Fine-Tuning là gì? Khi nào nên tinh chỉnh mô hình AI cho Marketing

Fine-tuning là gì? Fine-tuning (tinh chỉnh) là huấn luyện thêm một mô hình AI có sẵn trên bộ ví dụ đầu vào–đầu ra do bạn chuẩn bị, để mô hình quen một hành vi: một định dạng, một giọng văn, một cách phân loại. Nó thay đổi cách mô hình phản hồi; nó không phải nơi để nạp dữ kiện hay thay đổi như giá và chính sách.

Các bài RAG là gì và cách đào tạo AI hiểu doanh nghiệp đã so sánh ngắn fine-tune với kho kiến thức. Phần dưới đi vào câu hỏi khó hơn: với một vấn đề cụ thể, có nên fine-tune không — và nếu có, làm sao để không đẻ ra một mô hình vừa tốn vừa khó bảo trì.

Chẩn đoán trước: vấn đề thật nằm ở đâu

Quy tắc ngắn: thiếu dữ kiện → RAG; thiếu chỉ dẫn → sửa prompt; cần hành vi ổn định ở quy mô lớn → mới tính fine-tune. Riêng chuyện giọng văn, phần lớn đội làm tốt hồ sơ Brand Voice là đủ.

Dấu hiệu nên và chưa nên fine-tune

Nên cân nhắc khi

• Đã có prompt tốt nhất có thể và bộ đánh giá cho thấy nó dừng ở mức chưa đủ.
• Có ít nhất vài trăm ví dụ đầu ra đã được người duyệt đúng như mong muốn.
• Tác vụ ổn định: khuôn định dạng, bộ nhãn phân loại không đổi hằng tháng.
• Khối lượng đủ lớn để công sửa hoặc chi phí chạy tiết kiệm được bù cho chi phí huấn luyện và bảo trì.

Chưa nên khi

• Vấn đề là thông tin sai hoặc cũ.
• Chưa đo được prompt hiện tại tốt đến đâu — không có mốc để so.
• Ví dụ mẫu chủ yếu là bản AI tạo chưa sửa kỹ: mô hình sẽ học luôn cả lỗi.
• Giọng thương hiệu, danh mục sản phẩm hay khuôn bài còn đang thay đổi.

Quy trình fine-tune 6 bước

Bước 1. Định nghĩa hành vi bằng tiêu chí đo được

“Viết hay hơn” không đo được. “Đúng 5 dòng, dòng 1 nêu chất liệu, không quá 60 chữ, không dùng từ cấm” thì đo được. Bộ tiêu chí này dùng để chấm cả mô hình gốc lẫn mô hình đã tinh chỉnh, nên phải chốt trước khi bắt tay vào dữ liệu.

Bước 2. Lập mốc với prompt và RAG

Chạy phương án tốt nhất không cần huấn luyện — prompt kỹ, vài ví dụ mẫu, tài liệu tra cứu nếu tác vụ cần dữ kiện — trên bộ đánh giá. Ghi điểm. Nếu phương án này đã đạt yêu cầu, dừng ở đây. Nếu khoảng cách với yêu cầu còn lớn, fine-tune mới có lý do. Prompt dùng làm mốc nên được lưu phiên bản như hướng dẫn ở bài Prompt Management.

Bước 3. Chuẩn bị dữ liệu mẫu

Mỗi mẫu là một cặp đầu vào–đầu ra lý tưởng. Chất lượng quan trọng hơn số lượng: vài trăm mẫu sạch, đa dạng thường tốt hơn vài nghìn mẫu lẫn lỗi. Mẫu phải phủ các ca khó (sản phẩm thiếu thông tin, tên dài, hàng đặt riêng), không chứa dữ liệu cá nhân của khách, và doanh nghiệp phải có quyền dùng chúng. Có thể bổ sung ca hiếm bằng dữ liệu tổng hợp, nhưng người vẫn phải duyệt từng mẫu.

Bước 4. Tách tập đánh giá riêng

Giữ lại 10–20% mẫu, không bao giờ đưa vào huấn luyện, và thêm những ca từng lỗi ngoài thực tế. Nếu tập đánh giá lẫn vào dữ liệu huấn luyện, điểm sẽ đẹp giả. Cách viết tiêu chí chấm và kết hợp chấm tự động với người đọc xem bài AI Evaluation.

Bước 5. Huấn luyện bản nhỏ và so với mốc

Bắt đầu với một phần dữ liệu và cấu hình mặc định của nhà cung cấp. So với mốc ở Bước 2 trên cùng tập đánh giá, và đọc tận mắt một mẫu đầu ra — điểm tự động có thể bỏ sót lỗi giọng văn. Chỉ tăng dữ liệu hay chỉnh tham số khi thấy rõ hướng cải thiện.

Bước 6. Kiểm hồi quy và lên lịch bảo trì

Mô hình tinh chỉnh có thể giỏi tác vụ chính nhưng kém đi ở việc khác — chẳng hạn trả lời cụt cả khi được yêu cầu chi tiết. Chạy thêm vài tác vụ ngoài phạm vi để kiểm tra. Ghi lại phiên bản dữ liệu, mô hình gốc, ngày huấn luyện: khi nhà cung cấp ngừng hỗ trợ mô hình gốc hoặc khuôn bài đổi, bạn sẽ phải huấn luyện lại. Cách quản lý vòng đời thay đổi đó xem bài LLMOps.

Chi phí không chỉ là tiền huấn luyện

Ví dụ: mô tả sản phẩm cho xưởng in bao bì

Ví dụ giả định: một xưởng in bao bì cần mô tả cho 3.000 mẫu hộp trên website, mỗi mô tả đúng khuôn 5 dòng. Đội có 600 mô tả do biên tập viên viết và duyệt, và một bộ đánh giá 150 sản phẩm.

Xưởng in chọn fine-tune cho đúng một tác vụ này, vẫn giữ kho thông số để mô tả không sai kích thước, và vẫn giữ người duyệt cho nhóm hộp in theo yêu cầu. Fine-tune giải quyết phần khuôn; dữ kiện vẫn đến từ tài liệu.

Câu hỏi thường gặp