Mở đầu — vì sao bài này quan trọng
Nếu bạn từng ngồi trong một cuộc họp về sản phẩm và nghe các từ "AI", "machine learning", "deep learning", "LLM" được dùng lẫn lộn như thể chúng là một, thì bạn không cô đơn. Đây là một trong những hiểu lầm phổ biến nhất, và đáng tiếc là nó gây ra hậu quả thật. Một PM không phân biệt được bốn khái niệm này thường mắc hai lỗi nghiêm trọng: hoặc là hứa với khách hàng những điều công nghệ chưa làm được (over-promise), hoặc là chọn sai loại giải pháp cho bài toán, dẫn đến đốt tiền và thời gian vào hướng đi không cần thiết.
Hãy hình dung bạn là PM ở một công ty fintech tại TP.HCM. Đội kinh doanh muốn "dùng AI để duyệt hồ sơ vay". Câu hỏi đầu tiên không phải là "dùng model nào" mà là: bài toán này thực ra cần machine learning truyền thống (một mô hình chấm điểm tín dụng dựa trên dữ liệu có cấu trúc), hay cần LLM (để đọc hiểu giấy tờ scan bằng ngôn ngữ tự nhiên)? Trả lời sai câu này, bạn có thể chi gấp mười lần chi phí cho một giải pháp kém chính xác hơn.
Bài này giúp bạn vẽ rõ tấm bản đồ khái niệm — không phải để bạn trở thành kỹ sư, mà để bạn nói cùng ngôn ngữ với đội kỹ thuật, đặt câu hỏi đúng, và ra quyết định sản phẩm chính xác. Đây là nền tảng từ vựng cho toàn bộ phần còn lại của khóa học.
Khái niệm cốt lõi
Điều quan trọng nhất bạn cần ghi nhớ: bốn khái niệm này không song song, mà lồng nhau như những vòng tròn đồng tâm. Cái sau là tập con của cái trước.
AI (rộng nhất)
└── Machine Learning (Học máy)
└── Deep Learning (Mạng nơ-ron sâu)
└── LLM (Mô hình ngôn ngữ lớn)
Hiểu được tính lồng nhau này, bạn sẽ tránh được vô số nhầm lẫn. Mọi LLM đều là deep learning, mọi deep learning đều là machine learning, mọi machine learning đều là AI — nhưng chiều ngược lại thì không đúng.
AI — Trí tuệ nhân tạo (vòng tròn rộng nhất)
AI là khái niệm bao trùm: bất kỳ kỹ thuật nào giúp máy tính làm được việc mà thông thường cần "trí thông minh" của con người — ra quyết định, nhận diện, suy luận, phản hồi. Điểm khiến nhiều người bất ngờ: AI không nhất thiết phải học từ dữ liệu.
Ví dụ kinh điển là các hệ thống dựa trên luật (rule-based systems). Một chatbot tổng đài ngân hàng kiểu cũ — "Nhấn 1 để kiểm tra số dư, nhấn 2 để khóa thẻ" — với cây quyết định if/else do con người viết tay, vẫn được xem là AI ở nghĩa rộng, dù trong đó không có một dòng machine learning nào. Cờ vua máy Deep Blue đánh bại Kasparov năm 1997 chủ yếu dựa trên thuật toán tìm kiếm và luật, chứ không phải học máy.
Bài học cho PM: khi ai đó nói "sản phẩm của chúng tôi có AI", điều đó gần như vô nghĩa nếu chưa làm rõ là loại AI nào. Hãy luôn hỏi tiếp một tầng.
Machine Learning — Học máy (vòng tròn thứ hai)
Machine Learning (ML) là tập con của AI, với một đặc trưng then chốt: thay vì lập trình viên viết ra luật cụ thể, máy tự học ra quy luật từ dữ liệu. Bạn đưa cho máy hàng nghìn ví dụ, máy tìm ra mẫu (pattern) và áp dụng cho dữ liệu mới.
Đây là phần "ngựa thồ" của ngành AI suốt 20 năm qua và vẫn cực kỳ quan trọng. Phần lớn các bài toán kinh doanh thực tế được giải bằng ML "truyền thống" với dữ liệu dạng bảng (tabular data):
- Dự đoán khách hàng nào sắp rời bỏ (churn prediction).
- Chấm điểm tín dụng từ thu nhập, lịch sử trả nợ, độ tuổi.
- Đề xuất sản phẩm trên Shopee, Lazada dựa trên hành vi mua sắm.
- Phát hiện giao dịch gian lận bất thường.
Điểm PM cần khắc cốt ghi tâm: rất nhiều bài toán không cần đến deep learning hay LLM. Một mô hình gradient boosting chạy trên máy chủ bình thường, chi phí gần như bằng không cho mỗi lần dự đoán, có thể giải quyết tốt 80% nhu cầu phân tích dữ liệu của doanh nghiệp.
Deep Learning — Học sâu (vòng tròn thứ ba)
Deep Learning là một nhánh con của ML, sử dụng mạng nơ-ron nhân tạo (neural networks) có nhiều lớp — chữ "deep" (sâu) chính là chỉ độ sâu của các lớp này. Sức mạnh đặc biệt của nó nằm ở khả năng tự học ra đặc trưng (features) từ dữ liệu phi cấu trúc: hình ảnh, âm thanh, video, văn bản thô.
Với ML truyền thống, con người thường phải tự "vẽ" ra các đặc trưng — ví dụ với một bức ảnh, bạn phải nói cho máy biết cần nhìn vào cạnh, góc, màu sắc nào. Deep learning bỏ qua bước đó: bạn cho mạng nơ-ron hàng triệu bức ảnh, nó tự học ra rằng "tổ hợp pixel này tạo thành mắt, tổ hợp kia tạo thành bánh xe".
Đây là công nghệ đứng sau:
- Nhận diện khuôn mặt để mở khóa điện thoại.
- Đọc biển số xe ở bãi giữ xe tự động (VinAI từng triển khai rộng tại Việt Nam).
- Nhận diện giọng nói của trợ lý ảo.
- Chẩn đoán hình ảnh y khoa (phát hiện khối u trên phim X-quang).
LLM — Mô hình ngôn ngữ lớn (vòng tròn trong cùng)
LLM (Large Language Model) là một loại đặc biệt của deep learning, được huấn luyện trên khối lượng văn bản khổng lồ để hiểu và sinh ra ngôn ngữ tự nhiên. GPT-4, Claude, Gemini, hay các model Việt như PhoGPT, Vistral đều là LLM. Chúng dựa trên một kiến trúc deep learning tên là Transformer (bạn sẽ học kỹ ở Bài 12).
Điểm khiến LLM "bùng nổ" từ cuối 2022 là chúng có khả năng tổng quát hóa đáng kinh ngạc: cùng một model có thể tóm tắt văn bản, viết email, dịch thuật, trả lời câu hỏi, viết code — mà không cần huấn luyện riêng cho từng việc. Đây là sự khác biệt lớn với deep learning truyền thống, vốn thường được huấn luyện cho một nhiệm vụ cụ thể.
Nhưng đừng để sự hào nhoáng đánh lừa: LLM giỏi ngôn ngữ, nhưng tốn kém (tính tiền theo token cho mỗi lần gọi), chậm hơn (độ trễ cao), có thể "bịa" thông tin (hallucination), và là quá thừa cho những bài toán mà một mô hình ML đơn giản giải quyết tốt hơn nhiều.
Bảng so sánh nhanh
| Tiêu chí | ML truyền thống | Deep Learning | LLM |
|---|---|---|---|
| Dữ liệu phù hợp | Dạng bảng (số, hạng mục) | Ảnh, âm thanh, văn bản thô | Văn bản, hội thoại |
| Lượng dữ liệu cần | Vừa phải | Rất lớn | Đã được train sẵn (dùng luôn) |
| Chi phí vận hành | Rất thấp | Trung bình–cao | Cao (tính theo token) |
| Khả năng giải thích | Tốt | Kém | Kém |
| Ví dụ | Chấm điểm tín dụng | Nhận diện biển số | Chatbot, tóm tắt |
Tình huống thực tế
Ví dụ 1 — Sàn TMĐT chọn nhầm công cụ cho gợi ý sản phẩm
Một sàn thương mại điện tử giả định tại Đông Nam Á, gọi là "ChợViệt", muốn nâng cấp tính năng gợi ý sản phẩm. PM mới nghe rằng "LLM là tương lai" nên đề xuất dùng GPT-4 để sinh gợi ý cho từng người dùng theo thời gian thực.
Đội kỹ thuật làm thử và phát hiện: mỗi lần gọi LLM tốn khoảng 800 đồng và mất 2-3 giây. Với 5 triệu lượt xem trang mỗi ngày, chi phí lên tới hàng tỷ đồng mỗi tháng, và trải nghiệm thì giật lag. Trong khi đó, một mô hình ML truyền thống dạng collaborative filtering chạy trên dữ liệu hành vi mua sắm cho ra gợi ý trong vài mili-giây, gần như miễn phí, và chính xác hơn vì nó dựa trên dữ liệu mua thực tế chứ không phải suy luận ngôn ngữ.
Bài học: gợi ý sản phẩm dựa trên hành vi là bài toán machine learning kinh điển với dữ liệu dạng bảng. Mang LLM vào đây là dùng dao mổ trâu để giết gà — vừa đắt, vừa chậm, vừa kém hiệu quả. PM phải hỏi: "Dữ liệu đầu vào của tôi là gì?" Nếu là số liệu hành vi có cấu trúc, ML truyền thống thường là lựa chọn đúng.
Ví dụ 2 — Phòng khám số hóa đơn thuốc viết tay
Một startup y tế tại Hà Nội cần số hóa hàng nghìn đơn thuốc và hồ sơ bệnh án viết tay mỗi ngày. Ban đầu họ định thuê người nhập liệu thủ công, nhưng tốc độ chậm và sai sót cao.
Phân tích kỹ, bài toán có hai tầng. Tầng một là đọc chữ từ ảnh scan — đây thuần túy là deep learning (nhận diện ký tự quang học, OCR, dùng mạng nơ-ron thị giác). Tầng hai là hiểu ý nghĩa văn bản đã đọc được: phân biệt đâu là tên thuốc, đâu là liều lượng, đâu là chẩn đoán, và chuẩn hóa các cách viết tắt — đây là chỗ LLM tỏa sáng, vì nó hiểu ngữ cảnh ngôn ngữ.
Giải pháp tối ưu là kết hợp: deep learning (OCR) trích xuất văn bản thô, rồi LLM xử lý ngữ nghĩa để cấu trúc hóa dữ liệu.
Bài học: nhiều sản phẩm AI trong thực tế không phải "một model trị tất", mà là một pipeline nối nhiều loại mô hình. PM giỏi nhìn ra được bài toán cần chia làm mấy tầng, mỗi tầng dùng công nghệ nào — thay vì cố nhét tất cả vào một công cụ.
Ví dụ 3 — "AI" chỉ là if/else trá hình
Một công ty SaaS quảng cáo rầm rộ rằng chatbot chăm sóc khách hàng của họ "được hỗ trợ bởi AI". PM bên mua hàng là một doanh nghiệp Việt, vì đã học bài này, nên hỏi sâu: "AI ở đây là loại gì? Nó có học từ dữ liệu hội thoại không, hay là cây quyết định viết sẵn?"
Hóa ra đó chỉ là một cây kịch bản if/else cứng nhắc: khách gõ đúng từ khóa thì bot trả lời, gõ lệch một chút là bot "đứng hình". Về mặt kỹ thuật, gọi nó là AI (rule-based) không sai, nhưng nó không có khả năng hiểu ngôn ngữ tự nhiên như khách hàng kỳ vọng.
Bài học: từ "AI" trong tiếp thị thường bị lạm dụng. Là PM, bạn cần bóc tách lớp vỏ marketing để hiểu công nghệ thực sự bên dưới — vừa để đánh giá nhà cung cấp, vừa để không vô tình over-promise với khách hàng của chính mình.
Hướng dẫn từng bước
Đây là quy trình tư duy để phân loại đúng một bài toán AI bất kỳ:
- Xác định đầu vào là dữ liệu gì. Dữ liệu có cấu trúc dạng bảng (số, danh mục) thường nghiêng về ML truyền thống. Dữ liệu phi cấu trúc (ảnh, âm thanh, video) nghiêng về deep learning. Văn bản và hội thoại nghiêng về LLM.
- Hỏi: bài toán có thực sự cần "học" không? Nếu luật rõ ràng và ổn định (ví dụ: tính thuế theo bậc), một hệ thống rule-based đơn giản còn tốt hơn — minh bạch, không sai, không tốn chi phí huấn luyện. Đừng dùng ML chỉ vì nó "ngầu".
- Đo độ phức tạp và lượng dữ liệu sẵn có. Nếu bạn có ít dữ liệu, deep learning sẽ khó hoạt động tốt; ML truyền thống hoặc LLM có sẵn (pre-trained) là lựa chọn an toàn hơn.
- Cân nhắc ba ràng buộc: chi phí, độ trễ, khả năng giải thích. Nếu cần giải thích quyết định cho cơ quan quản lý (ví dụ từ chối khoản vay), tránh các mô hình hộp đen. Nếu cần phản hồi tức thì ở quy mô lớn, cân nhắc kỹ chi phí token của LLM.
- Nghĩ theo pipeline, không theo "một model duy nhất". Như ví dụ phòng khám, lời giải tốt nhất thường là nối nhiều loại mô hình. Vẽ ra luồng dữ liệu trước khi chọn công nghệ.
- Diễn đạt lại bằng đúng từ vựng khi trao đổi với kỹ thuật. Thay vì "làm cho nó AI hơn", hãy nói "bài toán này là phân loại văn bản, tôi nghĩ ta cần một LLM với prompt phù hợp" — câu sau cho thấy bạn hiểu việc mình đang nói.
Lỗi thường gặp & mẹo
Lỗi 1: Dùng các từ thay thế cho nhau. Nói "machine learning" khi ý là "LLM", hay gọi mọi thứ là "AI". Điều này khiến cuộc trao đổi với đội kỹ thuật mơ hồ và dẫn đến hiểu nhầm phạm vi. Mẹo: luôn dùng từ cụ thể nhất đúng với thứ bạn muốn nói.
Lỗi 2: Mặc định LLM là câu trả lời cho mọi thứ. Hội chứng "búa nào cũng thấy đinh". Năm 2026, LLM hot nên ai cũng muốn nhét vào. Mẹo: mỗi khi định dùng LLM, tự hỏi "một mô hình ML truyền thống có giải được rẻ hơn không?" Nếu dữ liệu là dạng bảng, câu trả lời thường là có.
Lỗi 3: Quên rằng AI không nhất thiết phải học máy. Nhiều bài toán giải tốt bằng luật đơn giản, minh bạch và không tốn kém. Mẹo: đừng xấu hổ khi đề xuất giải pháp rule-based nếu nó đủ tốt — sự đơn giản là một tính năng.
Lỗi 4: Bỏ qua chi phí và độ trễ khi mơ về tính năng AI. PM hứng khởi vẽ ra trải nghiệm, rồi sốc khi thấy hóa đơn token hoặc thời gian phản hồi. Mẹo: ước lượng chi phí và độ trễ ngay từ giai đoạn ý tưởng, không để đến lúc kỹ thuật làm xong mới biết.
Mẹo vàng: Khi nghe bất kỳ ai (kể cả nhà cung cấp) nói "sản phẩm có AI", hãy hỏi đúng một câu: "Cụ thể là rule-based, ML truyền thống, deep learning, hay LLM?" Chỉ một câu hỏi này đã đặt bạn vào nhóm những PM hiểu việc.
Bài tập thực hành
- Phân loại bài toán. Với mỗi tình huống sau, hãy xác định nên dùng rule-based, ML truyền thống, deep learning, hay LLM (hoặc kết hợp), và giải thích lý do trong 2-3 câu:
- Bóc tách marketing. Tìm trên mạng một sản phẩm tự quảng cáo "powered by AI". Viết ra ba câu hỏi bạn sẽ đặt cho nhà cung cấp để biết công nghệ thực sự bên dưới là gì.
- Vẽ pipeline. Lấy ví dụ phòng khám số hóa đơn thuốc. Hãy vẽ sơ đồ luồng dữ liệu, ghi rõ mỗi bước dùng loại mô hình nào và vì sao.
- Tự kiểm tra hierarchy. Không nhìn lại bài, hãy tự vẽ bốn vòng tròn lồng nhau và điền tên + một ví dụ cho mỗi tầng.
Tóm tắt
- Bốn khái niệm AI, Machine Learning, Deep Learning, LLM lồng nhau như vòng tròn đồng tâm: cái sau là tập con của cái trước.
- AI là khái niệm rộng nhất, không nhất thiết phải học từ dữ liệu (rule-based cũng là AI).
- Machine Learning học quy luật từ dữ liệu, là "ngựa thồ" cho phần lớn bài toán dữ liệu bảng — nhanh, rẻ, dễ giải thích.
- Deep Learning dùng mạng nơ-ron nhiều lớp, mạnh với dữ liệu phi cấu trúc (ảnh, âm thanh), nhưng tốn dữ liệu và tính toán.
- LLM là loại deep learning chuyên ngôn ngữ, cực kỳ linh hoạt nhưng đắt và có thể bịa thông tin.
- Là PM, giá trị của bạn không nằm ở việc biết code, mà ở việc chọn đúng công cụ cho đúng bài toán: cân nhắc loại dữ liệu, chi phí, độ trễ, khả năng giải thích — và nhớ rằng lời giải tốt thường là một pipeline nhiều tầng, không phải một model thần kỳ.