---
title: "Đo chất lượng model và ứng dụng AI"
description: "Khoá nền tảng về eval: đo chất lượng model và ứng dụng AI theo công việc cụ thể. Bạn học cách chọn metric, thiết kế case và dataset, kiểm tra AI judge và so sánh hai phiên bản để đưa ra đề xuất có căn cứ."
canonical: "https://200lab.io/courses/do-chat-luong-model-va-ung-dung-ai"
type: "course"
course_type: "course"
learning_type: "free_form"
published: "2026-09-23T11:22:19Z"
students: 125
---

## Khoá học này mang lại gì cho bạn

- **Chọn** metric phù hợp với công việc cần đánh giá, hiểu đúng mẫu số và chỉ ra loại lỗi mà điểm tổng đang che mất.
- **Phân biệt** lời Agent báo hoàn thành với trace và kết quả quan sát được, để biết bằng chứng hiện có xác nhận được điều gì.
- **Thiết kế** eval case và rubric đủ rõ để người khác chấm lại, kể cả khi có nhiều cách trả lời đúng hoặc chưa thống nhất được tiêu chuẩn.
- **Đánh giá** một dataset qua cách lấy mẫu, chia dữ liệu và sử dụng holdout, thay vì chỉ dựa vào số dòng hoặc điểm số cao.
- **Kiểm tra** AI judge bằng cách đối chiếu với reference đã được xem xét, tìm nhóm lỗi bị bỏ sót và xử lý bất đồng theo tiêu chí.
- **Đề xuất** có chấp nhận một thay đổi hay chưa, dựa trên việc so sánh từng case, kèm những điểm kém đi và giới hạn của kết luận.

Đây là khoá nền tảng về tư duy và phương pháp đánh giá AI, không phụ thuộc một model hay framework cụ thể.

## Khoá học cung cấp những nền tảng nào

Trục chính của khoá học là **eval**: đánh giá hành vi của hệ thống theo công việc, điều kiện và tiêu chí cụ thể. Tám bài, gồm bài mở đầu, hai bài nền dùng chung với Harness và năm bài chuyên sâu, nối việc đọc bằng chứng với việc tự thiết kế phép đo. Bạn đi từ câu hỏi “tốt cho việc gì?” tới cách giải thích vì sao một thay đổi đáng được chấp nhận, cần sửa thêm hay còn thiếu dữ liệu để quyết định.

### 1. Đọc bằng chứng trước khi tin kết quả

Hai bài nền Harness giúp bạn dựng lại những gì đã diễn ra trong một run từ các dấu vết quan sát được: model đề xuất gì, tool trả về gì, state thay đổi ra sao và run dừng vì lý do nào. Từ đó, bạn phân biệt công việc cần đánh giá, từng lần thử, trace, kết quả thật trong hệ thống và grader dùng để chấm. Một demo thành công có giá trị, nhưng cần thêm các case và những lần thử theo cùng tiêu chí để thấy hệ thống ứng xử ra sao khi điều kiện thay đổi. Qua ví dụ gửi đơn và hoá đơn, bạn học cách xác định bằng chứng còn thiếu; sang phần phân loại ticket, cùng thói quen ấy giúp bạn giữ rõ ranh giới giữa nhãn đúng và việc ticket đã thật sự được xử lý.

### 2. Chọn con số phản ánh đúng điều bạn cần

Một hệ thống gọi mọi ticket là “thường” vẫn có thể đạt accuracy 90% nếu phần lớn dữ liệu thuộc nhóm thường. Ví dụ này đưa bạn vào cách đọc tử số, mẫu số, recall theo nhóm và vai trò của baseline: mỗi phép tính đang trả lời câu hỏi nào, trên những trường hợp nào. Bạn tiếp tục xem khi đổi ngưỡng quyết định thì số case bị bỏ sót và số case báo nhầm thay đổi ra sao, rồi đặt hai loại lỗi cạnh chi phí thực tế của công việc. Nhờ vậy, khi điểm tổng giảm mà khả năng nhận ra ticket khẩn tăng, bạn có cơ sở để bàn về tradeoff giữa hai loại lỗi, tức là chấp nhận mất gì để được gì, thay vì loại bỏ thay đổi chỉ vì một con số đi xuống.

### 3. Viết case và tiêu chí chấm cho hành vi thật

Một eval case cần nói rõ input, context được phép dùng, hành vi mong đợi, những lỗi không được chấp nhận và cách kiểm tra. Bạn học cách tách đáp án khỏi phần model nhận được, kiểm tra nhãn bằng code khi phù hợp và dùng rubric mô tả hành vi cho những câu trả lời có nhiều cách diễn đạt đúng. Các ticket thiếu thông tin cho thấy vì sao hỏi lại có thể là câu trả lời đúng, còn JSON đúng định dạng vẫn có thể chứa quyết định sai. Nhóm bài này cũng giúp bạn phân biệt input mơ hồ với chỗ policy chưa thống nhất, để những case chưa chấm được vẫn được ghi nhận cùng lý do thay vì biến mất khỏi báo cáo.

### 4. Hiểu dataset đại diện cho những trường hợp nào

Một nghìn dòng dữ liệu có thể chỉ là nhiều bản ghi gần trùng của vài sự cố; nếu xáo trộn theo từng dòng, cùng một sự cố dễ xuất hiện ở cả tập dev lẫn tập đánh giá. Bạn học cách chia dữ liệu theo nhóm hoặc theo thời gian, tùy điều bạn muốn kiểm chứng, và vì sao holdout mất tính độc lập khi được dùng để chỉnh prompt hay chọn phương án. Khoá học phân biệt tập phản ánh dữ liệu dự kiến với tập cố tình gom các case khó, đồng thời hướng dẫn đọc kết quả theo nhóm kèm mẫu số. Các ví dụ về cỡ mẫu và khoảng tin cậy giúp bạn thấy độ bất định do lấy mẫu khác với biến động giữa các lần chạy model hay sự thay đổi của dữ liệu trong tương lai.

### 5. Kiểm tra lại cả người chấm lẫn AI judge

Khi người chấm và AI judge không đồng ý với nhau, khoá học hướng bạn quay lại output, rubric và bằng chứng nghiệp vụ để xem bên nào có căn cứ. Bạn học vì sao mức đồng ý cao vẫn có thể che giấu nhiều lỗi, vì sao hai cột điểm có thể lên xuống cùng chiều mà vẫn không cho cùng một mức điểm, và tại sao vẫn cần xem lại một số case mà hai bên đã đồng ý. Phần xử lý bất đồng chỉ rõ lúc nào có thể chốt nhãn, lúc nào cần người phụ trách nghiệp vụ quyết định policy, và lúc nào nên giữ trạng thái unresolved. Từ đó, bạn hiểu cách chỉnh rubric hoặc hướng dẫn cho judge trên tập dev, rồi kiểm tra lại trên dữ liệu chưa dùng để chỉnh. Nhãn gốc và phiên bản tiêu chí được giữ riêng để các con số vẫn so sánh được với nhau.

### 6. So sánh hai phiên bản và viết đề xuất có căn cứ

Bài cuối đặt hai phiên bản cạnh nhau trên cùng các case và điều kiện đánh giá đã chốt, giúp bạn thấy bản mới sửa được lỗi nào và làm hỏng trường hợp nào vốn đang đúng. Bạn đọc bảng paired evaluation theo từng nhóm để nhận ra regression nằm ở đâu, kể cả khi điểm tổng tăng. Ví dụ cũng chỉ ra rằng mẫu nhỏ hạn chế kết luận về toàn bộ dữ liệu, nhưng không xoá đi một lỗi đã quan sát rõ trên case cụ thể. Phần decision note kết nối mục tiêu, phiên bản, kết quả, tiêu chí đặt trước và những điều chưa biết thành một đề xuất mà người khác có thể kiểm tra lại; quyết định release vẫn thuộc người có trách nhiệm với sản phẩm.

## Vì sao 200Lab tạo ra khoá học này

Việc thử một model mới hay sửa prompt ngày càng thuận tiện. Chỉ qua vài lượt thử, bạn có thể có những output đủ thuyết phục để mang vào buổi review. Khi phải chọn phiên bản cho một tính năng thật, câu hỏi khó hơn xuất hiện: kết quả ấy có thật sự tốt cho công việc của bạn không, và phép thử đã bao quát được những trường hợp quan trọng chưa?

Cái bẫy dễ gặp là để phần dễ nhìn quyết định thay phần cần đo. Câu trả lời trôi chảy, bảng điểm tăng hay một demo thành công đều tạo cảm giác yên tâm. Trong khi đó, một nhóm lỗi ít xuất hiện nhưng gây hậu quả lớn có thể vẫn nằm ngoài cuộc thảo luận.

200Lab phát triển các hệ thống AI như GoClaw, Agent Brain và Emree. Khi xây dựng các hệ thống này, 200Lab luôn phải phân biệt năng lực của model với hành vi của ứng dụng khi có thêm tool, context và state. Vì vậy 200Lab xây dựng khoá học này để bạn có phương pháp xem xét kết quả, đặt câu hỏi về cách chấm và đưa ra đề xuất rõ lý do. Bạn có thể bắt đầu từ một báo cáo nhỏ, miễn là nói đúng điều đã đo và điều còn chưa biết.

## Những vấn đề thường gặp khi đánh giá AI

Khi kết quả chưa như mong muốn, đổi model hoặc sửa prompt thường là phản xạ đầu tiên. Nhưng nguyên nhân cũng có thể nằm ở cách chọn case, cách chấm hay cách đọc báo cáo. Những dấu hiệu dưới đây giúp bạn biết nên kiểm tra phần nào trước:

- Accuracy cao nhưng ticket khẩn vẫn bị bỏ sót — dùng điểm tổng làm bằng chứng rằng hệ thống đã làm tốt mục tiêu quan trọng nhất.
- Output đúng JSON nhưng chọn sai priority — coi việc qua kiểm tra định dạng là đã qua kiểm tra quyết định.
- Điểm trên holdout tăng sau mỗi lượt sửa prompt — tiếp tục xem tập đã dùng để chỉnh là phép đo độc lập trên dữ liệu mới.
- Dataset nhiều dòng nhưng kết luận vẫn yếu — đếm các ticket gần trùng của cùng một sự cố như những bằng chứng độc lập.
- Judge đồng ý với người chấm ở đa số case — bỏ qua khả năng cả hai cùng sai hoặc judge lại yếu chính ở nhóm lỗi cần bắt.
- Bản mới tăng điểm nhưng làm hỏng case quan trọng — chấp nhận thay đổi theo mức tăng trung bình mà chưa đọc regression theo nhóm.

Mỗi vấn đề được phân tích bằng ví dụ và cách kiểm tra cụ thể trong các bài học.

## Bạn sẽ học theo cách nào

- **Theo tình huống cụ thể.** Ví dụ Agent gửi đơn, gửi hoá đơn và phân loại ticket giúp bạn nối tiêu chí với kết quả quan sát được.
- **Đọc bảng số và ảnh minh hoạ.** Các phép đếm, bảng so sánh và ảnh tĩnh làm rõ chỗ điểm số dễ gây hiểu nhầm.
- **Học tiếp từ nền Harness.** Hai bài nền Harness đã nằm sẵn trong khoá này; mua khoá này thì bạn không cần mua thêm khoá Harness để xem chúng. Nếu đã học, bạn có thể ôn nhanh rồi đi tiếp.

## Khoá học dành cho ai

1. **Developer đang xây dựng hoặc đánh giá ứng dụng AI.** Bạn đã quen làm việc với input, output và test, muốn biết cách kiểm chứng một thay đổi prompt hay model.
2. **QA, technical lead và người phụ trách sản phẩm có nền kỹ thuật.** Bạn cần đọc báo cáo eval và trao đổi với team phát triển về tiêu chí chấp nhận thay đổi.
3. **Người đã học nền Agent Harness.** Bạn muốn đi tiếp từ đọc trace và bằng chứng sang thiết kế case, dataset và phép so sánh.

## Những điều cần lưu ý

- Khoá học không yêu cầu ML training, GPU hay provider API; bạn học phương pháp qua ví dụ và dữ liệu được trình bày sẵn.
- Để theo kịp phần nền Harness, bạn nên quen với Agent, model, tool, call/result, state và điều kiện dừng; đây là lộ trình học tiếp cho người có nền tương ứng.
- Đây là khoá lý thuyết ứng dụng, không có bài lab gọi API của provider thật và không cam kết chất lượng production; bạn nhận được cách thiết kế và đọc phép đánh giá có giới hạn rõ ràng.

## Bắt đầu từ đâu

Bạn nên bắt đầu từ bài mở đầu “Nhìn ổn rồi, nhưng ổn cho việc gì?”. Câu hỏi này giúp bạn xác định mục tiêu trước khi chọn metric hay cách chấm. Từ đó, bạn xem mình cần học phần nền nào rồi đi tiếp vào các phép đo cụ thể.

## Chương trình

- Nhìn ổn rồi, nhưng ổn cho việc gì? (miễn phí)
- Muốn sửa Agent, hãy dựng lại đường đi của run · quiz · kit cho agent
- Demo chạy đúng rồi, nhưng Agent đã ổn định chưa? · quiz · kit cho agent
- Accuracy 90% mà không bắt được ticket khẩn nào (miễn phí) · quiz · kit cho agent
- Viết eval case sao cho phép chấm không tự đánh lừa mình · quiz · kit cho agent
- Một nghìn dòng test có nói được chuyện ngoài đời không? · quiz · kit cho agent
- Khi người chấm và AI judge không đồng ý · quiz · kit cho agent
- Điểm tổng tăng rồi, đã đủ để nhận thay đổi chưa? · quiz · kit cho agent