Selectstar ngày 28 cho biết 5 nghiên cứu của nhóm nghiên cứu của công ty trong lĩnh vực độ tin cậy và an toàn trí tuệ nhân tạo (AI) đã được chấp nhận tại EMNLP 2026, hội nghị quốc tế về xử lý ngôn ngữ tự nhiên.

Trong số này, có 1 bài được chọn vào phiên chính, 1 bài thuộc hạng mục Findings và 3 bài được trình bày tại các workshop. EMNLP 2026 sẽ diễn ra từ ngày 24 đến 29/10 tại Budapest, Hungary.

Nghiên cứu được chọn vào phiên chính đề xuất một phương pháp đánh giá không chỉ dừng ở việc kiểm tra AI trả lời đúng hay sai, mà còn xem xét liệu khi đưa ra đáp án sai, hệ thống có mắc lỗi theo cách tương tự con người hay không. Phương pháp này đo lường bằng cách so sánh phân bố lựa chọn đáp án đúng và sai giữa con người với mô hình ngôn ngữ lớn (LLM), từ đó định lượng mức độ tương đồng giữa AI và cách con người phán đoán.

Ở hạng mục Findings, nhóm nghiên cứu phân tích độ tin cậy trong phán đoán của các guard model dùng để sàng lọc yêu cầu độc hại. Kết quả cho thấy một số guard model vẫn có thể đưa ra quyết định sai với độ tự tin cao, ngay cả trong những tình huống có mức độ bất định lớn. Selectstar cho biết sẽ ứng dụng kết quả này vào công nghệ guardrail nhằm hạn chế hiện tượng chặn quá mức trong các dịch vụ AI.

Ba nghiên cứu tại workshop gồm 2 bài thuộc lĩnh vực tài chính và 1 bài về an toàn AI trong bối cảnh khác biệt văn hóa. Hai nghiên cứu về tài chính tập trung vào cách cải thiện guardrail cho AI nhưng vẫn duy trì hiệu năng phòng vệ hiện có, đồng thời đề xuất kỹ thuật phát hiện website lừa đảo tài chính (phishing) bằng cách đối chiếu đồng thời nhiều website.

Theo Selectstar, các kết quả nghiên cứu sẽ được tích hợp vào nền tảng đánh giá AI Datumo, hoạt động red teaming và công nghệ guardrail của công ty, qua đó nâng cao năng lực đánh giá an toàn AI theo từng quốc gia và từng lĩnh vực.

Ông Kim Se-yup, CEO của Selectstar, cho biết công ty sẽ gắn kết các thành quả nghiên cứu với công nghệ đánh giá, red teaming và guardrail để phát triển thành hệ thống kiểm chứng độ tin cậy AI, phục vụ doanh nghiệp trong môi trường vận hành thực tế.