Unsupervised Learning

Học không giám sát là một dạng machine learning trong đó thuật toán học các pattern từ dữ liệu chưa gắn nhãn mà không cần sự can thiệp của con người. Khác với học có giám sát, vốn dựa vào các cặp input-output đã gắn nhãn để train model, học không giám sát xử lý dữ liệu không có nhãn lịch sử. Về cơ bản, hệ thống tự cố gắng học bằng cách khám phá các cấu trúc, pattern hoặc mối quan hệ ẩn trong dữ liệu đầu vào. Phương pháp này đặc biệt có giá trị vì phần lớn dữ liệu được tạo ra ngày nay—hình ảnh, video, văn bản và log cảm biến—đều là dữ liệu phi cấu trúc và chưa được gắn nhãn.

Cách học không giám sát hoạt động#

Trong các kịch bản không giám sát, thuật toán được tự do khám phá những cấu trúc thú vị trong dữ liệu. Mục tiêu thường là mô hình hóa phân phối nền tảng của dữ liệu hoặc tìm hiểu thêm về chính dữ liệu đó. Vì không có “đáp án đúng” nào được cung cấp trong quá trình training, không thể đánh giá model theo độ chính xác theo cách truyền thống. Thay vào đó, hiệu năng thường được đo bằng mức độ model giảm số chiều hoặc gom các điểm dữ liệu tương tự vào cùng một cluster.

Phương pháp này tương đồng với cách con người thường học các khái niệm mới. Chẳng hạn, trẻ em có thể phân biệt chó và mèo bằng cách quan sát hình dáng và hành vi khác nhau của chúng mà ban đầu không nhất thiết phải biết tên “chó” và “mèo”. Tương tự, các thuật toán không giám sát nhóm thông tin dựa trên những điểm tương đồng vốn có. Năng lực này đóng vai trò nền tảng trong việc phát triển trí tuệ nhân tạo tổng quát (AGI), vì cho phép các hệ thống thích ứng với môi trường mới mà không cần con người giám sát liên tục.

Các kỹ thuật chính trong học không giám sát#

Học không giám sát bao gồm một số kỹ thuật riêng biệt, mỗi kỹ thuật phù hợp với các loại bài toán phân tích dữ liệu khác nhau:

• Clustering: Đây là ứng dụng phổ biến nhất, trong đó thuật toán nhóm các điểm dữ liệu tương tự nhau. Một phương pháp phổ biến là K-Means clustering, phân chia dữ liệu thành k nhóm riêng biệt dựa trên độ tương đồng của các feature. Kỹ thuật này được sử dụng rộng rãi trong phân khúc thị trường để xác định các nhóm khách hàng có hành vi mua sắm tương tự.
• Giảm số chiều: Dữ liệu nhiều chiều có thể phức tạp và tốn nhiều tài nguyên tính toán khi xử lý. Các kỹ thuật như Phân tích thành phần chính (PCA) giảm số lượng biến trong dataset đồng thời bảo toàn thông tin cốt lõi. Điều này giúp đơn giản hóa trực quan hóa dữ liệu và tăng tốc quá trình training các model machine learning khác.
• Phát hiện bất thường: Bằng cách học dữ liệu “bình thường” trông như thế nào, các model không giám sát có thể xác định những outlier lệch đáng kể khỏi chuẩn. Điều này rất quan trọng đối với phát hiện gian lận trong tài chính, trong đó các pattern giao dịch bất thường sẽ kích hoạt cảnh báo bảo mật.
• Học luật kết hợp: Kỹ thuật này phát hiện các mối quan hệ thú vị giữa các biến trong những database lớn. Kỹ thuật này nổi tiếng được sử dụng trong phân tích giỏ hàng, giúp các nhà bán lẻ hiểu rằng khách hàng mua bánh mì cũng thường có khả năng mua bơ.

Học không giám sát so với học có giám sát#

Điều quan trọng là phân biệt học không giám sát với học có giám sát. Điểm khác biệt chính nằm ở dữ liệu được sử dụng. Học có giám sát yêu cầu một dataset đã gắn nhãn, nghĩa là mỗi mẫu training được ghép với một output chính xác (ví dụ: hình ảnh một con mèo được gắn nhãn “mèo”). Model học cách ánh xạ input sang output để giảm thiểu sai số.

Ngược lại, học không giám sát sử dụng dữ liệu chưa gắn nhãn. Không có vòng lặp phản hồi cho model biết output của nó có chính xác hay không. Tồn tại một phương án trung gian gọi là học bán giám sát, kết hợp một lượng nhỏ dữ liệu đã gắn nhãn với một lượng lớn dữ liệu chưa gắn nhãn để cải thiện độ chính xác của quá trình học, thường được sử dụng khi việc gắn nhãn dữ liệu tốn kém hoặc mất nhiều thời gian.

Các ứng dụng trong thực tế#

Học không giám sát vận hành nhiều công nghệ mà chúng ta sử dụng hằng ngày. Dưới đây là hai ví dụ cụ thể:

1. Phân khúc khách hàng trong bán lẻ: Các nền tảng thương mại điện tử phân tích hàng triệu tương tác của người dùng mà không có các danh mục được định nghĩa trước. Bằng cách sử dụng các thuật toán clustering, họ xác định những persona người dùng riêng biệt—chẳng hạn như “người săn hàng giảm giá cuối tuần” hoặc “người đam mê công nghệ”. Điều này cho phép triển khai các chiến dịch marketing được cá nhân hóa cao và hệ thống gợi ý, qua đó cải thiện đáng kể trải nghiệm khách hàng.

2. Phân tích trình tự gene: Trong tin sinh học, các nhà nghiên cứu sử dụng học không giám sát để phân tích dữ liệu di truyền. Các thuật toán cluster các trình tự DNA nhằm tìm ra các marker di truyền hoặc đột biến tương tự giữa những quần thể khác nhau. Điều này hỗ trợ tìm hiểu các mối quan hệ tiến hóa và xác định khuynh hướng di truyền đối với bệnh tật mà không cần biết trước chức năng của từng gene cụ thể.

Ví dụ code: Clustering với Scikit-Learn#

Mặc dù Ultralytics YOLO26 chủ yếu là một framework phát hiện object có giám sát, các kỹ thuật không giám sát thường được sử dụng trong các bước tiền xử lý, chẳng hạn như phân tích phân phối anchor box hoặc clustering các feature của dataset. Dưới đây là một ví dụ đơn giản sử dụng sklearn để thực hiện K-Means clustering, một kỹ thuật không giám sát nền tảng.

import numpy as np
from sklearn.cluster import KMeans

# Generate synthetic data: 10 points with 2 features each
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# Initialize KMeans with 2 clusters (k=2)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto")

# Fit the model to the data (no labels provided!)
kmeans.fit(X)

# Predict which cluster each point belongs to
print(f"Labels: {kmeans.labels_}")
# Output will group the first 3 points together (0) and the last 3 together (1)

Vai trò của học không giám sát trong Deep Learning#

Deep learning (DL) hiện đại ngày càng tích hợp các nguyên tắc không giám sát. Các kỹ thuật như Học tự giám sát (SSL) cho phép model tự tạo các tín hiệu giám sát từ dữ liệu. Chẳng hạn, trong Xử lý ngôn ngữ tự nhiên (NLP), các model như GPT-4 được pre-train trên lượng văn bản khổng lồ để dự đoán từ tiếp theo trong một câu, qua đó học cấu trúc ngôn ngữ mà không cần nhãn rõ ràng.

Tương tự, trong thị giác máy tính (CV), autoencoder được sử dụng để học các encoding dữ liệu hiệu quả. Các neural network này nén hình ảnh thành một biểu diễn có số chiều thấp hơn rồi tái tạo chúng. Quá trình này giúp network học được những feature nổi bật nhất của dữ liệu hình ảnh, hữu ích cho các tác vụ như khử nhiễu hình ảnh và modeling sinh.

Đối với những người muốn quản lý dataset để training, Ultralytics Platform cung cấp các công cụ để trực quan hóa phân phối dữ liệu, qua đó hỗ trợ xác định các cluster hoặc anomaly trước khi bắt đầu quá trình training có giám sát. Tìm hiểu cấu trúc dữ liệu thông qua việc khám phá không giám sát thường là bước đầu tiên để xây dựng các giải pháp AI mạnh mẽ.