Trí tuệ nhân tạo thế hệ mới (GenAI) và tương lai của thương hiệu: Vai trò then chốt của đồ thị tri thức.

Ngày nay, từ góc độ SEO, việc sở hữu một thương hiệu mạnh không chỉ giúp bạn thống trị kết quả tìm kiếm mà còn cho phép bạn xuất hiện trong các câu trả lời của chatbot.

Trí tuệ nhân tạo tạo sinh (GenAI) là công nghệ đang định hình các chatbot, như Bard, Bingchat, ChatGPT, và các công cụ tìm kiếm, như Bing và Google. GenAI là một trí tuệ nhân tạo (AI) đàm thoại có thể tạo ra nội dung chỉ bằng một cú nhấp chuột (văn bản, âm thanh và video). Cả Bing và Google đều sử dụng GenAI trong công cụ tìm kiếm của họ để cải thiện kết quả tìm kiếm, và cả hai đều có chatbot liên quan (Bard và Bingchat). Do các công cụ tìm kiếm sử dụng GenAI, các thương hiệu cần bắt đầu điều chỉnh nội dung của mình cho phù hợp với công nghệ này, nếu không sẽ có nguy cơ giảm khả năng hiển thị trực tuyến và cuối cùng là giảm tỷ lệ chuyển đổi.

Như người ta vẫn nói, không phải tất cả những thứ lấp lánh đều là vàng. Công nghệ GenAI cũng có một nhược điểm – ảo giác. Ảo giác là hiện tượng mà các mô hình AI tạo sinh đưa ra những phản hồi trông có vẻ chân thực nhưng thực chất lại là do con người tạo ra. Ảo giác là một vấn đề lớn ảnh hưởng đến bất kỳ ai sử dụng công nghệ này.

Một giải pháp cho vấn đề này đến từ một công nghệ khác gọi là "Đồ thị tri thức". Đồ thị tri thức là một loại cơ sở dữ liệu lưu trữ thông tin dưới dạng đồ thị và được sử dụng để biểu diễn tri thức theo cách mà máy móc dễ hiểu và xử lý.
Trước khi đi sâu hơn vào vấn đề này, điều cần thiết là phải hiểu từ góc độ người dùng liệu việc đầu tư thời gian và năng lượng của thương hiệu vào việc thích ứng với Trí tuệ nhân tạo thế hệ mới (GenAI) có hợp lý hay không.

Liệu thương hiệu của tôi có nên thích ứng với Trí tuệ nhân tạo tạo sinh (Generative AI)?

Để hiểu cách GenAI có thể tác động đến thương hiệu, bước đầu tiên là phải hiểu trong những trường hợp nào mọi người sử dụng công cụ tìm kiếm và khi nào họ sử dụng chatbot.

Như đã đề cập, cả hai lựa chọn đều sử dụng GenAI, nhưng công cụ tìm kiếm vẫn dành một chút không gian cho kết quả tìm kiếm truyền thống, trong khi chatbot hoàn toàn là GenAI. Fabrice Canel đã mang đến cho các nhà tiếp thị những thông tin về cách mọi người sử dụng chatbot và công cụ tìm kiếm tại Pubcon.

Hình ảnh bên dưới minh họa rằng khi người dùng biết chính xác những gì họ muốn, họ sẽ sử dụng công cụ tìm kiếm, trong khi khi họ chỉ biết sơ qua những gì họ muốn, họ sẽ sử dụng chatbot. Bây giờ, hãy tiến thêm một bước nữa và áp dụng kiến ​​thức này vào ý định tìm kiếm . Chúng ta có thể giả định rằng khi người dùng có truy vấn điều hướng, họ sẽ sử dụng công cụ tìm kiếm (Google/Bing), và khi họ có truy vấn điều tra thương mại, họ thường sẽ hỏi chatbot.

Thông tin trên dẫn đến một số hệ quả đáng kể:

1. Khi người dùng nhập tên thương hiệu hoặc sản phẩm vào công cụ tìm kiếm, bạn muốn doanh nghiệp của mình thống trị trang kết quả tìm kiếm (SERP). Bạn muốn có trọn gói: trải nghiệm GenAI (thúc đẩy người dùng đến bước mua hàng trong phễu bán hàng), thứ hạng website của bạn, bảng thông tin, thẻ Twitter, có thể cả Wikipedia, tin tức nổi bật, video và mọi thứ khác có thể xuất hiện trên SERP.

Trên Twitter, Aleyda Solis đã cho thấy trải nghiệm của GenAI trông như thế nào đối với cụm từ “ giày thể thao Nike ”

2. Khi người dùng đặt câu hỏi cho chatbot, họ thường muốn thương hiệu của mình được liệt kê trong câu trả lời. Ví dụ, nếu bạn là Nike và người dùng truy cập Bard và viết "giày thể thao tốt nhất", bạn sẽ muốn thương hiệu/sản phẩm của mình xuất hiện ở đó.

3. Khi bạn đặt câu hỏi cho chatbot, các câu trả lời liên quan sẽ được đưa ra ở cuối câu trả lời ban đầu. Những câu hỏi này rất quan trọng cần lưu ý, vì chúng thường giúp thúc đẩy người dùng tiến sâu hơn vào quy trình bán hàng hoặc làm rõ các thắc mắc liên quan đến sản phẩm hoặc thương hiệu của bạn. Do đó, bạn cần có khả năng kiểm soát các câu hỏi liên quan mà chatbot đề xuất.

Giờ đây, khi chúng ta đã hiểu lý do tại sao các thương hiệu nên nỗ lực thích ứng, đã đến lúc xem xét những vấn đề mà công nghệ này mang lại trước khi đi sâu vào các giải pháp và những việc mà các thương hiệu nên làm để đảm bảo thành công.

Trí tuệ nhân tạo tạo sinh (Generative AI) có những hạn chế gì?

Bài báo học thuật " Thống nhất các mô hình ngôn ngữ lớn và đồ thị tri thức: Một lộ trình" giải thích chi tiết các vấn đề của Trí tuệ nhân tạo tạo sinh (GenAI). Tuy nhiên, trước khi bắt đầu, chúng ta hãy làm rõ sự khác biệt giữa Trí tuệ nhân tạo tạo sinh, Mô hình ngôn ngữ lớn (LLM), Bard (chatbot của Google) và Mô hình ngôn ngữ cho các ứng dụng đối thoại (LaMDA).

LLM là một loại mô hình GenAI dự đoán "từ tiếp theo", Bard là một chatbot LLM cụ thể được phát triển bởi Google AI, và LaMDA là một LLM được thiết kế đặc biệt cho các ứng dụng hội thoại.

Để làm rõ hơn, Bard ban đầu được xây dựng dựa trên LaMDA (hiện nay dựa trên PaLM ), nhưng điều đó không có nghĩa là tất cả các câu trả lời của Bard đều chỉ đến từ LaMDA. Nếu bạn muốn tìm hiểu thêm về Trí tuệ nhân tạo tạo sinh (GenAI), bạn có thể tham gia khóa học giới thiệu về Trí tuệ nhân tạo tạo sinh của Google .

Như đã giải thích ở đoạn trước, LLM dự đoán từ tiếp theo. Điều này dựa trên xác suất. Hãy xem hình ảnh bên dưới, hình ảnh này hiển thị một ví dụ từ video của Google có tiêu đề " Các mô hình ngôn ngữ lớn (LLM) là gì ?" .

Dựa trên câu đã viết, mô hình dự đoán từ tiếp theo có xác suất cao nhất. Một lựa chọn khác có thể là "khu vườn đầy những con bướm xinh đẹp". Tuy nhiên, mô hình ước tính rằng "hoa" có xác suất cao nhất. Vì vậy, nó đã chọn "hoa".

Chúng ta hãy quay lại vấn đề chính, đó là cạm bẫy.

Theo bài báo "Thống nhất các mô hình ngôn ngữ lớn và đồ thị tri thức: Một lộ trình", những khó khăn có thể được tóm tắt trong ba điểm sau:

“Mặc dù thành công trong nhiều ứng dụng, LLM vẫn bị chỉ trích vì thiếu kiến ​​thức thực tế.” Điều này có nghĩa là máy không thể nhớ lại các sự kiện. Do đó, nó sẽ tự tạo ra một câu trả lời. Đây là một ảo giác.

“Là những mô hình hộp đen, LLM cũng bị chỉ trích vì thiếu tính giải thích. LLM thể hiện kiến ​​thức một cách ngầm định trong các tham số của chúng. Rất khó để giải thích hoặc xác thực kiến ​​thức thu được từ LLM.” Điều này có nghĩa là, với tư cách là con người, chúng ta không biết máy móc đã đi đến kết luận/quyết định như thế nào vì nó đã sử dụng xác suất.

“Các mô hình học máy logic (LLM) được huấn luyện trên kho dữ liệu tổng quát có thể không thể khái quát hóa tốt sang các lĩnh vực cụ thể hoặc kiến ​​thức mới do thiếu kiến ​​thức chuyên ngành hoặc dữ liệu huấn luyện mới.” Ví dụ, nếu một máy được huấn luyện trong lĩnh vực xa xỉ, nó sẽ không thích ứng được với lĩnh vực y tế.

Hậu quả của những vấn đề này đối với các thương hiệu là chatbot có thể bịa đặt thông tin không đúng sự thật về thương hiệu của bạn. Chúng có thể nói rằng một thương hiệu đã được đổi tên, bịa đặt thông tin về một sản phẩm mà thương hiệu đó không bán, và nhiều hơn nữa. Do đó, việc kiểm tra chatbot với mọi thứ liên quan đến thương hiệu là điều cần thiết.

Đây không chỉ là vấn đề đối với các thương hiệu mà còn đối với Google và Bing, vì vậy họ phải tìm ra giải pháp. Giải pháp đến từ Knowledge Graph.

Đồ thị tri thức là gì?

Một trong những biểu đồ tri thức nổi tiếng nhất trong SEO là Biểu đồ Tri thức của Google , và Google định nghĩa nó như sau: “Cơ sở dữ liệu của chúng tôi gồm hàng tỷ thông tin về con người, địa điểm và sự vật. Biểu đồ Tri thức cho phép chúng tôi trả lời các câu hỏi thực tế như 'Tháp Eiffel cao bao nhiêu?' hay 'Thế vận hội Mùa hè 2016 được tổ chức ở đâu?' Mục tiêu của chúng tôi với Biểu đồ Tri thức là để hệ thống của chúng tôi khám phá và hiển thị thông tin thực tế đã được công khai khi nó được xác định là hữu ích.”

Hai thông tin quan trọng cần ghi nhớ trong định nghĩa này là:

1. Đó là một cơ sở dữ liệu

2. Nó lưu trữ thông tin thực tế

Điều này hoàn toàn trái ngược với GenAI. Do đó, giải pháp để giải quyết bất kỳ vấn đề nào đã đề cập trước đó, và đặc biệt là ảo giác, là sử dụng Đồ thị Tri thức để xác minh thông tin đến từ GenAI.

Rõ ràng, về lý thuyết thì điều này nghe có vẻ rất dễ, nhưng trên thực tế thì không phải vậy. Nguyên nhân là do hai công nghệ này rất khác nhau. Tuy nhiên, trong bài báo ' LaMDA: Language Models for Dialog Applications ', có vẻ như Google đã và đang thực hiện điều này. Tất nhiên, nếu Google làm được điều này, chúng ta cũng có thể kỳ vọng Bing cũng sẽ làm tương tự.

Biểu đồ tri thức (Knowledge Graph) ngày càng có giá trị hơn đối với các thương hiệu vì giờ đây thông tin được xác thực bằng Biểu đồ tri thức, có nghĩa là bạn muốn thương hiệu của mình xuất hiện trong Biểu đồ tri thức.

Một thương hiệu trong Knowledge Graph sẽ trông như thế nào?

Để xuất hiện trong Biểu đồ Tri thức, một thương hiệu cần phải là một thực thể . Máy móc chỉ là máy móc; nó không thể hiểu một thương hiệu như con người. Đây chính là khái niệm thực thể.

Chúng ta có thể đơn giản hóa khái niệm này bằng cách nói rằng một thực thể là một cái tên được gán cho một con số và có thể được máy tính đọc được. Ví dụ, tôi thích đồng hồ sang trọng; tôi có thể dành hàng giờ chỉ để ngắm nhìn chúng.

Vậy hãy lấy một thương hiệu đồng hồ cao cấp nổi tiếng mà hầu hết các bạn có lẽ đều biết – Rolex. Mã định danh có thể đọc được bằng máy của Rolex trên Google Knowledge Graph là /m/023_fz. Điều đó có nghĩa là khi chúng ta vào công cụ tìm kiếm và viết tên thương hiệu “Rolex”, máy sẽ chuyển đổi nó thành /m/023_fz.

Giờ bạn đã hiểu thực thể là gì, hãy cùng sử dụng định nghĩa kỹ thuật hơn do Krisztian Balog đưa ra trong cuốn sách Tìm kiếm hướng thực thể (Entity-Oriented Search ): “Thực thể là một đối tượng hoặc sự vật có thể nhận dạng duy nhất, được đặc trưng bởi tên gọi, loại, thuộc tính và mối quan hệ của nó với các thực thể khác.”

Hãy cùng phân tích định nghĩa này bằng ví dụ về Rolex:

• Mã định danh duy nhất = Đây là thực thể; ID: /m/023_fz

• Tên = Rolex

• Loại = Điều này đề cập đến phân loại ngữ nghĩa, trong trường hợp này là 'Đối tượng, Tổ chức, Tập đoàn'.

• Thuộc tính = Đây là những đặc điểm của thực thể, chẳng hạn như thời điểm thành lập công ty, trụ sở chính, v.v. Trong trường hợp của Rolex, công ty được thành lập vào năm 1905 và có trụ sở chính tại Geneva.

Tất cả thông tin này (và nhiều hơn nữa) liên quan đến Rolex sẽ được lưu trữ trong Đồ thị Tri thức. Tuy nhiên, phần kỳ diệu của Đồ thị Tri thức chính là các mối liên kết giữa các thực thể.

Ví dụ, chủ sở hữu của Rolex, Hans Wilsdorf, cũng là một thực thể, và ông sinh ra ở Kulmbach, cũng là một thực thể. Vì vậy, giờ đây chúng ta có thể thấy một số mối liên hệ trong Đồ thị Tri thức. Và những mối liên hệ này cứ tiếp tục kéo dài. Tuy nhiên, trong ví dụ này, chúng ta sẽ chỉ xét ba thực thể, đó là Rolex, Hans Wilsdorf và Kulmbach.

Từ những mối liên hệ này, chúng ta có thể thấy tầm quan trọng của việc một thương hiệu trở thành một thực thể và cung cấp cho máy móc tất cả thông tin liên quan, điều này sẽ được trình bày chi tiết hơn trong phần “Làm thế nào để một thương hiệu tối đa hóa cơ hội xuất hiện trên chatbot hoặc trở thành một phần của trải nghiệm GenAI?”

Tuy nhiên, trước tiên hãy cùng phân tích LaMDA, mô hình ngôn ngữ quy mô lớn cũ của Google được sử dụng trên BARD, để hiểu cách GenAI và Đồ thị Tri thức hoạt động cùng nhau.

LaMDA và Đồ thị tri thức

Gần đây tôi đã có cuộc trò chuyện với Giáo sư Shirui Pan từ Đại học Griffith, người đứng đầu nhóm nghiên cứu về bài báo “Thống nhất các mô hình ngôn ngữ quy mô lớn và đồ thị tri thức: Một lộ trình”, và được xác nhận rằng ông cũng tin Google đang sử dụng đồ thị tri thức để xác minh thông tin.

Ví dụ, ông ấy đã chỉ cho tôi câu này trong tài liệu LaMDA: Language Models for Dialog Applications :

“Chúng tôi chứng minh rằng việc tinh chỉnh bằng dữ liệu được chú thích và cho phép mô hình tham khảo các nguồn kiến ​​thức bên ngoài có thể dẫn đến những cải tiến đáng kể đối với hai thách thức chính là an toàn và tính xác thực.”

Tôi sẽ không đi sâu vào chi tiết về an toàn và tính thực tiễn, nhưng tóm lại, an toàn có nghĩa là mô hình tôn trọng các giá trị con người và tính thực tiễn (điều quan trọng nhất đối với các thương hiệu), tức là mô hình nên tham khảo các nguồn kiến ​​thức bên ngoài (hệ thống truy xuất thông tin, trình dịch ngôn ngữ và máy tính).

Dưới đây là một ví dụ về cách thức hoạt động của quy trình. Có thể thấy từ hình ảnh bên dưới rằng hộp màu xanh lá cây là kết quả đầu ra từ công cụ hệ thống truy xuất thông tin. TS viết tắt của toolset (bộ công cụ). Google đã tạo ra một bộ công cụ nhận đầu vào là một chuỗi ký tự và cho ra kết quả là một số, một bản dịch hoặc một số thông tin thực tế. Trong bài báo LaMDA: Language Models for Dialog Applications, có một số ví dụ làm rõ: máy tính nhận đầu vào là “135+7721” và cho ra kết quả là một danh sách chứa [“7856”].

Tương tự, trình dịch có thể nhận câu “Xin chào bằng tiếng Pháp” và xuất ra [“Bonjour”]. Cuối cùng, hệ thống truy xuất thông tin có thể nhận câu “Rafael Nadal bao nhiêu tuổi?” và xuất ra [“Rafael Nadal / Tuổi / 35”]. Câu trả lời “Rafael Nadal / Tuổi / 35” là một câu trả lời điển hình mà chúng ta có thể nhận được từ Đồ thị Tri thức. Do đó, có thể suy ra rằng Google sử dụng Đồ thị Tri thức của mình để xác minh thông tin.

Điều này dẫn tôi đến kết luận mà tôi đã dự đoán từ trước: việc hiện diện trong Knowledge Graph ngày càng trở nên quan trọng đối với các thương hiệu. Không chỉ để có trải nghiệm SERP phong phú với Knowledge Panel mà còn để hỗ trợ các công nghệ mới nổi. Điều này mang lại cho Google và Bing thêm một lý do nữa để ưu tiên hiển thị thương hiệu của bạn thay vì đối thủ cạnh tranh.

Làm thế nào để một thương hiệu tối đa hóa cơ hội được xuất hiện trong câu trả lời của chatbot hoặc tham gia vào trải nghiệm Trí tuệ nhân tạo thế hệ mới (GenAI)?

Theo tôi, một trong những cách tiếp cận tốt nhất là sử dụng quy trình Kalicube do Jason Barnard tạo ra , dựa trên ba bước: Hiểu biết, Độ tin cậy và Khả năng phân phối. Gần đây tôi đã cùng Jason viết một báo cáo chuyên đề về tạo nội dung cho GenAI ; dưới đây là tóm tắt ba bước đó.

1. Hiểu rõ giải pháp của bạn. Điều này đề cập đến việc trở thành một thực thể và giải thích cho máy móc biết bạn là ai và bạn làm gì. Là một thương hiệu, bạn cần đảm bảo rằng Google hoặc Bing hiểu được thương hiệu của bạn, bao gồm cả nhận diện, sản phẩm/dịch vụ và đối tượng khách hàng mục tiêu. Trên thực tế, điều này có nghĩa là phải có một mã định danh (ID) mà máy móc có thể đọc được và cung cấp cho máy móc thông tin chính xác về thương hiệu và hệ sinh thái của bạn. Hãy nhớ ví dụ về Rolex, nơi chúng ta kết luận rằng ID mà Rolex có thể đọc được là /m/023_fz. Bước này là vô cùng quan trọng.

2. Trong quy trình Kalicube, độ tin cậy là một từ khác để chỉ khái niệm phức tạp hơn là EEAT . Điều này có nghĩa là nếu bạn tạo nội dung, bạn cần chứng minh Kinh nghiệm, Chuyên môn, Uy tín và Độ tin cậy về chủ đề của nội dung đó.

Một cách đơn giản để tăng độ tin cậy cho trang web của bạn đối với máy móc là đưa vào đó dữ liệu hoặc thông tin có thể kiểm chứng. Ví dụ, nếu một thương hiệu đã tồn tại 50 năm, họ có thể viết trên trang web của mình “Chúng tôi đã hoạt động kinh doanh được 50 năm”. Thông tin này rất quý giá nhưng cần được Google hoặc Bing xác minh. Đây là lúc các nguồn bên ngoài trở nên hữu ích. Trong quy trình Kalicube, điều này được gọi là xác thực nguồn. Ví dụ, nếu bạn có một trang Wikipedia ghi ngày thành lập công ty, thông tin này có thể được xác minh. Điều này có thể áp dụng cho mọi ngữ cảnh.

Nếu ta xem xét một doanh nghiệp thương mại điện tử có các đánh giá của khách hàng trên trang web, và các đánh giá đó đều rất tốt, nhưng không có bằng chứng xác nhận nào từ bên ngoài, thì điều đó có vẻ đáng ngờ. Nhưng nếu các đánh giá nội bộ trùng khớp với các đánh giá trên Trustpilot chẳng hạn, thì thương hiệu đó sẽ có thêm uy tín!

Vì vậy, chìa khóa để tạo dựng uy tín là cung cấp thông tin trên trang web của bạn trước tiên, và thông tin đó cần được xác thực từ bên ngoài.

Điều thú vị là tất cả những điều này tạo ra một chu kỳ, bởi vì bằng cách nỗ lực thuyết phục các công cụ tìm kiếm về độ tin cậy của bạn cả trên trang web và ngoài trang web, bạn cũng sẽ thuyết phục được khán giả của mình từ đầu đến cuối phễu thu hút khách hàng.

3. Nội dung bạn tạo ra cần phải khả thi. Khả năng phân phối nội dung nhằm mục đích mang lại trải nghiệm khách hàng tuyệt vời cho mỗi điểm tiếp xúc trong hành trình quyết định mua hàng của khách. Điều này chủ yếu liên quan đến việc tạo ra nội dung nhắm mục tiêu đúng định dạng và thứ hai là về khía cạnh kỹ thuật của trang web.
Một điểm khởi đầu tuyệt vời là sử dụng  mô hình Hành trình Khách hàng của Nhóm Pedowitz và tạo nội dung cho từng bước. Hãy xem một ví dụ về phễu trên BingChat mà, với tư cách là một thương hiệu, bạn muốn kiểm soát.
Người dùng có thể viết: “Tôi có thể lặn với đồng hồ cao cấp không?” Như chúng ta có thể thấy từ hình ảnh bên dưới, câu hỏi tiếp theo được chatbot đề xuất là “Một số loại đồng hồ lặn tốt là gì?”

Nếu người dùng nhấp vào câu hỏi đó, họ sẽ nhận được một danh sách các đồng hồ lặn cao cấp. Như bạn có thể tưởng tượng, nếu bạn bán đồng hồ lặn, bạn muốn mình có mặt trong danh sách đó.
Chỉ với vài cú nhấp chuột, chatbot đã đưa người dùng từ một câu hỏi chung chung đến một danh sách tiềm năng các mẫu đồng hồ mà họ có thể mua.

Với tư cách là một thương hiệu, bạn cần tạo ra nội dung cho tất cả các điểm tiếp xúc trong hành trình quyết định mua hàng của khách và tìm ra cách hiệu quả nhất để tạo ra nội dung này, cho dù đó là dưới dạng câu hỏi thường gặp, hướng dẫn, báo cáo chuyên ngành, bài đăng trên blog hoặc bất cứ hình thức nào khác.

GenAI là một công nghệ mạnh mẽ với những điểm mạnh và điểm yếu riêng. Một trong những thách thức chính mà các thương hiệu phải đối mặt là hiện tượng ảo giác khi sử dụng công nghệ này. Như bài báo LaMDA: Language Models for Dialog Applications đã chỉ ra, một giải pháp khả thi cho vấn đề này là sử dụng Đồ thị Tri thức (Knowledge Graph) để xác minh kết quả đầu ra của GenAI. Việc có mặt trong Đồ thị Tri thức của Google không chỉ mang lại cho thương hiệu cơ hội hiển thị kết quả tìm kiếm phong phú hơn, mà còn giúp tối đa hóa khả năng xuất hiện trên trải nghiệm GenAI và chatbot mới của Google, đảm bảo câu trả lời về thương hiệu của họ là chính xác.

Vì vậy, xét từ góc độ thương hiệu, việc trở thành một thực thể và được Google và Bing hiểu là điều bắt buộc chứ không còn là điều nên làm nữa!