Trong nhiều dự án Học Máy và AI, nhóm phát triển thường có xu hướng nhảy ngay vào mô hình phức tạp: fine-tune LLM, dùng deep learning, thêm vector database, xây pipeline nhiều tầng. Điều này hấp dẫn, nhưng cũng dễ khiến dự án tốn thời gian mà chưa chắc giải quyết đúng vấn đề. Một cách làm thực tế hơn là bắt đầu bằng baseline: phiên bản đơn giản nhất có thể đo được. Baseline là gì? Baseline là điểm mốc ban đầu để so sánh. Nó không cần hoàn hảo, thậm chí có thể rất đơn giản, miễn là chạy được trên dữ liệu thật và có thước đo rõ ràng. Ví dụ: - Bài toán phân loại email: bắt đầu bằng Logistic Regression hoặc Naive Bayes thay vì Transformer. - Bài toán dự đoán khách hàng rời bỏ: dùng vài đặc trưng cơ bản với Random Forest trước khi xây mạng nơ-ron. - Ứng dụng hỏi đáp nội bộ: thử tìm kiếm từ khóa hoặc BM25 trước khi dùng RAG phức tạp. - Tóm tắt văn bản: dùng prompt cố định với một mô hình có sẵn trước khi nghĩ đến fine-tuning. Vì sao baseline quan trọng? Thứ nhất, baseline giúp kiểm tra xem dữ liệu có đủ tín hiệu hay không. Nếu một mô hình đơn giản đã đạt kết quả khá tốt, bạn có cơ sở để cải tiến dần. Nếu mô hình đơn giản lẫn mô hình phức tạp đều tệ, vấn đề có thể nằm ở dữ liệu, nhãn, hoặc cách định nghĩa bài toán. Thứ hai, baseline giúp tránh “ảo giác tiến bộ”. Một mô hình lớn hơn có thể cho cảm giác hiện đại hơn, nhưng nếu không so với mốc ban đầu thì rất khó biết nó thực sự tốt hơn bao nhiêu. Trong thực tế, chênh lệch nhỏ về độ chính xác đôi khi không đáng với chi phí triển khai, độ trễ và công bảo trì. Thứ ba, baseline giúp trao đổi với đội sản phẩm dễ hơn. Thay vì nói “mô hình này dùng kiến trúc mới”, bạn có thể nói “so với cách đơn giản ban đầu, phiên bản mới giảm số lỗi quan trọng trong tập kiểm thử nội bộ”. Cách trình bày này gần với giá trị kinh doanh hơn. Một quy trình baseline đơn giản có thể áp dụng 1. Xác định đầu ra cần dự đoán hoặc tạo sinh Đừng bắt đầu bằng câu hỏi “dùng mô hình nào?”, hãy bắt đầu bằng “đầu ra đúng trông như thế nào?”. Với bài toán phân loại, cần có nhãn rõ ràng. Với LLM, cần có ví dụ câu trả lời tốt và câu trả lời không chấp nhận được. 2. Tạo một tập kiểm thử nhỏ nhưng thật Bạn không nhất thiết phải có hàng chục nghìn mẫu ngay từ đầu. Một tập 50-200 ví dụ đại diện, được kiểm tra thủ công cẩn thận, thường đã đủ để phát hiện nhiều vấn đề ban đầu. Quan trọng là tập này phải gần với dữ liệu thực tế, không chỉ là ví dụ đẹp. 3. Chọn phương án đơn giản nhất có thể chạy được Nếu là dữ liệu bảng, hãy thử mô hình tuyến tính hoặc tree-based model. Nếu là văn bản, hãy thử TF-IDF, BM25, hoặc embedding có sẵn. Nếu là LLM, hãy thử prompt rõ ràng trước khi fine-tune. Mục tiêu là có kết quả nhanh để học từ lỗi. 4. Ghi lại chỉ số và ví dụ lỗi Chỉ số như accuracy, F1, precision, recall, latency, chi phí mỗi request đều hữu ích. Nhưng đừng chỉ nhìn số trung bình. Hãy lưu lại các trường hợp mô hình sai: sai vì thiếu dữ liệu, sai vì nhãn mơ hồ, sai vì câu hỏi quá dài, hay sai vì mô hình không hiểu ngữ cảnh. 5. Cải tiến có chủ đích Sau khi có baseline, mỗi cải tiến nên trả lời một câu hỏi cụ thể. Thêm đặc trưng mới để xử lý nhóm lỗi nào? Đổi mô hình để cải thiện chỉ số nào? Dùng RAG để giảm lỗi thiếu thông tin nào? Fine-tune để thay đổi phong cách trả lời hay để tăng độ chính xác nghiệp vụ? Ví dụ thực tế Giả sử bạn xây hệ thống phân loại phản hồi khách hàng thành ba nhóm: lỗi kỹ thuật, yêu cầu tính năng, và góp ý chung. Thay vì dùng ngay LLM, bạn có thể làm baseline bằng TF-IDF kết hợp Logistic Regression. Sau khi chạy thử, bạn phát hiện mô hình hay nhầm “yêu cầu tính năng” với “góp ý chung”. Xem lại dữ liệu thì thấy nhiều nhãn được gán không nhất quán. Lúc này, việc làm sạch hướng dẫn gán nhãn có thể đem lại cải thiện lớn hơn việc đổi sang mô hình đắt tiền. Khi nào nên vượt qua baseline? Bạn nên dùng mô hình phức tạp hơn khi baseline đã bộc lộ giới hạn rõ ràng: không nắm được ngữ cảnh dài, không xử lý tốt ngôn ngữ tự nhiên đa dạng, không đủ chất lượng cho nhóm lỗi quan trọng, hoặc không đáp ứng yêu cầu sản phẩm. Nhưng quyết định đó nên dựa trên lỗi quan sát được, không chỉ vì công nghệ mới đang phổ biến. Lời khuyên cuối Một dự án AI tốt không bắt đầu bằng mô hình mạnh nhất, mà bắt đầu bằng cách đo đúng vấn đề. Baseline giúp bạn đi nhanh hơn vì nó buộc nhóm phát triển tập trung vào dữ liệu, tiêu chí đánh giá và lỗi thực tế. Khi đã có mốc so sánh rõ ràng, mọi quyết định sau đó — thêm dữ liệu, đổi mô hình, tối ưu prompt, hay fine-tune — đều có cơ sở hơn và ít cảm tính hơn.