Chào anh em ZolaChat, Năm 2024 thực sự là một năm đầy biến động nhưng cũng cực kỳ thú vị với những ai đam mê công nghệ. Giữa làn sóng tái cơ cấu nhân sự ngành công nghệ đang diễn ra ở nhiều công ty lớn nhỏ, mình cũng như nhiều anh em dev có thêm thời gian để chậm lại một nhịp, tự làm mới bộ kỹ năng và thử nghiệm những bài toán thực tế. Đặc biệt, sự bùng nổ của các mô hình AI đa phương thức (multimodal) như GPT-4o, Claude 3.5 Sonnet hay Llama 3 Vision đang thay đổi hoàn toàn cách chúng ta giải quyết các bài toán xử lý dữ liệu hỗn hợp (hình ảnh + ngữ cảnh văn bản). Hôm nay, sau một chuyến lái xe điện xuyên tỉnh chữa lành vào cuối tuần để nạp lại năng lượng, mình ngồi xuống viết lại bài chia sẻ này. Đây là kinh nghiệm thực chiến từ một project nhỏ mình tự làm gần đây: Ứng dụng AI đa phương thức để bóc tách, phát hiện bot tương tác và các bẫy profile rác vốn đang tràn lan trên mạng xã hội và các nền tảng kết nối trực tuyến. 1. Bối cảnh: Khi bot mạng xã hội ngày càng tinh vi nhờ GenAI Nếu dạo quanh các diễn đàn, hội nhóm hay các nền tảng mạng xã hội tại Việt Nam năm nay, chắc hẳn anh em không còn lạ gì tình trạng spam vô tội vạ. Không còn là những dòng comment vô nghĩa copy-paste ngây ngô như vài năm trước, các đường dây spam và scam giờ đây đã biết tận dụng LLM để viết kịch bản rất mượt mà. Các thủ thuật thường gặp nhất xoay quanh việc đánh vào tâm lý tò mò hoặc nhu cầu tìm kiếm kết nối cá nhân. Rất nhiều nhóm rác mọc lên, mượn danh nghĩa các nền tảng như áp làm quen hay app tim ban gai để thả các mồi câu lộ liễu. Họ thường dùng hình ảnh đánh cắp từ hot girl, người mẫu ảnh rồi gán ghép các tiêu đề giật gân, ví dụ như tự xưng là gái thanh hóa hiền lành tìm bạn tri kỷ, hay các bài đăng mồi chài kiểu tìm gái có đơn có số điện thoại công khai nhằm dẫn dụ người dùng bấm vào liên kết lạ cài mã độc hoặc nạp tiền vào các hội nhóm kín lừa đảo. Ngay cả trên những áp hẹn hò việt nam chính thống, vấn đề tài khoản giả mạo (catfish) hoặc bot kéo traffic sang nền tảng thứ ba cũng khiến trải nghiệm của người dùng thật bị suy giảm nghiêm trọng. Đó là lý do mình quyết định tận dụng làn sóng Multimodal LLM của năm 2024 để xây dựng một pipeline lọc tự động phục vụ nhu cầu nghiên cứu cá nhân. 2. Kiến trúc giải pháp: Kết hợp Vision AI và LLM Logic Trước đây, để nhận diện một tài khoản rác, chúng ta thường dùng Rule-based (độ tuổi tài khoản, tần suất đăng bài) kết hợp OCR cơ bản. Tuy nhiên, phương pháp này thất bại hoàn toàn trước các hình ảnh đã chèn chữ nghệ thuật, đổi góc chụp hoặc nội dung do AI tạo sinh (Deepfake/Midjourney). Trong pipeline thử nghiệm năm 2024, mình chia thành 3 lớp xử lý chính: • Lớp 1 - Image Feature Extraction & Vision Screening: Sử dụng mô hình thị giác (Vision LLM cục bộ chạy trên GPU cá nhân hoặc API multimodal) để phân tích ảnh đại diện và ảnh bài đăng. Mục tiêu: Nhận diện xem ảnh có dấu hiệu artifact của AI tạo sinh không, hoặc phát hiện các banner chèn số Zalo/Telegram ẩn bên trong hình. • Lớp 2 - Contextual Cross-Check: Đưa phần mô tả (Bio), đoạn chat mẫu hoặc nội dung bài đăng vào mô hình ngôn ngữ lớn để chấm điểm mức độ bất thường về ngữ cảnh (Anomalous Sentiment Score). • Lớp 3 - Decision Engine (AI Agent): Tổng hợp điểm từ 2 lớp trên, đưa ra kết luận: Tài khoản người dùng thật, Bot mồi chài scam, hay Profile rác cần gắn cờ xem xét thủ công. "AI tạo sinh có thể tạo ra mồi nhử hoàn hảo hơn, nhưng sự bất nhất giữa hình ảnh và logic ngữ cảnh luôn để lại dấu vết. Nhiệm vụ của Multimodal AI là nhìn ra sự bất nhất đó." 3. Thực thi thực tế: Một đoạn cấu hình Pipeline mẫu Dưới đây là đoạn mã logic Python tối giản mà mình đã dùng để prompt mô hình phân tích ảnh và văn bản cùng lúc:

import openai

def analyze_profile_multimodal(image_url, bio_text, post_content):
    client = openai.OpenAI()
    prompt_instruction = """
    Bạn là chuyên gia phân tích an toàn mạng. Hãy kiểm tra hồ sơ sau:
    1. Ảnh có dấu hiệu chèn số điện thoại lừa đảo, QR code ẩn, hoặc watermark của nền tảng scam không?
    2. Nội dung văn bản có chứa các từ khóa mồi chài rác (ví dụ: mạo danh kết bạn, chia sẻ số liên lạc bừa bãi) không?
    3. Đánh giá độ tin cậy từ 0 - 100 và trả về định dạng JSON: {risk_score, reasons}.
    """
    
    response = client.chat.completions.create(
        model="gpt-4o",
        response_format={"type": "json_object"},
        messages=[
            {"role": "system", "content": prompt_instruction},
            {"role": "user", "content": [
                {"type": "text", "text": f"Bio: {bio_text}\nPost: {post_content}"},
                {"type": "image_url", "image_url": {"url": image_url}}
            ]}
        ],
        temperature=0.2
    )
    return response.choices[0].message.content

4. Kết quả và những điều rút ra được Sau khi cho chạy thử nghiệm trên tập dữ liệu mẫu gồm hơn 800 bài đăng thu thập từ các diễn đàn mở và các bài quảng cáo công khai, kết quả đạt được rất ấn tượng: • Độ chính xác nhận diện bot đạt trên 94%: Nhờ khả năng "đọc" được chữ viết tay hoặc chữ cách điệu trên ảnh mà các bộ OCR truyền thống thường bỏ sót. • Nhận diện ngữ cảnh sắc bén: Các chiêu trò đổi font chữ unicode đặc biệt để lách kiểm duyệt giờ đây hoàn toàn vô dụng trước các mô hình LLM hiện đại năm nay. • Chi phí tối ưu: Nhờ sự ra đời của các phiên bản multimodal nhỏ gọn (mini), chi phí API giảm đi đáng kể, giúp việc áp dụng vào các sản phẩm thực tế trở nên khả thi hơn rất nhiều. Tuy nhiên, bài học lớn nhất mà mình nhận thấy là: Công nghệ dù mạnh đến đâu cũng chỉ đóng vai trò một tấm khiên hỗ trợ. Trong kỷ nguyên mà nội dung nhân tạo có thể sản xuất hàng loạt với giá gần như bằng không, sự tỉnh táo và kỹ năng tự bảo vệ dữ liệu cá nhân của mỗi người vẫn là chốt chặn quan trọng nhất. Lời kết Năm 2024 đánh dấu bước ngoặt khi AI không chỉ còn là câu chuyện chat text thông thường mà đã có mắt, có tai và khả năng suy luận đa tầng. Việc ứng dụng AI để giải quyết những phiền toái hàng ngày như rác mạng, scam hay tự động hóa cuộc sống cá nhân chính là cách tốt nhất để chúng ta làm chủ công nghệ thay vì để nó dẫn dắt. Anh em trong diễn đàn đã có ai thử nghiệm tích hợp Vision LLM vào các bài toán thực tế của mình chưa? Hay anh em có mẹo nào thú vị để nhận diện nội dung rác trên không gian mạng hiện nay? Cùng bình luận và chia sẻ trải nghiệm ở bên dưới nhé!