5. Dữ Liệu Nâng Cao: RAG (Truy Xuất Tăng Cường), Vector DB & Embedding

🔍 3 Khái Niệm Trọng Tâm Của RAG

1. Embedding (Véc-tơ hóa): Biến một đoạn văn bản thành một dãy số véc-tơ (ví dụ: [0.23, -0.45, 0.89, ...]) đại diện cho ý nghĩa ngữ nghĩa. Hai câu có ý nghĩa tương đồng ('Doanh thu quý 1' và 'Báo cáo tài chính 3 tháng đầu năm') sẽ nằm rất gần nhau trong không gian véc-tơ.
2. Vector Database (CSDL Véc-tơ): Cơ sở dữ liệu chuyên biệt để lưu trữ và tìm kiếm véc-tơ với tốc độ mili-giây (ví dụ: pgvector trong PostgreSQL, Chroma, Pinecone).
3. RAG Workflow: (1) Người dùng hỏi -> (2) Hệ thống tìm 3 đoạn tài liệu liên quan nhất trong Vector DB -> (3) Ghép tài liệu vào câu hỏi -> (4) Gửi cho LLM sinh câu trả lời chính xác 100% kèm trích dẫn nguồn.

⚖️ So Sánh: RAG vs Fine-tuning

• RAG: Giống như cho AI thi đề mở (Open-book Exam), luôn tra cứu tài liệu mới nhất, chi phí cực rẻ, cập nhật dữ liệu ngay lập tức.
• Fine-tuning (Huấn luyện bổ sung): Giống như cho AI học thuộc lòng sách giáo khoa mới, tốn nhiều chi phí GPU, khó cập nhật và vẫn có nguy cơ ảo giác.