Tổng kết: Bản đồ AI & học từ dữ liệu
Cheat sheet bản đồ AI, ba kiểu học, nhãn và chia tập, train vs inference, overfitting và leakage, kèm self-assessment đối chiếu 5 learning outcome của module.
TL;DR: Module 1 dựng bản đồ cho cả khoá. Bạn biết khi nào nên học từ dữ liệu và khi nào if-else vẫn thắng; phân biệt ba kiểu học bằng loại phản hồi model nhận được; hiểu vì sao nhãn là expected không ai review và vì sao phải tách tập trước khi đụng vào dữ liệu; tách bạch train với inference; đọc bộ ba con số train/validation/production để bắt overfitting và leakage; và đặt LLM vào ô trong cùng của AI ⊃ ML ⊃ deep learning ⊃ generative AI. Trang này để bookmark và tra lại.
Đã đi qua những gì
Module mở đầu bằng việc gỡ một ngộ nhận: machine learning không phải bản nâng cấp của code thường, mà là một cách khác để tạo hành vi cho chương trình, đổi việc viết luật lấy việc cung cấp ví dụ. Bài 02 tách "học từ dữ liệu" thành ba kiểu theo loại phản hồi. Bài 03 và 04 dựng phần nền: nhãn là spec thật, ba tập phải tách trước khi đụng vào dữ liệu, và train với inference là hai pha tách biệt, một pha còn sửa trọng số, một pha chỉ đọc.
Bài 05 ghép các mảnh đó thành quy trình chẩn đoán bằng ba con số. Bài 06 đặt LLM lên bản đồ và cho thấy pretraining vẫn học bằng cách so với đáp án, chỉ là đáp án lấy từ chính văn bản. Mini-challenge dồn cả sáu bài vào ba ticket ngân hàng: một ticket không cần model nào, một ticket có phép đo hỏng vì hai lỗi độc lập, một ticket phải đổi cách nghiệm thu vì không có nhãn.
Cheat sheet
| Concept | Nhận diện | Bẫy |
|---|---|---|
| Rule-based vs học từ dữ liệu | Luật viết được và đứng yên thì rule-based; luật ngầm, nhiều ngoại lệ, trôi theo thời gian thì học | "Có dữ liệu thì nên dùng model" |
| AI ⊃ ML ⊃ DL ⊃ generative AI | Bốn vòng lồng nhau, LLM ở ô trong cùng | Coi AI, ML, DL là ba kỹ năng ngang hàng |
| Supervised | Mỗi mẫu có đáp án đúng để so | Tưởng thuật toán là phần đắt; phần đắt là nhãn |
| Unsupervised | Không nhãn, chỉ có cấu trúc trong dữ liệu | Đòi một con số "độ chính xác" |
| Reinforcement | Chỉ có điểm thưởng chấm kết quả, thường thưa và trễ | Coi là supervised với nhãn đến muộn |
| Self-supervised (pretraining LLM) | Che một phần văn bản, đoán, so với phần thật | Tưởng "không ai gán nhãn" nghĩa là không có gì để so |
| Nhãn | expected mà model được chỉnh cho khớp | Nhãn sai thì học sai, không compiler nào báo |
| Validation / test | Validation xem nhiều lần để chọn cấu hình; test đo đúng một lần | Dùng test để chọn cấu hình |
| Chia theo thời gian | Bắt buộc khi dữ liệu có thứ tự (giao dịch, log) | shuffle cho model thấy tương lai |
| Train / inference | Train sửa trọng số theo đợt; inference chỉ đọc, chạy mỗi request | Gộp chung chi phí; tưởng hội thoại dài là đang "dạy" model |
| Overfitting | Train cao, validation thấp | Nhầm với underfit (train cũng thấp) |
| Data leakage | Train và validation đều cao, production tệ | Tin con số đẹp bất thường |
Glossary module
| Thuật ngữ | Định nghĩa 1 câu |
|---|---|
| Machine learning (học máy) | Xây chương trình bằng cách 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 | 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; về bản chất là một hàm số nhiều tầng |
| Training data (dữ liệu huấn luyện) | Tập dữ liệu model học từ đó; chất lượng và độ lệch của nó quyết định hành vi model |
| Nhãn / label | Đáp án đúng gắn với mỗi ví dụ, dùng để so với dự đoán của model |
| Supervised learning | Học từ cặp (đầu vào, nhãn đúng) |
| Unsupervised learning | Học chỉ từ cấu trúc sẵn có trong dữ liệu, không có nhãn để đối chiếu |
| Reinforcement learning | Học từ điểm thưởng chấm một chuỗi hành động, thường đến thưa và trễ |
| Self-supervised learning | Nhãn tự sinh từ chính dữ liệu (che rồi đoán), không do người gán |
| Train / Validation / Test set | Ba tập với ba vai: chỉnh trọng số, chọn cấu hình, đo khả năng tổng quát đúng một lần |
| Data leakage (rò rỉ dữ liệu) | Thông tin từ phần lẽ ra "chưa từng thấy" lọt vào huấn luyện qua feature hoặc qua thứ tự xử lý sai |
| Weights (trọng số) | Các con số bên trong model, chỉnh dần lúc train và đóng băng lúc inference |
| Loss function (hàm mất mát) | Công thức đo model đang sai bao nhiêu so với nhãn; train là tìm bộ trọng số làm nó nhỏ nhất |
| Inference (suy luận) | Pha chạy model đã huấn luyện để tạo kết quả, tách hẳn khỏi pha train |
| Overfitting | 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 đoán token kế tiếp lặp đi lặp lại |
✅ Self-assessment
Bạn đã đạt module này nếu làm được:
- Lập luận được khi nào một bài toán cần học từ dữ liệu và khi nào rule-based vẫn là lựa chọn đúng, bằng ba câu hỏi quyết định.
- Nếu chưa: đọc lại bài 01 mục 3–4, và làm lại Scenario 1 của mini-challenge.
- Phân biệt được ba kiểu học qua loại phản hồi model nhận, và đặt được LLM lên bản đồ AI/ML/deep learning/generative AI.
- Giải thích được vì sao dữ liệu, nhãn và cách chia train/validation/test quyết định hành vi model.
- Nếu chưa: đọc lại bài 03 mục 1–5.
- So sánh 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 mục 2 và 5.
- Chẩn đoán được overfitting và data leakage từ mô tả một hệ đo đẹp offline nhưng hỏng khi chạy thật.
- Nếu chưa: đọc lại bài 05 mục 3–5, và làm lại Scenario 2 của mini-challenge.
🚀 Cầu sang tiếp theo
Module này cho bạn từ vựng và khung quyết định để đọc tài liệu AI mà không lạc thuật ngữ. Hai module tiếp theo đi sâu vào đúng hai chỗ module này mới chạm bề mặt.
Module 2, Não nhân tạo vừa đủ, mở cơ chế chỉnh trọng số mà bài 04 chỉ nhắc một câu: neuron và MLP, loss, gradient descent, và representation mà model học được. Vừa đủ để hiểu transformer, không đi vào backprop hay chứng minh toán.
Module 3, Cỗ máy LLM, đi vào cơ chế sinh văn bản mà bài 06 mới đặt lên bản đồ: vòng lặp next-token, tokenization, context window, sampling, và vì sao hallucination là hệ quả của cơ chế chứ không phải bug.
📚 Tài liệu mở rộng
- Google ML Crash Course, Dividing datasets: vì sao validation "mòn" dần khi dùng lại nhiều lần, và test chỉ giữ giá trị cho đúng một lần.
- scikit-learn, TimeSeriesSplit: cách chia tôn trọng thứ tự thời gian.
- Kaufman, Rosset, Perlich, "Leakage in Data Mining": paper kinh điển về leakage và luật tách trước.
- Radford et al., Improving Language Understanding by Generative Pre-Training (OpenAI, 2018): nơi ý tưởng pretrain trên văn bản chưa gán nhãn rồi fine-tune đi vào dòng LLM hiện đại.
Bài tiếp theo: Module 2: Não nhân tạo vừa đủ
Bài này có giúp bạn hiểu bản chất không?
Bài này đáng gửi cho bạn học cùng?
Copy link đã gắn nguồn — dán group, chat, hoặc LinkedIn.
Mini-challenge: đọc ba mô tả hệ thống
Bài tiếp Não nhân tạo vừa đủTổng quan: Não nhân tạo vừa đủ
Thảo luận & góp ý
Hỏi đáp về bài này