Bài 169 · 2 phút

Hàng rào an toàn ở đầu vào

Hàng rào đầu vào kiểm tra những gì người dùng gửi trước khi model nhìn thấy, chặn sớm dữ liệu riêng tư, lời lẽ xúc phạm và các mánh lừa.

Ai cũng gõ được bất cứ thứ gì vào một khung chat công khai. Có tin nhắn chứa thứ hệ thống không bao giờ nên chuyển tiếp, như số thẻ đầy đủ. Có tin nhắn tìm cách bắt bot phá luật, thường gọi là jailbreak (bẻ khóa).

Hàng rào đầu vào là một bước kiểm tra chạy trước. Loại đơn giản dùng luật: chặn tin nhắn quá dài, che bất cứ thứ gì trông giống số điện thoại hay số căn cước. Loại thông minh hơn dùng một model phân loại nhỏ, gắn nhãn tin nhắn là bình thường, lạc đề, xúc phạm hay có thể là mánh lừa.

Khi bước kiểm tra phát hiện vấn đề, app có thể chặn tin nhắn, bỏ phần rủi ro, nhờ người dùng viết lại, hoặc chuyển cuộc chat cho người thật. Bot ngân hàng có thể trả lời “Vui lòng không chia sẻ số thẻ ở đây” và che số đi.

Hàng rào sai được cả hai chiều. Chặt quá thì chặn nhầm khách bình thường, lỏng quá thì mánh lừa lọt qua. Các đội phát triển thử chúng bằng ví dụ thật, ghi lại những gì đã bị chặn, và chỉnh dần theo thời gian.

Làm ngay

Thiết kế quầy bảo vệ cho một bot

  1. 1. Hình dung một bot hỗ trợ cho một cửa hàng nhỏ hay một trường học.
  2. 2. Liệt kê năm tin nhắn không nên chuyển thẳng cho model, dùng câu lệnh bên dưới để lấy ý tưởng.
  3. 3. Với mỗi tin nhắn, quyết định: chặn, làm sạch, hỏi lại hay chuyển cho người.
Tôi đang thiết kế bước kiểm tra đầu vào cho một bot hỗ trợ khách hàng của [LOẠI HÌNH KINH DOANH]. Hãy gợi ý tám tin nhắn rủi ro mà người dùng có thể gửi, từ nhầm lẫn vô tình tới cố ý lừa, và cách phản hồi tốt nhất cho từng cái.

Kiểm tra nhanh

Một khách dán nguyên số thẻ vào bot hỗ trợ. Hàng rào đầu vào tốt nên làm gì?

Một khách dán nguyên số thẻ vào bot hỗ trợ. Hàng rào đầu vào tốt nên làm gì?

Tìm hiểu thêm

Thuật ngữ trong bài

Guardrails
Quy tắc và bộ lọc quanh hệ thống AI để chặn yêu cầu và câu trả lời có hại, lạc đề hoặc không an toàn.
Jailbreak
Prompt mẹo nhằm khiến AI bỏ qua quy tắc an toàn và làm điều nó thường từ chối.
Prompt injection
Lệnh ẩn được cài trong trang web, email hoặc tệp, nhằm chiếm quyền điều khiển AI khi nó đọc nội dung đó.
Classifier
Mô hình chia đồ vật vào các nhóm, như thư rác hay không, hoặc ảnh này là cây gì.
Data privacy
Kiểm soát thông tin cá nhân hoặc bí mật, kể cả việc chọn gõ gì vào công cụ AI và dữ liệu được lưu ở đâu.