Lập kế hoạch du lịch - từ phương tiện di chuyển, nơi ở, bữa ăn đến hoạt động tham quan - vốn là công việc của các đại lý du lịch chuyên nghiệp. Nhưng với sự phát triển của các mô hình ngôn ngữ lớn (LLMs), nh๊iều người kỳ vọng rằng AI có thể đảm nhận vai trò này, nhờ khả năng tương tác bằng ngôn ngữ tự nhiên, suy luận hợp lý, thu thập thông tin v💞à sử dụng các công cụ hỗ trợ.

Tuy nhiên, các nghiên cứu gần đây cho thấy những LLM hiện đại vẫn gặp khó khăn trong việc xử lý các vấn đề có nhiều ràng buộc logic hoặc toán học phức tạp, như lên lịch trình du lịch. Ngay cả khi được hỗ trợ bởi công cụ và API bên ngoài, tỷ lệ xây dựng kế hoạch khả thi của chúng cũng chỉ dưới 4%. Trước thực trạng đó, nhóm nghiên cứu từ MIT và Phòng thí nghiệm AI MIT-IBM Watson đã tiếp cận vấn đề theo hướng mới: coi việc lên kế hoạch như một bài toán tối ưu tổ hợp với nhiều ràng buộc cần được kiểm chứng rõ ràng. “Chúng tôi nhận thấy các bài toán lên kế hoạch vốn là các bài toán tối ưu tổ hợp có điều kiện. Việc này đòi hỏi hệ thống phải kiểm chứng được kết quả, thay vì chỉ tạo ra gợi ý”, PGS. Chuchu Fan, Khoa Hàng không - Vũ trụ MIT, chia sẻ.

Kết hợp giữa mô hình ngôn ngữ và công cụ giải toán

Nhóm nghiên cứu đã xây dựng một khung hệ thống đóng vai trò như một “đại lý du lịch AI” thông minh. Khung này kết hợp mô hình ngôn ngữ (như GPT-4, Claude-3, Mistral-Large) với trình giải bài toán có điều kiện (satisfiability solver) - công cụ toán học giúp kiểm tra xem các điều kiện ràng buộc có thể thỏa mãn hay không, và bằng cách nào. Các solver rất mạnh trong việc xác minh tính hợp lệ của kế hoạch, nhưng lại yêu cầu lập trình phức tạp để sử dụng. Do đó, nhóm nghiên cứu dùng LLM như một “người phiên dịch”, giúp người dùng đưa ra yêu cầu bằng ngôn ngữ tự nhiên, sau đó chuyển hóa thành bài toán mà solver có thể xử lý. Nếu có ràng buộc không thể đáp ứng, hệ thống sẽ chỉ rõ vấn đề và đề xuất phương án thay thế để người dùng cân nhắc - chấp nhận, điều chỉnh hoặc từ chối cho đến khi tìm được giải pháp phù hợp (nếu có thể). “Ý tưởng của chúng tôi không phải là yêu cầu LLM tự đề xuất lịch trình du lịch, mà là để LLM chuyển hóa mô tả bằng ngôn ngữ tự nhiên thành bài toán mà solver có thể giải được”, GS. Fan giải thích.

Cách hệ thống hoạt động

Quy trình có thể chia thành bốn bước lặp:

LLM phân tích yêu cầu: trích xuất thông tin như ngân sách, thời gian đi lại, địa điểm, nơi ở, nhà hàng, điểm tham quan…
Tạo mã lệnh Python với chú thích bằng ngôn ngữ tự nhiên cho từng ràng buộc, đồng thời gọi các API (CitySearch, FlightSearch...) để thu thập dữ liệu.
Solver xử lý: kiểm tra xem có thể xây dựng kế hoạch hợp lý hay không dựa trên các ràng buộc được đưa ra.
Phản hồi kết quả: nếu thành công, LLM trình bày lịch trình cụ thể. Nếu thất bại, hệ thống xác định và giải thích ràng buộc bị xung đột, đưa ra đề xuất thay thế.
Kết quả vượt trội

Khi so sánh với các phương pháp hiện có như GPT-4 đơn thuần, GPT-4 có công cụ tra cứu, hoặc thuật toán tối ưu chi phí, hệ thống mới của MIT-IBM vượt trội rõ rệt. Trên bộ dữ liệu TravelPlanner, phương pháp mới đạt tỷ lệ thành công trên 90%, trong khi các phương pháp khác thường dưới 10%. Khi thêm định dạng JSON vào truy vấn, hiệu quả đạt tới 84,4 - 98,9%. Nhóm nghiên cứu còn xây dựng bộ dữ liệu “UnsatChristmas” với các ràng buộc chưa từng thấy trước đó để kiểm tra khả năng thích ứng. Hệ thống vẫn đạt hiệu suất 78,6 -85%, và lên đến 91,7% nếu cho phép lặp lại bước điều chỉnh kế hoạch. Nhóm thử nghiệm framework trong các lĩnh vực khác như: chọn khối màu, phân công nhiệm vụ, bài toán người bán hàng rong (travelling salesman), và tối ưu kho vận. Các tác vụ này yêu cầu hệ thống chọn khối điểm cao nhất, tối ưu phân công robot, rút ngắn lộ trình, và tối ưu hóa nhiệm vụ robot. “Tôi nghĩ đây là một khung giải pháp rất mạnh và sáng tạo - có thể tiết kiệm nhiều thời gian cho con người, đồng thời là một sự kết hợp mới lạ giữa LLM và bộ giải”, Hao nhận xét. Dự án được tài trợ một phần bởi Văn phòng Nghiên cứu Hải quân Hoa Kỳ và Phòng thí nghiệm AI Watson của MIT-IBM.

(Nguồn: MIT News)