Hiểu về học ít mẫu, không mẫu và học chuyển đổi

Các hệ thống trí tuệ nhân tạo (AI) có thể xử lý các tác vụ phức tạp như nhận diện khuôn mặt, phân loại hình ảnh và lái xe với lượng dữ liệu đầu vào tối thiểu từ con người. Chúng thực hiện điều này bằng cách nghiên cứu dữ liệu, nhận diện các mẫu và sử dụng các mẫu đó để đưa ra dự đoán hoặc quyết định. Khi AI phát triển, chúng ta đang chứng kiến những phương thức ngày càng tinh vi hơn, giúp các model AI học hỏi, thích nghi và thực hiện tác vụ với hiệu suất đáng kinh ngạc.

Ví dụ, computer vision là một nhánh của AI tập trung vào việc cho phép máy móc diễn giải và hiểu thông tin trực quan từ thế giới. Việc phát triển model computer vision truyền thống phụ thuộc rất nhiều vào các datasets lớn được chú thích để huấn luyện. Việc thu thập và gán nhãn dữ liệu như vậy có thể tốn kém thời gian và chi phí.

Để giải quyết những thách thức này, các nhà nghiên cứu đã giới thiệu các phương pháp đổi mới như học ít mẫu (few-shot learning - FSL), giúp học hỏi từ các ví dụ hạn chế; học không mẫu (zero-shot learning - ZSL), giúp nhận diện các đối tượng chưa từng thấy; và học chuyển đổi (transfer learning - TL), giúp áp dụng kiến thức từ các model đã được huấn luyện trước vào các tác vụ mới.

Trong bài viết này, chúng ta sẽ khám phá cách các mô hình học tập này hoạt động, nêu bật những khác biệt chính và xem xét các ứng dụng trong thực tế. Hãy bắt đầu thôi!

Tổng quan về các mô hình học tập#

Hãy cùng khám phá học ít mẫu, học không mẫu và học chuyển đổi là gì trong lĩnh vực thị giác máy tính và cách chúng hoạt động.

Học ít mẫu (Few-shot learning)#

Few-shot learning là một phương pháp trong đó hệ thống học cách nhận diện các đối tượng mới chỉ bằng một số lượng nhỏ các ví dụ. Ví dụ, nếu bạn cho một model xem một vài bức ảnh về chim cánh cụt, bồ nông và hải âu (nhóm nhỏ này được gọi là "support set"), nó sẽ học được hình dáng của những loài chim này.

Sau đó, nếu bạn đưa cho model một bức ảnh mới, chẳng hạn như chim cánh cụt, nó sẽ so sánh bức ảnh mới này với các bức ảnh trong tập hỗ trợ của mình và chọn kết quả khớp gần nhất. Khi việc thu thập một lượng lớn dữ liệu trở nên khó khăn, phương pháp này rất hữu ích vì hệ thống vẫn có thể học hỏi và thích nghi chỉ với vài ví dụ.

Fig 1. Tổng quan về cách hoạt động của few-shot learning.

Học không mẫu (Zero-shot learning)#

Zero-shot learning là cách để máy móc nhận diện những thứ chúng chưa từng thấy trước đây mà không cần các ví dụ về chúng. Phương pháp này sử dụng thông tin ngữ nghĩa, chẳng hạn như các mô tả, để giúp thiết lập các kết nối.

Ví dụ, nếu máy đã học về các loài động vật như mèo, sư tử và ngựa bằng cách hiểu các đặc điểm như "nhỏ và có lông", "mèo hoang lớn" hoặc "mặt dài", nó có thể sử dụng kiến thức này để nhận diện một loài động vật mới, chẳng hạn như hổ. Ngay cả khi chưa bao giờ nhìn thấy hổ, nó có thể sử dụng mô tả như "một loài động vật giống sư tử với các sọc tối màu" để nhận diện chính xác. Điều này giúp máy móc học hỏi và thích nghi dễ dàng hơn mà không cần nhiều ví dụ.

Fig 2. Zero-shot learning nhận diện các đối tượng mới bằng cách sử dụng các mô tả.

Học chuyển đổi (Transfer learning)#

Transfer learning là một mô hình học tập trong đó một model sử dụng những gì đã học được từ một tác vụ để giúp giải quyết một tác vụ mới tương tự. Kỹ thuật này đặc biệt hữu ích khi xử lý các computer vision tasks như object detection, image classification và nhận diện mẫu.

Chẳng hạn, trong computer vision, một model được huấn luyện trước có thể nhận diện các đối tượng chung, chẳng hạn như động vật, và sau đó được fine-tune thông qua transfer learning để nhận diện các đối tượng cụ thể, chẳng hạn như các giống chó khác nhau. Bằng cách tái sử dụng kiến thức từ các tác vụ trước đó, transfer learning giúp việc huấn luyện computer vision models trên các dataset nhỏ hơn trở nên dễ dàng hơn, giúp tiết kiệm thời gian và công sức.

Fig 3. Tổng quan về cách hoạt động của transfer learning.

Bạn có thể đang tự hỏi loại model nào hỗ trợ transfer learning. Ultralytics YOLO11 là một ví dụ tuyệt vời về một computer vision model có thể làm được điều này. Đây là một state-of-the-art object detection model được huấn luyện trước trên một dataset lớn, tổng quát. Sau đó, model này có thể được fine-tune và custom-trained trên một dataset nhỏ hơn, chuyên biệt cho các tác vụ cụ thể.

So sánh các mô hình học tập#

Giờ đây, sau khi đã thảo luận về học ít mẫu, học không mẫu và học chuyển đổi, hãy so sánh chúng để xem chúng khác biệt như thế nào.

Hình 4. Sự khác biệt chính giữa học ít mẫu, học không mẫu và học chuyển đổi. Ảnh của tác giả.

Học ít mẫu rất hữu ích khi bạn chỉ có một lượng nhỏ dữ liệu được dán nhãn. Nó giúp model AI có thể học từ chỉ một vài ví dụ. Mặt khác, học không mẫu không yêu cầu bất kỳ dữ liệu được dán nhãn nào. Thay vào đó, nó sử dụng các mô tả hoặc ngữ cảnh để giúp hệ thống xử lý các tác vụ mới. Trong khi đó, học chuyển đổi áp dụng cách tiếp cận khác bằng cách sử dụng kiến thức từ các model đã được huấn luyện trước, cho phép chúng nhanh chóng thích nghi với các tác vụ mới với lượng dữ liệu bổ sung tối thiểu. Mỗi phương pháp đều có thế mạnh riêng tùy thuộc vào loại dữ liệu và tác vụ mà bạn đang thực hiện.

Các ứng dụng thực tế của nhiều mô hình học tập khác nhau#

Các mô hình học tập này đang tạo ra sự khác biệt trong nhiều lĩnh vực, giải quyết các vấn đề phức tạp bằng những giải pháp đổi mới. Hãy cùng xem xét kỹ hơn cách chúng có thể được áp dụng trong thế giới thực.

Chẩn đoán các bệnh hiếm gặp với học ít mẫu#

Few-shot learning tạo ra bước ngoặt lớn cho lĩnh vực y tế, đặc biệt là trong medical imaging. Phương pháp này có thể giúp bác sĩ chẩn đoán các bệnh hiếm gặp chỉ bằng một số ít ví dụ hoặc thậm chí là các mô tả, mà không cần lượng lớn dữ liệu. Điều này đặc biệt hữu ích khi dữ liệu bị hạn chế, tình trạng thường gặp vì việc thu thập các dataset lớn cho các bệnh hiếm gặp có thể rất khó khăn.

Ví dụ, SHEPHERD sử dụng few-shot learning và đồ thị tri thức y y sinh để chẩn đoán các rối loạn di truyền hiếm gặp. Hệ thống này ánh xạ thông tin bệnh nhân, chẳng hạn như các triệu chứng và kết quả xét nghiệm, lên một mạng lưới các gen và bệnh lý đã biết. Điều này giúp xác định chính xác nguyên nhân di truyền có khả năng xảy ra và tìm ra các trường hợp tương tự, ngay cả khi dữ liệu bị hạn chế.

Fig 5. Model Shepherd chẩn đoán các bệnh hiếm gặp sử dụng dữ liệu tối thiểu.

Cải thiện khả năng phát hiện bệnh trên cây trồng với học không mẫu#

Trong nông nghiệp, việc xác định nhanh bệnh trên cây trồng là điều cần thiết vì sự chậm trễ trong phát hiện có thể dẫn đến thiệt hại mùa màng trên diện rộng, giảm năng suất và tổn thất tài chính đáng kể. Các phương pháp truyền thống thường dựa vào các tập dữ liệu lớn và kiến thức chuyên gia, vốn có thể không phải lúc nào cũng tiếp cận được, đặc biệt là ở các khu vực xa xôi hoặc hạn chế về tài nguyên. Đây là lúc các tiến bộ trong AI, như học không mẫu, phát huy tác dụng.

Giả sử một nông dân đang trồng cà chua và khoai tây và nhận thấy các triệu chứng như lá vàng hoặc đốm nâu. Học không mẫu có thể giúp xác định các bệnh như bệnh mốc sương (late blight) mà không cần các tập dữ liệu lớn. Bằng cách sử dụng các mô tả về triệu chứng, model có thể phân loại các loại bệnh mà nó chưa từng thấy trước đây. Phương pháp này nhanh chóng, có khả năng mở rộng và cho phép nông dân phát hiện nhiều vấn đề trên cây trồng. Nó giúp họ theo dõi sức khỏe cây trồng hiệu quả hơn, hành động kịp thời và giảm thiểu tổn thất.

Fig 6. Sử dụng zero-shot learning để nhận diện bệnh ở thực vật.

Xe tự hành và học chuyển đổi#

Xe tự hành thường cần thích nghi với các môi trường khác nhau để di chuyển an toàn. Học chuyển đổi giúp chúng sử dụng kiến thức trước đó để nhanh chóng điều chỉnh với các điều kiện mới mà không cần bắt đầu lại quá trình huấn luyện từ đầu. Kết hợp với thị giác máy tính, giúp xe diễn giải thông tin hình ảnh, các công nghệ này cho phép việc di chuyển mượt mà hơn trên các địa hình và điều kiện thời tiết khác nhau, giúp xe tự lái trở nên hiệu quả và đáng tin cậy hơn.

Một ví dụ thực tế tốt cho việc này là parking management system sử dụng Ultralytics YOLO11 để theo dõi các chỗ đỗ xe. YOLO11, một pre-trained object detection model, có thể được fine-tune bằng cách sử dụng transfer learning để nhận diện các chỗ đỗ xe trống và có xe theo thời gian thực. Bằng cách huấn luyện model trên một dataset nhỏ hơn gồm các hình ảnh bãi đỗ xe, model học cách phát hiện chính xác các khoảng trống, các chỗ đầy xe và thậm chí là các khu vực được đặt trước.

Fig 7. Quản lý bãi đỗ xe sử dụng Ultralytics YOLO11.

Được tích hợp với các công nghệ khác, hệ thống này có thể hướng dẫn tài xế đến vị trí trống gần nhất, giúp giảm thời gian tìm kiếm và tình trạng ùn tắc giao thông. Transfer learning (học chuyển giao) biến điều này thành hiện thực bằng cách dựa trên các khả năng object detection hiện có của YOLO11, cho phép hệ thống thích ứng với các nhu cầu cụ thể của việc quản lý bãi đỗ xe mà không cần bắt đầu từ con số không. Phương pháp này tiết kiệm thời gian và tài nguyên đồng thời tạo ra một giải pháp có khả năng mở rộng cao và hiệu quả, giúp cải thiện hoạt động đỗ xe và nâng cao trải nghiệm tổng thể của người dùng.

Các xu hướng mới nổi trong các mô hình học tập#

Tương lai của các mô hình học tập trong computer vision đang hướng tới việc phát triển các hệ thống AI thị giác thông minh và bền vững hơn. Cụ thể, một xu hướng đang gia tăng là việc sử dụng hybrid approaches kết hợp few-shot learning, zero-shot learning và transfer learning. Bằng cách pha trộn thế mạnh của các phương pháp này, các model có thể học các tác vụ mới với dữ liệu tối thiểu và áp dụng kiến thức của chúng trên các lĩnh vực khác nhau.

Một ví dụ thú vị là việc sử dụng adapted deep embeddings để fine-tune các model bằng cách sử dụng kiến thức từ các tác vụ trước đó và một lượng nhỏ dữ liệu mới, giúp việc làm việc với các dataset bị giới hạn trở nên dễ dàng hơn.

Tương tự, X-shot learning được thiết kế để xử lý các tác vụ với các lượng dữ liệu khác nhau. Phương pháp này sử dụng weak supervision, trong đó các model học từ các nhãn bị hạn chế hoặc có nhiễu, cùng với các hướng dẫn rõ ràng để giúp chúng thích ứng nhanh chóng, ngay cả khi có rất ít hoặc không có ví dụ trước đó. Những cách tiếp cận kết hợp này cho thấy việc tích hợp các phương pháp học tập khác nhau có thể giúp các hệ thống AI giải quyết các thách thức một cách hiệu quả hơn như thế nào.

Các điểm chính cần lưu ý#

Học ít mẫu, học không mẫu và học chuyển đổi, mỗi phương pháp đều giải quyết các thách thức cụ thể trong thị giác máy tính, giúp chúng phù hợp với các tác vụ khác nhau. Phương pháp phù hợp phụ thuộc vào ứng dụng cụ thể và lượng dữ liệu khả dụng. Ví dụ, học ít mẫu hoạt động tốt với dữ liệu hạn chế, trong khi học không mẫu rất tuyệt vời để xử lý các lớp đối tượng chưa từng thấy hoặc chưa quen thuộc.

Nhìn về tương lai, có khả năng việc kết hợp các phương pháp này để tạo ra các model lai tích hợp thị giác, ngôn ngữ và âm thanh sẽ là một trọng tâm chính. Những tiến bộ này nhằm mục đích làm cho các hệ thống AI trở nên linh hoạt hơn, hiệu quả hơn và có khả năng giải quyết các vấn đề phức tạp, mở ra những khả năng mới cho sự đổi mới trong lĩnh vực này.

Khám phá thêm về AI bằng cách tham gia our community và xem qua our GitHub repository. Tìm hiểu cách AI in self-driving cars và computer vision in agriculture đang định hình lại tương lai. Xem qua các tùy chọn có sẵn của YOLO license để bắt đầu!