Trip planning đang trở thành nhu cầu thiết yếu khi người dùng muốn tự xây dựng hành trình. Tuy nhiên, nhiều người gặp khó vì lịch trình gồm nhiều ràng buộc. Vấn đề này thúc đẩy MIT và MIT-IBM Watson AI Lab tạo ra một cách tiếp cận mới để tăng độ chính xác trong gợi ý kế hoạch du lịch bằng trí tuệ nhân tạo.
Hạn chế của mô hình ngôn ngữ lớn trong trip planning
Trước hết, nhóm chuyên gia quan sát rằng mô hình ngôn ngữ lớn (large language model – LLM) chỉ giải đúng các yêu cầu phức tạp dưới 4%. Lý do là những tác vụ này cần suy luận toán học và kiểm tra ràng buộc, trong khi LLM chủ yếu dự đoán chuỗi từ.
Cách tiếp cận mới của MIT
Nhóm nghiên cứu xem hoạt động lập lịch như một bài toán tối ưu tổ hợp (combinatorial optimization). Chuchu Fan, phó giáo sư AeroAstro, cho rằng điều này giúp mô hình xử lý điều kiện người dùng một cách chặt chẽ hơn. Nhóm sử dụng kỹ thuật học máy, lý thuyết điều khiển và phương pháp hình thức. Họ áp dụng các phương pháp này để xây dựng hệ thống an toàn cho tương tác giữa người và máy.
Khung xử lý kết hợp LLM và solver
Nhóm phát triển khung làm việc đóng vai trò “trung gian du lịch”. LLM chuyển yêu cầu người dùng thành mô tả có thể kiểm chứng. Phần còn lại được xử lý bằng bộ giải SMT (satisfiability modulo theories), một công cụ kiểm tra tính hợp lệ của điều kiện. Công cụ này kiểm tra từng ràng buộc thay vì dự đoán.
LLM chỉ đóng vai trò dịch thuật trong trip planning
Hệ thống để LLM đọc yêu cầu người dùng và chuyển thành mã Python kèm ghi chú. Mã này gọi API như CitySearch hay FlightSearch để thu thập dữ liệu. Nếu điều kiện hợp lệ, bộ giải gửi kết quả về để LLM viết lịch trình đầy đủ.
Xử lý điều kiện không thể đáp ứng
Nếu có ràng buộc sai, bộ giải báo lại phần mâu thuẫn. LLM tiếp tục đưa gợi ý điều chỉnh. Người dùng chọn chấp nhận, từ chối hoặc yêu cầu tùy chỉnh cho đến khi tạo được phương án phù hợp.
Kiểm thử độ hiệu quả và khả năng mở rộng
Nhóm so sánh kỹ thuật mới với các mô hình như GPT-4, Claude-3 và Mistral-Large. Hệ thống đạt hơn 90% tỉ lệ hoàn thành kế hoạch, cao hơn nhiều so với mức dưới 10% của các phương pháp nền tảng. Khi thử dùng biểu diễn JSON, tỉ lệ đạt đến 98.9%. Cuối cùng, nhóm áp dụng khung vào nhiều tác vụ khác như phân phối robot, bài toán người đi bán hàng, chọn khối màu và tối ưu kho hàng.
Tham khảo: https://news.mit.edu/2025/inroads-personalized-ai-trip-planning-0610
