Machine learning (học máy) là một nhánh của trí tuệ nhân tạo, trong đó một chương trình được huấn luyện để tự tìm ra quy luật từ một tập dữ liệu, rồi dùng quy luật đó để dự đoán hoặc phân loại dữ liệu mới, thay vì lập trình viên phải viết sẵn từng quy tắc if-else cho mọi trường hợp. Nhận định của bài: điểm khác biệt cốt lõi so với phần mềm tính toán thông thường không nằm ở việc máy có "thông minh" hay không, mà ở chỗ độ chính xác của nó phụ thuộc vào chất lượng và số lượng dữ liệu huấn luyện, chứ không phải vào một công thức cố định do người viết ra.
Khác gì với một phần mềm tính toán thông thường
| Tiêu chí | Phần mềm quy tắc cố định | Học máy |
|---|---|---|
| Cách quyết định | Theo đúng công thức, quy tắc lập trình viên viết sẵn | Học quy luật từ dữ liệu huấn luyện rồi tự áp dụng |
| Khi có tình huống mới lạ | Chỉ xử lý được nếu đã được viết trước trong quy tắc | Có thể dự đoán gần đúng dựa trên các trường hợp tương tự đã học |
| Cải thiện độ chính xác | Phải sửa lại code thủ công | Huấn luyện lại với dữ liệu mới, nhiều và sạch hơn |
| Yêu cầu đầu vào | Không cần dữ liệu mẫu để chạy | Cần đủ dữ liệu mẫu có chất lượng để huấn luyện |
Ba việc học máy đang làm được thật trong doanh nghiệp vừa và nhỏ
Không cần một đội khoa học dữ liệu riêng, nhiều doanh nghiệp vừa và nhỏ đã dùng được học máy gián tiếp qua các công cụ có sẵn: dự đoán nhu cầu tồn kho dựa trên lịch sử bán hàng để tránh nhập hàng quá tay hoặc thiếu hàng; phân loại email, tin nhắn khách hàng thành các nhóm (hỏi giá, khiếu nại, đặt hàng) để định tuyến tới đúng bộ phận; và nhận diện chữ trong hoá đơn, chứng từ giấy để nhập liệu tự động thay vì gõ tay.
Điểm chung của cả ba ví dụ trên: doanh nghiệp không cần tự huấn luyện mô hình từ đầu, mà dùng lại các dịch vụ học máy đã được huấn luyện sẵn (nhận diện chữ, phân loại văn bản) và chỉ cần tích hợp vào quy trình có sẵn của mình, tương tự cách ALODEV tích hợp các dịch vụ AI có sẵn vào phần mềm cho khách hàng thay vì tự xây một mô hình học máy riêng, việc vốn tốn kém và cần dữ liệu ở quy mô lớn hơn nhiều so với nhu cầu của một doanh nghiệp vừa và nhỏ.
Khi nào không cần học máy, một quy tắc đơn giản là đủ
Nếu bài toán có thể giải bằng một vài quy tắc cố định và ít trường hợp ngoại lệ, ví dụ tính thuế theo biểu có sẵn hay kiểm tra một mã số có hợp lệ hay không, dùng học máy cho việc này vừa tốn kém vừa không cần thiết, vì một phần mềm quy tắc cố định vẫn cho kết quả chính xác tuyệt đối trong khi học máy chỉ cho kết quả gần đúng theo xác suất.
- Bài toán của tôi có đủ dữ liệu lịch sử để huấn luyện một mô hình học máy hay không.
- Có thể giải bài toán này bằng một quy tắc cố định đơn giản hơn không, trước khi nghĩ tới học máy.
- Nhà cung cấp phần mềm dùng mô hình đã huấn luyện sẵn hay phải huấn luyện riêng cho công ty tôi, và ai chịu chi phí đó.
- Độ chính xác của mô hình bao nhiêu phần trăm là đủ để dùng trong quy trình thật, và ai kiểm tra lại khi mô hình đoán sai.
Chi phí thật của việc đưa học máy vào một quy trình cụ thể
Chi phí ứng dụng học máy trong doanh nghiệp vừa và nhỏ thường không nằm ở việc mua một mô hình học máy, mà nằm ở ba khoản: chi phí tích hợp dịch vụ học máy có sẵn vào phần mềm đang dùng, chi phí theo lượt sử dụng dịch vụ đó (nhiều nhà cung cấp tính phí theo số lượng yêu cầu xử lý mỗi tháng), và chi phí duy trì việc kiểm tra, hiệu chỉnh khi mô hình bắt đầu đoán sai nhiều hơn theo thời gian do dữ liệu thực tế thay đổi so với lúc huấn luyện ban đầu. Bỏ qua khoản chi phí thứ ba là nguyên nhân phổ biến khiến một dự án ứng dụng học máy chạy tốt trong vài tháng đầu rồi dần kém chính xác mà không ai để ý sửa kịp thời.
Dữ liệu doanh nghiệp cần chuẩn bị trước khi tích hợp học máy
Dù dùng lại dịch vụ học máy có sẵn thay vì tự huấn luyện, doanh nghiệp vẫn cần chuẩn bị một phần dữ liệu của mình ở dạng sạch, có cấu trúc, để dịch vụ đó hoạt động chính xác, ví dụ danh sách sản phẩm phải có tên gọi nhất quán, không viết tắt tuỳ tiện, để hệ thống phân loại email hay dự đoán tồn kho nhận diện đúng. Dữ liệu lộn xộn, thiếu nhất quán là nguyên nhân phổ biến khiến một dịch vụ học máy vốn hoạt động tốt ở nơi khác lại cho kết quả kém chính xác khi áp dụng vào dữ liệu thực tế của một doanh nghiệp cụ thể, và đây thường là phần việc chuẩn bị tốn nhiều công sức nhất trong cả dự án, nhiều hơn cả việc tích hợp kỹ thuật.
Câu hỏi thường gặp
Machine learning có phải là AI không?
Machine learning là một nhánh con của trí tuệ nhân tạo (AI). AI là khái niệm rộng hơn, học máy là một trong những cách phổ biến nhất để xây dựng một hệ thống AI.
Doanh nghiệp nhỏ có cần tự xây mô hình học máy riêng không?
Phần lớn không cần. Việc tự huấn luyện một mô hình từ đầu đòi hỏi dữ liệu lớn và đội ngũ chuyên môn riêng; đa số doanh nghiệp vừa và nhỏ dùng lại các dịch vụ học máy có sẵn qua tích hợp phần mềm là đủ.
Machine learning có luôn đúng không?
Không. Kết quả của học máy là dự đoán theo xác suất dựa trên dữ liệu đã học, không phải một phép tính chính xác tuyệt đối, nên vẫn cần có bước kiểm tra lại của con người ở những quyết định quan trọng.
Vì sao một mô hình học máy chạy tốt lúc đầu lại kém chính xác dần theo thời gian?
Hiện tượng này xảy ra khi dữ liệu thực tế thay đổi so với dữ liệu đã dùng để huấn luyện ban đầu, ví dụ hành vi mua hàng của khách thay đổi theo mùa hoặc theo xu hướng mới; mô hình cần được huấn luyện lại định kỳ với dữ liệu mới để duy trì độ chính xác.
Nhân viên không rành kỹ thuật có thể giám sát một hệ thống dùng học máy không?
Có thể, nếu hệ thống cung cấp báo cáo dễ hiểu về tỷ lệ dự đoán đúng, sai theo thời gian; nhân viên không cần hiểu cách mô hình vận hành bên trong, chỉ cần biết đọc chỉ số này để báo lại khi thấy bất thường.
