Bản đồ
Framework

AI dự đoán và AI tạo sinh

Câu hỏi nó trả lời

Khi giám đốc điều hành được đề nghị đưa AI vào doanh nghiệp, mô hình phân loại và dự đoán khác mô hình tạo nội dung ở đâu, và việc nào hợp với loại nào?

Xuất xứ
Feuerriegel et al., 2024; Vassilev et al., 2025
Loại sơ đồ
Bảng so sánh
Cấp độ phân tích
Doanh nghiệp
Chủ đề
AI cho người lãnh đạoChiến lược & lãnh đạo
Quả cầu kính với lõi mạng nơ-ron phát sáng, biểu tượng AI cho lãnh đạo

Sơ đồ

AI dự đoán và AI tạo sinh

Tiêu chíAI dự đoán (phần lớn là mô hình phân biệt)AI tạo sinh
Mô hình học điều gìPhần lớn chỉ học ranh giới quyết định giữa các lớpPhân phối của dữ liệu, nên tạo được mẫu mới
Đầu raNhãn hoặc giá trị cho dữ liệu mới: lớp rời rạc (phân loại) hoặc giá trị liên tục (hồi quy)Nội dung mới như văn bản, hình ảnh, âm thanh, mã
Dùng đểHỗ trợ quyết định bằng dữ liệu, ví dụ nhận diện và phân loại vật thể trong ảnhTạo nội dung và trả lời câu hỏi, ví dụ GPT-4, Dall-E 2, Copilot
Cách làm việc với con ngườiGiao việc: người trao quyết định cho hệ thốngĐồng sáng tạo: người ra lệnh, kết quả của AI gợi ý cho lượt tiếp theo
Rủi ro nguồn nêuĐầu vào bị cố ý làm nhiễu có thể khiến mô hình nhận sai, ví dụ biển báo dừng bị nhận thành biển giới hạn tốc độKết quả nghe hợp lý nhưng sai (ảo giác), thiên lệch, vi phạm bản quyền, tốn điện

Khi nào dùng, khi nào không

Nên dùng khi

Trong một nghiên cứu trên 5.172 nhân viên hỗ trợ khách hàng, trợ lý hội thoại dùng AI tạo sinh làm số vấn đề giải quyết mỗi giờ tăng trung bình 15%, và người ít kinh nghiệm được lợi nhiều nhất (Brynjolfsson, Li và Raymond, 2025).

Cạm bẫy

Cạm bẫy

Ranh giới nằm ở cách mô hình học, không phải ở loại việc: NIST ghi rằng mô hình tạo sinh cũng có thể dùng cho việc dự đoán, ví dụ phân tích cảm xúc văn bản.

Nguồn

Tài liệu tham khảo

Xếp A–Z theo họ tác giả, kiểu Harvard. Nguồn có DOI thì link https://doi.org/…; nguồn không có DOI thì link trang nguồn hoặc ghi rõ không có DOI.

  1. Brynjolfsson, E., Li, D. and Raymond, L.R. (2025) ‘Generative AI at work’, The Quarterly Journal of Economics, 140(2), pp. 889–942.doi:10.1093/qje/qjae044Được trích trong 1 bài
  2. Feuerriegel, S. et al. (2024) ‘Generative AI’, Business & Information Systems Engineering, 66(1), pp. 111–126.doi:10.1007/s12599-023-00834-7Trang nguồn
  3. Vassilev, A. et al. (2025) Adversarial machine learning: a taxonomy and terminology of attacks and mitigations. Gaithersburg, MD: National Institute of Standards and Technology (NIST AI 100-2e2025).doi:10.6028/NIST.AI.100-2e2025Trang nguồn