Vòng lặp giải quyết & hoàn thiện

Duy trì tri thức cùng nhịp với thay đổi trong công việc

Khi AI hay cơ sở tri thức mới được đưa vào sử dụng, ban đầu chúng dựa trên tài liệu đã được chuẩn bị. Nhưng nghiệp vụ luôn thay đổi: sản phẩm mới, quy định sửa đổi và câu hỏi chưa từng dự đoán. Nhân viên xử lý từng tình huống bằng kinh nghiệm; nếu kinh nghiệm đó không quay trở lại kho tri thức, AI có thể lặp lại cùng một lỗi.

Hai vấn đề thường gặp là:

• Có tri thức nhưng không cập nhật: Tài liệu được chuẩn bị nhiều khi triển khai nhưng thiếu cơ chế duy trì, dần không còn sát với công việc thực tế.
• Kinh nghiệm chỉ nằm ở từng cá nhân: Cách xử lý ngoại lệ và lý do phán đoán bị chìm trong kinh nghiệm cá nhân hoặc trao đổi chat, không trở thành tri thức của tổ chức.

Cải thiện không chỉ đến từ điều chỉnh mô hình; cập nhật tri thức được tham chiếu cũng hữu ích. Cần có cơ chế kiểm tra đã thay đổi thông tin nào và thay đổi đó ảnh hưởng đến nghiệp vụ ra sao.

Cách tiếp cận

Cách tiếp cận này kế thừa “vòng lặp kép” trong phương pháp quản lý tri thức KCS (Knowledge-Centered Service). Vòng Solve ghi nhận, tái sử dụng và cải thiện tri thức khi giải quyết từng vấn đề; vòng Evolve liên tục xem xét sức khỏe của toàn bộ tri thức và cách tri thức được đưa vào nghiệp vụ (Consortium for Service Innovation).

Technica AI đưa hai vòng lặp này vào vận hành ứng dụng AI:

Vòng giải quyết (Solve)

• Sử dụng: AI dùng tri thức hiện có để trả lời câu hỏi và hỗ trợ công việc.
• Ghi nhận: Lưu lại quá trình giải quyết, chỉnh sửa của con người, cách xử lý ngoại lệ và lý do phán đoán.
• Đề xuất cải thiện: Phát hiện các mẫu thường gặp chưa có trong tri thức hoặc câu trả lời thường phải sửa để đưa vào danh sách cần cải thiện.

Vòng hoàn thiện (Evolve)

• Rà soát và cập nhật: Chọn cách cập nhật theo mục đích. AIKNOW Answer áp dụng sau khi được rà soát và kiểm thử; AIKNOW Project về cơ bản tự động tiếp nhận và sử dụng tri thức.
• Kiểm tra sức khỏe tri thức: Định kỳ tìm tri thức không còn được dùng, mâu thuẫn hoặc đã lỗi thời.
• Đo lường hiệu quả: Theo dõi các chỉ số như tỷ lệ giải quyết, tỷ lệ chỉnh sửa và tỷ lệ chuyển giao để đánh giá vòng lặp có hoạt động hay không.

Nghiên cứu cũng cho thấy tác nhân AI có thể ghi lại phần tự đánh giá bằng ngôn ngữ và dùng nó cho lần thử tiếp theo để cải thiện mà không thay đổi trọng số mô hình (Shinn et al., 2023). Một hướng khác tích lũy các quy trình có thể tái sử dụng thành “kỹ năng” rồi kết hợp chúng để mở rộng năng lực (Wang et al., 2023). Vòng Solve và Evolve đưa những ý tưởng này vào tri thức tổ chức có bước con người kiểm tra.

Giá trị kinh doanh

• Mở rộng phạm vi AI có thể hỗ trợ

  Đưa kinh nghiệm phát sinh trong vận hành vào tri thức để xem xét và kiểm chứng thêm các tình huống AI có thể xử lý.

• Theo dõi tác động của thay đổi

  Ghi lại nội dung tri thức được cập nhật và đánh giá ảnh hưởng đến câu trả lời hoặc công việc.

• Kế thừa phán đoán và cách xử lý ngoại lệ

  Lưu lại kinh nghiệm cá nhân để nhân viên tiếp theo và AI có thể sử dụng.

• Giữ tri thức luôn hữu ích

  Rà soát để tránh bỏ mặc tri thức cũ hoặc không còn được sử dụng.

Lưu ý khi ứng dụng

• Xác định nội dung nào được cập nhật tự động và nội dung nào cần rà soát, dựa trên mục đích và mức độ ảnh hưởng. Với quyết định quan trọng, cần phân biệt được bản ghi gốc với suy luận của AI.
• Để đo lường hiệu quả, nên ghi lại các chỉ số ban đầu như tỷ lệ giải quyết và thời gian xử lý trước khi triển khai.

Sản phẩm liên quan

• AIKNOW Answer

  Đề xuất cập nhật tri thức từ bản ghi tương tác để rà soát và kiểm thử.

• AIKNOW Matching

  Tự động cập nhật hồ sơ nhân sự, khách hàng và dự án để làm căn cứ cho các đề xuất sau.

• AISECI

  Khung kiến tạo tri thức với kiến trúc mục tiêu kết nối thu thập, chia sẻ và sử dụng.

Tài liệu tham khảo

• Consortium for Service Innovation. KCS v6 Practices Guide: The Double Loop Process. https://library.serviceinnovation.org/KCS/KCS_v6/KCS_v6_Practices_Guide/030/025 (tham khảo ngày 1 tháng 10 năm 2026)
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. NeurIPS 2023. arXiv:2303.11366. https://arxiv.org/abs/2303.11366
• Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291. https://arxiv.org/abs/2305.16291