Confidence

Trong lĩnh vực trí tuệ nhân tạo và học máy, điểm độ tin cậy (confidence score) là một chỉ số định lượng mức độ chắc chắn của một model đối với một dự đoán cụ thể. Giá trị này thường nằm trong khoảng từ 0 đến 1 (hoặc 0% đến 100%) và thể hiện xác suất ước tính rằng kết quả đầu ra của thuật toán khớp với dữ liệu thực tế. Ví dụ, trong tác vụ phát hiện đối tượng, nếu một hệ thống xác định một vùng trong hình ảnh là "xe đạp" với độ tin cậy là 0,92, điều đó cho thấy khả năng phân loại chính xác ước tính là 92%. Những điểm số này được trích xuất từ lớp cuối cùng của mạng thần kinh, thường được xử lý thông qua hàm kích hoạt như Softmax cho phân loại đa lớp hoặc hàm Sigmoid cho các quyết định nhị phân.

Link to this sectionVai trò của độ tin cậy trong suy luận (Inference)#

Điểm độ tin cậy là một thành phần cơ bản trong quy trình làm việc của công cụ suy luận, đóng vai trò như một bộ lọc để phân biệt các dự đoán chất lượng cao khỏi nhiễu nền. Quá trình lọc này, được gọi là ngưỡng hóa (thresholding), cho phép các nhà phát triển điều chỉnh độ nhạy của một ứng dụng. Bằng cách thiết lập ngưỡng độ tin cậy tối thiểu, bạn có thể quản lý đánh đổi giữa precision và recall quan trọng. Một ngưỡng thấp hơn có thể phát hiện nhiều đối tượng hơn nhưng làm tăng rủi ro về dương tính giả (false positives), trong khi ngưỡng cao hơn cải thiện độ chính xác nhưng có thể dẫn đến việc bỏ lỡ các trường hợp tinh vi.

Trong các kiến trúc tiên tiến như Ultralytics YOLO26, điểm độ tin cậy là yếu tố 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 bị chồng lấp đáng kể, chỉ giữ lại kết quả phát hiện có xác suất cao nhất. Bước này đảm bảo rằng kết quả đầu ra cuối cùng sạch và sẵn sàng cho các tác vụ hạ nguồn như đếm đối tượng hoặc theo dõi.

Ví dụ Python sau đây minh họa cách lọc các dự đoán theo độ tin cậy bằng cách sử dụng gói 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}")

Link to this sectionCác ứng dụng trong thực tế#

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

• Lái xe tự động: 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 nhận diện phát hiện một vật cản với độ tin cậy thấp, nó 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. Sự dư thừa này giúp ngăn chặn tình trạng "phanh ảo" do bóng đổ hoặc ánh sáng chói gây ra.
• Chẩn đoán y tế: Khi tận dụng AI trong chăm sóc sức khỏe, các model hỗ trợ chuyên gia y tế bằng cách gắn cờ các 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 lập tức, trong khi các dự đoán có độ tin cậy thấp hơn được ghi lại để phân tích thứ cấp. Quy trình làm việc human-in-the-loop này đảm bảo AI bổ trợ cho việc đưa ra quyết định lâm sàng mà không thay thế sự phán đoán của chuyên gia.
• Tự động hóa công nghiệp: Trong sản xuất thông minh, 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 vision AI có thể chỉ cố gắng nắm bắt một thành phần nếu độ tin cậy phát hiện vượt quá 90%, từ đó giảm nguy cơ làm hỏng các bộ phận mỏng manh do lệch vị trí.

Link to this sectionPhân biệt độ tin cậy với các thuật ngữ liên quan#

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

• Độ tin cậy so với Độ chính xác (Accuracy): Accuracy là một chỉ số toàn cục mô tả mức độ thường xuyên của một model đúng trên toàn bộ tập dữ liệu (ví dụ: "Model chính xác 92%"). Ngược lại, độ tin cậy là một giá trị cục bộ, đặc thù cho từng dự đoán (ví dụ: "Model chắc chắn 92% rằng hình ảnh cụ thể này chứa một con mèo"). Một model có thể có độ chính xác tổng thể cao nhưng vẫn tạo ra độ tin cậy thấp trên các trường hợp biên (edge cases).
• Độ tin cậy so với Hiệu chuẩn xác suất (Probability Calibration): Một điểm độ tin cậy thô không phải lúc nào cũng khớp với xác suất chính xác thực tế. Một model được gọi là "được hiệu chuẩn tốt" nếu các dự đoán được đưa ra với độ tin cậy 0,8 chính xác trong khoảng 80% thời gian. Các kỹ thuật như Platt scaling hoặc Isotonic Regression thường được sử dụng để căn chỉnh điểm số với xác suất thực nghiệm.
• Độ tin cậy so với Precision: Precision đo lường tỷ lệ các nhận diện dương tính thực sự đúng. Mặc dù việc tăng ngưỡng độ tin cậy thường làm tăng độ chính xác (precision), nhưng điều đó thường gây ảnh hưởng đến recall. Các nhà phát triển phải điều chỉnh ngưỡng này dựa trên việc ứng dụng của họ ưu tiên việc bỏ sót ít đối tượng hơn hay giảm thiểu các cảnh báo sai.

Link to this sectionCải thiện độ tin cậy của model#

Nếu một model liên tục xuất ra độ tin cậy thấp cho các đối tượng hợp lệ, điều đó thường báo hiệu sự khác biệt giữa dữ liệu huấn luyện và môi trường triển khai. Các chiến lược để giảm thiểu điều này bao gồm tăng cường dữ liệu (data augmentation), giúp mở rộng tập dữ liệu một cách nhân tạo bằng cách thay đổi ánh sáng, xoay và nhiễu. Hơn nữa, việc sử dụng Ultralytics Platform để triển khai các đường ống học chủ động (active learning) cho phép các nhà phát triển dễ dàng xác định các mẫu có độ tin cậy thấp, gán nhãn chúng và huấn luyện lại model. Chu kỳ lặp đi lặp lại này rất quan trọng để tạo ra các tác nhân AI mạnh mẽ có khả năng hoạt động đáng tin cậy trong các môi trường thực tế năng động.