Một kho tri thức có thể chứa hàng nghìn cuốn sách.
Một cơ sở dữ liệu có thể có hàng chục nghìn bản ghi.
Nhưng số lượng thông tin không đồng nghĩa với khả năng tiếp cận tri thức.
Nếu người dùng không tìm được thông tin cần thiết, một kho dữ liệu lớn vẫn có thể giống như một thư viện không có danh mục.
Đây là một trong những vấn đề quan trọng nhất của quá trình số hóa tri thức Y học cổ truyền:
Làm thế nào để người dùng tìm được đúng thông tin giữa một lượng dữ liệu ngày càng lớn?
Câu trả lời không chỉ nằm ở một ô tìm kiếm.
Nó liên quan đến cách dữ liệu được tổ chức, thuật ngữ được chuẩn hóa và mối quan hệ giữa các thông tin được biểu diễn.
Tìm kiếm tốt là một phần quan trọng của việc biến dữ liệu thành tri thức có thể tiếp cận.
Tìm kiếm từ khóa là điểm khởi đầu
Phương pháp đơn giản nhất là tìm kiếm từ khóa.
Người dùng nhập:
“đương quy”
Hệ thống trả về những tài liệu có chứa cụm từ đó.
Cách tìm kiếm này có nhiều ưu điểm:
- Dễ triển khai
- Dễ hiểu
- Cho kết quả nhanh
- Phù hợp với dữ liệu văn bản
Tuy nhiên, nó cũng có giới hạn.
Nếu một tài liệu sử dụng tên gọi khác, kết quả có thể không xuất hiện.
Ví dụ, người dùng tìm theo một tên phổ biến nhưng tài liệu cổ sử dụng tên khác.
Máy tính có thể không biết hai tên này đang nói đến cùng một đối tượng.
Đây là lúc việc chuẩn hóa thuật ngữ trở nên quan trọng.
Một câu hỏi có thể có nhiều cách diễn đạt
Con người không phải lúc nào cũng sử dụng cùng một từ để diễn đạt một ý.
Ví dụ, người dùng có thể tìm:
- “các vị thuốc trong bài thuốc”
- “thành phần bài thuốc”
- “bài thuốc gồm những dược liệu nào”
Ba câu hỏi có cách diễn đạt khác nhau nhưng ý định tương đối giống nhau.
Một hệ thống chỉ dựa trên khớp chính xác từ khóa có thể bỏ sót các kết quả liên quan.
Đây là lý do các phương pháp tìm kiếm hiện đại cố gắng đi xa hơn việc so sánh từng từ riêng lẻ.
Mục tiêu là hiểu:
Người dùng thực sự đang muốn tìm điều gì?
Từ tìm kiếm từ khóa đến tìm kiếm ngữ nghĩa
Tìm kiếm ngữ nghĩa cố gắng xác định sự tương đồng về ý nghĩa thay vì chỉ dựa vào sự trùng khớp của từ.
Ví dụ:
“Danh y nào biên soạn tài liệu này?”
và:
“Ai là tác giả của y thư?”
có thể được hiểu là những câu hỏi gần nhau về mặt ý nghĩa.
Trong hệ thống tri thức, tìm kiếm ngữ nghĩa có thể hỗ trợ:
- Nhận diện câu hỏi tương tự
- Tìm thuật ngữ liên quan
- Gợi ý tài liệu phù hợp
- Kết nối các cách diễn đạt khác nhau
Tuy nhiên, “hiểu ngữ nghĩa” không có nghĩa là hệ thống luôn hiểu đúng.
Đặc biệt với thuật ngữ chuyên ngành và tài liệu cổ, sự giống nhau về mặt ngôn ngữ có thể dẫn đến những liên kết sai.
Vì vậy, tìm kiếm ngữ nghĩa cần được kết hợp với dữ liệu chuyên ngành đáng tin cậy.
Chuẩn hóa thuật ngữ cải thiện chất lượng tìm kiếm
Một trong những cách hiệu quả nhất để cải thiện tìm kiếm là xây dựng hệ thống tên gọi.
Ví dụ:
Thực thể chính
├── Tên chuẩn
├── Tên đồng nghĩa
├── Tên địa phương
└── Tên lịch sử
Khi người dùng tìm bất kỳ tên nào, hệ thống có thể dẫn về cùng một thực thể.
Điều này giúp:
- Giảm bỏ sót kết quả
- Hạn chế dữ liệu trùng lặp
- Hỗ trợ tìm kiếm đa dạng cách gọi
Nhưng việc gộp các tên gọi cần thận trọng.
Không nên coi mọi tên giống nhau hoặc gần giống nhau là đồng nghĩa.
Một liên kết sai trong từ điển thuật ngữ có thể khiến hệ thống trả về hàng loạt kết quả không chính xác.
Tìm kiếm cần hiểu bối cảnh
Cùng một từ có thể mang ý nghĩa khác nhau tùy ngữ cảnh.
Một thuật ngữ có thể:
- Xuất hiện trong lý luận Y học cổ truyền
- Có nghĩa khác trong ngôn ngữ thông thường
- Được sử dụng khác nhau giữa các thời kỳ
Vì vậy, tìm kiếm không chỉ cần biết:
Từ nào xuất hiện?
Mà còn cần xem xét:
Từ đó xuất hiện trong bối cảnh nào?
Metadata có thể hỗ trợ điều này.
Người dùng có thể giới hạn tìm kiếm theo:
- Loại tài liệu
- Thời kỳ
- Tác giả
- Chủ đề
- Ngôn ngữ
Nhờ đó, kết quả trở nên phù hợp hơn với mục đích tìm kiếm.
Tìm kiếm theo thực thể
Thay vì chỉ tìm các từ xuất hiện trong văn bản, hệ thống có thể cho phép tìm theo thực thể.
Ví dụ:
Tìm một dược liệu
Hệ thống không chỉ trả về các đoạn văn chứa tên đó mà còn hiển thị:
- Các tên gọi khác
- Tài liệu liên quan
- Bài thuốc có liên quan
- Thuật ngữ liên quan
- Nguồn tham chiếu
Đây là sự khác biệt giữa:
Tìm một từ
và:
Khám phá một đối tượng tri thức.
Cách tiếp cận này đặc biệt phù hợp với các hệ thống knowledge graph.
Tìm kiếm theo mối quan hệ
Một bước xa hơn là cho phép người dùng tìm theo quan hệ.
Ví dụ:
Những bài thuốc nào có chứa một dược liệu cụ thể?
Hoặc:
Những tài liệu nào đề cập đến cùng một danh y?
Những câu hỏi này khó thực hiện hiệu quả nếu dữ liệu chỉ tồn tại dưới dạng văn bản không cấu trúc.
Nhưng nếu hệ thống đã xác định:
Bài thuốc → gồm thành phần → Dược liệu
thì máy tính có thể truy vấn theo mối quan hệ.
Tìm kiếm lúc này không còn chỉ là tìm văn bản.
Nó trở thành một hình thức khám phá mạng lưới tri thức.
Hệ thống gợi ý có thể giúp khám phá tri thức
Không phải người dùng nào cũng biết chính xác mình cần tìm gì.
Đôi khi, một kết quả có thể dẫn đến một câu hỏi mới.
Ví dụ:
Đang xem một danh y
→ Gợi ý các tác phẩm liên quan
→ Khám phá các thuật ngữ xuất hiện trong tác phẩm
→ Tìm các tài liệu nghiên cứu về thuật ngữ đó
Quá trình này giống với cách con người khám phá một thư viện.
Một thông tin dẫn đến thông tin khác.
Hệ thống có thể hỗ trợ bằng cách đề xuất:
- Nội dung liên quan
- Thực thể liên quan
- Tài liệu cùng chủ đề
- Thuật ngữ thường xuất hiện cùng nhau
Tuy nhiên, các gợi ý nên được xem là công cụ khám phá chứ không phải bằng chứng khoa học.
AI và tìm kiếm tri thức
Các mô hình AI hiện nay có thể giúp người dùng đặt câu hỏi bằng ngôn ngữ tự nhiên.
Thay vì tìm:
“tên + bài thuốc + tài liệu”
người dùng có thể hỏi một câu hoàn chỉnh.
AI có thể hỗ trợ:
- Phân tích câu hỏi
- Xác định thực thể
- Tìm tài liệu liên quan
- Tóm tắt kết quả
- Gợi ý câu hỏi tiếp theo
Tuy nhiên, có một rủi ro quan trọng.
AI có thể tạo ra câu trả lời nghe hợp lý nhưng không tồn tại trong nguồn dữ liệu.
Do đó, với hệ thống tri thức chuyên ngành, AI nên được kết nối với nguồn dữ liệu có thể kiểm tra.
Một nguyên tắc quan trọng là:
Câu trả lời cần dẫn người dùng quay lại nguồn.
Điều này giúp phân biệt giữa:
- AI tạo ra thông tin
- AI hỗ trợ truy xuất thông tin
Đối với tri thức có tính chuyên môn cao, khả năng truy xuất và kiểm chứng thường quan trọng hơn một câu trả lời trôi chảy.
Tìm kiếm không có kết quả cũng là thông tin
Một hệ thống tốt không nên cố gắng trả lời mọi câu hỏi bằng mọi giá.
Nếu dữ liệu hiện chưa có câu trả lời, hệ thống có thể thông báo:
Chưa tìm thấy thông tin phù hợp trong nguồn hiện có.
Câu trả lời này đôi khi có giá trị hơn một kết quả được suy đoán.
Việc hiển thị rõ giới hạn dữ liệu giúp người dùng hiểu phạm vi của hệ thống.
Đồng thời, những truy vấn không có kết quả có thể giúp người quản trị biết người dùng đang cần thêm loại tri thức nào.
Đánh giá chất lượng tìm kiếm
Một công cụ tìm kiếm không thể được đánh giá chỉ bằng tốc độ.
Một số câu hỏi quan trọng hơn gồm:
- Kết quả có liên quan không?
- Có bỏ sót thông tin quan trọng không?
- Thứ tự kết quả có hợp lý không?
- Người dùng có tìm được nguồn gốc không?
Đánh giá cần dựa trên các tình huống sử dụng thực tế.
Ví dụ, có thể xây dựng một tập câu hỏi:
- Tìm theo tên
- Tìm theo tên đồng nghĩa
- Tìm theo mô tả
- Tìm theo quan hệ
- Tìm theo câu hỏi tự nhiên
Sau đó, so sánh kết quả với dữ liệu được kiểm tra bởi chuyên gia.
Không có một phương pháp tìm kiếm duy nhất phù hợp với mọi loại câu hỏi.
Tìm kiếm là cầu nối giữa dữ liệu và người dùng
Một kho dữ liệu có thể được xây dựng rất tốt ở phía sau.
Nhưng đối với người dùng, trải nghiệm thường bắt đầu bằng một câu hỏi.
Nếu hệ thống không thể giúp họ đi từ:
Tôi muốn biết điều này
đến:
Đây là những nguồn thông tin liên quan
thì giá trị của dữ liệu khó được khai thác đầy đủ.
Vì vậy, tìm kiếm không chỉ là một tính năng kỹ thuật.
Nó là cầu nối giữa con người và kho tri thức.
Tương lai của tìm kiếm tri thức Y học cổ truyền
Trong tương lai, việc tìm kiếm có thể kết hợp nhiều phương pháp:
- Từ khóa
- Ngữ nghĩa
- Thực thể
- Knowledge graph
- Ngôn ngữ tự nhiên
- AI hỗ trợ truy xuất
Mỗi phương pháp có điểm mạnh riêng.
Một hệ thống tốt không nhất thiết phải thay thế hoàn toàn tìm kiếm từ khóa bằng AI.
Ngược lại, có thể kết hợp các phương pháp.
Ví dụ:
Từ khóa chính xác
- Đồng nghĩa
- Tìm kiếm ngữ nghĩa
- Bộ lọc metadata
- Liên kết thực thể
Mục tiêu cuối cùng không phải là tạo ra công nghệ phức tạp nhất.
Mà là giúp người dùng tìm được thông tin phù hợp và biết thông tin đó đến từ đâu.
Kết luận
Số hóa tri thức chỉ thực sự có ý nghĩa khi con người có thể tiếp cận và sử dụng tri thức đó.
Từ tìm kiếm từ khóa đến tìm kiếm ngữ nghĩa, từ tra cứu văn bản đến khám phá thực thể và mối quan hệ, mỗi phương pháp đều mở ra những cách tiếp cận khác nhau.
Đối với Y học cổ truyền Việt Nam, việc xây dựng công cụ tìm kiếm hiệu quả cần đi cùng với chuẩn hóa thuật ngữ, tổ chức metadata và liên kết nguồn tư liệu.
AI có thể giúp việc đặt câu hỏi và khám phá thông tin trở nên thuận tiện hơn. Nhưng khả năng kiểm tra nguồn vẫn cần được đặt ở trung tâm.
Một hệ thống tri thức đáng tin cậy không chỉ giúp người dùng nhận được câu trả lời.
Nó còn giúp họ biết câu trả lời đó bắt đầu từ đâu và có thể tiếp tục hành trình tìm hiểu như thế nào.
Lưu ý: Nội dung bài viết mang tính thông tin, nghiên cứu và tham khảo, không thay thế cho tư vấn, chẩn đoán hoặc điều trị y khoa.
Từ khóa: tìm kiếm tri thức Y học cổ truyền, tìm kiếm ngữ nghĩa YHCT, semantic search, knowledge graph, tra cứu Y học cổ truyền, AI tìm kiếm tri thức, tìm kiếm theo thực thể, dữ liệu YHCT, truy xuất nguồn, chuyển đổi số Y học cổ truyền.