Học có giám sát, không giám sát và học tăng cường: ba cách máy tính học

Khi nói về học máy (machine learning), nhiều người hình dung một chiếc máy tự "học" như con người. Thực tế, cách máy học khác nhau tùy theo dữ liệu mà ta có và mục tiêu mà ta đặt ra. Về cơ bản, các phương pháp được chia thành ba nhóm lớn: học có giám sát, học không giám sát và học tăng cường. Hiểu rõ sự khác biệt giữa ba nhóm này là bước đầu tiên để chọn đúng hướng tiếp cận cho một bài toán cụ thể.

Học có giám sát: học từ ví dụ đã có đáp án

Trong học có giám sát (supervised learning), dữ liệu huấn luyện gồm các cặp "đầu vào - đáp án". Mô hình quan sát nhiều cặp như vậy để tìm ra quy luật nối đầu vào với đáp án, rồi dùng quy luật đó để dự đoán cho dữ liệu mới. Ví dụ, nếu ta có hàng loạt email đã được gán nhãn "thư rác" hoặc "thư thường", mô hình có thể học cách nhận diện thư rác trong những email chưa từng thấy.

Nhóm này gồm hai dạng bài toán chính:

Phân loại: đáp án là một nhãn rời rạc, chẳng hạn thư rác hay không, ảnh chứa mèo hay chó.
Hồi quy: đáp án là một giá trị số liên tục, chẳng hạn dự đoán giá nhà dựa trên diện tích và vị trí.

Điểm mạnh của học có giám sát là mục tiêu rõ ràng và dễ đánh giá. Điểm yếu là cần dữ liệu đã được gán nhãn, mà việc gán nhãn thường tốn thời gian và công sức của con người.

Học không giám sát: tự tìm cấu trúc trong dữ liệu

Ở học không giám sát (unsupervised learning), dữ liệu không đi kèm đáp án. Mô hình phải tự khám phá cấu trúc ẩn bên trong dữ liệu. Ví dụ điển hình là phân cụm (clustering): từ dữ liệu mua sắm của khách hàng, thuật toán có thể gom họ thành các nhóm có hành vi tương tự mà không ai định nghĩa trước các nhóm đó.

Một ứng dụng phổ biến khác là giảm chiều dữ liệu, tức là rút gọn nhiều thuộc tính thành ít thuộc tính hơn nhưng vẫn giữ phần thông tin quan trọng, giúp trực quan hóa hoặc xử lý nhanh hơn. Kết quả của học không giám sát thường cần con người diễn giải: thuật toán chỉ cho biết "các điểm này giống nhau", còn ý nghĩa của sự giống nhau đó là gì thì cần chuyên gia lĩnh vực xem xét.

Học tăng cường: học qua thử và sai

Học tăng cường (reinforcement learning) mô phỏng cách một sinh vật học thông qua trải nghiệm. Một tác tử (agent) tương tác với môi trường, thực hiện hành động, nhận về phần thưởng hoặc hình phạt, rồi điều chỉnh chiến lược để tối đa hóa tổng phần thưởng về lâu dài. Không có tập đáp án có sẵn; tác tử phải tự khám phá hành động nào tốt.

Cách tiếp cận này phù hợp với các bài toán ra quyết định tuần tự như điều khiển robot, chơi trò chơi chiến lược hay tối ưu hóa vận hành. Đổi lại, nó thường đòi hỏi rất nhiều lượt thử, nên người ta hay huấn luyện trong môi trường mô phỏng trước khi đưa vào thực tế.

Chọn phương pháp nào cho bài toán của bạn?

Một cách đơn giản để định hướng là tự đặt ba câu hỏi:

Tôi có dữ liệu kèm đáp án đáng tin cậy không? Nếu có, hãy cân nhắc học có giám sát.
Tôi chỉ có dữ liệu thô và muốn khám phá nhóm, mẫu hình hoặc bất thường? Học không giám sát là điểm khởi đầu hợp lý.
Bài toán là chuỗi quyết định, mỗi quyết định ảnh hưởng đến trạng thái sau đó, và có thể định nghĩa phần thưởng? Khi đó học tăng cường đáng được xem xét.

Trong thực tế, các nhóm này còn được kết hợp. Chẳng hạn, nhiều hệ thống dùng dữ liệu không nhãn để học biểu diễn trước, sau đó tinh chỉnh bằng một lượng nhỏ dữ liệu có nhãn.

Kết luận

Học có giám sát học từ đáp án, học không giám sát tìm cấu trúc, còn học tăng cường học từ phần thưởng. Không có phương pháp nào "tốt nhất" cho mọi trường hợp; lựa chọn đúng phụ thuộc vào loại dữ liệu sẵn có và câu hỏi mà bạn muốn trả lời. Nắm vững ba khái niệm này sẽ giúp bạn đọc hiểu các tài liệu về trí tuệ nhân tạo dễ dàng hơn và trao đổi hiệu quả hơn với những người làm kỹ thuật.