Multi-Expert Prompting (MEP): Tối ưu hóa độ tin cậy và hiệu quả

1. Giới thiệu về Multi-Expert Prompting (MEP)

Multi-expert Prompting (MEP) là một phương pháp kỹ thuật prompting được giới thiệu trong một nghiên cứu đột phá từ các nhà khoa học tại Singapore. Các tác giả chính của nghiên cứu này là: Do Xuan Long, Duong Ngoc Yen và Luu Anh Tuan - là các nhà nghiên cứu người Việt Nam đang công tác tại ba trường đại học hàng đầu Singapore và châu Á.

MEP là một phương pháp tiên tiến được phát triển từ ExpertPrompting để cải thiện độ chính xác và tính hữu ích của phản hồi từ các Mô hình Ngôn ngữ Lớn (LLMs). Khác với phương pháp sử dụng một chuyên gia duy nhất, MEP sử dụng nhiều chuyên gia mô phỏng, mỗi người đóng vai trò riêng biệt để giải quyết một vấn đề từ nhiều góc độ khác nhau. Quy trình tổng hợp này giúp nâng cao độ chính xác, tính thực tế và giảm thiểu tính độc hại trong phản hồi của mô hình.

2. Quy trình hoạt động của MEP

MEP được triển khai qua hai bước chính:

• Bước 1: Tạo và phản hồi từ các chuyên gia – Mô hình tự tạo ra các chuyên gia với vai trò cụ thể và yêu cầu mỗi chuyên gia đưa ra phản hồi riêng về vấn đề.

• Bước 2: Tổng hợp phản hồi của các chuyên gia – Mô hình sử dụng Kỹ thuật Nhóm Danh nghĩa (Nominal Group Technique - NGT) để phân tích các ý kiến, xác định các điểm chung và giải quyết mâu thuẫn giữa các quan điểm.

3. Các ứng dụng của MEP

MEP có thể ứng dụng trong các lĩnh vực đòi hỏi nhiều quan điểm đa chiều:

• Hỗ trợ ra quyết định trong quản lý: Áp dụng MEP vào quá trình ra quyết định giúp đánh giá vấn đề từ nhiều góc độ, tránh sự thiên vị và đưa ra quyết định chính xác hơn.

• Trợ lý AI trong dịch vụ khách hàng: Khi sử dụng MEP, các câu trả lời có thể bao gồm các khía cạnh khác nhau như kỹ thuật, dịch vụ, và trải nghiệm khách hàng, mang đến sự hài lòng cao hơn.

• Lĩnh vực giáo dục: MEP giúp tạo ra các bài giảng hoặc tài liệu học tập đa dạng, giúp học sinh tiếp cận với các góc nhìn khác nhau về một chủ đề.

4. Các bước thực hiện:

• Bước 1: Thiết lập chuyên gia, với mỗi câu hỏi, bạn yêu cầu AI đóng vai trò là các chuyên gia khác nhau.

Ví dụ prompt: Hãy đóng vai là [chuyên gia 1] với [X năm kinh nghiệm] trong lĩnh vực [chuyên môn cụ thể]. Dựa trên chuyên môn của bạn, hãy cho biết về [câu hỏi]? Hãy tập trung phân tích từ góc độ [chuyên môn cụ thể]. Lặp lại với các chuyên gia khác, mỗi chuyên gia một góc nhìn khác nhau.

• Bước 2: Tổng hợp các góc nhìn sau khi có câu trả lời từ tất cả chuyên gia và yêu cầu AI tổng hợp:

Ví dụ prompt: Dựa trên các góc nhìn chuyên môn trên, hãy tổng hợp một câu trả lời toàn diện về [câu hỏi/vấn đề]. Yêu cầu:
1) Xác định điểm đồng thuận giữa các chuyên gia
2) Chỉ ra điểm khác biệt hoặc bổ sung
3)Đưa ra khuyến nghị cụ thể và thực tế
4)Đảm bảo cân bằng giữa lợi ích và rủi ro.

5. Ví dụ minh họa:

Sử dụng ChatGPT để phân tích việc đầu tư Vàng với câu hỏi: Có nên đầu tư vào vàng trong năm 2024 không?

• Bước 1: Hỏi từng chuyên gia để có thông tin.
  
  - Prompt với Chuyên gia Tài chính: Hãy đóng vai là một chuyên gia phân tích tài chính với 10 năm kinh nghiệm trong thị trường vàng. Dựa trên chuyên môn, hãy phân tích về việc đầu tư vàng trong năm 2024. Tập trung vào:
  + Phân tích cơ bản
  + So sánh với các kênh đầu tư khác
  + Đánh giá rủi ro tài chính

  - Prompt với Chuyên gia kinh tế: Bạn hãy đóng vai một chuyên gia kinh tế với 10 năm kinh nghiệm nghiên cứu về kinh tế vĩ mô, vi mô. Từ góc nhìn kinh tế, hãy đánh giá việc đầu tư vàng trong năm 2024. Tập trung vào:
  + Kinh tế vĩ mô, vi mô và các yếu tố địa chính trị ảnh hưởng
  + Tâm lý các nhà đầu từ
  + Các yếu tố kỹ thuật ảnh hưởng đến giá
  + Bầu cử Mỹ

- Prompt với Chuyên gia Quản lý Rủi ro: Bạn hãy đóng vai một chuyên gia quản lý rủi ro với 15 năm kinh nghiệm trong lĩnh vực đầu tư. Hãy phân tích rủi ro của việc đầu tư vàng trong năm 2024. Tập trung vào:
+ Các loại rủi ro chính
+ Chiến lược quản lý rủi ro
+ Khuyến nghị về tỷ trọng đầu tư an toàn

• Bước 2: Tổng hợp phân tích.
  - Câu prompt tổng hợp: Dựa trên 3 góc nhìn chuyên môn của các chuyên gia ở trên về đầu tư vàng trong năm 2024, Bạn hãy thực hiện:
  + Tổng hợp các điểm đồng thuận giữa các chuyên gia
  + Chỉ ra những điểm khác biệt trong đánh giá
  + Phân tích lý do đằng sau những khác biệt này
  + Đưa ra khuyến nghị cụ thể cho nhà đầu tư mới, nhà đầu tư có kinh nghiệm, các mức vốn đầu tư khác nhau.
  + Liệt kê các yếu tố cần theo dõi trong năm 2024

6. Kết luận:

MEP không chỉ tăng cường tính chính xác và hữu ích của các phản hồi từ mô hình ngôn ngữ mà còn giúp phản hồi trở nên toàn diện hơn. Phương pháp này thích hợp với nhiều ứng dụng, từ hỗ trợ quyết định đến tạo ra nội dung giáo dục và đánh giá vấn đề đa chiều để giúp việc ra quyết định đúng đắn và hiệu quả.

Tham khảo bài báo: https://arxiv.org/abs/2411.00492?fbclid=IwY2xjawGWVOtleHRuA2FlbQIxMQABHdtuMx6aSdT0S1GhztXe8UYybLHI2OjFUx6GnRRV5xlqZGdn42LBHGWzeg_aem_X4VshuaxyXfoWNQksp-RdA