Machine Learning (ML)

Machine learning (ML) là một nhánh của trí tuệ nhân tạo (AI), trong đó hệ thống máy tính học các quy luật từ dữ liệu thay vì tuân theo những quy tắc do lập trình viên viết. Bộ lọc spam được xây dựng bằng ML không được cung cấp trước các từ báo hiệu spam; thay vào đó, bộ lọc phân tích hàng nghìn email được gắn nhãn spam hoặc không spam, tự học các quy luật rồi áp dụng chúng cho thư mới. Arthur Samuel đặt ra thuật ngữ này vào năm 1959 khi xây dựng một chương trình chơi cờ đam tự cải thiện bằng cách đấu với chính nó; sau đó, Tom Mitchell đưa ra định nghĩa được trích dẫn rộng rãi: một chương trình học khi hiệu suất thực hiện một tác vụ, được đo bằng một chỉ số nào đó, cải thiện nhờ kinh nghiệm.

Machine Learning hoạt động như thế nào#

Model ML là một hàm có các tham số có thể điều chỉnh, từ vài hệ số của hồi quy tuyến tính đến hàng triệu trọng số trong mạng neural. Quá trình huấn luyện tìm kiếm các giá trị tham số giúp dự đoán của model trên dữ liệu huấn luyện chính xác nhất có thể, thường bằng cách tối thiểu hóa hàm loss. Phép thử thực sự là khả năng tổng quát hóa: model được chấm điểm trên dữ liệu validation và dữ liệu kiểm thử chưa từng thấy trong quá trình huấn luyện. Model đạt điểm cao trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới đang bị overfit, tức ghi nhớ mẫu thay vì học quy luật nền tảng.

Ví dụ scikit-learn này huấn luyện một random forest để nhận dạng chữ số viết tay và chấm điểm trên các chữ số được giữ lại, không dùng khi huấn luyện:

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

Model đạt độ chính xác 97.6% trên 450 chữ số kiểm thử, chỉ sử dụng các quy luật đã học từ 1,347 mẫu được gắn nhãn còn lại.

Các loại Machine Learning#

• Học có giám sát: học từ các mẫu được gắn nhãn, trong đó mỗi đầu vào đi kèm đầu ra chính xác. Classification, regression và phát hiện đối tượng là các tác vụ học có giám sát.
• Học không giám sát: tìm cấu trúc trong dữ liệu chưa gán nhãn, chẳng hạn các phân khúc khách hàng được tìm thấy bằng phân cụm k-means.
• Học tự giám sát: tự tạo nhãn từ dữ liệu, chẳng hạn dự đoán từ tiếp theo trong câu hoặc một vùng ảnh bị ẩn. Đây là cách large language model (LLM) và các foundation model khác được pretrain.
• Học tăng cường: agent học bằng cách thử và sai, thực hiện hành động trong môi trường và điều chỉnh hành vi để tối đa hóa reward.

Machine Learning so với AI, Deep Learning và Data Science#

Machine learning nằm giữa AI, mục tiêu rộng lớn là xây dựng máy móc thông minh, và deep learning (DL), một nhánh của ML sử dụng mạng neural nhiều lớp và tự học feature từ dữ liệu thô:

Các thuật toán cổ điển như random forest và XGBoost vẫn hoạt động hiệu quả trên dữ liệu dạng bảng, trong đó mỗi cột, chẳng hạn giá hoặc tuổi, vốn đã là một feature có ý nghĩa. Data science là một lĩnh vực lân cận, sử dụng ML như một công cụ trong số nhiều công cụ, bên cạnh thống kê, trực quan hóa dữ liệu và phân tích theo lĩnh vực, để trả lời câu hỏi từ dữ liệu.

Vòng đời Machine Learning#

Model trong môi trường production không bao giờ hoàn thiện. Các nhóm thu thập và gắn nhãn dữ liệu, huấn luyện và validation model, triển khai model rồi giám sát dự đoán, quay lại dữ liệu bất cứ khi nào độ chính xác chưa đạt yêu cầu hoặc thế giới thực thay đổi. Quy trình lặp này là trọng tâm của vận hành machine learning (MLOps):

Đối với computer vision, Ultralytics Platform vận hành toàn bộ quy trình này tại một nơi: các nhóm tải lên và gắn nhãn dataset, huấn luyện model Ultralytics YOLO26 trên GPU đám mây, triển khai model và giám sát hiệu suất trong môi trường production.

Ứng dụng thực tế#

• Computer vision: Model phát hiện lỗi trên dây chuyền sản xuất, đọc ảnh quét y tế và điều khiển phương tiện tự hành.
• Xử lý ngôn ngữ tự nhiên (NLP): Dịch thuật, tìm kiếm, chatbot và lọc spam đều dựa vào model được huấn luyện trên văn bản.
• Hệ thống đề xuất: Các nền tảng phát trực tuyến và thương mại điện tử xếp hạng nội dung cho từng người dùng dựa trên hành vi trước đây của họ.
• Dự báo chuỗi thời gian: Model dự đoán nhu cầu sản phẩm, tải năng lượng và lỗi thiết bị từ dữ liệu lịch sử.
• Phát hiện bất thường: Ngân hàng chấm điểm mỗi giao dịch thẻ trong vài mili giây bằng các model được huấn luyện trên dữ liệu gian lận trước đây, đánh dấu những giao dịch có vẻ bất thường.