Training Data

Dữ liệu huấn luyện là tập dữ liệu ban đầu được sử dụng để dạy một model machine learning cách nhận diện các mẫu, đưa ra dự đoán hoặc thực hiện những tác vụ cụ thể. Dữ liệu này đóng vai trò như giáo trình nền tảng cho các hệ thống trí tuệ nhân tạo, cung cấp ground truth để thuật toán phân tích và điều chỉnh các tham số bên trong. Trong bối cảnh học có giám sát, dữ liệu huấn luyện gồm các mẫu đầu vào đi kèm với nhãn đầu ra tương ứng, cho phép model học mối quan hệ giữa hai yếu tố này. Chất lượng, số lượng và tính đa dạng của dữ liệu ảnh hưởng trực tiếp đến độ chính xác cuối cùng của model cũng như khả năng khái quát hóa với những thông tin mới, chưa từng thấy.

Vai trò của dữ liệu huấn luyện trong AI#

Chức năng chính của dữ liệu huấn luyện là giảm thiểu sai số giữa các dự đoán của model và kết quả thực tế. Trong quá trình huấn luyện model, thuật toán xử lý dữ liệu lặp đi lặp lại, xác định các đặc trưng—chẳng hạn như cạnh trong ảnh hoặc từ khóa trong câu—có tương quan với những nhãn cụ thể. Quá trình này khác với dữ liệu validation, được sử dụng để tinh chỉnh hyperparameter trong quá trình huấn luyện, và dữ liệu test, được dành riêng cho việc đánh giá cuối cùng hiệu năng của model.

Dữ liệu huấn luyện chất lượng cao phải phản ánh các tình huống thực tế mà model sẽ gặp phải. Nếu tập dữ liệu chứa độ thiên lệch hoặc thiếu tính đa dạng, model có thể gặp overfitting, tức là ghi nhớ các ví dụ huấn luyện nhưng không hoạt động tốt trên những đầu vào mới. Ngược lại, underfitting xảy ra khi dữ liệu quá đơn giản hoặc không đủ để model nắm bắt các mẫu nền tảng.

Các ứng dụng trong thực tế#

Dữ liệu huấn luyện thúc đẩy các đổi mới trong hầu hết mọi ngành bằng cách cho phép các hệ thống học hỏi từ những ví dụ trong quá khứ.

• AI trong lĩnh vực chăm sóc sức khỏe: Trong chẩn đoán y khoa, dữ liệu huấn luyện có thể gồm hàng nghìn ảnh X-quang được gắn nhãn là "khỏe mạnh" hoặc chứa các bệnh lý cụ thể như viêm phổi. Bằng cách xử lý những ví dụ đã gắn nhãn này, các model như Ultralytics YOLO26 có thể học cách hỗ trợ bác sĩ chẩn đoán hình ảnh bằng việc đánh dấu các bất thường tiềm ẩn với độ chính xác cao, qua đó rút ngắn đáng kể thời gian chẩn đoán.
• Phương tiện tự hành: Xe tự lái phụ thuộc vào các tập dữ liệu khổng lồ chứa hàng triệu dặm dữ liệu ghi hình khi lái xe. Dữ liệu huấn luyện này bao gồm các khung hình đã được gán chú thích, thể hiện người đi bộ, biển báo giao thông, các phương tiện khác và vạch làn đường. Được lấy từ những thư viện toàn diện như Waymo Open Dataset hoặc nuScenes, thông tin này giúp hệ thống nhận thức của phương tiện học cách điều hướng an toàn trong các môi trường phức tạp.

Thu thập và quản lý dữ liệu#

Việc thu thập dữ liệu huấn luyện đáng tin cậy thường là phần thách thức nhất của một dự án machine learning. Dữ liệu có thể được lấy từ các kho lưu trữ công khai như Google Dataset Search hoặc các bộ sưu tập chuyên biệt như COCO dành cho bài toán phát hiện đối tượng. Tuy nhiên, dữ liệu thô thường cần được làm sạch dữ liệu và gán chú thích cẩn thận để đảm bảo độ chính xác.

Các công cụ như Ultralytics Platform đã tinh gọn quy trình này bằng cách cung cấp một môi trường tích hợp để tải lên, gắn nhãn và quản lý các tập dữ liệu. Quản lý hiệu quả cũng bao gồm tăng cường dữ liệu, một kỹ thuật được sử dụng để tăng nhân tạo kích thước tập huấn luyện bằng cách áp dụng các phép biến đổi—chẳng hạn như lật, xoay hoặc điều chỉnh màu—cho những ảnh hiện có. Điều này giúp các model trở nên mạnh mẽ hơn trước những biến thiên trong dữ liệu đầu vào.

Ví dụ thực tế với Ultralytics YOLO26#

Ví dụ Python sau đây minh họa cách bắt đầu huấn luyện bằng thư viện ultralytics. Trong ví dụ này, một model YOLO26 đã được huấn luyện trước được fine-tune trên tập dữ liệu COCO8, một tập dữ liệu nhỏ được thiết kế để xác minh các pipeline huấn luyện.

from ultralytics import YOLO

# Load a pre-trained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 5 epochs
# The 'data' argument specifies the dataset configuration file
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

Tầm quan trọng của chất lượng dữ liệu#

Quan niệm "đầu vào rác, đầu ra rác" là nền tảng trong machine learning. Ngay cả những kiến trúc tinh vi nhất, chẳng hạn như Transformers hoặc Mạng nơ-ron tích chập sâu (CNNs), cũng không thể bù đắp cho dữ liệu huấn luyện kém chất lượng. Những vấn đề như nhiễu nhãn, trong đó các nhãn ground truth không chính xác, có thể làm suy giảm nghiêm trọng hiệu năng. Do đó, các quy trình đảm bảo chất lượng nghiêm ngặt, thường có sự tham gia xác minh của con người trong vòng lặp, là yếu tố thiết yếu để duy trì tính toàn vẹn của tập dữ liệu.

Hơn nữa, việc tuân thủ các nguyên tắc về đạo đức AI đòi hỏi dữ liệu huấn luyện phải được xem xét kỹ lưỡng để phát hiện các thiên lệch về nhân khẩu học hoặc kinh tế - xã hội. Đảm bảo tính công bằng trong AI bắt đầu từ một tập dữ liệu huấn luyện cân bằng và có tính đại diện, giúp ngăn ngừa các kết quả mang tính phân biệt đối xử trong những ứng dụng được triển khai.