Bayesian Network

Mạng Bayesian (Bayesian Network) là một loại mô hình đồ thị xác suất sử dụng đồ thị có hướng không chu trình (DAG) để biểu diễn một tập hợp các biến và sự phụ thuộc có điều kiện của chúng. Không giống như các thuật toán "hộp đen" chỉ đơn thuần ánh xạ đầu vào thành đầu ra, các mạng này mô hình hóa một cách rõ ràng các mối quan hệ nguyên nhân-kết quả giữa các yếu tố khác nhau. Cấu trúc này cho phép các nhà khoa học dữ liệu thực hiện mô hình hóa dự đoán và suy luận trong điều kiện bất định, khiến chúng trở nên cực kỳ hiệu quả đối với các kịch bản mà dữ liệu có thể không đầy đủ hoặc cần kết hợp kiến thức chuyên môn về lĩnh vực với bằng chứng thống kê.

Link to this sectionCác khái niệm cốt lõi và mức độ liên quan#

Trọng tâm của các mạng này là định lý Bayes, một công thức toán học được sử dụng để cập nhật xác suất của một giả thuyết khi có thêm bằng chứng hoặc thông tin. Trong một Mạng Bayesian, các nút đại diện cho các biến—chẳng hạn như một triệu chứng, một chỉ số cảm biến, hoặc một nhãn phân loại—trong khi các cạnh (mũi tên) đại diện cho các phụ thuộc xác suất. Nếu một liên kết tồn tại từ nút A đến nút B, điều đó chỉ ra rằng A có ảnh hưởng trực tiếp đến B. Kiến trúc này rất quan trọng đối với AI có thể giải thích (XAI) vì nó cho phép người dùng truy xuất lộ trình suy luận của mô hình, mang lại sự minh bạch vốn thường khó đạt được với các kiến trúc deep learning phức tạp.

Các mô hình này đặc biệt phù hợp trong các lĩnh vực yêu cầu đánh giá rủi ro nghiêm ngặt. Bằng cách sử dụng các phân phối xác suất có điều kiện, một Mạng Bayesian có thể trả lời các truy vấn về trạng thái của một biến cụ thể dựa trên các bằng chứng quan sát được về các biến khác. Quá trình này, thường được gọi là suy luận xác suất, khác biệt so với quá trình xấp xỉ hàm được thực hiện bởi các mạng thần kinh tiêu chuẩn.

Link to this sectionCác 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 tế: Trong lĩnh vực AI trong chăm sóc sức khỏe, các mạng này được sử dụng để hỗ trợ các hệ thống hỗ trợ quyết định lâm sàng. Một mạng lưới có thể mô hình hóa mối quan hệ giữa các bệnh (biến ẩn) và các triệu chứng hoặc kết quả xét nghiệm (biến quan sát). Ví dụ, phân tích hình ảnh y tế có thể cung cấp bằng chứng để cập nhật xác suất của một chẩn đoán cụ thể, giúp các bác sĩ điều hướng bệnh sử phức tạp của bệnh nhân.

2. Chẩn đoán lỗi công nghiệp: Trong AI trong sản xuất, Mạng Bayesian đóng vai trò quan trọng trong phát hiện bất thường và phân tích nguyên nhân gốc rễ. Nếu một hệ thống sản xuất thông minh phát hiện chỉ số nhiệt độ bất thường, mạng có thể tính toán xác suất hậu nghiệm gây lỗi cho các bộ phận máy móc khác nhau, giúp hướng dẫn đội ngũ bảo trì một cách hiệu quả.

Link to this sectionPhân 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:

• Phân loại Naive Bayes: Đây là một trường hợp đơn giản hóa, đặc biệt của Mạng Bayesian. Giả định "ngây thơ" (naive) là tất cả các đặc trưng dự đoán đều độc lập với nhau khi biết biến lớp. Mặc dù hiệu quả về mặt tính toán cho các tác vụ như phân tích cảm xúc, nó không thể nắm bắt được các phụ thuộc phức tạp mà một Mạng Bayesian đầy đủ có thể thực hiện.
• Quy trình quyết định Markov (MDP): Mặc dù cả hai đều sử dụng cấu trúc đồ thị, MDP chủ yếu được sử dụng trong học tăng cường để mô hình hóa việc ra quyết định tuần tự theo thời gian, trong khi Mạng Bayesian thường tập trung vào các mối quan hệ xác suất giữa các biến tại một thời điểm nhất định.
• Các mô hình Deep Learning (ví dụ: YOLO): Các mô hình như YOLO26 được tối ưu hóa cho các tác vụ tri giác chiều cao như phát hiện đối tượng. Chúng học các biểu diễn đặc trưng trừu tượng từ dữ liệu thô (pixel). Ngược lại, Mạng Bayesian phù hợp hơn cho việc suy luận cấp cao với các biến có cấu trúc.

Link to this sectionĐầu ra xác suất trong AI hiện đại#

Trong khi Mạng Bayesian xử lý các đồ thị nhân quả rõ ràng, các mô hình deep learning hiện đại cũng xuất ra các điểm tin cậy xác suất phản ánh mức độ chắc chắn. Khi sử dụng các công cụ như Ultralytics Platform để huấn luyện mô hình trên các tập dữ liệu tùy chỉnh, việc hiểu các xác suất này là chìa khóa để diễn giải hiệu suất của mô hình.

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}")