Khám phá ensemble learning và vai trò của nó trong AI và ML

Để có cái nhìn trực quan về các khái niệm được đề cập trong bài viết này, hãy xem video bên dưới.

Các đổi mới AI như công cụ gợi ý và hệ thống phát hiện gian lận dựa vào các thuật toán và model machine learning để đưa ra dự đoán và quyết định dựa trên dữ liệu. Các model này có thể xác định các pattern, dự báo xu hướng và giúp tự động hóa các tác vụ phức tạp.

Tuy nhiên, một model đơn lẻ có thể gặp khó khăn trong việc nắm bắt tất cả các chi tiết trong dữ liệu thực tế. Nó có thể hoạt động tốt trong một số trường hợp nhưng lại không đạt yêu cầu trong những trường hợp khác, chẳng hạn như một model phát hiện gian lận bỏ lỡ các loại giao dịch mới.

Hạn chế này là điều mà các kỹ sư AI thường gặp phải khi xây dựng và triển khai các model machine learning. Một số model bị overfit do học dữ liệu training quá sát, trong khi những model khác lại bị underfit do bỏ lỡ các pattern quan trọng. Ensemble learning là một kỹ thuật AI giúp giải quyết các thách thức này bằng cách kết hợp nhiều model, được gọi là các base learner, thành một hệ thống duy nhất mạnh mẽ hơn.

Bạn có thể coi nó như một nhóm chuyên gia cùng làm việc để giải quyết một vấn đề. Trong bài viết này, chúng ta sẽ khám phá ensemble learning là gì, cách thức hoạt động và nơi có thể ứng dụng nó. Hãy cùng bắt đầu!

Link to this sectionEnsemble learning là gì?#

Ensemble learning đề cập đến một tập hợp các kỹ thuật kết hợp nhiều model để giải quyết cùng một vấn đề và tạo ra một kết quả cải thiện duy nhất. Nó có thể được áp dụng trong cả supervised learning (nơi các model học từ dữ liệu được gán nhãn) và unsupervised learning (nơi các model tìm ra các pattern trong dữ liệu không được gán nhãn).

Thay vì dựa vào một model để đưa ra dự đoán, một ensemble sử dụng nhiều model, mỗi model xem xét dữ liệu theo cách riêng của nó. Khi các output của chúng được kết hợp lại, kết quả thường chính xác, ổn định và có khả năng tổng quát hóa tốt hơn so với những gì bất kỳ model đơn lẻ nào có thể đạt được.

Bạn có thể so sánh nó với một hội đồng các nhà phân tích cùng giải quyết một vấn đề. Mỗi nhà phân tích hoặc model cá nhân diễn giải dữ liệu theo những cách khác nhau.

Một người có thể tập trung vào các pattern, người khác tập trung vào các điểm bất thường, và người nữa tập trung vào ngữ cảnh. Bằng cách tập hợp các quan điểm của họ lại, nhóm có thể đưa ra quyết định cân bằng và đáng tin cậy hơn bất kỳ phán đoán cá nhân nào.

Cách tiếp cận này cũng giúp giải quyết hai trong số những thách thức lớn nhất trong machine learning: bias and variance. Một model có bias cao thì quá đơn giản và bỏ qua các pattern quan trọng, trong khi một model có variance cao lại quá nhạy cảm và khớp quá sát với dữ liệu training. Bằng cách kết hợp các model, ensemble learning tìm thấy sự cân bằng giữa cả hai, cải thiện hiệu suất của hệ thống trên dữ liệu mới, chưa từng thấy trước đây.

Link to this sectionHiểu cách thức hoạt động của ensemble learning#

Mỗi model trong một ensemble được gọi là một base learner hoặc base model. Chúng có thể là cùng một loại thuật toán hoặc là sự kết hợp của các thuật toán khác nhau, tùy thuộc vào kỹ thuật ensemble đang được sử dụng.

Dưới đây là một số ví dụ phổ biến về các loại model khác nhau được sử dụng trong ensemble learning:

• Decision trees: Các model này chia dữ liệu thành các nhánh dựa trên giá trị của feature để đưa ra quyết định. Ví dụ, trong các bài toán phân loại như dự đoán khách hàng có mua sản phẩm hay không, chúng xem xét các yếu tố như độ tuổi, thu nhập và lịch sử duyệt web.
• Neural networks: Được lấy cảm hứng từ cách não bộ con người xử lý thông tin, chúng hình thành nên kiến trúc cơ bản đằng sau hầu hết các model AI và machine learning hiện đại.
• Support vector machines (SVMs): Các thuật toán này phân loại dữ liệu bằng cách tìm một ranh giới quyết định tối ưu, gọi là hyperplane, giúp tối đa hóa khoảng cách (margin) giữa các lớp khác nhau. Nói cách khác, SVM vẽ ra đường phân cách tốt nhất có thể giữa các nhóm trong khi để lại khoảng cách lớn nhất giữa chúng. Ví dụ, nó có thể được sử dụng để xác định email có phải là spam hay không dựa trên các pattern như tần suất từ và cấu trúc.
• Logistic regression models: Chúng ước tính xác suất và thường được sử dụng cho các tác vụ phân loại nhị phân (binary classification). Một ví dụ điển hình là dự đoán xem một giao dịch là gian lận hay hợp lệ.

Một model ensemble kết hợp thường được gọi là strong learner vì nó tích hợp các thế mạnh của các base learner (cũng được gọi là các model yếu) đồng thời giảm thiểu các điểm yếu của chúng. Nó thực hiện điều này bằng cách kết hợp dự đoán của từng model một cách có cấu trúc, sử dụng bỏ phiếu đa số cho các tác vụ phân loại hoặc tính trung bình có trọng số cho các tác vụ hồi quy để tạo ra kết quả cuối cùng chính xác hơn.

Hình 1. Một ví dụ về ensemble learning (Nguồn)

Link to this sectionKhi nào nên sử dụng ensemble learning#

Trước khi tìm hiểu sâu về các kỹ thuật ensemble learning khác nhau, hãy lùi lại một bước và hiểu khi nào phương pháp này nên được sử dụng trong một dự án machine learning hoặc AI.

Ensemble learning đạt hiệu quả cao nhất khi một model đơn lẻ gặp khó khăn trong việc đưa ra các dự đoán chính xác hoặc nhất quán. Nó cũng có thể được sử dụng trong các tình huống dữ liệu phức tạp, nhiễu hoặc khó dự đoán.

Dưới đây là một số trường hợp phổ biến mà các phương pháp ensemble đặc biệt hiệu quả:

• Độ chính xác của model thấp: Khi dự đoán của một model không đủ tin cậy, việc kết hợp nhiều model có thể cải thiện đáng kể độ chính xác và hiệu suất. Ví dụ, trong chấm điểm tín dụng hoặc chẩn đoán y tế, ngay cả những cải tiến nhỏ về độ chính xác dự đoán cũng có thể tạo ra sự khác biệt lớn.
• Dữ liệu nhiễu hoặc không nhất quán: Nếu dataset chứa các outlier, lỗi hoặc biến động ngẫu nhiên, ensemble learning giúp làm mượt các bất thường đó bằng cách tính trung bình hoặc bỏ phiếu trên nhiều model.
• Cần sự mạnh mẽ (robustness): Các ensemble model ít nhạy cảm hơn với những thay đổi nhỏ của dữ liệu, khiến chúng ổn định và đáng tin cậy hơn cho các môi trường production nơi dữ liệu đầu vào thực tế có thể thay đổi.
• Các tác vụ dự đoán phức tạp: Trong các tác vụ như nhận dạng hình ảnh, phát hiện gian lận hoặc dự báo chuỗi thời gian, các ensemble nắm bắt được phạm vi pattern và mối quan hệ rộng hơn so với những gì một model đơn lẻ có thể làm.

Nó cũng đơn giản hơn để train, dễ diễn giải hơn và nhanh hơn để bảo trì. Trước khi sử dụng một ensemble, điều quan trọng là phải cân nhắc lợi ích của độ chính xác cao hơn so với thời gian, sức mạnh tính toán và độ phức tạp bổ sung mà nó đòi hỏi.

Link to this sectionTổng quan về các kỹ thuật ensemble learning#

Tiếp theo, hãy cùng xem xét các cách chính mà ensemble learning có thể được áp dụng trong các dự án machine learning. Có một số kỹ thuật cốt lõi được sử dụng để kết hợp các model, mỗi kỹ thuật cải thiện hiệu suất theo cách riêng. Các phương pháp ensemble phổ biến nhất là bagging, boosting, stacking và blending.

Link to this sectionBagging#

Bagging, viết tắt của bootstrap aggregating, là một phương pháp ensemble learning giúp cải thiện sự ổn định và độ chính xác của model bằng cách training nhiều phiên bản của cùng một model trên các phần khác nhau của dữ liệu.

Mỗi tập con được tạo ra bằng cách sử dụng một quy trình gọi là bootstrap sampling, nơi các điểm dữ liệu được chọn ngẫu nhiên có hoàn lại. Điều này có nghĩa là sau khi một điểm dữ liệu được chọn, nó được đưa trở lại nhóm trước khi điểm tiếp theo được chọn, vì vậy cùng một điểm có thể xuất hiện nhiều lần, trong khi những điểm khác có thể bị bỏ sót. Sự ngẫu nhiên này đảm bảo rằng mỗi model train trên một phiên bản hơi khác của dataset.

Trong quá trình inference, tất cả các model đã train chạy song song để đưa ra dự đoán trên dữ liệu mới, chưa từng thấy. Mỗi model tạo ra output riêng dựa trên những gì nó đã học, và các dự đoán cá nhân này sau đó được kết hợp lại để tạo thành kết quả cuối cùng.

Đối với các tác vụ hồi quy (regression), chẳng hạn như dự đoán giá nhà hoặc dự báo doanh số, điều này thường có nghĩa là tính trung bình các output của tất cả các model để có được ước tính mượt mà hơn. Đối với các tác vụ phân loại, như xác định xem một giao dịch có gian lận hay không, ensemble thường thực hiện bỏ phiếu đa số để quyết định lớp cuối cùng.

Link to this sectionBagging trong thực tế: Thuật toán Random Forest#

Một ví dụ tốt về nơi bagging hoạt động hiệu quả là với các decision tree, vốn có thể dễ dàng bị overfit khi train trên một dataset đơn lẻ. Bằng cách train nhiều cây trên các mẫu hơi khác nhau và kết hợp kết quả của chúng, bagging giảm overfitting và cải thiện độ tin cậy.

Hãy xem xét Random Forest algorithm. Đó là một ensemble của các decision tree, trong đó mỗi cây được train trên một tập con ngẫu nhiên của dataset training cũng như một tập con ngẫu nhiên của các feature.

Tính ngẫu nhiên của feature này giúp đảm bảo rằng các cây ít tương quan hơn và model tổng thể ổn định và chính xác hơn. Thuật toán Random Forest có thể được sử dụng để phân loại hình ảnh, phát hiện gian lận, dự đoán tỷ lệ khách hàng rời bỏ (churn), dự báo doanh số hoặc ước tính giá trị bất động sản.

Hình 2. Cái nhìn về thuật toán Random Forest (Nguồn)

Link to this sectionBoosting#

Boosting là một kỹ thuật ensemble learning khác tập trung vào việc cải thiện các weak learner (model) bằng cách train chúng một cách tuần tự, từng cái một, thay vì song song. Khái niệm cốt lõi của boosting là mỗi model mới học từ những sai lầm của các model trước đó, dần dần cải thiện model performance tổng thể.

Không giống như bagging, giúp giảm variance bằng cách tính trung bình các model độc lập, boosting giảm bias bằng cách làm cho mỗi model mới chú ý nhiều hơn đến các trường hợp khó mà các model trước đó gặp khó khăn.

Vì các model boosting được train tuần tự, cách dự đoán của chúng được kết hợp ở phần cuối hơi khác so với các phương pháp ensemble khác. Mỗi model đóng góp vào dự đoán cuối cùng theo tỷ lệ với hiệu suất của nó trong quá trình training, với các model chính xác hơn sẽ nhận được trọng số lớn hơn.

Đối với các tác vụ hồi quy, kết quả cuối cùng thường là tổng có trọng số của tất cả các dự đoán của model. Đối với các tác vụ phân loại, thuật toán kết hợp các phiếu bầu có trọng số từ các model để quyết định lớp cuối cùng. Cách tiếp cận này giúp boosting tạo ra một model tổng thể mạnh mẽ bằng cách ưu tiên trọng số cho các model chính xác hơn trong khi vẫn học hỏi từ các model còn lại.

Dưới đây là một số loại thuật toán boosting phổ biến:

• AdaBoost (Adaptive Boosting): Phương pháp này bắt đầu bằng việc train một model đơn giản, chẳng hạn như một decision tree nhỏ, sau đó tăng trọng số của các điểm dữ liệu bị phân loại sai. Các trọng số này làm cho model tiếp theo tập trung nhiều hơn vào các ví dụ khó. Qua nhiều vòng lặp, các model xây dựng dựa trên nhau, và dự đoán kết hợp của chúng tạo thành một kết quả mạnh mẽ và chính xác hơn. Ví dụ, AdaBoost có thể cải thiện độ chính xác trong việc phát hiện spam hoặc nhận diện khuôn mặt.
• Gradient Boosting: Thay vì gán lại trọng số cho các mẫu, Gradient Boosting train mỗi model mới để sửa các residual error, là sự khác biệt giữa giá trị thực tế và giá trị dự đoán, được tạo ra bởi các model trước đó. Cách tiếp cận lặp lại này làm cho nó hiệu quả cho cả tác vụ hồi quy và phân loại, chẳng hạn như dự báo doanh số và chấm điểm tín dụng.
• XGBoost (Extreme Gradient Boosting): Phiên bản nâng cao của gradient boosting này cải thiện cả tốc độ và độ chính xác. Nó sử dụng regularization, giúp trừng phạt nhẹ các model quá phức tạp trong quá trình training để chúng tập trung vào các pattern có ý nghĩa thay vì ghi nhớ dữ liệu. Mặc dù các model vẫn được train tuần tự, XGBoost tăng tốc quá trình bằng cách sử dụng song song hóa (parallelization) trong quá trình xây dựng cây. Nó có thể đánh giá nhiều điểm chia (split point) có thể cùng một lúc trên các lõi CPU khác nhau. Điều này giúp training nhanh hơn nhiều, đặc biệt là trên các dataset lớn, trong khi vẫn duy trì hiệu suất dự đoán cao.

Hình 3. Ví dụ về bộ phân loại Dựa trên Cây Quyết định (DTB) được train bằng phương pháp boosting để dự đoán rủi ro bệnh tiểu đường. (Nguồn)

Link to this sectionStacking#

Stacking, còn được gọi là stacked generalization, tiến xa hơn bằng cách sử dụng dự đoán từ một vài model làm input cho một model cuối cùng được gọi là meta learner. Bạn có thể coi nó như việc có một nhóm các chuyên gia, mỗi người chia sẻ ý kiến của mình, và sau đó một người ra quyết định cuối cùng học cách cân nhắc những ý kiến đó để đưa ra lựa chọn tốt nhất có thể.

Ví dụ, một model có thể rất giỏi trong việc phát hiện gian lận trong khi model khác lại giỏi hơn trong việc dự đoán tỷ lệ khách hàng rời bỏ. Meta learner sẽ nghiên cứu cách mỗi model hoạt động và tận dụng điểm mạnh của chúng cùng nhau để đưa ra dự đoán cuối cùng chính xác hơn.

Link to this sectionBlending#

Blending hoạt động theo cách tương tự như stacking vì nó cũng kết hợp dự đoán từ một vài model để đưa ra quyết định cuối cùng, nhưng nó thực hiện cách tiếp cận đơn giản và nhanh hơn. Thay vì sử dụng cross-validation (một phương pháp chia dữ liệu thành nhiều phần và xoay vòng chúng giữa quá trình training và testing để làm cho model tin cậy hơn), giống như cách stacking thực hiện, blending để dành một phần nhỏ dữ liệu, gọi là tập holdout.

Các base model được train trên dữ liệu còn lại và sau đó đưa ra dự đoán trên tập holdout, tập dữ liệu mà chúng chưa từng thấy trước đây. Điều này tạo ra hai thông tin chính: câu trả lời thực tế (true label) và dự đoán được thực hiện bởi mỗi base model.

Các dự đoán này sau đó được chuyển đến một model khác gọi là blending model hoặc meta model. Model cuối cùng này nghiên cứu xem dự đoán của mỗi base model chính xác đến mức nào và học cách kết hợp chúng theo cách tốt nhất có thể.

Vì blending dựa vào chỉ một lần chia train-test thay vì lặp lại quy trình nhiều lần, nó chạy nhanh hơn và dễ thiết lập hơn. Sự đánh đổi là nó có ít thông tin hơn một chút để học hỏi, điều này có thể làm cho nó kém chính xác hơn đôi chút.

Link to this sectionĐánh giá các thuật toán ensemble#

Một phần quan trọng của ensemble learning là đánh giá mức độ hiệu quả của model trên dữ liệu mà nó chưa từng thấy trước đây. Cho dù một kỹ thuật có tiên tiến đến đâu, nó phải được kiểm tra để đảm bảo khả năng tổng quát hóa, nghĩa là nó nên đưa ra dự đoán chính xác trên các ví dụ thực tế mới thay vì chỉ ghi nhớ dữ liệu training.

Dưới đây là một số số liệu hiệu suất (performance metric) phổ biến được sử dụng để đánh giá các model AI:

• Accuracy: Chỉ số này đo lường tỷ lệ các dự đoán đúng trên tổng số dự đoán được thực hiện bởi model. Nó cung cấp một cái nhìn tổng quan nhanh về hiệu suất tổng thể.
• Precision: Nó cho biết có bao nhiêu mẫu được dự đoán là tích cực thực sự là tích cực. Độ chính xác cao nghĩa là model mắc ít lỗi false positive.
• Recall: Chỉ số này tập trung vào việc có bao nhiêu trường hợp tích cực thực tế đã được model xác định chính xác. Nó đặc biệt quan trọng trong các lĩnh vực như chăm sóc sức khỏe, nơi việc bỏ sót một trường hợp tích cực, chẳng hạn như chẩn đoán bệnh, có thể gây ra những hậu quả nghiêm trọng.

Link to this sectionCác ứng dụng thực tế của ensemble learning#

Cho đến nay, chúng ta đã khám phá cách thức hoạt động của ensemble learning và các kỹ thuật đằng sau nó. Bây giờ, hãy xem xét nơi phương pháp này đang tạo ra tác động.

Dưới đây là một số lĩnh vực chính mà ensemble learning thường được áp dụng:

• Data analysis và dự báo: Trong kinh doanh và phân tích, các ensemble model giúp các tổ chức đưa ra dự đoán tốt hơn bằng cách kết hợp thông tin chi tiết từ nhiều model. Điều này dẫn đến các dự báo doanh số chính xác hơn, lập kế hoạch nhu cầu thông minh hơn và hiểu rõ hơn về hành vi của khách hàng.
• Phân loại nhị phân (Binary classification): Các tác vụ như phát hiện spam, ngăn chặn gian lận và chẩn đoán y tế thường đòi hỏi phải phân biệt giữa hai kết quả có thể xảy ra. Các ensemble model giúp giảm các kết quả false positive và false negative, điều này đặc biệt quan trọng trong các lĩnh vực như an ninh mạng và chăm sóc sức khỏe.
• Các bài toán hồi quy (Regression problems): Khi dự đoán các giá trị liên tục như giá nhà, doanh thu bán hàng hoặc rủi ro tín dụng, các phương pháp ensemble nắm bắt các mối quan hệ phức tạp trong dữ liệu. Điều này dẫn đến các dự đoán chính xác hơn, hỗ trợ việc đưa ra các quyết định tài chính và vận hành tốt hơn.

Link to this sectionVượt ra ngoài dữ liệu có cấu trúc với ensemble learning#

Trong khi ensemble learning thường được sử dụng nhất với dữ liệu có cấu trúc hoặc dạng bảng, như bảng tính chứa thông tin số hoặc thông tin phân loại, nó cũng có thể được áp dụng cho dữ liệu phi cấu trúc như văn bản, hình ảnh, âm thanh và video.

Các loại dữ liệu này phức tạp hơn và khó để các model diễn giải hơn, nhưng các phương pháp ensemble giúp cải thiện độ chính xác và độ tin cậy. Ví dụ, trong computer vision, các ensemble có thể nâng cao các tác vụ như phân loại hình ảnh và phát hiện vật thể.

Bằng cách kết hợp các dự đoán của nhiều model thị giác, chẳng hạn như các convolutional neural network (CNN), hệ thống có thể nhận dạng các đối tượng chính xác hơn và xử lý các biến thể về ánh sáng, góc độ hoặc nền vốn có thể làm khó một model đơn lẻ.

Link to this sectionCái nhìn về việc ensembling model Ultralytics YOLOv5#

Một ví dụ thú vị về việc sử dụng ensemble learning trong computer vision là khi một kỹ sư kết hợp nhiều model phát hiện vật thể để cải thiện độ chính xác. Hãy tưởng tượng một kỹ sư đang làm việc trên một hệ thống giám sát an toàn cho một công trường xây dựng, nơi ánh sáng, góc độ và kích thước vật thể thay đổi liên tục.

Một model đơn lẻ có thể bỏ lỡ một công nhân trong bóng tối hoặc nhầm lẫn máy móc đang chuyển động. Bằng cách sử dụng một ensemble các model, mỗi model có những điểm mạnh khác nhau, hệ thống trở nên đáng tin cậy hơn và ít có khả năng mắc các lỗi đó hơn.

Đặc biệt, các model như Ultralytics YOLOv5 rất phù hợp với việc ensembling model. Các kỹ sư có thể kết hợp các biến thể YOLOv5 khác nhau, chẳng hạn như YOLOv5x và YOLOv5l6, để cùng đưa ra dự đoán. Mỗi model phân tích cùng một hình ảnh và tạo ra các phát hiện riêng của nó, sau đó được tính trung bình để tạo ra kết quả cuối cùng mạnh mẽ và chính xác hơn.

Hình 4. Phát hiện vật thể trong hình ảnh sử dụng YOLOv5. (Nguồn)

Link to this sectionƯu điểm và nhược điểm của ensemble learning#

Dưới đây là một số lợi ích chính của việc sử dụng ensemble learning:

• Khả năng chống chịu với dữ liệu nhiễu: Các ensemble ít bị ảnh hưởng bởi các outlier hoặc nhiễu ngẫu nhiên trong dataset vì chúng dựa vào nhiều model.
• Khả năng tổng quát hóa tốt hơn: Các ensemble giảm overfitting, giúp các model hoạt động tốt trên dữ liệu chưa từng thấy thay vì chỉ ghi nhớ các ví dụ training.
• Sự linh hoạt trên các thuật toán: Bạn có thể kết hợp các loại model khác nhau, chẳng hạn như decision tree, neural network và các model tuyến tính, để tận dụng điểm mạnh độc đáo của chúng.

Mặc dù ensemble learning mang lại nhiều lợi thế, nhưng cũng có một số thách thức cần cân nhắc. Dưới đây là một vài yếu tố cần lưu ý:

• Chi phí tính toán cao hơn: computational cost Training và duy trì nhiều model đòi hỏi nhiều bộ nhớ, sức mạnh xử lý và thời gian hơn so với một model đơn lẻ.
• Khả năng diễn giải giảm đi: Vì output cuối cùng đến từ việc kết hợp nhiều model, nên có thể khó hiểu tại sao một quyết định cụ thể lại được đưa ra. Tuy nhiên, điều này phụ thuộc vào các model được sử dụng vì khi bạn sử dụng các model dễ diễn giải, chẳng hạn như decision tree hoặc support vector machine, thì việc hiểu kết quả thường dễ dàng hơn.
• Các cân nhắc về thiết kế ensemble: Xây dựng một ensemble liên quan đến việc chọn sự kết hợp phù hợp các model và đảm bảo chúng hoạt động tốt với nhau. Tuy nhiên, đôi khi nó cũng có thể đơn giản hơn vì bạn không cần phải fine-tune các hyperparameter của từng model riêng lẻ.

Link to this sectionCác điểm chính cần lưu ý#

Ensemble learning cho thấy việc kết hợp nhiều model có thể làm cho các hệ thống AI chính xác và đáng tin cậy hơn. Nó giúp giảm thiểu lỗi và cải thiện hiệu suất trên các loại tác vụ khác nhau. Khi machine learning và AI tiếp tục phát triển, các kỹ thuật như thế này đang thúc đẩy việc áp dụng rộng rãi hơn và các giải pháp AI thực tế, hiệu suất cao hơn.

Tham gia cộng đồng đang phát triển của chúng tôi và GitHub repository để tìm hiểu thêm về vision AI. Khám phá các trang giải pháp của chúng tôi để tìm hiểu về các ứng dụng của computer vision trong nông nghiệp và AI trong logistics. Hãy xem qua các tùy chọn cấp phép của chúng tôi để bắt đầu với model computer vision của riêng bạn ngay hôm nay!