Mục tiêu bài học
Sau bài này, bạn sẽ hiểu sự khác nhau giữa dữ liệu có nhãn và dữ liệu không có nhãn,
vì sao dữ liệu có nhãn thường giúp mô hình AI học chính xác hơn,
và vì sao việc chuẩn bị dữ liệu cho AI có thể tốn nhiều thời gian và nguồn lực.
Bức tranh tổng quan
Khi xây dựng mô hình AI, dữ liệu không chỉ cần được thu thập mà còn cần được chuẩn bị đúng cách.
Một trong những cách phân loại dữ liệu quan trọng là phân biệt giữa dữ liệu có nhãn
và dữ liệu không có nhãn.
Dữ liệu có nhãn là dữ liệu đã được gắn thông tin mô tả kết quả đúng.
Dữ liệu không có nhãn là dữ liệu thô, chưa được phân loại hoặc chưa có đáp án đi kèm.
Hai loại dữ liệu này thường được dùng trong các cách học khác nhau của Machine Learning.
So sánh nhanh: dữ liệu có nhãn và dữ liệu không có nhãn
01
Dữ liệu có nhãn
Là dữ liệu đã có đáp án hoặc phân loại rõ ràng, ví dụ ảnh được gắn nhãn là “chó”
hoặc “không phải chó”.
02
Học từ ví dụ có đáp án
Mô hình học từ dữ liệu đầu vào kèm kết quả đúng, từ đó học cách dự đoán cho dữ liệu mới.
03
Dữ liệu không có nhãn
Là dữ liệu chưa được phân loại hoặc chưa có đáp án đi kèm,
ví dụ một thư mục chứa hàng nghìn ảnh nhưng chưa biết ảnh nào thuộc nhóm nào.
04
Mô hình tự tìm mẫu
Với dữ liệu không có nhãn, mô hình thường cố gắng tự phát hiện cấu trúc,
nhóm tương đồng hoặc mẫu ẩn trong dữ liệu.
05
Đánh đổi thực tế
Dữ liệu có nhãn thường giúp mô hình chính xác hơn nhưng tốn công dán nhãn;
dữ liệu không có nhãn dễ thu thập hơn nhưng khó kiểm soát kết quả hơn.
Dữ liệu có nhãn là gì?
Dữ liệu có nhãn là dữ liệu đã được gắn thêm thông tin mô tả kết quả đúng.
Nhãn có thể là tên lớp, trạng thái, loại đối tượng, cảm xúc, chủ đề hoặc bất kỳ thông tin nào
giúp mô hình biết dữ liệu đó thuộc nhóm nào.
Ví dụ, nếu bạn có 10.000 bức ảnh về nhiều loài động vật, bạn có thể nhờ con người xem từng ảnh
và gắn nhãn ảnh đó là “chó” hoặc “không phải chó”. Khi đó, bạn có một tập dữ liệu có nhãn.
Ví dụ về dữ liệu có nhãn
- Ảnh được gắn nhãn là chó, mèo, xe hơi hoặc cây cối.
- Email được gắn nhãn là spam hoặc không spam.
- Bình luận được gắn nhãn là tích cực, tiêu cực hoặc trung lập.
- Giao dịch được gắn nhãn là bình thường hoặc nghi ngờ gian lận.
- Văn bản được gắn nhãn theo chủ đề như thể thao, tài chính, giáo dục.
Ghi nhớ nhanh
Dữ liệu có nhãn giống như bài tập có đáp án. Mô hình AI học từ những ví dụ đã biết kết quả đúng,
sau đó dùng kinh nghiệm đó để dự đoán cho dữ liệu mới.
Vì sao dữ liệu có nhãn quan trọng?
Dữ liệu có nhãn rất quan trọng trong các bài toán cần mô hình dự đoán chính xác một kết quả cụ thể.
Khi có dữ liệu đầu vào và đáp án đúng đi kèm, mô hình có thể học mối quan hệ giữa dữ liệu và kết quả.
Ví dụ, nếu bạn muốn xây một hệ thống phát hiện bình luận độc hại trên YouTube,
bạn cần có nhiều bình luận đã được phân loại trước là độc hại, bình thường,
tích cực, tiêu cực hoặc trung lập. Nhờ vậy, mô hình có thể học cách nhận diện bình luận mới.
Dữ liệu có nhãn thường giúp mô hình đáng tin cậy hơn trong các ứng dụng thực tế,
đặc biệt khi bài toán có mục tiêu rõ ràng.
Nhược điểm của dữ liệu có nhãn
Vấn đề lớn nhất của dữ liệu có nhãn là chi phí và thời gian.
Việc dán nhãn thường cần con người xem xét từng mẫu dữ liệu và gắn nhãn đúng.
Nếu dữ liệu lớn, quá trình này có thể rất tốn công.
Ngoài ra, việc dán nhãn cũng có thể bị sai hoặc không nhất quán.
Hai người khác nhau có thể đánh giá cùng một bình luận theo hai cách khác nhau.
Vì vậy, chất lượng nhãn cũng ảnh hưởng trực tiếp đến chất lượng mô hình.
Ví dụ thực tế: phân loại bình luận
- Bạn thu thập 50.000 bình luận từ một nền tảng video.
- Con người đọc từng bình luận và gắn nhãn: tích cực, tiêu cực, trung lập hoặc độc hại.
- Mô hình học từ các bình luận đã được gắn nhãn.
- Khi có bình luận mới, mô hình dự đoán bình luận đó thuộc nhóm nào.
- Nếu nhãn ban đầu chất lượng tốt, mô hình thường cho kết quả đáng tin cậy hơn.
Dữ liệu không có nhãn là gì?
Dữ liệu không có nhãn là dữ liệu chưa có đáp án hoặc phân loại đi kèm.
Nó có thể là một thư mục ảnh, một tập văn bản, một kho audio, một danh sách video
hoặc một lượng lớn dữ liệu thô chưa được con người phân loại.
Ví dụ, nếu bạn có 10.000 bức ảnh động vật nhưng chưa biết ảnh nào là chó,
ảnh nào là mèo, ảnh nào là chim, thì đó là dữ liệu không có nhãn.
Dữ liệu không có nhãn dùng để làm gì?
Dữ liệu không có nhãn thường được dùng khi ta muốn mô hình tự tìm ra mẫu hoặc cấu trúc trong dữ liệu.
Thay vì học từ đáp án có sẵn, mô hình cố gắng tìm những điểm giống nhau,
nhóm các mẫu tương tự hoặc phát hiện quy luật ẩn.
Cách tiếp cận này rất hữu ích khi việc dán nhãn quá tốn kém,
hoặc khi chúng ta chưa biết trước dữ liệu nên được chia thành những nhóm nào.
Ví dụ về dữ liệu không có nhãn
- Một kho ảnh chưa được phân loại.
- Hàng triệu bình luận chưa được gắn cảm xúc.
- File audio chưa được chuyển thành văn bản.
- Log hệ thống chưa được phân nhóm lỗi.
- Tài liệu nội bộ chưa được gắn chủ đề.
- Dữ liệu khách hàng chưa được chia nhóm hành vi.
Key concepts
- Labelled Data: dữ liệu có nhãn, đã có đáp án hoặc phân loại đi kèm.
- Unlabelled Data: dữ liệu không có nhãn, chưa có đáp án hoặc phân loại rõ ràng.
- Data Labelling: quá trình con người hoặc hệ thống gắn nhãn cho dữ liệu.
- Supervised Learning: học có giám sát, thường dùng dữ liệu có nhãn.
- Unsupervised Learning: học không giám sát, thường dùng dữ liệu không có nhãn.
- Data Quality: chất lượng dữ liệu và chất lượng nhãn ảnh hưởng đến kết quả mô hình.
AI Engineer cần hiểu gì?
Khi làm AI, bạn không chỉ cần có nhiều dữ liệu. Bạn cần biết dữ liệu đó có nhãn hay không,
nhãn có đáng tin cậy không, nhãn có nhất quán không và dữ liệu có phù hợp với bài toán hay không.
Nếu bài toán cần dự đoán kết quả rõ ràng, dữ liệu có nhãn thường rất quan trọng.
Nếu bạn muốn khám phá mẫu ẩn hoặc nhóm dữ liệu, dữ liệu không có nhãn cũng có thể rất hữu ích.
Điểm cần nhớ
- Dữ liệu có nhãn là dữ liệu đã có đáp án hoặc phân loại đi kèm.
- Dữ liệu không có nhãn là dữ liệu thô, chưa có đáp án rõ ràng.
- Dữ liệu có nhãn thường giúp mô hình học chính xác hơn trong bài toán dự đoán.
- Việc dán nhãn dữ liệu có thể tốn nhiều thời gian, chi phí và công sức.
- Dữ liệu không có nhãn có thể dùng để tìm mẫu, nhóm dữ liệu hoặc khám phá cấu trúc ẩn.
- Chất lượng nhãn ảnh hưởng trực tiếp đến chất lượng mô hình AI.
Kết luận
Dữ liệu có nhãn và dữ liệu không có nhãn đều quan trọng trong AI.
Dữ liệu có nhãn giúp mô hình học từ ví dụ có đáp án, trong khi dữ liệu không có nhãn
giúp mô hình khám phá mẫu và cấu trúc trong dữ liệu.
Hiểu sự khác biệt này sẽ giúp bạn chọn đúng cách chuẩn bị dữ liệu cho từng bài toán AI thực tế.