02
Bài 2 · 2 phút
Máy học như thế nào
Máy học bằng cách đoán, xem mình sai bao nhiêu, rồi tự chỉnh một chút, lặp lại hàng tỷ lần.
Giả sử bạn muốn dạy máy tính đoán giá nhà ở Đà Nẵng. Bạn đưa cho nó hàng nghìn căn đã bán: diện tích, khu vực, số phòng và giá thật.
Lúc đầu nó đoán bừa. Sau mỗi lần đoán, nó xem giá thật rồi chỉnh các núm vặn bên trong để lần sau đoán gần hơn một chút. Các núm vặn đó gọi là parameters (tham số). Model lớn có hàng tỷ tham số.
Lặp lại đủ nhiều lần, nó sẽ đoán khá chuẩn. Thành quả cuối cùng gọi là model (mô hình). Việc dùng model để trả lời câu hỏi mới gọi là inference (suy luận).
Có một điều quan trọng: model chỉ biết những gì có trong dữ liệu nó được học. Nếu ví dụ thiếu công bằng hoặc đã cũ, model cũng sẽ như vậy. Đó là nguồn gốc của bias (thiên lệch).
Làm ngay
Đoán xem app học từ đâu
- 1.Nghĩ đến một app bạn dùng hằng ngày có gợi ý cho bạn: nghe nhạc, Shopee, bản đồ hay video.
- 2.Tự hỏi: nó học từ những ví dụ nào? Có lẽ là những lần bạn bấm trước đây và của người khác nữa.
- 3.Dán câu lệnh bên dưới vào chatbot để kiểm tra suy nghĩ của bạn.
Tôi dùng [TÊN APP]. Hệ thống gợi ý của nó có lẽ đã học từ loại dữ liệu nào, và điều đó có thể gây ra thiên lệch gì? Trả lời bằng lời dễ hiểu, dưới 120 chữ.
Thuật ngữ trong bài
- Machine learning
- Dạy máy tính bằng cách cho xem thật nhiều ví dụ để nó tự tìm quy luật, thay vì viết sẵn mọi luật.
- Training data
- Những ví dụ, như chữ, hình ảnh hay bản ghi âm, mà mô hình học quy luật từ đó.
- Model
- Tệp chứa các quy luật đã học, làm phần việc chính bên trong sản phẩm AI. Một mô hình có thể chạy cho nhiều ứng dụng.
- Parameters
- Các con số điều chỉnh được bên trong mô hình, được đặt trong lúc huấn luyện. Mô hình lớn có hàng tỷ tham số.
- Inference
- Lúc mô hình đã huấn luyện xong được dùng thật để trả lời, khác với giai đoạn học trước đó.
- Bias
- Khi AI đối xử bất công với một số người hoặc quan điểm vì dữ liệu nó học bị lệch.