Bản đồ AI & học từ dữ liệu

Tổng quan: Bản đồ AI & học từ dữ liệu

Bản đồ module: từ câu hỏi 'bài toán này có cần AI không' tới chỗ LLM đứng trên bản đồ. Không cần nền toán hay ML — chỉ cần đã biết code.

Khi nào cần học từ dữ liệu, khi nào if-else vẫn thắng

Machine learning không phải bản nâng cấp của code thường — nó đổi cách viết luật lấy chi phí dữ liệu, và có cả một lớp bài toán rule-based vẫn thắng.

Ba kiểu học — phân biệt bằng tín hiệu dạy

Supervised, unsupervised, reinforcement khác nhau ở một thứ: model nhận tín hiệu gì để biết đúng hay sai. Nắm trục này thì đọc tài liệu nào cũng định vị được.

Dữ liệu, nhãn và ba tập không được trộn

Model không biết gì ngoài thứ đã thấy. Nhãn quyết định model học được gì, còn cách chia train/validation/test quyết định bạn có tin nổi con số đo hay không.

Train vs inference — hai pha, hai loại hoá đơn

Train là lúc trọng số còn đổi; inference là lúc chúng đóng băng và bạn trả tiền mỗi request. Nhầm hai pha này là gốc của hầu hết hiểu lầm về chi phí AI.

Overfitting & data leakage: demo đẹp mà production hỏng

Model thuộc lòng tập huấn luyện thì đo rất đẹp trên chính tập đó. Cộng data leakage, bạn có một con số vô nghĩa mà không ai phát hiện tới lúc lên production.

LLM nằm ở đâu trên bản đồ AI, deep learning, generative AI

AI chứa machine learning, chứa deep learning, chứa generative AI — LLM ở ô trong cùng. Bất ngờ: pretraining vẫn có tín hiệu dạy, nhãn tự sinh từ văn bản.

Mini-challenge: đọc ba mô tả hệ thống

Ba mô tả feature nghe đều 'cần AI'. Tự phân loại paradigm, chỉ ra chỗ phép đo không đáng tin, và quyết định có nên học từ dữ liệu — một bài không cần model.

Tổng kết: Bản đồ AI & học từ dữ liệu

Cheat sheet bản đồ AI, bảng ba paradigm, ranh giới train/inference, pitfall tổng hợp và self-assessment đối chiếu 5 learning outcomes của module.