Confidence

Trong lĩnh vực trí tuệ nhân tạo và machine learning, điểm độ tin cậy là một chỉ số định lượng mức độ chắc chắn của model đối với một dự đoán cụ thể. Giá trị này thường nằm trong khoảng từ 0 đến 1 (hoặc 0% đến 100%) và biểu thị xác suất ước tính rằng đầu ra của thuật toán khớp với ground truth. Ví dụ, trong một tác vụ phát hiện đối tượng, nếu một hệ thống xác định một vùng trong ảnh là "xe đạp" với độ tin cậy 0.92, điều đó cho thấy xác suất ước tính 92% rằng việc phân loại là chính xác. Các điểm số này được suy ra từ layer cuối cùng của một mạng neural, thường được xử lý qua một hàm activation như Softmax để phân loại đa lớp hoặc hàm Sigmoid cho các quyết định nhị phân.

Vai trò của độ tin cậy trong quá trình suy luận#

Điểm độ tin cậy là một thành phần nền tảng trong workflow của inference engine, đóng vai trò như một bộ lọc để phân biệt các dự đoán chất lượng cao với nhiễu nền. Quy trình lọc này, được gọi là thresholding, cho phép developer điều chỉnh độ nhạy của ứng dụng. Bằng cách thiết lập ngưỡng độ tin cậy tối thiểu, bạn có thể kiểm soát đánh đổi precision-recall quan trọng. Ngưỡng thấp hơn có thể phát hiện nhiều đối tượng hơn nhưng làm tăng nguy cơ false positive, trong khi ngưỡng cao hơn cải thiện precision nhưng có thể bỏ sót các trường hợp khó nhận biết.

Trong các architecture nâng cao như Ultralytics YOLO26, điểm độ tin cậy rất cần thiết cho các kỹ thuật hậu xử lý như Non-Maximum Suppression (NMS). NMS sử dụng các điểm số này để loại bỏ các bounding box dư thừa chồng lấn đáng kể, chỉ giữ lại detection có xác suất cao nhất. Bước này đảm bảo đầu ra cuối cùng gọn sạch và sẵn sàng cho các tác vụ downstream như đếm đối tượng hoặc tracking.

Ví dụ Python sau đây minh họa cách lọc các dự đoán theo độ tin cậy bằng package ultralytics:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Các ứng dụng trong thực tế#

Điểm độ tin cậy cung cấp một lớp khả năng diễn giải không thể thiếu trong các ngành áp dụng thị giác máy tính (CV). Chúng giúp các hệ thống tự động xác định khi nào nên tự chủ động xử lý và khi nào cần kích hoạt cảnh báo để con người xem xét.

• Lái xe tự hành: Trong lĩnh vực AI trong ngành ô tô, các phương tiện tự lái dựa vào các chỉ số độ tin cậy để đảm bảo an toàn cho hành khách. Nếu một hệ thống perception phát hiện chướng ngại vật với độ tin cậy thấp, hệ thống có thể đối chiếu dữ liệu này với cảm biến LiDAR hoặc radar để xác minh sự hiện diện của đối tượng trước khi thực hiện thao tác khẩn cấp. Tính dư thừa này giúp ngăn hiện tượng "phanh ảo" do bóng hoặc ánh sáng chói gây ra.
• Chẩn đoán y khoa: Khi ứng dụng AI trong chăm sóc sức khỏe, các model hỗ trợ chuyên gia y tế bằng cách đánh dấu những bất thường tiềm ẩn trong dữ liệu hình ảnh. Một hệ thống được xây dựng để phát hiện khối u có thể làm nổi bật các vùng có độ tin cậy cao để chẩn đoán ngay, trong khi các dự đoán có độ tin cậy thấp hơn được ghi nhật ký để phân tích bổ sung. Workflow human-in-the-loop này đảm bảo AI hỗ trợ quá trình ra quyết định lâm sàng mà không thay thế phán đoán của chuyên gia.
• Tự động hóa công nghiệp: Trong sản xuất thông minh, các cánh tay robot sử dụng điểm độ tin cậy để tương tác với các đối tượng trên dây chuyền lắp ráp. Một robot được trang bị AI thị giác có thể chỉ thử gắp một linh kiện nếu độ tin cậy của detection vượt quá 90%, từ đó giảm nguy cơ làm hỏng các bộ phận dễ hư hại do lệch vị trí.

Phân biệt độ tin cậy với các thuật ngữ liên quan#

Điều quan trọng là phải phân biệt độ tin cậy với các chỉ số thống kê khác được sử dụng trong đánh giá model.

• Độ tin cậy và độ chính xác: Độ chính xác là một chỉ số tổng quát mô tả tần suất model đưa ra kết quả đúng trên toàn bộ dataset (ví dụ: "Model có độ chính xác 92%"). Ngược lại, độ tin cậy là một giá trị cục bộ, dành riêng cho từng dự đoán (ví dụ: "Model chắc chắn 92% rằng ảnh cụ thể này chứa một con mèo"). Một model có thể đạt độ chính xác tổng thể cao nhưng vẫn cho độ tin cậy thấp đối với các trường hợp biên.
• Độ tin cậy và calibration xác suất: Điểm độ tin cậy thô không phải lúc nào cũng tương ứng với xác suất đúng thực tế. Một model được gọi là "calibrated tốt" nếu các dự đoán có độ tin cậy 0.8 đúng khoảng 80% số lần. Các kỹ thuật như Platt scaling hoặc hồi quy đẳng hướng thường được sử dụng để điều chỉnh điểm số khớp với các xác suất thực nghiệm.
• Độ tin cậy và precision: Precision đo tỷ lệ các nhận diện dương tính thực sự chính xác. Mặc dù việc tăng ngưỡng độ tin cậy thường cải thiện precision, điều này thường phải đánh đổi bằng recall. Developer phải tinh chỉnh ngưỡng này dựa trên việc ứng dụng của họ ưu tiên bỏ sót ít đối tượng hơn hay giảm thiểu cảnh báo sai.

Cải thiện độ tin cậy của model#

Nếu một model liên tục đưa ra độ tin cậy thấp đối với các đối tượng hợp lệ, điều này thường cho thấy sự không tương thích giữa dữ liệu training và môi trường triển khai. Các chiến lược giảm thiểu vấn đề này bao gồm data augmentation, trong đó dataset được mở rộng nhân tạo bằng cách thay đổi điều kiện chiếu sáng, phép xoay và nhiễu. Ngoài ra, việc sử dụng Ultralytics Platform để triển khai pipeline active learning cho phép developer dễ dàng xác định các mẫu có độ tin cậy thấp, gán nhãn cho chúng và retrain model. Chu trình lặp này đóng vai trò thiết yếu trong việc tạo ra các AI agent mạnh mẽ, có khả năng hoạt động đáng tin cậy trong các môi trường thực tế, năng động.