Trong bài viết này
Từ được đánh dấu có giải thích. Di chuột hoặc chạm để xem, hay mở từ điển AI.
“Giao nhanh nhưng hộp bị móp” nên mang nhãn tích cực hay tiêu cực? Hai người có thể chọn hai đáp án khác nhau mà đều có lý. Trước khi huấn luyện AI đọc phản hồi, bạn phải quyết định mình muốn mô hình trả lời câu hỏi nào. Tình huống cửa hàng trong bài là ví dụ minh họa.
Một dòng dữ liệu chứa nhiều vai trò
Giả sử nhiệm vụ là phát hiện phản hồi cần nhân viên hỗ trợ. Mỗi ví dụ có nội dung khách viết, thời điểm gửi và nhãn “cần hỗ trợ” hoặc “không cần hỗ trợ”. Nội dung là đầu vào; nhãn là kết quả mong muốn mà bạn dùng để dạy và đánh giá.
Trong mô tả học có giám sát của Google, dữ liệu đi cùng đáp án đã biết giúp mô hình học mối liên hệ. Nhưng “đã biết” không đồng nghĩa “hoàn toàn khách quan”. Nhãn phản ánh mục tiêu, quy tắc và quy trình thu thập của người xây dựng dữ liệu.
Nếu nhiệm vụ đổi thành phát hiện hộp hỏng, câu “giao nhanh nhưng hộp bị móp” có nhãn khá rõ. Nếu nhiệm vụ là đo cảm xúc tổng thể, bạn cần quy ước xử lý ý kiến trái chiều. Cùng một câu có thể phục vụ nhiều bộ nhãn khác nhau.
Viết hướng dẫn trước khi gán hàng loạt
Một hướng dẫn tốt cần định nghĩa nhãn, ví dụ điển hình và ví dụ sát ranh giới. Với yêu cầu hỗ trợ, bạn có thể quy định câu đề nghị đổi hàng cần xử lý, còn lời kể về lần mua trước đã được giải quyết thì không. Đây là lựa chọn vận hành của bài tập, không phải quy luật dùng cho mọi cửa hàng.
Đừng ép người gán nhãn đoán khi thiếu ngữ cảnh. Hãy có trạng thái “chưa đủ thông tin” để chuyển người có thẩm quyền xem lại. Nếu nhiều ví dụ rơi vào trạng thái ấy, vấn đề có thể nằm ở định nghĩa nhiệm vụ hoặc dữ liệu thiếu, chứ không nằm ở sự cẩn thận của người đọc.
Cho hai người đọc độc lập một nhóm nhỏ sẽ làm lộ cách hiểu khác nhau. Khi bất đồng, sửa hướng dẫn rồi rà lại các ví dụ chịu ảnh hưởng; chỉ sửa riêng một dòng sẽ để lỗi tương tự tiếp tục xuất hiện.
Mô hình nhận ví dụ đã gán nhãn, tạo dự đoán, đo sai lệch rồi điều chỉnh tham số. Khả năng áp dụng cần được kiểm tra trên dữ liệu chưa dùng để học.
↔ Vuốt ngang để xem toàn bộ sơ đồ.
01 / Ví dụ có nhãn
Các phản hồi về quán cà phê đi kèm nhãn đúng: đồ uống, phục vụ hoặc không gian.
02 / Tạo dự đoán
Mô hình dùng tham số hiện tại để dự đoán chủ đề của phản hồi.
03 / Đo sai lệch
So dự đoán với nhãn đúng. Hàm mất mát biểu diễn mức sai lệch cần giảm.
04 / Điều chỉnh
Thuật toán cập nhật tham số và lặp lại trên dữ liệu học. Sau đó đánh giá bằng các ví dụ được giữ riêng.
Minh họa giản lược cho học máy có giám sát. Một lần điều chỉnh không bảo đảm dự đoán tiếp theo sẽ đúng.
Đầu vào phải tồn tại tại thời điểm dự đoán
Giả sử bạn muốn dự đoán ngay khi phản hồi đến nhưng đưa thêm cột “nhân viên đã hoàn tiền”. Cột này được tạo sau khi người xử lý biết sự việc. Khi thử nghiệm, nó có thể làm kết quả rất đẹp; khi dùng thật, hệ thống lại chưa có thông tin ấy.
Đây là một dạng rò rỉ thông tin. Một cách kiểm tra đơn giản là viết thời điểm ra quyết định cạnh từng cột. Cột nào xuất hiện sau thời điểm đó cần bị loại khỏi đầu vào. Đồng thời, không đưa tên người hoặc thông tin liên hệ vào mô hình chỉ vì bảng nguồn có sẵn chúng.
Các dòng lặp cũng gây ngộ nhận. Một phản hồi được sao chép sang nhiều kênh không trở thành nhiều tình huống độc lập. Giữ mã nguồn và dấu vết chỉnh sửa sẽ giúp bạn tìm lại nguyên nhân khi thấy lỗi.
Số lượng không thay thế độ phủ
Một nghìn câu ngắn từ khách hài lòng không giúp bạn hiểu hết câu phàn nàn dài, viết tắt hoặc không dấu. Hãy liệt kê các dạng đầu vào thật mà sản phẩm sẽ gặp, rồi kiểm tra bộ dữ liệu có đại diện cho chúng hay chưa.
Độ phủ cũng không có nghĩa thu thập mọi thứ có thể. Bạn cần dữ liệu phù hợp mục đích, có quyền sử dụng và đủ thông tin để giải bài toán. Một bảng nhỏ được mô tả rõ thường hữu ích cho việc học hơn một tập lớn mà không ai biết nguồn gốc.
Bài tập: tạo sổ tay nhãn một trang
Tự viết mười hai phản hồi giả định về một thư viện. Chọn nhiệm vụ “cần thủ thư phản hồi”, định nghĩa hai nhãn và thêm trạng thái chưa rõ. Viết ba quy tắc kèm ví dụ; sau đó nhờ một người áp dụng mà không giải thích miệng.
Tự kiểm: mỗi nhãn có lý do đối chiếu được với quy tắc, câu mơ hồ được giữ lại để xét, và mọi cột đầu vào đều có sẵn lúc phản hồi đến. Lưu cả phiên bản hướng dẫn đã sửa. Bước tiếp theo là chia tập train, validation và test.