Agentic Workflows

 "Agentic workflows" là một khái niệm liên quan đến việc tích hợp các "agent" hoạt động một cách tự động hoặc bán tự động vào trong quy trình làm việc để thực hiện các nhiệm vụ, đưa ra quyết định, và giải quyết các vấn đề một cách hiệu quả hơn. Trong bối cảnh này, một "agent" có thể là một chương trình phần mềm, robot, hoặc hệ thống AI được lập trình để hoạt động như một đại diện có khả năng thực hiện các nhiệm vụ cụ thể.

Trong các bước sử dụng AI truyền thống, một tác vụ sử dụng LLM  thường được thực hiện theo quy trình: tạo câu prompt → gọi LLM API → nhận kết quả → thực hiện các bước tiếp theo. Chúng ta có thể cải thiện việc tương tác với LLM bằng kỹ thuật prompt engineering để tạo câu prompt tốt hơn, hoặc sử dụng Retrieval-Augmented Generation (RAG) để cung cấp thêm thông tin và ngữ cảnh cho LLM. Tuy nhiên, các bước trong quy trình xử lý thường được tạo cứng và ấn định từ trước bởi thiết kế của lập trình viên, dẫn đến việc phải cập nhật hệ thống khi cần thay đổi quy trình hoặc nâng cấp câu prompt.

(Nguồn: https://media.licdn.com/dms/image/v2/D4E22AQGSGMnia0KeeQ/feedshare-shrink_800/feedshare-shrink_800/0/1713852868701?e=2147483647&v=beta&t=l7vvI3fa2qUO1iMjguNBH2mR9OkC3FSRa4zAWmDHP80)

Tuy nhiên, với Agentic Workflow, LLM không chỉ hỗ trợ thực hiện công việc mà còn có khả năng đề xuất các cải tiến và liên tục điều chỉnh để đạt được kết quả tối ưu. Điều này mang lại sự linh hoạt và hiệu quả, giúp tối ưu hóa quá trình làm việc mà không cần phải cập nhật hệ thống liên tục. Nhờ vậy, việc sử dụng AI để hỗ trợ công việc trở nên dễ dàng hơn, đem lại hiệu suất cao và khả năng thích ứng với nhiều yêu cầu khác nhau.

(Nguồn: https://www.scalablepath.com/machine-learning/agentic-ai)

Nguồn tham khảo

• https://atekco.io/1718179137306-agentic-workflow-hieu-qua-hon-nho-mo-phong-chuyen-gia/
• https://www.singlegrain.com/artificial-intelligence/how-to-leverageagentic-workflows/
• https://www.codiste.com/ai-agents-and-agentic-workflows

Prompt Chaining

Thuật ngữ "Prompt chaining" thường được sử dụng trong ngành công nghệ trí tuệ nhân tạo (AI), đặc biệt là trong lĩnh vực của các mô hình ngôn ngữ như GPT (Generative Pre-trained Transformer). 

(Nguồn: https://aigenealogyinsights.com/2023/06/13/the-power-of-a-i-genealogical-prompt-chaining/)

Prompt chaining là một phương pháp giao tiếp với mô hình ngôn ngữ lớn bằng cách tạo ra nhiều câu lệnh mà đầu ra của một câu lệnh trước đó chính là đầu vào cho câu lệnh tiếp theo. Kỹ thuật này bao gồm việc tạo ra một loạt các câu lệnh được liên kết với nhau, mỗi câu lệnh tập trung vào một phần cụ thể của toàn bộ vấn đề. Việc tuân theo chuỗi này cho phép mô hình ngôn ngữ lớn được hướng dẫn thông qua một quá trình lý luận có cấu trúc, giúp nó tạo ra các phản hồi chính xác và chi tiết hơn.

Lợi ích của prompt chaining:

• Việc chia nhỏ nhiệm vụ thành những phần nhỏ giúp công việc hiệu quả hơn. Khi các nhiệm vụ được phân chia, mô hình sẽ có khả năng tập trung hơn vào từng phần, giúp giảm thiểu nguy cơ xảy ra sai sót trong quá trình hiểu và thực hiện công việc. Điều này không chỉ giúp cải thiện độ chính xác mà còn giảm thời gian và tài nguyên cần thiết để hoàn thành nhiệm vụ.

• Các tác vụ phức tạp, thường có thể gây khó khăn khi quản lý, sẽ cần được chia nhỏ. Mỗi bước có thể được thực hiện một cách độc lập nhưng vẫn liên kết chặt chẽ với nhau, đảm bảo rằng hiệu quả của từng bước không bị ảnh hưởng. Nhờ vào việc tổ chức rõ ràng như vậy, người dùng có thể dễ dàng theo dõi quá trình và điều chỉnh nếu cần, từ đó tăng cường khả năng hoàn thành tiến trình một cách hiệu quả.

• Mỗi bước nhỏ trong chuỗi nhiệm vụ cho phép người dùng và mô hình tập trung vào các khía cạnh cụ thể, từ đó mở ra những hướng đi mới và những ý tưởng sáng tạo mà nếu không có cách tiếp cận này có thể bị bỏ lỡ. Mô hình có thể khai thác và phát huy tối đa tiềm năng của nó qua từng bước riêng biệt, dẫn đến những kết quả ấn tượng và độc đáo hơn.

• Những prompt trong chuỗi có thể được áp dụng cho nhiều nhiệm vụ tương tự khác nhau, giúp tiết kiệm thời gian và công sức trong việc thiết lập các tác vụ mới. Việc này không chỉ giúp tối ưu hóa quy trình làm việc mà còn tạo ra một hệ thống linh hoạt, giúp cải thiện hiệu suất và thúc đẩy tính sáng tạo và khả năng phát triển trong công việc.

Nguồn tham khảo

• https://aigenealogyinsights.com/2023/06/13/the-power-of-a-i-genealogical-prompt-chaining/
• https://losa.vn/learn/PWCtLhepmasciRpQnAKrY/dELCTyc-x8xlt7NmBW87q
• https://cobusgreyling.medium.com/llm-drift-prompt-drift-chaining-cascading-fa8fbf67c0fd

AI Agent

AI Agent là hệ thống trí tuệ nhân tạo có khả năng thực hiện các tác vụ thay cho con người như tự động thu thập dữ liệu, phân tích thông tin, phản hồi và đưa ra hành động phù hợp để đạt được một mục tiêu cụ thể nào đó.

(Nguồn: https://aws.amazon.com/what-is/ai-agents/)

AI Agent có thể hoạt động trong nhiều môi trường khác nhau, từ không gian số như ứng dụng phần mềm, trang web đến môi trường vật lý như robot hoặc xe tự hành. Thay vì tuân theo các quy tắc lập trình sẵn có như phần mềm truyền thống, AI Agent có thể tự thích nghi và xử lý các tình huống phức tạp. Dựa trên mục tiêu và chức năng cụ thể, có khả tự học hỏi và cải thiện qua thời gian,  tự động hóa các tác vụ phức tạp, và khả năng thích ứng với các điều kiện thay đổi. 

(Nguồn: https://www.neurond.com)

AI Agent khác Generative AI như thế nào?

• AI Agent được thiết kế để thực hiện các nhiệm vụ và quyết định dựa trên quy tắc hoặc học máy, trong khi Generative AI nhắm đến việc tạo ra nội dung mới mô phỏng những gì con người có thể tạo ra, từ văn bản đến nghệ thuật.
• AI Agent có thể dựa trên các thuật toán đơn giản hoặc phức tạp, nhưng chủ yếu tập trung vào tối ưu hóa quy trình và quyết định. Generative AI dựa trên mạng nơ-ron sâu và học sâu, chuyên sâu về khả năng hiểu và tái tạo mẫu đầu vào mà nó đã được huấn luyện trên.

Nguồn tham khảo

• https://vnexpress.net/ai-agent-buoc-tiep-theo-cua-lan-song-ai-thay-the-luc-luong-lao-dong-4850643.html
• https://www.xtmobile.vn/ai-agent-la-gi
• https://aws.amazon.com/what-is/ai-agents/
• https://www.neurond.com/blog/understanding-the-concept-what-is-an-agent-in-ai

Calo

Calo hay Calories (viết tắt là cal) là một đơn vị tính năng lượng nạp vào cơ thể bằng đường ăn uống hoặc tổng năng lượng cơ thể đốt cháy thông qua các hoạt động sống. Mọi hoạt động từ đi bộ, nói chuyện, thậm chí là hô hấp đều cần đến năng lượng từ calo. Một lượng calo phù hợp giúp cơ thể hoạt động hiệu quả, trong khi lượng calo dư thừa có thể dẫn đến tăng cân vì cơ thể sẽ lưu trữ năng lượng thừa dưới dạng mỡ. Ngược lại, nếu nạp không đủ calo, cơ thể bạn có thể sẽ thiếu hụt năng lượng cần thiết cho các hoạt động hàng ngày và điều này có thể ảnh hưởng xấu đến sức khỏe.

(Nguồn: https://www.wheystore.vn/news/calo-la-gi-1144)

Calo trong thức ăn và đồ uống được tính dựa trên lượng protein, carbohydrate (tinh bột và đường), và chất béo chứa trong đó:

• Mỗi gram protein cung cấp khoảng 4 calo.
• Mỗi gram carbohydrate cung cấp khoảng 4 calo.
• Mỗi gram chất béo cung cấp khoảng 9 calo.

(Nguồn: https://sport.ritavo.com/blogs/goi-y-bai-tap/calo-la-gi-bang-tinh-calo-thuc-pham)

Một chế độ ăn uống cân bằng là chìa khóa để quản lý lượng calo hiệu quả. Ăn quá nhiều calo không chỉ dẫn đến béo phì mà còn có thể làm tăng nguy cơ mắc các bệnh như tiểu đường type 2, bệnh tim, và một số loại ung thư. Ngược lại, việc tiêu thụ quá ít calo có thể dẫn đến tình trạng suy dinh dưỡng, mệt mỏi và suy giảm chức năng miễn dịch.

Lượng calo mỗi người cần mỗi ngày phụ thuộc vào nhiều yếu tố như tuổi tác, giới tính, cân nặng, chiều cao và mức độ hoạt động thể chất. Ví dụ, một người trưởng thành bình thường cần khoảng 2000 đến 2500 calo mỗi ngày. Tuy nhiên, những người có hoạt động thể chất cao hoặc những người đang trong quá trình phục hồi sức khỏe có thể cần nhiều hơn.

Nguồn tham khảo

• https://hoanmy.com/calo-la-gi/
• https://www.vinmec.com/vie/bai-viet/su-thieu-hut-calo-la-gi-bao-nhieu-calo-la-tot-cho-suc-khoe-vi