100 câu hỏi về AI

Với quy tắc, người viết chương trình mô tả trực tiếp cách quyết định. Với học máy, dữ liệu và mục tiêu huấn luyện góp phần xác định các tham số. Cả hai vẫn cần thiết kế và kiểm thử. Một bài toán có quy tắc ổn định, rõ ràng có thể chưa cần mô hình học máy.

Không. Lợi ích phụ thuộc dữ liệu, bài toán và nguồn lực. Với dữ liệu ít hoặc quan hệ đơn giản, một phương pháp nhẹ có thể hiệu quả hơn và dễ kiểm tra hơn. Hãy có một mốc so sánh đơn giản, rồi đánh giá mô hình sâu trên dữ liệu chưa dùng để lựa chọn cấu hình.

Không. Thị giác máy tính là lĩnh vực bài toán, còn học sâu là một nhóm phương pháp. Lọc ảnh, hình học camera và nhiều bộ theo dõi có thể hoạt động mà không dùng mạng sâu. Một hệ thực tế thường kết hợp mô hình học với xử lý ảnh và các ràng buộc hình học.

Không. Nhãn có thể đến từ con người, thiết bị đo hoặc một quy trình đã kiểm chứng. Điều cần quan tâm là độ đúng và mức phù hợp với mục tiêu. Nhãn tự động sai có hệ thống có thể làm mô hình học sai, dù tập dữ liệu có số lượng lớn.

Không. Một thuật toán gom nhóm có thể tách ảnh theo ánh sáng thay vì loại sản phẩm. Cụm phản ánh biểu diễn, độ đo và giả thiết của phương pháp. Cần đối chiếu mẫu trong từng cụm với ý nghĩa thực tế trước khi dùng chúng làm nhãn hoặc căn cứ quyết định.

Vẫn có mục tiêu, nhưng mục tiêu được xây từ dữ liệu thay vì cần nhãn thủ công cho từng mẫu. Chọn mục tiêu nào quyết định thông tin mô hình được khuyến khích giữ. Biểu diễn học được vẫn cần đánh giá trên nhiệm vụ sử dụng, vì một mục tiêu phụ tốt chưa bảo đảm mọi ứng dụng đều tốt.

Tác tử tạo ra hành động làm thay đổi trải nghiệm về sau, còn phần thưởng có thể đến chậm. Nó cần giải quyết cả việc khám phá lẫn phân bổ tác động của các hành động lên kết quả. Không nên coi phần thưởng như nhãn đúng tức thời cho mọi hành động riêng lẻ.

Nhiều lớp thường chọn một lớp trong các lựa chọn loại trừ nhau. Nhiều nhãn cho phép một mẫu mang đồng thời nhiều nhãn. Ví dụ ảnh có cả xe và người phù hợp với nhiều nhãn. Cách xây đầu ra, hàm mất mát và phép đánh giá phải theo đúng hai thiết lập khác nhau này.

Có thể chia giá trị thành các khoảng, nhưng khi đó mục tiêu và độ phân giải thay đổi. Sai lệch giữa hai khoảng gần nhau không giống sai lệch giữa hai khoảng rất xa. Chọn hồi quy, phân loại theo khoảng hoặc kết hợp cả hai dựa trên yêu cầu đo lường và cách đánh giá.

Khi miền nguồn khác xa miền đích hoặc cách xử lý đầu vào không tương thích, biểu diễn có thể giữ những đặc điểm ít hữu ích. Cần so sánh với mốc cơ sở và kiểm tra theo từng nhóm dữ liệu. Tên mô hình nổi tiếng không thay thế được phép đánh giá trên bài toán của bạn.

Không có con số chung. Nhu cầu phụ thuộc độ đa dạng, độ khó, chất lượng nhãn và kiến thức học trước. Hãy vẽ đường học khi tăng lượng dữ liệu và kiểm tra các nhóm lỗi. Một nghìn ảnh gần trùng nhau có thể cung cấp ít thông tin hơn vài trăm ảnh đại diện tốt.

Có, đó là vai trò thường gặp của validation. Nhưng càng thử nhiều lựa chọn, ta càng có nguy cơ hợp riêng với tập này. Cần một tập test độc lập cho đánh giá cuối cùng, hoặc quy trình đánh giá lồng nhau khi dữ liệu nhỏ và phải chọn nhiều siêu tham số.

Tập ấy đã tham gia vào quá trình lựa chọn, nên kết quả mới có thể lạc quan. Hãy ghi rõ việc sử dụng và chuẩn bị một đợt đánh giá độc lập khác nếu cần kết luận đáng tin cậy. Không chỉ việc cập nhật gradient mới gây ảnh hưởng đến tính độc lập của test.

Không. Các ảnh có chung người, sản phẩm, video hoặc phiên chụp có thể rất giống nhau. Nên chia theo đơn vị độc lập phù hợp với cách triển khai. Các thống kê chuẩn hóa được học từ dữ liệu cũng phải ước lượng trên train, rồi áp dụng nhất quán cho các tập còn lại.

Không. Lật chữ số hoặc biển chỉ dẫn có thể làm thay đổi ý nghĩa. Với hộp bao, keypoint và mask, biến đổi hình học phải được áp dụng đồng bộ cho nhãn. Chọn augmentation theo biến thiên thực tế cần chịu được, rồi kiểm tra trực quan các mẫu sau biến đổi.

Không. Một hệ luôn đoán đạt có thể đạt accuracy cao nhưng bỏ sót mọi lỗi. Hãy xem recall của lớp lỗi, precision, ma trận nhầm lẫn và chi phí của từng loại sai. Lấy mẫu lại hoặc trọng số lớp cần được kiểm tra trên phân bố đánh giá phù hợp với sử dụng thực tế.

Không. Tăng ngưỡng thường giảm số cảnh báo nhưng có thể bỏ sót nhiều trường hợp dương. Cần nhìn precision cùng recall và yêu cầu ứng dụng. Nếu không có dự đoán dương, mẫu số bằng không và quy ước báo cáo phải được nêu rõ thay vì coi kết quả là một độ chính xác hoàn hảo.

Không. Một hệ báo mọi mẫu là dương có recall cao nhưng có thể tạo rất nhiều dương giả. Recall đo việc bỏ sót, precision đo độ đúng trong các cảnh báo. Hãy chọn ngưỡng trên validation theo chi phí sai sót, sau đó báo cáo kết quả trên tập kiểm tra đã giữ riêng.

Không. F1 không dùng số âm đúng và không thể hiện mọi chi phí ứng dụng. Với nhiều lớp, macro, micro và weighted F1 có cách tổng hợp khác nhau. Cần nêu rõ cách tính và xem thêm các chỉ số theo lớp, đặc biệt khi dữ liệu mất cân bằng hoặc một loại lỗi có chi phí lớn.

Không thể xác nhận cho một trường hợp đơn lẻ chỉ từ con số. Cần đánh giá độ hiệu chuẩn trên dữ liệu đại diện. Mô hình có thể tự tin quá mức, nhất là khi miền dữ liệu thay đổi. Softmax tạo một phân bố điểm nhưng không tự bảo đảm xác suất phản ánh đúng tần suất thực tế.