Mục tiêu bài học
Sau bài này, bạn sẽ hiểu Machine Learning là gì, vì sao nó là một trong những kỹ thuật quan trọng nhất
phía sau sự phát triển mạnh mẽ của AI hiện đại, và cách một mô hình học máy có thể học từ dữ liệu
để đưa ra dự đoán cho những trường hợp mới.
Bức tranh tổng quan
Ở các bài trước, bạn đã học về AI, dữ liệu, dữ liệu có cấu trúc, dữ liệu phi cấu trúc,
dữ liệu có nhãn, dữ liệu không có nhãn và metadata. Bây giờ chúng ta bắt đầu đi vào một kỹ thuật
rất quan trọng trong AI: Machine Learning, hay còn gọi là học máy.
Machine Learning là một lĩnh vực trong AI, nơi máy tính không chỉ làm theo các quy tắc được lập trình sẵn,
mà học từ dữ liệu để tìm ra mẫu, quy luật và cách đưa ra dự đoán.
Machine Learning hoạt động như thế nào?
01
Thu thập dữ liệu
Hệ thống cần dữ liệu liên quan đến bài toán, ví dụ giao dịch bất động sản,
hình ảnh, văn bản, hành vi người dùng hoặc lịch sử mua hàng.
02
Huấn luyện mô hình
Thuật toán học máy phân tích dữ liệu huấn luyện để tìm ra các mẫu và mối quan hệ ẩn trong dữ liệu.
03
Học từ ví dụ quá khứ
Mô hình học từ các trường hợp đã biết trước đó để chuẩn bị xử lý các trường hợp mới chưa từng gặp.
04
Nhận dữ liệu mới
Khi người dùng nhập thông tin mới, mô hình dùng những gì đã học để phân tích dữ liệu đầu vào.
05
Dự đoán kết quả
Mô hình tạo ra kết quả như dự đoán giá nhà, phân loại email, nhận diện ảnh hoặc gợi ý sản phẩm.
Machine Learning là gì?
Machine Learning là cách xây dựng hệ thống có khả năng học hỏi và cải thiện từ dữ liệu.
Thay vì con người viết từng quy tắc cụ thể cho máy tính, ta cung cấp dữ liệu để mô hình tự học ra quy luật.
Ví dụ, thay vì viết hàng trăm quy tắc để xác định một email có phải spam hay không,
ta có thể cung cấp cho mô hình rất nhiều email đã biết là spam hoặc không spam.
Mô hình sẽ học ra các dấu hiệu thường xuất hiện trong email spam và dùng chúng để phân loại email mới.
Ví dụ dễ hiểu: học sinh và giáo viên
Bạn có thể tưởng tượng mô hình học máy giống như một học sinh, còn dữ liệu và người thiết kế hệ thống
giống như giáo viên. Giáo viên muốn học sinh giải quyết tốt một bài toán, nên cần cung cấp tài liệu học tập,
ví dụ mẫu và hướng dẫn phù hợp.
Trong Machine Learning, tài liệu học tập chính là dữ liệu. Nếu dữ liệu nhiều, chất lượng tốt và phù hợp,
mô hình có cơ hội học tốt hơn. Nếu dữ liệu ít, sai, nhiễu hoặc không đại diện cho thực tế,
mô hình có thể dự đoán kém.
Ghi nhớ nhanh
Một mô hình đơn giản nhưng được huấn luyện bằng dữ liệu tốt có thể hoạt động hiệu quả hơn
một mô hình phức tạp nhưng thiếu dữ liệu hoặc dùng dữ liệu kém chất lượng.
Machine Learning học từ dữ liệu như thế nào?
Mô hình học máy thường học bằng cách tìm mối quan hệ giữa đầu vào và đầu ra.
Trong nhiều bài toán, ta có thể hiểu đơn giản là:
Cách nhìn đơn giản
Đầu vào là thông tin mà ta biết, ví dụ diện tích nhà, số phòng, vị trí, khoảng cách đến trung tâm.
Đầu ra là kết quả ta muốn dự đoán, ví dụ giá bán của căn nhà.
Khi có nhiều dữ liệu lịch sử, mô hình học cách các đặc điểm đầu vào liên quan đến kết quả đầu ra.
Sau khi học xong, nếu có một căn nhà mới với các đặc điểm mới, mô hình có thể đưa ra dự đoán giá bán.
Ví dụ thực tế: dự đoán giá nhà
Hãy tưởng tượng một công ty môi giới bất động sản muốn xây ứng dụng giúp khách hàng ước tính giá bán
căn nhà của họ. Người dùng mở ứng dụng, trả lời một số câu hỏi về căn nhà, sau đó hệ thống đưa ra
mức giá ước tính.
Để xây ứng dụng này, công ty cần dữ liệu giao dịch bất động sản trong quá khứ.
Dữ liệu có thể bao gồm:
- Giá bán của các căn nhà trước đây.
- Diện tích căn nhà.
- Số phòng ngủ, số phòng tắm.
- Vị trí hoặc khu dân cư.
- Khoảng cách đến trung tâm thành phố.
- Các yếu tố khác như tiện ích, tình trạng nhà hoặc năm xây dựng.
Mô hình học máy sẽ phân tích dữ liệu lịch sử để tìm ra mẫu.
Ví dụ, nhà ở khu vực gần trung tâm thường có giá cao hơn, nhà có diện tích lớn thường có giá cao hơn,
hoặc một số khu dân cư có mức giá trung bình cao hơn khu vực khác.
Flow dự đoán giá nhà bằng Machine Learning
01
Dữ liệu lịch sử
Công ty có dữ liệu các giao dịch nhà đất trước đây, bao gồm đặc điểm căn nhà và giá bán thực tế.
02
Huấn luyện mô hình
Mô hình học mối quan hệ giữa đặc điểm căn nhà và giá bán trong quá khứ.
03
Người dùng nhập thông tin
Người dùng nhập diện tích, số phòng, vị trí và các thông tin liên quan vào ứng dụng.
04
Mô hình phân tích
Mô hình so sánh thông tin mới với các mẫu đã học từ dữ liệu lịch sử.
05
Dự đoán giá bán
Ứng dụng trả về mức giá ước tính cho căn nhà của người dùng.
Vì sao dữ liệu tốt quan trọng?
Machine Learning phụ thuộc rất nhiều vào dữ liệu. Nếu dữ liệu huấn luyện tốt,
mô hình có thể học được các mẫu đáng tin cậy. Nếu dữ liệu sai hoặc thiếu,
mô hình có thể đưa ra dự đoán sai.
Ví dụ, nếu mô hình dự đoán giá nhà chỉ được huấn luyện bằng dữ liệu của một khu vực nhỏ,
nó có thể dự đoán kém khi áp dụng cho khu vực khác. Nếu dữ liệu cũ quá lâu,
mô hình có thể không phản ánh đúng giá thị trường hiện tại.
Ví dụ dễ nhớ
- Một học sinh có tài liệu học tốt thường làm bài tốt hơn.
- Một mô hình có dữ liệu tốt thường dự đoán tốt hơn.
- Một học sinh học sai tài liệu có thể làm bài sai.
- Một mô hình học từ dữ liệu sai cũng có thể đưa ra kết quả sai.
Machine Learning có phải là AI không?
Machine Learning là một nhánh rất quan trọng của AI.
AI là khái niệm rộng hơn, còn Machine Learning là một cách tiếp cận giúp hệ thống AI học từ dữ liệu.
Nhiều ứng dụng AI hiện đại như nhận diện ảnh, dịch máy, gợi ý sản phẩm,
phát hiện gian lận, phân tích văn bản và chatbot đều có thể sử dụng Machine Learning
ở một hoặc nhiều phần trong hệ thống.
AI Engineer cần hiểu gì?
Với vai trò AI Engineer, bạn không nhất thiết phải tự phát minh thuật toán Machine Learning mới ngay từ đầu.
Nhưng bạn cần hiểu mô hình học từ dữ liệu như thế nào, dữ liệu đầu vào là gì,
kết quả đầu ra là gì và mô hình có thể sai trong trường hợp nào.
Khi xây sản phẩm AI, bạn cần biết cách đặt câu hỏi:
dữ liệu có đủ không, dữ liệu có đúng không, dữ liệu có đại diện cho thực tế không,
và mô hình đang giải quyết bài toán cụ thể nào.
Key concepts
- Machine Learning: học máy, phương pháp giúp máy tính học từ dữ liệu.
- Training Data: dữ liệu dùng để huấn luyện mô hình.
- Model: hệ thống đã học từ dữ liệu và có thể tạo dự đoán hoặc phân tích.
- Input: dữ liệu đầu vào, ví dụ đặc điểm của căn nhà.
- Output: kết quả đầu ra, ví dụ giá nhà dự đoán.
- Prediction: dự đoán của mô hình cho dữ liệu mới.
- Pattern: mẫu hoặc quy luật mô hình học được từ dữ liệu.
Điểm cần nhớ
- Machine Learning là một nhánh quan trọng của AI.
- Machine Learning giúp máy tính học từ dữ liệu thay vì chỉ làm theo quy tắc viết sẵn.
- Dữ liệu huấn luyện càng phù hợp và chất lượng, mô hình càng có cơ hội hoạt động tốt.
- Mô hình học từ dữ liệu quá khứ để xử lý hoặc dự đoán cho dữ liệu mới.
- Machine Learning được dùng trong nhiều ứng dụng như dự đoán giá, phân loại email, nhận diện ảnh và gợi ý sản phẩm.
- AI Engineer cần hiểu dữ liệu, mô hình, đầu vào, đầu ra và giới hạn của dự đoán.
Kết luận
Machine Learning là nền tảng quan trọng giúp AI hiện đại phát triển mạnh.
Thay vì chỉ lập trình từng quy tắc, chúng ta có thể huấn luyện mô hình bằng dữ liệu
để nó học ra mẫu và đưa ra dự đoán cho tình huống mới.
Hiểu Machine Learning sẽ giúp bạn tiến gần hơn đến việc xây dựng các ứng dụng AI thực tế.