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.
TL;DR: Module 1 dựng bản đồ cho toàn khoá. Bạn phân biệt được machine learning (học từ dữ liệu) với rule-based bằng bốn câu hỏi quyết định, chứ không theo cảm tính "cứ có dữ liệu là nên dùng model"; tách được ba paradigm học — supervised, unsupervised, reinforcement — bằng đúng một trục: model nhận tín hiệu gì để biết đúng/sai; hiểu vì sao nhãn đóng vai trò expected mà nhãn sai thì không compiler nào báo, và vì sao train/validation/test phải tách trước khi chạm vào dữ liệu; vạch ranh giới cứng giữa pha train (trọng số còn đổi) và inference (trọng số đóng băng); chẩn đoán được overfitting và data leakage từ bộ ba con số train/validation/production; và định vị LLM trên bản đồ AI ⊃ ML ⊃ deep learning ⊃ generative AI, cùng sự thật ít ai để ý — pretraining vẫn là học có tín hiệu dạy. Đây là trang để bookmark.
Đã đi qua những gì
Module mở đầu bằng việc bẻ gãy một ngộ nhận: machine learning không phải bản nâng cấp của code thường, mà là cách khác để tạo hành vi cho chương trình — đổi việc viết luật lấy việc cung cấp ví dụ. Bốn câu hỏi quyết định (luật ổn định không, đủ ví dụ không, cần giải thích quyết định không, luật có trôi theo thời gian không) cho một khung để chọn giữa rule-based và học từ dữ liệu, thay vì mặc định "có dữ liệu thì nên dùng AI".
Bài 02 tách "học từ dữ liệu" nói chung thành ba paradigm phân biệt bằng đúng một trục: tín hiệu model nhận được để biết mình đúng hay sai — nhãn tức thì (supervised), không nhãn (unsupervised), hay chỉ một điểm thưởng đánh giá, thường đến thưa/trễ (reinforcement). Bài 03 và 04 dựng phần "nền tảng dữ liệu": nhãn là spec thật model học theo, ba tập train/validation/test đóng ba vai trò khác nhau và phải tách trước khi chạm vào dữ liệu, còn train và inference là hai pha có ranh giới cứng — một pha trọng số còn đổi, một pha chỉ đọc, không bao giờ ghi lại.
Bài 05 nối hai mảnh đó lại thành một quy trình chẩn đoán: đọc bộ ba con số train/validation/production để phân biệt overfitting (lộ ngay ở validation) với data leakage (qua mặt được cả validation, chỉ lộ khi chạm dữ liệu thật). Bài 06 khép vòng bản đồ bằng cách định vị LLM ở ô trong cùng của AI ⊃ machine learning ⊃ deep learning ⊃ generative AI, và hé lộ pretraining vẫn nằm ở trục supervised — chỉ khác nhãn tự sinh từ chính văn bản. Mini-challenge tổng hợp cả sáu bài vào ba ticket ngân hàng, buộc bạn tự phân biệt lúc nào một ticket "nghe cần AI" thực ra không cần model nào, lúc nào phép đo offline bị hỏng bởi hai lỗi độc lập, và lúc nào nghiệm thu phải đổi hẳn từ so khớp con số sang phán đoán chuyên môn.
Cheat sheet
| Concept | Khi nào dùng / nhận diện | Pitfall |
|---|---|---|
| Rule-based vs học từ dữ liệu | Luật viết ra được, ổn định, cần audit trail → rule-based; luật ngầm, nhiều ngoại lệ, trôi theo thời gian → học từ dữ liệu | "Có dữ liệu ⇒ nên dùng model" là bẫy — luật cố định vẫn nên giữ rule-based dù dữ liệu lịch sử có nhiều tới đâu |
| AI / ML / Deep learning / Generative AI | Bốn vòng lồng nhau (mỗi vòng là tập con thật của vòng ngoài), LLM ở ô trong cùng | Liệt kê ba khái niệm này "ngang hàng" trên JD/CV là lộ hiểu sai quan hệ bao hàm |
| Supervised learning | Có nhãn đúng, biết đúng/sai ngay lập tức cho từng mẫu | Cái đắt nhất là nhãn, không phải thuật toán học từ nhãn đó |
| Unsupervised learning | Không có nhãn — chỉ có cấu trúc sẵn trong dữ liệu để khai thác | Không có thước đo đúng/sai khách quan; đánh giá kết quả là vấn đề mở |
| Reinforcement learning | Không nhãn chỉ dẫn cho từng hành động, chỉ điểm thưởng đánh giá — thường thưa/trễ | Không phải "khó hơn nên hiếm dùng" — là tín hiệu dạy khác hẳn, không tách được công của từng bước |
| Self-supervised (pretraining LLM) | Nhãn tự sinh từ chính văn bản — che một phần, bắt model đoán, so với phần thật | Vẫn thuộc trục supervised, không phải unsupervised như trực giác hay nghĩ |
| Nhãn (label) | Đáp án đúng model được chỉnh để khớp theo — như expected trong test case | Nhãn sai học sai hoàn toàn im lặng, không compiler hay test suite nào báo |
| Train set | Chỉnh trọng số, được nhìn liên tục suốt quá trình train | — |
| Validation set | Chọn cấu hình, được nhìn nhiều lần để so sánh phương án | Dùng test để chọn cấu hình biến nó thành một validation trá hình |
| Test set | Đo khả năng tổng quát thật, chỉ đúng một lần ở cuối cùng | Nhìn lại rồi quay lại chỉnh model là tập test mất giá trị |
| Chia theo thời gian | Bắt buộc khi dữ liệu có trục thời gian (giao dịch, log, request) | Chia ngẫu nhiên cho model "nhìn thấy tương lai" — điều production không bao giờ có |
| Train phase | Trọng số còn đổi, chạy theo đợt, trả tiền theo giờ tài nguyên (GPU) | Gộp chung chi phí train và inference khi lập ngân sách vận hành |
| Inference phase | Trọng số đóng băng, chạy mỗi request, trả tiền theo lượt gọi | Coi hội thoại dài là "đang dạy" model — chỉ là input dài hơn cho một lần chạy |
| Overfitting | Train cao, validation thấp | Model học thuộc chi tiết riêng của tập train, không generalize |
| Data leakage | Train và validation đều cao nhưng production tệ | Qua mặt được cả validation — chỉ lộ ra khi chạm dữ liệu thật |
Glossary module
| Thuật ngữ | Định nghĩa 1 câu |
|---|---|
| Machine learning (học máy) | Cách xây chương trình bằng việc học quy luật từ dữ liệu thay vì viết tay từng luật if-else |
| Deep learning (học sâu) | Nhánh machine learning dùng mạng nơ-ron nhiều lớp để tự học đặc trưng từ dữ liệu thô |
| Generative AI (AI sinh) | Lớp model sinh nội dung mới thay vì chỉ phân loại hay dự đoán một con số; LLM là generative AI cho văn bản |
| Neural network (mạng nơ-ron) | Chuỗi phép biến đổi có trọng số học được, xen kẽ hàm phi tuyến — bản chất là hàm số nhiều tầng |
| Training data (dữ liệu huấn luyện) | Tập dữ liệu model học từ đó; chất lượng và thiên lệch của tập này quyết định hành vi model |
| Nhãn / label | Đáp án đúng gắn với mỗi ví dụ dữ liệu, dùng để so khớp với dự đoán của model |
| Supervised learning | Học từ cặp (đầu vào, nhãn đúng) — biết đúng/sai ngay cho từng mẫu |
| Unsupervised learning | Học chỉ từ cấu trúc sẵn có trong dữ liệu, không có nhãn nào để đối chiếu |
| Reinforcement learning | Học từ điểm thưởng đánh giá (không chỉ dẫn) cho một chuỗi hành động, thường đến thưa/trễ |
| Self-supervised learning | Biến thể của supervised — nhãn tự sinh từ chính dữ liệu, không do người gán tay |
| Train / Validation / Test set | Ba tập với ba vai trò: chỉnh trọng số, chọn cấu hình, đo khả năng tổng quát đúng một lần |
| Data leakage (rò rỉ dữ liệu) | Thông tin từ tập lẽ ra "chưa từng thấy" lọt vào huấn luyện qua feature hoặc qua tiền xử lý sai thứ tự |
| Weights (trọng số) | Các con số bên trong model, chỉnh dần lúc train và đóng băng lúc inference — toàn bộ thứ model biết nằm ở đây |
| Loss function (hàm mất mát) | Công thức đo model đang sai bao nhiêu so với nhãn; train là tìm bộ trọng số làm giá trị này nhỏ nhất |
| Inference (suy luận) | Pha chạy model đã huấn luyện xong để tạo kết quả, tách hẳn khỏi pha train; trả tiền theo mỗi request |
| Overfitting (học vẹt) | Model thuộc lòng tập huấn luyện nên đo đẹp trên tập đó nhưng hỏng với dữ liệu mới |
| LLM (Large Language Model) | Model ngôn ngữ cỡ lớn, sinh văn bản bằng cách dự đoán token kế tiếp lặp đi lặp lại |
Pitfall tổng hợp
❌ Phản xạ "cần model" khi luật đã cố định: một ticket nghe "cần AI" không tự động cần model — luật do pháp luật/hợp đồng quy định sẵn, phải giải thích được cho kiểm toán, vẫn nên giữ rule-based dù dữ liệu lịch sử có nhiều tới đâu.
❌ Nhãn sai mà không compiler nào báo: nhãn đóng vai trò expected mà loss function so khớp — nhãn sai thì model học sai một cách hoàn toàn im lặng, chỉ audit dữ liệu mới bắt được, đọc code hay code review không tìm ra.
❌ Chia ngẫu nhiên dữ liệu có trục thời gian: shuffle rồi cắt tỷ lệ là mặc định hợp lý khi các dòng độc lập nhau, nhưng giao dịch/log/request có trục thứ tự — chia ngẫu nhiên cho model "nhìn thấy tương lai", thổi phồng điểm đo so với thực tế production.
❌ Tính thống kê trên toàn bộ dữ liệu trước khi tách tập: chuẩn hoá, điền giá trị thiếu, chọn feature tính trên toàn bộ bảng rồi mới chia train/validation/test đã để thông tin của tập "chưa từng thấy" rò ngược vào train — luôn tách trước, fit mọi phép biến đổi trên train rồi mới áp dụng sang phần còn lại.
❌ Tin một con số đo đơn lẻ: một điểm test đẹp không tự chứng minh được gì — luôn đọc bộ ba train/validation/production theo đúng thứ tự; điểm đẹp bất thường là tín hiệu đi soát lại pipeline dữ liệu, không phải tín hiệu ăn mừng.
❌ Nghĩ prompt "dạy" được model: một cuộc trò chuyện dài chỉ là input dài hơn cho một (hoặc nhiều) lần chạy inference — không trọng số nào bị sửa. "Dạy" theo đúng nghĩa chỉ xảy ra ở pha train; muốn model đổi hành vi lâu dài chỉ có train lại hoặc lặp lại thông tin ở mỗi request, không có đường tắt thứ ba.
✅ Self-assessment
Bạn đã đạt module này nếu trả lời được:
- Justify được khi nào một bài toán cần học từ dữ liệu và khi nào rule-based vẫn là lựa chọn đúng, bằng bốn câu hỏi quyết định.
- Nếu chưa: đọc lại bài 01 — Khi nào cần học từ dữ liệu mục 3–4, và làm lại Scenario 1 của mini-challenge.
- Distinguish được ba paradigm học qua tín hiệu dạy model, và định vị được LLM trên bản đồ AI/ML/deep learning/generative AI.
- Nếu chưa: đọc lại bài 02 — Ba kiểu học mục 2–3, và bài 06 — LLM trên bản đồ mục 2–3.
- Explain được vì sao dữ liệu, nhãn và cách chia train/validation/test quyết định hành vi model.
- Nếu chưa: đọc lại bài 03 — Dữ liệu, nhãn và chia tập mục 1–4.
- Compare được hai pha train và inference theo chi phí, độ trễ và thứ thay đổi được ở mỗi pha.
- Nếu chưa: đọc lại bài 04 — Train vs inference mục 2 và 5.
- Diagnose được overfitting và data leakage từ mô tả một hệ đo đẹp offline nhưng hỏng khi chạy thật.
- Nếu chưa: đọc lại bài 05 — Overfitting & data leakage mục 3–4, và làm lại Scenario 2 của mini-challenge.
🚀 Cầu sang tiếp theo
Module này cho bạn từ vựng và khung quyết định để đọc bất kỳ tài liệu AI nào mà không lạc thuật ngữ. Hai module tiếp theo đào sâu đúng hai chỗ module này mới chạm bề mặt.
Module 2 — Não nhân tạo vừa đủ (đang biên soạn) sẽ mở cơ chế chỉnh trọng số mà bài 04 chỉ nhắc một câu: trực giác perceptron/MLP, loss và gradient descent kể bằng câu chuyện, và representation model học được — vừa đủ để hiểu transformer, không đi vào backprop hay chứng minh toán.
Module 3 — Cỗ máy LLM đi thẳng vào cơ chế sinh văn bản mà bài 06 mới định vị trên bản đồ: vòng lặp next-token, tokenization, context window, sampling, và vì sao hallucination là hệ quả cơ chế chứ không phải bug. Bắt đầu ngay tại Dự đoán token kế tiếp — vòng lặp sinh văn bản.
📚 Tài liệu mở rộng
- Google ML Crash Course — Dividing datasets — vì sao validation "mòn" dần khi dùng lại nhiều lần, test chỉ giữ giá trị đúng một lần.
- scikit-learn — Cross-validation — cơ chế rò rỉ khi dùng test để chọn hyperparameter, vì sao cần validation thứ ba.
- scikit-learn — TimeSeriesSplit — kiểu chia tôn trọng thứ tự thời gian, thay cho chia ngẫu nhiên.
- Radford, Narasimhan, Salimans & Sutskever — Improving Language Understanding by Generative Pre-Training (OpenAI, 2018) — paper đặt nền cho "pretrain trên văn bản chưa gán nhãn", nguồn cho luận điểm pretraining vẫn là tín hiệu dạy tự sinh.
Ghi chú: đây là bốn nguồn đã dẫn trong các bài concept của module (bài 03 và bài 06); không thêm nguồn mới ở trang tổng kết.
Bài tiếp theo: Module 3 — Dự đoán token kế tiếp
Bài này đáng gửi cho bạn học cùng?
Copy link đã gắn nguồn — dán group, chat, hoặc LinkedIn.
Bài này có giúp bạn hiểu bản chất không?
Hỏi đáp về bài này
Chưa có câu hỏi
Có gì chưa rõ trong bài? Đặt câu hỏi đầu tiên — câu trả lời từ cộng đồng giúp bạn (và người sau).
Đặt câu hỏi đầu tiên