Mô hình thị giác–ngôn ngữ (VLM) là gì? AI kết nối hình ảnh và từ ngữ như thế nào

Mô hình thị giác–ngôn ngữ kết nối các đặc trưng thị giác với ngôn ngữ, giúp hệ thống mô tả, so sánh, truy xuất hoặc suy luận về hình ảnh bằng từ ngữ.

Cần giải thích chính xác về mô hình thị giác–ngôn ngữ, bởi tên gọi này xác định một luồng thông tin, lựa chọn huấn luyện, cơ chế vận hành hoặc ranh giới quản trị cụ thể. Xem thuật ngữ này như từ đồng nghĩa với “AI tiên tiến” khiến các tuyên bố không thể kiểm chứng. Hướng dẫn này lần theo khái niệm từ đầu vào và các giả định đến kết quả có thể quan sát, sau đó kiểm tra cách hiểu giản lược dễ bị nhầm lẫn nhất với nó.

Mô hình thị giác–ngôn ngữ: định nghĩa, ranh giới và mục đích

Mô hình thị giác–ngôn ngữ kết nối các đặc trưng thị giác với ngôn ngữ, giúp hệ thống mô tả, so sánh, truy xuất hoặc suy luận về hình ảnh bằng từ ngữ. Định nghĩa này bao hàm ba cam kết thực tiễn: có một đầu vào xác định được; có một phép biến đổi hoặc quyết định đặc trưng cho mô hình thị giác–ngôn ngữ; và có một kết quả có thể đánh giá dựa trên mục tiêu đã nêu. Nếu thiếu một trong những yếu tố đó, nhãn này có thể chỉ mô tả một khát vọng chứ không phải một cơ chế đã được triển khai.

Các hệ thống đa phương thức phải căn chỉnh những tín hiệu khác nhau về độ phân giải, thời điểm, nhiễu và mức độ mơ hồ. Một từ có thể chỉ một vùng nhỏ trong ảnh; một sự kiện âm thanh có thể xảy ra trước khung hình video giúp giải thích sự kiện đó. Với mô hình thị giác–ngôn ngữ, cách nhìn toàn hệ thống này rất quan trọng, bởi hiệu suất có thể phụ thuộc vào dữ liệu, giao diện, phần cứng, quyền hạn và con người xung quanh, ngay cả khi bản thân mô hình không thay đổi. Vì vậy, một lời giải thích hữu ích cần phân biệt hành vi mô hình đã học được với sản phẩm quyết định khi nào, ở đâu và với thẩm quyền nào hành vi đó được sử dụng.

Cách giản lược dễ gây hiểu lầm nhất là đánh đồng mô hình thị giác–ngôn ngữ với thị giác máy tính dự đoán một nhãn cố định mà không sử dụng ngôn ngữ mở. Hai loại này có thể cùng sở hữu một đặc điểm bề ngoài, nhưng cách giản lược đó làm thay đổi câu chuyện nhân quả: bằng chứng cần có để xác định thành công sẽ khác, nguồn lực chi phối chi phí sẽ khác, và biện pháp kiểm soát để ngăn ngừa tác hại cũng sẽ khác. Vì vậy, ranh giới ở đây mang tính vận hành chứ không phải thuật ngữ.

Sơ đồ vận hành mô hình thị giác–ngôn ngữ gồm năm giai đoạn

Sơ đồ này là bản đồ nhân quả cô đọng về mô hình thị giác–ngôn ngữ, chứ không khẳng định rằng mọi cách triển khai đều sử dụng năm thành phần phần mềm. Một số hệ thống gộp các giai đoạn, còn một số khác lặp lại chúng theo vòng. Sơ đồ vẫn hữu ích vì buộc mỗi thay đổi về thông tin hoặc thẩm quyền phải có bên chịu trách nhiệm, đầu vào, đầu ra và phép kiểm tra.

1. Chia nhỏ hoặc mã hóa hình ảnh thành các token thị giác: đầu vào và giả định trong mô hình thị giác–ngôn ngữ

Ở giai đoạn này của mô hình thị giác–ngôn ngữ, hệ thống phải chia nhỏ hoặc mã hóa hình ảnh thành các token thị giác. Câu hỏi hữu ích không chỉ là thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, làm thay đổi trạng thái nào và bằng chứng nào chứng minh thay đổi đó là hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với thị giác máy tính dự đoán một nhãn cố định mà không sử dụng ngôn ngữ mở, đồng thời tái tạo được kết quả trong cùng các điều kiện đã nêu.

Quá trình chuyển giao vào giai đoạn này của mô hình thị giác–ngôn ngữ bắt đầu từ mục tiêu đã nêu và nên kết thúc bằng một kết quả có thể làm cơ sở cho việc mã hóa văn bản đi kèm. Hãy ghi lại mức độ không chắc chắn, các phương án bị loại bỏ, mức sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới này. Dấu vết đó giúp các nhóm phát hiện liệu những mô tả trôi chảy có thể gọi tên các vật thể hoặc mối quan hệ thực sự không nhìn thấy được hay không, trước khi điểm yếu tương tự ảnh hưởng đến một kết quả có hệ quả đáng kể.

2. Mã hóa văn bản đi kèm: biểu diễn hoặc quyết định trong mô hình thị giác–ngôn ngữ

Ở giai đoạn này của mô hình thị giác–ngôn ngữ, hệ thống phải mã hóa văn bản đi kèm. Câu hỏi hữu ích không chỉ là thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, làm thay đổi trạng thái nào và bằng chứng nào chứng minh thay đổi đó là hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với thị giác máy tính dự đoán một nhãn cố định mà không sử dụng ngôn ngữ mở, đồng thời tái tạo được kết quả trong cùng các điều kiện đã nêu.

Bước chuyển tiếp sang giai đoạn này của mô hình thị giác-ngôn ngữ bắt đầu bằng việc chia nhỏ hoặc mã hóa hình ảnh thành các token thị giác, và nên kết thúc bằng một kết quả có thể hỗ trợ việc kết nối hai dạng biểu diễn. Hãy ghi lại mức độ không chắc chắn, các phương án bị bác bỏ, mức sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới này. Dấu vết đó giúp các nhóm phát hiện liệu những mô tả trôi chảy có thể nêu tên các vật thể hoặc mối quan hệ thực sự không hiện diện trong hình ảnh hay không, trước khi điểm yếu tương tự tác động đến một đầu ra có hệ quả đáng kể.

3. Kết nối hai dạng biểu diễn: Phép biến đổi đặc trưng trong mô hình thị giác-ngôn ngữ

Ở giai đoạn này của mô hình thị giác-ngôn ngữ, hệ thống phải kết nối hai dạng biểu diễn. Câu hỏi hữu ích không chỉ là liệu thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, làm thay đổi trạng thái nào và bằng chứng nào chứng minh thay đổi đó là hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với thị giác máy tính chỉ dự đoán một nhãn cố định mà không sử dụng ngôn ngữ mở, đồng thời tái tạo được kết quả trong cùng các điều kiện đã nêu.

Bước chuyển tiếp sang giai đoạn này của mô hình thị giác-ngôn ngữ bắt đầu bằng việc mã hóa văn bản đi kèm, và nên kết thúc bằng một kết quả có thể hỗ trợ việc chú ý đến các vùng và cụm từ. Hãy ghi lại mức độ không chắc chắn, các phương án bị bác bỏ, mức sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới này. Dấu vết đó giúp các nhóm phát hiện liệu những mô tả trôi chảy có thể nêu tên các vật thể hoặc mối quan hệ thực sự không hiện diện trong hình ảnh hay không, trước khi điểm yếu tương tự tác động đến một đầu ra có hệ quả đáng kể.

4. Chú ý đến các vùng và cụm từ: Ranh giới về ràng buộc và xác minh trong mô hình thị giác-ngôn ngữ

Ở giai đoạn này của mô hình thị giác-ngôn ngữ, hệ thống phải chú ý đến các vùng và cụm từ. Câu hỏi hữu ích không chỉ là liệu thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, làm thay đổi trạng thái nào và bằng chứng nào chứng minh thay đổi đó là hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với thị giác máy tính chỉ dự đoán một nhãn cố định mà không sử dụng ngôn ngữ mở, đồng thời tái tạo được kết quả trong cùng các điều kiện đã nêu.

Bước chuyển tiếp sang giai đoạn này của mô hình thị giác-ngôn ngữ bắt đầu bằng việc kết nối hai dạng biểu diễn, và nên kết thúc bằng một kết quả có thể hỗ trợ giải mã một phản hồi hoặc hành động có căn cứ. Hãy ghi lại mức độ không chắc chắn, các phương án bị bác bỏ, mức sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới này. Dấu vết đó giúp các nhóm phát hiện liệu những mô tả trôi chảy có thể nêu tên các vật thể hoặc mối quan hệ thực sự không hiện diện trong hình ảnh hay không, trước khi điểm yếu tương tự tác động đến một đầu ra có hệ quả đáng kể.

5. Giải mã phản hồi hoặc hành động có căn cứ: Đầu ra, phản hồi và quy tắc dừng trong mô hình thị giác-ngôn ngữ

Ở giai đoạn này của mô hình thị giác-ngôn ngữ, hệ thống phải giải mã một phản hồi hoặc hành động có căn cứ. Câu hỏi hữu ích không chỉ là liệu thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, làm thay đổi trạng thái nào và bằng chứng nào chứng minh thay đổi đó là hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với thị giác máy tính chỉ dự đoán một nhãn cố định mà không sử dụng ngôn ngữ mở, đồng thời tái tạo được kết quả trong cùng các điều kiện đã nêu.

Bước chuyển tiếp sang giai đoạn này của mô hình thị giác-ngôn ngữ bắt đầu bằng việc chú ý đến các vùng và cụm từ, và nên kết thúc bằng một kết quả có thể hỗ trợ việc giám sát hoặc đưa ra quyết định cuối cùng. Hãy ghi lại mức độ không chắc chắn, các phương án bị bác bỏ, mức sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới này. Dấu vết đó giúp các nhóm phát hiện liệu những mô tả trôi chảy có thể nêu tên các vật thể hoặc mối quan hệ thực sự không hiện diện trong hình ảnh hay không, trước khi điểm yếu tương tự tác động đến một đầu ra có hệ quả đáng kể.

Hãy đọc sơ đồ mô hình thị giác-ngôn ngữ theo chiều xuôi để hiểu quy trình vận hành trong môi trường thực tế, và theo chiều ngược để chẩn đoán lỗi. Phân tích xuôi xem xét cách mỗi giai đoạn cung cấp dữ liệu cho giai đoạn tiếp theo. Phân tích ngược bắt đầu từ một kết quả sai, chậm, tốn kém hoặc không an toàn, rồi truy tìm giả định trước đó đã dẫn đến kết quả ấy. Thường chính khi lần theo chiều ngược, nhóm mới phát hiện ra rằng lỗi mang tính quyết định đã xảy ra trước khi mô hình tạo ra bất cứ thứ gì.

Ví dụ minh họa về mô hình thị giác-ngôn ngữ

Một mô hình thị giác-ngôn ngữ có thể kiểm tra ảnh chụp màn hình bảng điều khiển và giải thích biểu đồ nào hỗ trợ một nhận định bằng văn bản.

Ví dụ này hữu ích vì có thể gắn mô hình thị giác-ngôn ngữ với đầu vào quan sát được, các trạng thái trung gian và kết quả, thay vì đánh giá mô hình qua một màn trình diễn được trau chuốt. Một phép thử nghiêm ngặt sẽ xây dựng các trường hợp thông thường, khó và cố ý gây hiểu lầm dựa trên tình huống này, giữ lại một mốc chuẩn không sử dụng kỹ thuật đó, đồng thời ghi nhận cả hiệu suất trung bình lẫn mức độ nghiêm trọng của từng lỗi riêng lẻ.

Hãy thay đổi một giả định trong ví dụ về mô hình thị giác-ngôn ngữ rồi lặp lại phân tích. Loại bỏ một đầu vào bắt buộc, đưa vào một tín hiệu mâu thuẫn, giới hạn năng lực tính toán, thay đổi nhóm người dùng hoặc buộc hệ thống từ chối đưa ra câu trả lời. Một cơ chế chỉ thành công trong một màn trình diễn được sắp đặt cẩn thận chưa chứng minh được khả năng khái quát hóa sang môi trường vận hành thực tế.

Mô hình thị giác-ngôn ngữ và lối tắt phổ biến nhất

Mô hình thị giác-ngôn ngữ thường bị giản lược thành thị giác máy tính chỉ dự đoán một nhãn cố định mà không sử dụng ngôn ngữ mở. Cách giản lược đó xóa bỏ chính ranh giới làm nên khái niệm này. Điều này có thể khiến người mua so sánh những sản phẩm không tương đồng, khiến nhà nghiên cứu phóng đại những gì một thí nghiệm chứng minh được và khiến người vận hành theo dõi sai tín hiệu sau khi triển khai.

Phép so sánh cũng cần xác định đơn vị phân tích. Một bài báo về mô hình thị giác-ngôn ngữ có thể chỉ khảo sát một mô hình hoặc thuật toán, trong khi một dịch vụ đã triển khai còn bổ sung khả năng truy xuất, định tuyến, lưu vào bộ nhớ đệm, chính sách, định danh, giao diện người dùng và giám sát. Hai sản phẩm có thể dùng cùng một thuật ngữ nổi bật nhưng triển khai những phần khác nhau trong cấu trúc đó. Hãy xác định thành phần nào thực hiện phép biến đổi mang tính định nghĩa và những thành phần nào khác cần thiết để tạo ra kết quả được báo cáo.

Vì sao mô hình thị giác-ngôn ngữ quan trọng trong các hệ thống AI hiện nay

Mô hình thị giác-ngôn ngữ ngày càng có ý nghĩa vì các hệ thống AI đang được cung cấp ngữ cảnh lớn hơn, nhiều phương thức hơn, năng lực tính toán khi chạy cao hơn, quyền truy cập công cụ rộng hơn và khả năng kết nối sâu hơn với các quyết định của tổ chức. Trong những điều kiện đó, điều từng có vẻ chỉ là một chi tiết nghiên cứu có thể quyết định độ trễ, tính bảo mật, khả năng tiếp cận, chi phí môi trường, chất lượng sản phẩm hoặc trách nhiệm pháp lý.

Thước đo phù hợp không phải là liệu mô hình thị giác-ngôn ngữ có thể tạo ra một kết quả ấn tượng hay không. Điều cần xem xét là liệu kỹ thuật đó có cải thiện một kết quả quan trọng trong các điều kiện đại diện hay không, và liệu nó có làm được điều đó hiệu quả hơn một phương án cơ sở đơn giản hơn hay không. Hãy báo cáo phân bố kết quả, các loại lỗi, độ trễ ở phần đuôi phân bố, mức sử dụng tài nguyên và các nhóm bị ảnh hưởng, thay vì gộp mọi kết quả thành một giá trị trung bình.

Việc đánh giá cần tách riêng từng phương thức, kiểm tra các đầu vào mâu thuẫn và xác minh khả năng định vị theo thời gian hoặc không gian. Một câu trả lời liên phương thức trôi chảy không chứng minh rằng mô hình đã chú ý đến đúng tín hiệu. Khi áp dụng cụ thể cho mô hình thị giác-ngôn ngữ, quy trình chặt chẽ này giúp các bằng chứng có thể được đối chiếu và sử dụng ở nơi khác: một nhóm khác có thể đánh giá liệu mức cải thiện được tuyên bố có khả năng duy trì khi thay đổi mô hình, ngôn ngữ, nền tảng phần cứng, tập dữ liệu, nhóm người dùng hoặc mức độ chấp nhận rủi ro hay không.

Những lợi ích mà mô hình thị giác-ngôn ngữ có thể mang lại

Lý do thuyết phục nhất để sử dụng mô hình thị giác-ngôn ngữ là khả năng giải quyết trực tiếp nút thắt mà mô hình được thiết kế để xử lý. Tùy cách triển khai, lợi ích có thể thể hiện ở khả năng định vị tốt hơn, biểu diễn trung thực hơn, khái quát hóa tốt hơn, độ trễ thấp hơn, giảm việc di chuyển dữ liệu trong bộ nhớ, trách nhiệm giải trình rõ ràng hơn hoặc ranh giới an toàn hơn giữa đề xuất của mô hình và hành động thực tế.

Cần diễn đạt lợi ích thông qua các quyết định và phép đo. “Thông minh hơn” không phải là tiêu chí chấp nhận đối với mô hình thị giác-ngôn ngữ. Một mục tiêu hữu ích có thể quy định tỷ lệ lỗi trong các trường hợp khó, khả năng khắc phục sau khi gặp bằng chứng mâu thuẫn, chi phí tại một phân vị lưu lượng truy cập, thời gian con người cần để rà soát, mức độ hiệu chỉnh hoặc tỷ lệ hành động nằm trong giới hạn thẩm quyền đã xác định.

Chế độ lỗi định hình mô hình thị giác-ngôn ngữ

Hạn chế cốt lõi là các mô tả trôi chảy có thể gọi tên những đối tượng hoặc mối quan hệ thực sự không xuất hiện trong hình ảnh. Không thể xem lỗi này là chuyện có thể bổ sung vào danh sách sau khi hoàn tất phát triển. Ngay từ đầu, lỗi này cần định hình việc thu thập dữ liệu, kiến trúc, quyền hạn, đánh giá, các tiêu chí cho phép phát hành và hoạt động giám sát mô hình thị giác-ngôn ngữ.

Biện pháp kiểm soát đối với mô hình thị giác-ngôn ngữ chỉ hữu ích khi được áp dụng trước khi xảy ra hậu quả tốn kém hoặc không thể đảo ngược. Hãy xác định dấu hiệu báo trước sớm nhất có thể quan sát được, đặt ra ngưỡng hoặc quy tắc, chỉ định người chịu trách nhiệm và kiểm tra khả năng khôi phục. Tùy vào trường hợp sử dụng, khôi phục có thể là từ chối đưa ra kết quả, chuyển sang hệ thống đơn giản hơn, yêu cầu thêm bằng chứng, chuyển vấn đề cho người xử lý, khôi phục phiên bản mô hình trước đó hoặc dừng hẳn một hành động.

Kế hoạch đánh giá mô hình thị giác-ngôn ngữ

Hãy bắt đầu đánh giá mô hình thị giác-ngôn ngữ bằng cách nêu rõ quyết định mà bằng chứng cần làm căn cứ. Xác định nhóm đối tượng sử dụng, hậu quả của một kết quả sai, thông tin thực sự có sẵn tại thời điểm ra quyết định và phương án thay thế đơn giản nhất nhưng đáng tin cậy. Nhờ đó, điểm chuẩn sẽ không trở thành mục tiêu chỉ vì dễ triển khai.

Hãy dùng một bộ kiểm thử chưa từng được sử dụng để so sánh trong điều kiện kiểm soát, sau đó xác thực mô hình thị giác-ngôn ngữ trong môi trường vận hành theo từng giai đoạn. Đánh giá ngoại tuyến giúp so sánh các biến thể; chạy ngầm, triển khai canary, giới hạn tốc độ hoặc các cổng phê duyệt cho thấy lưu lượng thực tế, vòng lặp phản hồi và con người làm thay đổi hành vi ra sao. Giai đoạn triển khai cần có điều kiện dừng rõ ràng, thay vì mặc định rằng mọi cải tiến đều xứng đáng được triển khai đầy đủ.

Hãy quản lý phiên bản của các đầu vào cần thiết để tái tạo mô hình thị giác-ngôn ngữ: dữ liệu nguồn, tiền xử lý, bộ tách từ hoặc bộ mã hóa, trọng số mô hình, cấu hình, lời nhắc hoặc chính sách, chỉ mục truy xuất, bộ đánh giá, các giả định về phần cứng và mã phục vụ mô hình, nếu có. Nếu không có thông tin truy nguyên nguồn gốc, nhóm sẽ không thể xác định kết quả thay đổi là do kỹ thuật, môi trường hay một chỉnh sửa quy trình dữ liệu không được chú ý.

Cuối cùng, hãy hỏi phát hiện nào có thể bác bỏ nhận định rằng mô hình thị giác-ngôn ngữ hữu ích. Nếu không có kết quả nào có thể khiến nhóm thay đổi quyết định áp dụng, thì việc đánh giá chỉ là hoạt động tiếp thị. Các ngưỡng chấp nhận được xác định trước và một bộ dữ liệu xác nhận được lưu giữ sẽ biến quá trình này thành hoạt động tạo lập bằng chứng.

Những câu hỏi cần đặt ra trước khi áp dụng mô hình thị giác-ngôn ngữ

• Mục tiêu: Mô hình thị giác-ngôn ngữ được kỳ vọng giải quyết nút thắt nào có thể đo lường?
• Cơ chế: Giai đoạn nào trong năm giai đoạn bao gồm bước chuyển đổi đặc trưng?
• Đường cơ sở: Mô hình này so sánh thế nào với thị giác máy tính dự đoán một nhãn cố định mà không dùng ngôn ngữ mở, hoặc với một phương án thay thế đơn giản hơn?
• Bằng chứng: Đã kiểm thử những trường hợp thông thường, khó, đối kháng và thuộc các nhóm phụ nào?
• Vận hành: Khi triển khai ở quy mô lớn, độ trễ, bộ nhớ, năng lực tính toán, năng lượng, bảo trì và chi phí rà soát là bao nhiêu?
• Rủi ro: Nhóm sẽ phát hiện bằng cách nào nếu những mô tả trôi chảy nêu tên các vật thể hoặc mối quan hệ thực tế không hiện diện trong hình ảnh?
• Khôi phục: Hệ thống có thể từ chối đưa ra kết quả, chuyển sang phương án dự phòng, khôi phục phiên bản trước hoặc chuyển vấn đề cho người xử lý trước khi gây hại không?

Nguồn tài liệu chính để nghiên cứu mô hình thị giác-ngôn ngữ

Những tài liệu khởi đầu có tính thẩm quyền về phần ngăn xếp AI liên quan đến mô hình thị giác-ngôn ngữ bao gồm bài nghiên cứu CLIP và mô hình đa phương thức hiện thân PaLM-E. Hãy đọc các tài liệu này cùng với tài liệu hướng dẫn về chính xác mô hình, tập dữ liệu, phần cứng và khu vực pháp lý có liên quan. Một nguồn tài liệu tổng quát có thể giải thích cơ chế, nhưng chỉ bằng chứng gắn với việc triển khai cụ thể mới xác định được một cách triển khai nhất định có phù hợp hay không.

Những điều cần ghi nhớ về mô hình thị giác-ngôn ngữ

Mô hình thị giác-ngôn ngữ là một cơ chế xác định nằm trong một hệ thống kỹ thuật-xã hội rộng lớn hơn. Giá trị của mô hình đến từ việc cải thiện một kết quả cụ thể trong những điều kiện rõ ràng, chứ không phải từ chính tên gọi của nó. Sơ đồ năm giai đoạn giúp làm rõ luồng thông tin, phần so sánh xác định mô hình không phải là gì, còn lộ trình kiểm soát cho thấy người vận hành có trách nhiệm có thể can thiệp ở đâu.

Nguyên tắc thực tiễn khi sử dụng mô hình thị giác-ngôn ngữ là xác định mục tiêu, so sánh với một đường cơ sở đáng tin cậy, kiểm thử thất bại quan trọng nhất và lưu giữ bằng chứng cần thiết để theo dõi thay đổi. Khi đã có đủ những yếu tố này, khái niệm trên trở thành một lựa chọn về kỹ thuật và quản trị có thể được đánh giá. Nếu thiếu chúng, đó vẫn chỉ là một cái tên đầy hứa hẹn gắn với một rủi ro vận hành chưa rõ.