Ví dụ: Luyện tập: Trí tuệ nhân tạo cơ bản

Bài: Luyện tập: Trí tuệ nhân tạo cơ bản

Giới thiệu

Ở các bài trước, chúng ta đã tìm hiểu về khái niệm Trí tuệ nhân tạo (AI), học máy (Machine Learning) và một số ứng dụng tiêu biểu. Trong bài học này, chúng ta sẽ cùng nhau luyện tập, phân tích một ví dụ cụ thể, từng bước một, để hiểu rõ hơn cách một mô hình AI cơ bản "học" và đưa ra dự đoán. Việc luyện tập thông qua các ví dụ giúp các em nắm vững kiến thức và thấy được quy trình hoạt động thực tế của AI.

Lý thuyết: Luyện tập là gì trong AI?

Trong lĩnh vực Trí tuệ nhân tạo, luyện tập (training) là quá trình một mô hình AI học từ dữ liệu. Mô hình sẽ xem xét các ví dụ có sẵn (dữ liệu đầu vào và kết quả tương ứng) để tự điều chỉnh các tham số bên trong của nó. Mục tiêu của việc luyện tập là giúp mô hình có khả năng đưa ra dự đoán chính xác khi gặp dữ liệu mới mà nó chưa từng thấy trước đây. Quá trình này thường diễn ra theo các bước:

1. Chuẩn bị dữ liệu: Thu thập và sắp xếp dữ liệu thành các cặp (đầu vào - đầu ra mong muốn).
2. Đưa dữ liệu vào mô hình: Cho mô hình xem dữ liệu đầu vào.
3. So sánh kết quả: Mô hình đưa ra dự đoán, ta so sánh dự đoán này với kết quả thực tế.
4. Điều chỉnh: Dựa trên sự sai lệch, mô hình sẽ tự điều chỉnh để lần sau dự đoán tốt hơn.
5. Lặp lại: Thực hiện nhiều lần bước 2 đến 4 cho đến khi mô hình hoạt động ổn định.

Ví dụ minh họa từng bước: Nhận biết quả táo và quả cam

Hãy tưởng tượng chúng ta muốn xây dựng một mô hình AI đơn giản để phân biệt quả táo và quả cam dựa trên hai đặc điểm: màu sắc và độ cứng. Dữ liệu sẽ được biểu diễn bằng số:

• Màu sắc: 0 = xanh, 1 = vàng, 2 = đỏ.
• Độ cứng: 0 = mềm, 1 = hơi cứng, 2 = cứng.
• Kết quả: 0 = cam, 1 = táo.

Bước 1: Chuẩn bị dữ liệu luyện tập

Chúng ta có 4 mẫu dữ liệu:

• Mẫu 1: Màu vàng (1), hơi cứng (1) → Cam (0)
• Mẫu 2: Màu vàng (1), hơi cứng (1) → Cam (0) (thêm ví dụ để học tốt hơn)
• Mẫu 3: Màu đỏ (2), cứng (2) → Táo (1)
• Mẫu 4: Màu xanh (0), mềm (0) → Táo (1) (táo xanh)

Dữ liệu được xếp thành bảng: Đầu vào: [(1,1), (1,1), (2,2), (0,0)] Đầu ra mong muốn: [0, 0, 1, 1]

Bước 2: Đưa dữ liệu vào mô hình (lần đầu tiên)

Giả sử ban đầu mô hình của chúng ta chưa biết gì, nó đoán bừa (ví dụ: luôn đoán là "cam"). Cho mẫu 1: (1,1) vào. Mô hình dự đoán: 0 (cam). Kết quả thực tế là 0 (cam) → Dự đoán đúng. Mô hình không cần điều chỉnh nhiều. Cho mẫu 3: (2,2) vào. Mô hình vẫn dự đoán: 0 (cam). Kết quả thực tế là 1 (táo) → Dự đoán sai.

Bước 3: So sánh và điều chỉnh

Khi phát hiện dự đoán sai ở mẫu 3 (màu đỏ, cứng), mô hình cần điều chỉnh. Mô hình sẽ "ghi nhớ" rằng: nếu màu đỏ và cứng, kết quả có thể là táo. Nó thay đổi một chút các quy tắc bên trong để lần sau khi gặp dữ liệu tương tự, nó sẽ ưu tiên dự đoán "táo". Tương tự, với mẫu 4 (xanh, mềm), nếu mô hình dự đoán sai, nó cũng sẽ điều chỉnh để học đặc điểm "xanh và mềm" là táo.

Bước 4: Lặp lại

Quá trình trên được lặp lại nhiều lần (có thể là 10, 20 lần) với cả 4 mẫu dữ liệu. Sau mỗi lần, mô hình ngày càng điều chỉnh chính xác hơn. Cuối cùng, mô hình học được quy tắc như sau:

• Nếu màu vàng (1) và hơi cứng (1) → Cam (0).
• Nếu màu đỏ (2) và cứng (2) → Táo (1).
• Nếu màu xanh (0) và mềm (0) → Táo (1).

Bước 5: Kiểm tra với dữ liệu mới

Bây giờ, đưa cho mô hình một quả mới: màu đỏ (2), hơi cứng (1). Mô hình chưa từng thấy dữ liệu này bao giờ. Dựa trên kinh nghiệm đã học, nó sẽ so sánh: "Màu đỏ giống táo, nhưng độ cứng 'hơi cứng' gần giống độ cứng của cam hơn". Sau khi tính toán, mô hình có thể dự đoán đó là quả táo (vì màu sắc là yếu tố rõ ràng hơn). Kết quả này có thể đúng hoặc sai tùy vào thực tế, nhưng đó là dự đoán của mô hình sau quá trình luyện tập.

Ghi nhớ

Luyện tập là quá trình cốt lõi để tạo ra một mô hình AI. Thông qua việc đưa dữ liệu có nhãn, so sánh kết quả và điều chỉnh liên tục, mô hình dần dần "học" được quy luật từ dữ liệu. Mô hình càng được luyện tập với nhiều dữ liệu chất lượng thì càng đưa ra dự đoán chính xác. Các bước cơ bản gồm: chuẩn bị dữ liệu → dự đoán → so sánh → điều chỉnh → lặp lại.

Bài tập gợi ý

1. Hãy tự tạo một bộ dữ liệu nhỏ gồm 3 mẫu để phân biệt "mèo" và "chó" dựa trên đặc điểm "kích thước" (nhỏ - 0, lớn - 1) và "tiếng kêu" (meo - 0, gâu - 1). Mô tả quá trình luyện tập gồm 2 lần lặp (iteration) để mô hình học từ dữ liệu của em.
2. Giả sử em có một mô hình AI đã được luyện tập để nhận diện chữ số viết tay. Em đưa vào một chữ số "3" viết bằng tay nhưng mô hình lại dự đoán là "8". Theo em, nguyên nhân có thể do đâu? (Gợi ý: dữ liệu luyện tập, hình dạng chữ số...)
3. Trong ví dụ về táo và cam ở trên, nếu chúng ta chỉ luyện tập với 1 mẫu cam (màu vàng, hơi cứng) và 1 mẫu táo (màu đỏ, cứng) thì điều gì có thể xảy ra khi mô hình gặp một quả táo xanh, mềm? Hãy giải thích.