Uy tín AI của thương hiệu không được xây bằng cách đăng thêm nội dung. Nhiều nhóm nghiên cứu độc lập đều đi đến cùng kết luận: điều một mô hình ngôn ngữ lớn “biết” về thương hiệu bạn được tích lũy qua nhiều năm, từ vô số mô tả của các nguồn bên ngoài, viết theo những cách khác nhau, trên những nền tảng mà bạn không kiểm soát được. Phần lớn hình ảnh đó đã được hình thành trước khi AI ngôn ngữ trở thành sản phẩm đại trà.
“Parametric standing” là gì và tại sao nó quyết định uy tín AI?
Parametric standing (mức độ hiểu biết sẵn có mà một mô hình AI mang về thương hiệu bạn trong các trọng số của nó, trước khi nó tra cứu bất kỳ thông tin nào trên web) quyết định cách một mô hình ngôn ngữ mô tả công ty bạn khi không có công cụ tìm kiếm nào được dùng đến. Khái niệm này khác với retrieval (truy xuất thông tin theo thời gian thực tại lúc được hỏi).
Hai khái niệm hay bị nhầm lẫn: training data (dữ liệu huấn luyện) là toàn bộ văn bản đã đưa vào mô hình; parametric standing là những gì sống sót qua quá trình nén thành các trọng số. Mối liên hệ giữa hai thứ này có thật và có chiều nhất định, nhưng cũng đầy tổn hao. Rất nhiều thứ đưa vào nhưng không thoát ra ở dạng có thể dùng được, và khoảng trống đó là nguồn gốc của hầu hết sự nhầm lẫn.
Cần bao nhiêu nguồn để AI “biết” thương hiệu của bạn?
Khối lượng từ một nguồn duy nhất là không đủ. Điều quan trọng là sự đa dạng từ nhiều nguồn độc lập.
Kandpal và cộng sự, công bố tại hội nghị ICML, phát hiện rằng độ chính xác của mô hình với một thông tin cụ thể tỷ lệ thuận với số lượng tài liệu liên quan nó đã thấy trong quá trình pretraining (giai đoạn huấn luyện sơ bộ trên tập dữ liệu lớn), và xác lập mối quan hệ này theo quan hệ nhân quả chứ không chỉ tương quan. Họ cũng ước tính rằng các mô hình cần được mở rộng thêm nhiều bậc độ lớn mới có thể trả lời cạnh tranh về những chủ đề ít được đề cập trong dữ liệu. Chờ mô hình lớn hơn không giải quyết được vấn đề dấu ấn mỏng.
Mallen và cộng sự tiếp cận từ góc khác và đi đến cùng giới hạn đó: mô hình xử lý tốt các thực thể được đề cập nhiều, nhưng gặp khó với phần đuôi dài (những chủ đề ít phổ biến). Mở rộng quy mô mô hình chủ yếu cải thiện khả năng nhớ ở nhóm phổ biến, còn phần đuôi gần như không thay đổi.
Allen-Zhu và Li chỉ ra rằng kiến thức chỉ trở nên trích xuất được một cách đáng tin cậy khi nó xuất hiện với đủ nhiều cách diễn đạt khác nhau trong quá trình pretraining. Thiếu sự đa dạng đó, một thông tin có thể tồn tại bên trong mô hình nhưng trả về độ chính xác 0% khi được hỏi: có mặt nhưng không dùng được. Nghiên cứu của họ chạy trên tập dữ liệu có kiểm soát nhắm đến kỹ sư xây dựng pipeline huấn luyện, nên không nên suy rộng trực tiếp thành khuyến nghị chiến lược thương hiệu. Nhưng như một cơ chế, nó giải thích một mẫu nhất quán.
Như Search Engine Journal nhận xét trong phân tích về các nghiên cứu này: “Chỉ đăng thêm nội dung thôi không đủ. Bạn vẫn cần tạo ảnh hưởng để người khác nói về công ty bạn theo cách bạn muốn. Và điều đó cần nhiều năm tích lũy.”
Tại sao website của bạn chỉ là một phần cực nhỏ trong dữ liệu huấn luyện?
Elazar và cộng sự, trong dự án “What’s In My Big Data,” phân tích 10 kho ngữ liệu dùng để huấn luyện các mô hình phổ biến. Trong C4 (Colossal Clean Crawled Corpus, một tập dữ liệu huấn luyện công khai được xây từ ảnh chụp Common Crawl), ngay cả tên miền phổ biến nhất cũng chỉ chiếm chưa đến 0,05% toàn bộ tài liệu. Website riêng của bất kỳ thương hiệu nào cũng chỉ là một tỷ lệ nhỏ không đáng kể trong đó.
Số liệu thống kê của chính Common Crawl bổ sung thêm ngữ cảnh: crawler (bot thu thập dữ liệu web) tuân thủ robots.txt (file trên máy chủ web cho crawler biết trang nào không được thu thập) và cố gắng không làm quá tải máy chủ, dẫn đến việc các tên miền có thứ hạng và lưu lượng cao lại thường bị thu thập ít hơn mức tương xứng. Crawler cũng ưu tiên HTML thuần túy hơn các định dạng được render động, nghĩa là nhiều nội dung trên các mạng xã hội lớn bị thu thập thiếu.
Một nghiên cứu riêng của Jesse Dodge và cộng sự về C4 xác nhận thêm: các trang trong kho ngữ liệu này không phải những trang được sử dụng nhiều nhất trên internet.
Phần lớn nội dung huấn luyện đó được viết từ khi nào?
Theo tài liệu của Dodge và cộng sự, ảnh chụp C4 được lấy vào tháng 4 năm 2019. Họ lấy mẫu một triệu URL và ước tính 92% được viết trong khoảng từ 2011 đến 2019, với phân phối đuôi dài kéo dài 10 đến 20 năm trước đó.
C4 không phải kho ngữ liệu mà các mô hình sản xuất hiện tại sử dụng, nhưng đây là kho ngữ liệu được ghi chép chi tiết nhất hiện có, và mẫu thời gian nó tiết lộ nhất quán với các dữ liệu khác.
Cheng và cộng sự tại Johns Hopkins, khi xem xét các điểm cắt kiến thức hiệu lực (effective knowledge cutoff, tức điểm mà kiến thức của mô hình thực sự tập trung, có thể khác đáng kể so với ngày cutoff mà mô hình công bố chính thức), phát hiện rằng các bản dump mới của Common Crawl vẫn mang nhiều tài liệu cũ hơn, và quá trình deduplication (loại bỏ trùng lặp) có thể gặp khó với các bản sao gần giống nhau về mặt ngữ nghĩa.
Hệ quả thực tế: bức tranh AI vẽ về một công ty có thể cũ hơn ngày cutoff mà mô hình đó công bố.
Marketing nắm chức năng, nhưng không nắm câu chữ
Gần như mọi chức năng xây dựng parametric standing đều thuộc phạm vi marketing: quan hệ công chúng (PR), quan hệ với các nhà phân tích ngành (analyst relations), quản lý cộng đồng, tiếp cận báo chí địa phương, xử lý khủng hoảng truyền thông, quản lý đánh giá. Nhưng không chức năng nào kiểm soát được đầu ra.
PR kiếm được bài viết từ nhà báo viết. Analyst relations kiếm được đánh giá từ nhà phân tích hình thành. Tham gia cộng đồng kiếm được mô tả từ những người không có quan hệ chính thức với công ty. Đánh giá tích lũy trên hàng nghìn điểm riêng lẻ, bằng ngôn ngữ mà không ai trong công ty chọn lựa.
Không một văn bản nào trong số đó đi vào mô hình dưới dạng chính nó. Chúng thay đổi cách các bên bên ngoài mô tả doanh nghiệp, và mô tả độc lập là kênh duy nhất đi vào các trọng số mô hình.
Như Search Engine Journal diễn đạt: nhân viên chăm sóc khách hàng viết phản hồi cẩn thận năm 2018 không phải là đang đưa văn bản vào kho ngữ liệu. Công việc đó ảnh hưởng đến cách một nhà báo địa phương sau đó mô tả doanh nghiệp, và câu của nhà báo mới là thứ mô hình hấp thu.
Có thêm một vấn đề kế thừa: đầu ra đã được mã hóa vào mô hình là sản phẩm của các chiến lược cũ, ngân sách đã đóng từ nhiều năm trước, thường bởi những người đã rời đi. Ai đang giữ vị trí hiện tại thừa hưởng cả chức năng lẫn kết quả của người trước.
Có thể chỉnh sửa để cải thiện vị trí không?
Cohen và cộng sự, công bố trong Transactions of the Association for Computational Linguistics (TACL), kiểm tra các phương pháp knowledge editing nổi bật (các kỹ thuật chỉnh sửa trực tiếp những gì mô hình “biết” ở cấp độ tham số) và phát hiện chúng không thể tạo ra các thay đổi nhất quán. Chỉnh sửa một thông tin duy nhất kéo theo một loạt thông tin liên quan cũng cần được cập nhật theo, và phần lớn không được cập nhật.
Ngay cả các nhà nghiên cứu với quyền truy cập trực tiếp vào tham số, không có đối thủ cạnh tranh, và toàn quyền kiểm soát vẫn không làm điều này một cách đáng tin cậy. Đó là giới hạn rõ ràng cho bất kỳ cách tiếp cận nào từ bên ngoài mô hình.
Góc nhìn Hingewise
Điểm mấu chốt: uy tín AI của thương hiệu là tài sản tích lũy từ nhiều năm, không phải thứ bạn tạo ra bằng một chiến dịch nội dung.
Hãy hình dung một thương hiệu địa phương hoạt động 10 năm. Hàng trăm đánh giá trên Google từ khách hàng thật. Vài bài báo địa phương nhắc đến. Khách hàng kể kinh nghiệm trên diễn đàn. Một blogger ẩm thực đề cập thoáng qua năm 2017. Tất cả những câu đó, từ tất cả những nguồn độc lập đó, mỗi người diễn đạt theo cách riêng của mình, mới là thứ AI ghi nhớ về thương hiệu này. Không phải trang “Giới thiệu” trên website của họ.
Đây là điểm nhiều phân tích bỏ qua: vấn đề không phải khối lượng nội dung bạn xuất bản, mà là có bao nhiêu nguồn độc lập mô tả bạn và mỗi nguồn có diễn đạt đủ khác nhau để sống sót qua quá trình nén của mô hình hay không. Hai câu hỏi này dẫn đến hai hành động hoàn toàn khác nhau.
Cũng cần lưu ý: một thương hiệu mới thành lập vẫn có thể được AI mô tả chính xác nếu đủ nhiều nguồn độc lập đề cập đến nó cùng một lúc, tức tích lũy nhanh thay vì tích lũy lâu. Cơ chế không thay đổi, chỉ là tốc độ khác nhau.
Nhận định của Hingewise: parametric standing không phải kênh marketing đo ROI được theo quý. Hiểu rõ cơ chế này thực ra là tin tốt vì nó cho bạn biết chính xác nên tập trung vào đâu, thay vì đổ nguồn lực vào những gì không có tác động thực sự đến cách AI mô tả thương hiệu bạn.
Cần kiểm tra gì trước khi hành động
- Thử hỏi ChatGPT và Gemini mô tả thương hiệu bạn như thế nào khi không cung cấp thêm ngữ cảnh.
- Đếm số nguồn độc lập thực sự (báo chí, blog ngoài ngành, diễn đàn, đánh giá của khách hàng) đang mô tả thương hiệu bạn, khác với nội dung bạn tự đăng.
- So sánh ngôn ngữ giữa các nguồn đó: có đủ đa dạng về cách diễn đạt hay tất cả đều lặp lại cùng một câu chữ từ website của bạn?
- Nhìn lại các hoạt động PR, analyst relations và quản lý đánh giá từ 3 đến 5 năm qua, không phải chỉ vài tháng gần đây.
- Xác định khoảng cách: AI đang mô tả bạn như thế nào so với những gì bạn muốn AI mô tả.
- Kiểm tra xem phần lớn nội dung về thương hiệu bạn trên web được viết bởi bạn hay bởi bên thứ ba độc lập.
Điều đáng theo dõi tiếp là cách retrieval và parametric standing tương tác khi các mô hình tích hợp ngày càng nhiều công cụ tìm kiếm theo thời gian thực, và liệu sự cân bằng giữa hai lớp này có thay đổi đáng kể trong vài năm tới hay không.
Nguồn: Search Engine Journal; Kandpal và cộng sự (ICML); Mallen và cộng sự; Allen-Zhu và Li; Elazar và cộng sự, “What’s In My Big Data”; Dodge và cộng sự (C4 documentation); Cheng và cộng sự, Johns Hopkins; Cohen và cộng sự (TACL); Common Crawl published statistics.
Bài viết được soạn với sự hỗ trợ của AI từ các nguồn dẫn ở trên và đối chiếu với các nguồn đó trước khi đăng. "Góc nhìn Hingewise" là nhận định biên tập của Hingewise, dựa trên khung phân tích và lập trường chúng tôi dùng trong công việc GEO. Cách chúng tôi làm việc: Chính sách biên tập.