìn chiến lược, sự nhạy bén kinh doanh và khả năng liên kết công nghệ với giá trị thực tiễn, chứ không chỉ để kiểm tra kiến thức sách vở của bạn.
Khi nhà tuyển dụng hỏi những câu tưởng chừng như cơ bản, họ không thực sự muốn nghe bạn đọc lại định nghĩa từ Wikipedia. Mục đích sâu xa là để đánh giá ba yếu tố cốt lõi:
- Tầm nhìn chiến lược: Bạn có nhìn thấy bức tranh lớn không? Bạn có hiểu AI đang định hình lại các ngành công nghiệp như thế nào không?
- Sự nhạy bén kinh doanh: Bạn có thể liên kết một khái niệm công nghệ trừu tượng với một cơ hội kinh doanh hoặc một vấn đề cụ thể của người dùng không?
- Khả năng giao tiếp: Bạn có thể giải thích một chủ đề phức tạp một cách đơn giản và rõ ràng cho những người không chuyên về kỹ thuật không?
Theo kinh nghiệm của tôi, cách trả lời ấn tượng nhất là bám sát công thức: Định nghĩa cốt lõi + Ví dụ thực tiễn trong ngành + Tác động kinh doanh.
Ví dụ các câu hỏi thường gặp:
Câu hỏi: “Bạn hiểu thế nào về AI/Generative AI (AIGC)[1]?”
- Trả lời chưa tốt: “AI là trí tuệ nhân tạo, giúp máy móc suy nghĩ như con người. Generative AI là một nhánh của AI có thể tạo ra nội dung mới.”
- Trả lời tốt hơn: “Đối với tôi, AI là khả năng của máy móc trong việc thực hiện các tác vụ thường đòi hỏi trí thông minh của con người, như học hỏi và giải quyết vấn đề. Đặc biệt, Generative AI là một bước đột phá, không chỉ phân tích dữ liệu có sẵn mà còn có thể tạo ra nội dung hoàn toàn mới như văn bản, hình ảnh, mã nguồn. Ví dụ, trong ngành thương mại điện tử, thay vì chỉ phân tích hành vi khách hàng, AIGC có thể tự động tạo ra mô tả sản phẩm hấp dẫn cho hàng ngàn SKU, giúp tăng tỷ lệ chuyển đổi và tiết kiệm đáng kể nguồn lực marketing.”
Câu hỏi: “Theo bạn, AI có những ứng dụng đột phá nào trong ngành tài chính (hoặc một ngành cụ thể của công ty bạn ứng tuyển)?”
Đây là lúc bạn thể hiện sự nghiên cứu của mình về công ty. Hãy liên kết kiến thức AI với chính sản phẩm hoặc lĩnh vực hoạt động của họ.
- Cách tiếp cận: Hãy nói về việc AI giúp phát hiện gian lận giao dịch theo thời gian thực, tự động hóa quy trình thẩm định tín dụng để đưa ra quyết định nhanh hơn, hoặc tạo ra các chatbot tư vấn tài chính cá nhân hóa 24/7. Đừng quên nhấn mạnh kết quả: giảm thiểu rủi ro, tăng hiệu quả hoạt động và cải thiện trải nghiệm khách hàng.
Phần 2: Hiểu sâu công nghệ – “vũ khí” của một AI PM
Nhiều Product Manager (PM)[2] xuất thân từ kinh doanh cảm thấy lo sợ trước các câu hỏi kỹ thuật. Sự thiếu hiểu biết này có thể tạo ra rào cản giao tiếp với đội ngũ kỹ sư. Giải pháp là bạn không cần phải là một kỹ sư, nhưng cần hiểu đủ sâu để thảo luận hiệu quả.
Kiến thức về công nghệ như LLM[3], RAG[4], hay fine-tuning[5] là vũ khí giúp AI PM giao tiếp hiệu quả với đội ngũ kỹ sư, đưa ra quyết định sản phẩm đúng đắn và đánh giá chính xác các lựa chọn kỹ thuật.
Nhà tuyển dụng không mong đợi bạn viết code hay triển khai mô hình. Họ muốn kiểm tra xem bạn có phải là một “hộp đen” chỉ biết đưa ra yêu cầu mà không hiểu gì về cách thức hoạt động bên trong không. Một AI PM giỏi cần phải hiểu các khái niệm kỹ thuật ở mức độ có thể:
- Trao đổi hiệu quả: Dùng đúng thuật ngữ để thảo luận với đội ngũ kỹ sư về các giải pháp, thách thức và giới hạn.
- Đánh giá Trade-offs: Hiểu được ưu, nhược điểm của các phương pháp khác nhau (ví dụ: khi nào nên dùng RAG, khi nào cần fine-tuning) để đưa ra quyết định sản phẩm phù hợp với nguồn lực và mục tiêu.
- Thiết lập kỳ vọng thực tế: Nắm được những gì công nghệ có thể và không thể làm để tránh đặt ra những yêu cầu viển vông.
Tôi luôn khuyên các PM chuẩn bị một bảng so sánh đơn giản về các kỹ thuật phổ biến để có thể trình bày một cách rành mạch.
Các khái niệm và câu hỏi cốt lõi:
Mô hình ngôn ngữ lớn (LLM – Large Language Model)
- Bạn cần biết: LLM là gì, cách nó hoạt động ở mức cơ bản (được huấn luyện trên kho dữ liệu khổng lồ để dự đoán từ tiếp theo), ví dụ về các LLM nổi tiếng (GPT-4, Llama 3, Gemini).
- Câu hỏi mẫu: “Sự khác biệt giữa một mô hình LLM mã nguồn mở và một mô hình API (như của OpenAI) là gì? Khi nào bạn chọn cái này thay vì cái kia?”
RAG (Retrieval-Augmented Generation) vs. Fine-tuning
- Bạn cần biết: Đây là hai cách phổ biến để cung cấp kiến thức chuyên biệt cho LLM. RAG giống như cho phép mô hình “tra cứu sách” (cơ sở dữ liệu vector) trước khi trả lời. Fine-tuning là “dạy thêm” cho mô hình bằng dữ liệu mới.
- Câu hỏi mẫu: “RAG có ưu và nhược điểm gì so với fine-tuning? Trong trường hợp nào bạn sẽ ưu tiên sử dụng RAG cho sản phẩm?”
- Gợi ý trả lời: “Ưu điểm lớn của RAG là tính cập nhật và khả năng kiểm soát nguồn thông tin, giúp giảm thiểu ‘ảo giác’ (hallucination) vì câu trả lời dựa trên dữ liệu cụ thể được cung cấp. Tuy nhiên, nó có thể phức tạp hơn trong việc thiết lập ban đầu. Fine-tuning giúp mô hình điều chỉnh văn phong và học các cấu trúc phức tạp, nhưng tốn kém hơn và dữ liệu học được là ‘tĩnh’ tại thời điểm huấn luyện. Tôi sẽ ưu tiên RAG cho các ứng dụng như chatbot hỏi đáp dựa trên tài liệu nội bộ của công ty, nơi tính chính xác và cập nhật là tối quan trọng.”
Prompt Engineering
- Bạn cần biết: Đây là nghệ thuật và khoa học của việc thiết kế câu lệnh (prompt) để LLM đưa ra kết quả mong muốn. Các kỹ thuật như zero-shot, few-shot, Chain-of-Thought.
- Câu hỏi mẫu: “Làm thế nào để bạn thiết kế một prompt hiệu quả để trích xuất thông tin có cấu trúc từ một đoạn văn bản không có cấu trúc?”
Phần 3: Quy trình & chiến lược sản phẩm AI
Phát triển một sản phẩm AI không giống như xây dựng một ứng dụng web thông thường. Áp dụng máy móc quy trình cũ có thể dẫn đến lãng phí tài nguyên và thất bại. Bạn cần một khung làm việc đặc thù cho vòng đời sản phẩm AI.
Quy trình phát triển sản phẩm AI đòi hỏi sự linh hoạt, tập trung vào dữ liệu và đo lường song song cả chỉ số thuật toán (ví dụ: độ chính xác) và chỉ số kinh doanh (ví dụ: tỷ lệ chuyển đổi).
Trong phần này, nhà tuyển dụng muốn đánh giá kỹ năng quản lý sản phẩm cốt lõi của bạn được áp dụng trong bối cảnh đặc thù của AI. Họ muốn thấy bạn tư duy có cấu trúc và hiểu được những thách thức riêng của việc xây dựng sản phẩm AI.
Một quy trình làm việc điển hình mà bạn có thể trình bày bao gồm các bước sau:
- Xác định vấn đề & Lên ý tưởng: Bắt đầu từ một vấn đề thực sự của người dùng hoặc doanh nghiệp mà AI có thể giải quyết tốt hơn 10 lần so với giải pháp hiện có.
- Thu thập và Gán nhãn dữ liệu: Đây là bước cực kỳ quan trọng trong nhiều dự án AI. PM cần xác định dữ liệu nào là cần thiết, làm việc với các bên liên quan để thu thập và đảm bảo chất lượng gán nhãn.
- Phát triển phiên bản cơ sở (Baseline Model): Thay vì cố gắng xây dựng một mô hình hoàn hảo ngay từ đầu, hãy làm việc với đội ngũ kỹ sư để nhanh chóng tạo ra một phiên bản MVP (Minimum Viable Product) để kiểm chứng giả định.
- Thử nghiệm & Lặp lại: Liên tục kiểm thử mô hình với dữ liệu thực tế, thu thập phản hồi từ người dùng và lặp lại để cải thiện hiệu suất.
- Triển khai & Giám sát: Đưa mô hình vào vận hành và thiết lập hệ thống giám sát chặt chẽ để phát hiện sự suy giảm hiệu suất (model drift) và các vấn đề phát sinh.
Các câu hỏi chiến lược cần chuẩn bị:
Câu hỏi: “Làm thế nào để bạn đánh giá sự thành công của một tính năng AI?”
- Gợi ý trả lời: “Tôi sẽ đánh giá trên hai phương diện song song.
- Thứ nhất là chỉ số thuật toán (Model Metrics), làm việc trực tiếp với đội ngũ AI, chúng ta sẽ theo dõi các chỉ số như Độ chính xác (Precision), Tỷ lệ tìm lại (Recall), F1-score. Đây là những chỉ số đảm bảo mô hình hoạt động đúng về mặt kỹ thuật.
- Thứ hai, và quan trọng hơn, là chỉ số kinh doanh (Business Metrics). Tính năng này có thực sự giúp người dùng hoàn thành công việc của họ nhanh hơn không (ví dụ: giảm thời gian viết email)? Nó có làm tăng tỷ lệ giữ chân người dùng (retention rate) hay tỷ lệ chuyển đổi (conversion rate) không? Sự thành công thực sự nằm ở giao điểm của hai nhóm chỉ số này.”
Câu hỏi: “Bạn sẽ làm gì nếu phải lựa chọn giữa việc ra mắt một tính năng AI có độ chính xác 90% ngay bây giờ và một tính năng có độ chính xác 99% sau 6 tháng nữa?”
- Gợi ý trả lời: Câu trả lời sẽ phụ thuộc vào bối cảnh. “Tôi sẽ phân tích dựa trên mức độ rủi ro của tác vụ. Nếu đây là một tính năng đề xuất sản phẩm trên trang thương mại điện tử, việc sai sót 10% có thể chấp nhận được và việc ra mắt sớm để thu thập dữ liệu và phản hồi người dùng sẽ có giá trị hơn. Ngược lại, nếu đây là một công cụ chẩn đoán y khoa, độ chính xác 90% là không thể chấp nhận và chúng ta bắt buộc phải đợi đến khi mô hình đạt độ tin cậy gần như tuyệt đối.”
Phần 4: Kinh nghiệm thực chiến & giải quyết vấn đề
Lý thuyết suông sẽ không bao giờ đủ để thuyết phục nhà tuyển dụng. Họ muốn thấy bằng chứng thực tế rằng bạn đã thực sự “nhúng tay” vào các dự án AI. Hãy chuẩn bị sẵn những câu chuyện súc tích và thuyết phục.
Để trả lời câu hỏi thực chiến, hãy sử dụng phương pháp STAR[6] (Tình huống, Nhiệm vụ, Hành động, Kết quả) để trình bày các dự án AI bạn đã tham gia một cách logic, súc tích và có số liệu cụ thể.
Đây là phần quan trọng nhất để bạn tỏa sáng. Thay vì nói chung chung, hãy kể những câu chuyện cụ thể. Phương pháp STAR là công cụ hoàn hảo để cấu trúc câu trả lời của bạn:
- S (Situation – Tình huống): Mô tả ngắn gọn bối cảnh dự án hoặc vấn đề bạn gặp phải.
- T (Task – Nhiệm vụ): Nhiệm vụ hoặc mục tiêu của bạn trong tình huống đó là gì?
- A (Action – Hành động): Bạn đã thực hiện những hành động cụ thể nào? Hãy tập trung vào vai trò của bạn.
- R (Result – Kết quả): Kết quả của những hành động đó là gì? Hãy lượng hóa bằng những con số bất cứ khi nào có thể.
Ví dụ áp dụng phương pháp STAR:
Câu hỏi: “Bạn đã bao giờ phải xử lý tình trạng ‘ảo giác’ (hallucination)[7] của mô hình AI chưa? Hãy kể lại.”
Câu trả lời mẫu:
“Chắc chắn rồi. Trong một dự án tôi từng quản lý, chúng tôi đã xây dựng một chatbot hỗ trợ khách hàng dựa trên LLM để trả lời các câu hỏi về chính sách bảo hành sản phẩm. (S – Tình huống)
Vấn đề là chatbot đôi khi ‘sáng tạo’ ra các điều khoản không có trong chính sách, ví dụ như nói rằng sản phẩm được bảo hành 2 năm trong khi thực tế chỉ là 1 năm. Điều này gây ra rủi ro nghiêm trọng về mặt pháp lý và sự hài lòng của khách hàng. (T – Nhiệm vụ) Nhiệm vụ của tôi là phải nhanh chóng tìm ra giải pháp để giảm thiểu tình trạng này mà không làm giảm đi sự hữu ích của chatbot.
(A – Hành động) Tôi đã dẫn dắt đội ngũ thực hiện ba hành động chính:
1) Chúng tôi chuyển từ cách tiếp cận LLM thuần túy sang kiến trúc RAG, buộc mô hình phải truy xuất thông tin từ một cơ sở kiến thức (knowledge base) đã được phê duyệt về chính sách bảo hành.
2) Tôi đã thiết kế lại các prompt hệ thống (system prompt)[8], chỉ thị rõ ràng cho mô hình rằng: ‘Chỉ được trả lời dựa trên thông tin được cung cấp. Nếu không tìm thấy thông tin, hãy nói rằng bạn không biết và đề nghị kết nối với nhân viên hỗ trợ’.
3) Chúng tôi thiết lập một vòng lặp phản hồi, cho phép người dùng đánh giá câu trả lời và báo cáo các trường hợp không chính xác, dữ liệu này được dùng để liên tục cải thiện hệ thống.
(R – Kết quả) Sau khi triển khai các thay đổi này trong 2 tuần, chúng tôi đã giảm được 95% các trường hợp ‘ảo giác’ được báo cáo, đồng thời tỷ lệ người dùng giải quyết được vấn đề mà không cần đến nhân viên hỗ trợ đã tăng 30%.”
Hãy chuẩn bị 2-3 câu chuyện tương tự về các dự án bạn đã tham gia, những thách thức bạn đã vượt qua, và cả những lần thất bại và bài học bạn rút ra.
Phần 5: Kỹ năng mềm & tầm nhìn tương lai
Thị trường AI thay đổi nhanh đến chóng mặt, kiến thức của ngày hôm nay có thể trở nên lỗi thời vào ngày mai. Chính vì vậy, nhà tuyển dụng đặc biệt tìm kiếm những ứng viên có khả năng tự học và tầm nhìn xa trông rộng.
Nhà tuyển dụng đánh giá cao ứng viên AI PM chủ động cập nhật kiến thức qua các blog, chuyên gia đầu ngành, có tư duy phản biện về xu hướng tương lai và thể hiện sự đam mê với lĩnh vực này.
Những câu hỏi trong phần này không có câu trả lời “đúng” hay “sai” tuyệt đối. Mục đích là để xem bạn có thực sự đam mê lĩnh vực này không, bạn có tư duy độc lập và có phù hợp với văn hóa học hỏi không ngừng của công ty hay không.
Các câu hỏi về tư duy và sự phát triển:
Câu hỏi: “Bạn cập nhật kiến thức về AI từ những nguồn nào?”
- Gợi ý trả lời: Hãy cụ thể! Thay vì nói “tôi đọc blog”, hãy nêu tên một vài nguồn uy tín. Ví dụ: “Tôi thường xuyên theo dõi blog ‘The Batch’ của Andrew Ng để cập nhật tin tức hàng tuần. Về mặt kỹ thuật, tôi hay đọc các bài phân tích sâu trên các blog như của Lilian Weng (OpenAI) hoặc các tóm tắt paper trên Hugging Face. Trên mạng xã hội X, tôi theo dõi các chuyên gia như Andrej Karpathy và Yann LeCun để nắm bắt các cuộc thảo luận mới nhất.”
Câu hỏi: “Theo bạn, đâu là rủi ro hoặc thách thức lớn nhất của AI hiện nay?”
- Gợi ý trả lời: Thể hiện tư duy đa chiều của bạn. Bạn có thể nói về các vấn đề kỹ thuật như ‘ảo giác’, các vấn đề đạo đức như thiên vị (bias) trong dữ liệu, hoặc các vấn đề kinh doanh như chi phí tính toán (compute cost) khổng lồ và việc tìm kiếm mô hình kinh doanh bền vững cho các sản phẩm AI.
Câu hỏi: “Nếu bạn có toàn quyền sử dụng công nghệ của ChatGPT để khởi nghiệp, bạn sẽ xây dựng sản phẩm gì?”
- Gợi ý trả lời: Đây là cơ hội để bạn thể hiện sự sáng tạo và tư duy sản phẩm. Hãy chọn một thị trường ngách mà bạn am hiểu. Trình bày ý tưởng theo cấu trúc: Vấn đề của người dùng -> Giải pháp của bạn (sử dụng AI như thế nào) -> Tại sao giải pháp này lại vượt trội. Ví dụ: “Tôi sẽ xây dựng một công cụ AI dành cho các luật sư, giúp họ tự động tóm tắt các vụ án dài hàng trăm trang và trích xuất những tiền lệ pháp lý liên quan trong vài phút, giúp tiết kiệm hàng giờ nghiên cứu thủ công.”
Bí quyết chuẩn bị “ăn điểm” trước ngày phỏng vấn
Biết trước các câu hỏi phỏng vấn chỉ là một nửa chặng đường. Chuẩn bị không tốt vẫn có thể khiến bạn thất bại. Hãy thực hiện những bước chuẩn bị chiến lược sau để tối đa hóa cơ hội thành công của mình.
Sự chuẩn bị quyết định thành công. Hãy xây dựng một portfolio nhỏ, luyện tập kể chuyện bằng phương pháp STAR, nghiên cứu kỹ công ty và chuẩn bị sẵn những câu hỏi thông minh để hỏi ngược lại nhà tuyển dụng.
Để bước vào phòng phỏng vấn với sự tự tin cao nhất, đây là những việc bạn nên làm:
1. Xây dựng một portfolio AI nhỏ
Bạn không cần phải có một dự án hoành tráng. Hãy tạo một trang Notion hoặc một file Google Slides đơn giản phân tích (tear-down) một sản phẩm AI mà bạn yêu thích. Phân tích điểm mạnh, điểm yếu, và đề xuất những cải tiến bạn sẽ làm nếu bạn là PM của sản phẩm đó. Đây là bằng chứng hữu hình cho thấy tư duy sản phẩm của bạn.
2. Chuẩn bị và luyện tập các câu chuyện STAR
Viết ra ít nhất 3 câu chuyện về thành công, thất bại, và cách giải quyết vấn đề của bạn theo phương pháp STAR. Sau đó, hãy luyện tập kể lại chúng một cách tự nhiên. Bạn có thể tự ghi âm hoặc nhờ một người bạn lắng nghe và cho nhận xét.
3. Nghiên cứu sâu về công ty và sản phẩm của họ
Đừng chỉ dừng lại ở trang chủ. Hãy tìm đọc blog công nghệ của họ, xem các bài thuyết trình của đội ngũ sản phẩm trên YouTube, tìm hiểu về các PM đang làm việc tại đó trên LinkedIn. Hiểu rõ về sản phẩm AI của họ, đối tượng khách hàng và những thách thức họ có thể đang đối mặt.
4. Chuẩn bị câu hỏi thông minh để hỏi ngược lại
Phỏng vấn là một cuộc trao đổi hai chiều. Việc đặt câu hỏi sắc bén cho thấy sự quan tâm thực sự và tư duy phản biện của bạn. Tránh những câu hỏi có thể dễ dàng tìm thấy trên Google. Hãy thử hỏi:
- “Thách thức lớn nhất mà đội ngũ AI của công ty đang đối mặt trong 6 tháng tới là gì?”
- “Công ty đo lường ROI của các sáng kiến AI như thế nào?”
- “Một PM thành công trong lĩnh vực AI ở đây thường có những phẩm chất gì?”
- “Quy trình hợp tác giữa PM, kỹ sư AI và nhà khoa học dữ liệu ở đây diễn ra như thế nào?”
Tóm lại, việc chinh phục buổi phỏng vấn Product Manager AI là một hành trình đòi hỏi sự chuẩn bị công phu. Nó không chỉ là cuộc kiểm tra kiến thức, mà còn là cơ hội để bạn thể hiện tư duy, đam mê và kinh nghiệm của mình. Chúc bạn thành công!
- Thành công trong phỏng vấn Product Manager AI đòi hỏi sự kết hợp giữa tư duy chiến lược, kiến thức kỹ thuật, kỹ năng quản lý sản phẩm và kinh nghiệm thực tiễn.
- Việc chuẩn bị kỹ lưỡng bằng cách hệ thống hóa kiến thức và luyện tập trả lời theo các nhóm câu hỏi sẽ giúp bạn tự tin hơn rất nhiều.
- Hãy nhớ rằng, nhà tuyển dụng không chỉ tìm kiếm câu trả lời đúng, mà còn tìm kiếm cách bạn tư duy, giải quyết vấn đề và niềm đam mê của bạn với lĩnh vực AI.
Cùng thảo luận nhé!
- Bạn đã từng gặp câu hỏi phỏng vấn AI PM nào “khó nhằn” nhất?
- Theo bạn, kỹ năng nào là quan trọng nhất đối với một Product Manager AI trong năm nay?
Tham khảo
[1] Generative AI (AIGC): Là một nhánh của trí tuệ nhân tạo có khả năng tạo ra nội dung mới và độc đáo như văn bản, hình ảnh, âm thanh, thay vì chỉ phân tích hoặc xử lý dữ liệu có sẵn. Tìm hiểu thêm
[2] Product Manager (PM): Là người chịu trách nhiệm xác định tầm nhìn, chiến lược và lộ trình phát triển của một sản phẩm, đồng thời dẫn dắt đội ngũ đa chức năng để biến ý tưởng thành sản phẩm thực tế và thành công trên thị trường. Tìm hiểu thêm
[3] LLM (Large Language Model): Là một loại mô hình trí tuệ nhân tạo được huấn luyện trên một lượng dữ liệu văn bản khổng lồ, giúp nó có khả năng hiểu, tóm tắt, tạo ra và dự đoán ngôn ngữ tự nhiên của con người. Tìm hiểu thêm
[4] RAG (Retrieval-Augmented Generation): Là một kỹ thuật kết hợp giữa việc truy xuất thông tin từ một cơ sở dữ liệu bên ngoài và khả năng tạo sinh ngôn ngữ của LLM, giúp mô hình đưa ra câu trả lời chính xác, cập nhật và dựa trên nguồn tin cậy. Tìm hiểu thêm
[5] fine-tuning: Là quá trình huấn luyện bổ sung (tinh chỉnh) một mô hình AI đã được huấn luyện trước đó trên một tập dữ liệu nhỏ hơn, chuyên biệt hơn để nó hoạt động tốt hơn cho một tác vụ cụ thể. Tìm hiểu thêm
[6] Phương pháp STAR: Là một kỹ thuật trả lời câu hỏi phỏng vấn theo cấu trúc gồm bốn phần: Situation (Tình huống), Task (Nhiệm vụ), Action (Hành động), và Result (Kết quả), giúp trình bày kinh nghiệm một cách logic và thuyết phục. Tìm hiểu thêm
[7] ‘ảo giác’ (hallucination): Là hiện tượng khi một mô hình AI tạo ra thông tin sai lệch, vô nghĩa hoặc không có trong dữ liệu huấn luyện của nó, nhưng trình bày thông tin đó một cách tự tin như thể là sự thật. Tìm hiểu thêm
[8] Prompt hệ thống (system prompt): Là một chỉ thị hoặc hướng dẫn cấp cao được cung cấp cho một mô hình AI (như LLM) để thiết lập bối cảnh, vai trò, hoặc các quy tắc ứng xử cho toàn bộ cuộc hội thoại. Tìm hiểu thêm