Bài 42 · 2 phút
Dữ liệu tổng hợp: khi AI tự làm bài tập cho mình
Dữ liệu tổng hợp (synthetic data) là dữ liệu huấn luyện do máy tạo ra, thường bởi chính các model AI khác, để lấp chỗ thiếu khi dữ liệu thật hiếm, riêng tư hoặc tốn kém.
Model học từ ví dụ, mà ví dụ tốt thì có hạn. Có loại riêng tư như hồ sơ bệnh án. Có loại hiếm như một cỗ máy trong nhà xưởng hỏng theo kiểu lạ. Có loại thì người viết mất nhiều thời gian và tiền bạc.
Vì vậy các nhóm phát triển tự tạo dữ liệu. Một model AI có thể viết hàng nghìn đoạn hội thoại mẫu, bài toán kèm lời giải, hay email khách hàng giả mà như thật. Phần mềm mô phỏng có thể tạo ảnh đường phố trong sương mù, mưa lớn hay ban đêm.
Cách này giúp ích nhiều nếu được kiểm tra kỹ. Rủi ro là dữ liệu tự tạo sẽ mang theo lỗi và điểm mù của thứ đã tạo ra nó. Nếu chỉ học từ tiếng vọng của chính mình quá lâu, chất lượng có thể lệch dần và hẹp lại.
Cách làm tốt là trộn dữ liệu tổng hợp với dữ liệu thật, lọc bỏ ví dụ kém, và thử model cuối cùng trên các tình huống thực tế mà nó chưa từng thấy.
Làm ngay
Tự tạo một bộ dữ liệu nhỏ
- 1. Dùng prompt bên dưới để tạo ví dụ cho một việc bạn rành.
- 2. Đọc chúng bằng con mắt người trong nghề. Đánh dấu những câu sai, kỳ cục hoặc quá giống nhau.
- 3. Để ý xem bạn cần con người kiểm tra lại nhanh đến mức nào trước khi dùng được.
Tạo 8 tin nhắn ngắn, giống thật, mà khách hàng gửi cho một tiệm bánh nhỏ. Trộn các loại: 3 lời phàn nàn, 3 câu hỏi về đơn hàng, 2 lời khen. Thay đổi giọng điệu và độ dài. Sau mỗi tin, ghi loại của nó trong ngoặc.
Kiểm tra nhanh
Tìm hiểu thêm
Thuật ngữ trong bài
- Synthetic data
- Ví dụ nhân tạo do máy tạo ra, thường bằng AI khác, dùng để huấn luyện hoặc kiểm tra khi dữ liệu thật hiếm hoặc riêng tư.
- Training data
- Những ví dụ, như chữ, hình ảnh hay bản ghi âm, mà mô hình học quy luật từ đó.