Sentiment Analysis tiếng Việt là bài toán dùng NLP để xác định thái độ hoặc cảm xúc được thể hiện trong văn bản. Ở mức đơn giản, hệ thống có thể phân loại một câu thành Positive hoặc Negative ; ở mức chi tiết hơn, Aspect-Based Sentiment Analysis còn cho biết người viết đang tích cực hay tiêu cực về từng khía cạnh cụ thể. Sự khác biệt này rất quan trọng với dữ liệu review, phản hồi khách hàng và mạng xã hội, nơi một câu có thể đồng thời chứa nhiều ý kiến trái chiều. Positive, Negative và bài toán phân loại cảm xúc Dạng cơ bản nhất của Sentiment Analysis xem toàn bộ văn bản như một đơn vị và dự đoán một nhãn cảm xúc. Chẳng hạn, câu “Sản phẩm dùng rất tốt” có thể được gán nhãn Positive, còn “Máy chạy chậm và thường xuyên bị treo” là Negative. Trong thực tế, nhiều hệ thống bổ sung nhãn Neutral cho nội dung không thể hiện thái độ rõ ràng. Một bài toán như vậy có thể được mô tả đơn giản dưới dạng: Input: “Ứng dụng mới ...

Với dữ liệu y tế, RAG không chỉ cần tìm đoạn văn có nghĩa gần với câu hỏi. Hệ thống còn phải xác định đúng bệnh nhân, đúng loại tài liệu, đúng thời điểm và chỉ đưa những thông tin người dùng được phép truy cập vào ngữ cảnh của mô hình. RAG với dữ liệu y tế là cách kết hợp truy xuất thông tin với mô hình ngôn ngữ để trả lời dựa trên hồ sơ, hướng dẫn chuyên môn hoặc tài liệu lâm sàng cụ thể. So với RAG trên tài liệu thông thường, miền y tế yêu cầu kiểm soát dữ liệu và nguồn chặt chẽ hơn vì một đoạn thông tin sai bệnh nhân hoặc sai thời điểm có thể làm thay đổi hoàn toàn ý nghĩa của câu trả lời. Bài viết này tiếp tục từ kiến trúc RAG cơ bản và tập trung vào phần khó hơn: biến dữ liệu y tế không đồng nhất thành một kho tri thức có thể truy xuất, đồng thời hạn chế việc mô hình suy diễn vượt quá bằng chứng được cung cấp. Vì sao RAG trên dữ liệu y tế khó hơn tìm kiếm tài liệu? Một kho dữ liệu y tế có thể chứa ghi chú khám bệnh, kết quả xét nghiệm...