Bayesian Network

Một Bayesian Network là một loại probabilistic graphical model sử dụng đồ thị chu trình có hướng (DAG) để đại diện cho tập hợp các biến và sự phụ thuộc có điều kiện giữa chúng. Khác với các thuật toán "hộp đen" chỉ đơn thuần ánh xạ đầu vào thành đầu ra, các mạng này mô hình hóa rõ ràng các mối quan hệ nhân quả giữa các yếu tố khác nhau. Cấu trúc này cho phép các nhà khoa học dữ liệu thực hiện predictive modeling và suy luận trong điều kiện bất định, giúp chúng cực kỳ hiệu quả cho các kịch bản trong đó dữ liệu có thể không đầy đủ hoặc cần kết hợp kiến thức chuyên gia trong lĩnh vực với bằng chứng thống kê.

Các khái niệm cốt lõi và mức độ liên quan#

Trọng tâm của các mạng này là Bayes' theorem, một công thức toán học dùng để cập nhật xác suất của một giả thuyết khi có thêm bằng chứng hoặc thông tin. Trong một Bayesian Network, các nút đại diện cho các biến—chẳng hạn như một triệu chứng, một chỉ số cảm biến hoặc nhãn phân loại—trong khi các cạnh (mũi tên) đại diện cho sự phụ thuộc xác suất. Nếu tồn tại một liên kết từ nút A đến nút B, điều đó cho thấy A có ảnh hưởng trực tiếp đến B. Kiến trúc này rất quan trọng đối với Explainable AI (XAI) vì nó cho phép người dùng theo dõi đường dẫn suy luận của model, mang lại độ minh bạch vốn thường khó đạt được với các kiến trúc deep learning phức tạp.

Các model này đặc biệt phù hợp trong các lĩnh vực đòi hỏi đánh giá rủi ro nghiêm ngặt. Bằng cách sử dụng các phân phối conditional probability, một Bayesian Network có thể trả lời các truy vấn về trạng thái của một biến cụ thể dựa trên bằng chứng quan sát được về các biến khác. Quá trình này, thường được gọi là suy luận xác suất, khác biệt với quá trình xấp xỉ hàm số do các neural networks tiêu chuẩn thực hiện.

Các ứng dụng trong thực tế#

Mạng Bayesian được triển khai rộng rãi trong các ngành công nghiệp mà việc ra quyết định đòi hỏi phải cân nhắc nhiều yếu tố không chắc chắn.

1. Chẩn đoán Y khoa: Trong lĩnh vực AI in Healthcare, các mạng này được sử dụng để hỗ trợ các hệ thống hỗ trợ ra quyết định lâm sàng. Một mạng có thể mô hình hóa các mối quan hệ giữa các bệnh lý (biến ẩn) và các triệu chứng hoặc kết quả xét nghiệm (biến quan sát). Ví dụ, medical image analysis có thể cung cấp bằng chứng cập nhật xác suất của một chẩn đoán cụ thể, giúp bác sĩ điều hướng qua tiền sử bệnh nhân phức tạp.

2. Chẩn đoán Lỗi Công nghiệp: Trong phạm vi AI in Manufacturing, Bayesian Networks đóng vai trò thiết yếu đối với anomaly detection và phân tích nguyên nhân gốc rễ. Nếu một hệ thống smart manufacturing phát hiện ra một chỉ số nhiệt độ bất thường, mạng lưới có thể tính toán xác suất hậu nghiệm gây ra lỗi cho các thành phần máy móc khác nhau, từ đó hướng dẫn các đội ngũ bảo trì một cách hiệu quả.

Phân biệt với các khái niệm liên quan#

Điều quan trọng là phải phân biệt Mạng Bayesian với các mô hình thống kê và học máy khác:

• Naive Bayes Classifier: Đây là một trường hợp đặc biệt, đơn giản hóa của Bayesian Network. Giả định "ngây thơ" (naive) là tất cả các đặc trưng dự đoán đều độc lập với nhau khi biết trước biến lớp. Mặc dù có hiệu quả tính toán cho các tác vụ như sentiment analysis, nó không thể nắm bắt được các mối phụ thuộc phức tạp mà một Bayesian Network đầy đủ có thể làm được.
• Markov Decision Process: Mặc dù cả hai đều sử dụng cấu trúc đồ thị, MDP chủ yếu được sử dụng trong reinforcement learning để mô hình hóa việc ra quyết định tuần tự theo thời gian, trong khi Bayesian Networks thường tập trung vào các mối quan hệ xác suất giữa các biến tại một thời điểm cố định.
• Deep Learning Models (ví dụ: YOLO): Các model như YOLO26 được tối ưu hóa cho các tác vụ nhận thức đa chiều như object detection. Chúng học các biểu diễn đặc trưng trừu tượng từ dữ liệu thô (pixel). Ngược lại, Bayesian Networks phù hợp hơn cho việc suy luận cấp độ cao với các biến có cấu trúc.

Đầu ra xác suất trong AI hiện đại#

Trong khi Bayesian Networks xử lý các đồ thị nhân quả rõ ràng, các deep learning model hiện đại cũng xuất ra các confidence scores mang tính xác suất phản ánh độ chắc chắn. Khi sử dụng các công cụ như Ultralytics Platform để huấn luyện model trên các datasets tùy chỉnh, việc hiểu rõ các xác suất này là chìa khóa để giải thích hiệu suất của model.

Đoạn mã Python sau đây minh họa cách truy cập phân phối xác suất (độ tin cậy) cho một tác vụ phân loại sử dụng mô hình đã được huấn luyện trước. Điều này minh họa cách thức đo lường mức độ chắc chắn trong một quy trình suy luận hiện đại.

from ultralytics import YOLO

# Load the YOLO26n-cls classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
# This returns a results object containing probability data
results = model("https://ultralytics.com/images/bus.jpg")

# Iterate through results to display class probability
for result in results:
    # Access the 'probs' attribute for classification probabilities
    top_class_index = result.probs.top1
    confidence = result.probs.top1conf
    print(f"Predicted Class Index: {top_class_index}, Confidence: {confidence:.4f}")