AI 1 — Trí tuệ nhân tạo & Machine Learning là gì

Mở đầu: tại sao cần phân biệt rạch ròi

Trong các cuộc họp về dữ liệu, ba từ "AI", "Machine Learning" và "Deep Learning" thường được dùng lẫn lộn như thể chúng là một. Sự nhầm lẫn này không vô hại: nó dẫn đến kỳ vọng sai (nghĩ rằng cứ "dùng AI" là tự động thông minh), đầu tư sai (mua hệ thống deep learning cho bài toán mà hồi quy tuyến tính giải được), và giao tiếp sai giữa đội kinh doanh với đội kỹ thuật.

Bài này đặt nền móng cho toàn bộ chuỗi. Sau khi đọc xong, bạn sẽ phân biệt được ba khái niệm lồng nhau, hiểu vì sao "học từ dữ liệu" khác về bản chất với "lập trình truyền thống", nắm được các kiểu học máy, và hình dung được một dự án ML chạy từ đầu đến cuối trông như thế nào.

AI vs Machine Learning vs Deep Learning

Cách hình dung chính xác nhất là ba vòng tròn lồng nhau: Deep Learning nằm trong Machine Learning, Machine Learning nằm trong Artificial Intelligence.

• Artificial Intelligence (Trí tuệ nhân tạo) là khái niệm rộng nhất: bất kỳ kỹ thuật nào giúp máy tính thực hiện những tác vụ mà ta thường cho là cần "trí thông minh" của con người. Khái niệm này có từ những năm 1950 và bao gồm cả những phương pháp không học từ dữ liệu, ví dụ: hệ chuyên gia dựa trên luật if-then, thuật toán tìm kiếm trong cờ vua, suy diễn logic.

• Machine Learning (Học máy) là một nhánh con của AI. Điểm cốt lõi: thay vì con người viết sẵn từng quy tắc, máy tự rút ra quy luật từ dữ liệu. Bạn cung cấp ví dụ, thuật toán tìm ra mẫu (pattern). Hồi quy tuyến tính, cây quyết định, random forest, gradient boosting (XGBoost, LightGBM) đều là ML.

• Deep Learning (Học sâu) là một nhánh con của ML, sử dụng mạng nơ-ron nhân tạo nhiều lớp (deep neural networks). Ưu điểm lớn nhất của nó là khả năng tự học đặc trưng (feature) từ dữ liệu thô như ảnh, âm thanh, văn bản — những loại dữ liệu mà việc thiết kế đặc trưng thủ công rất khó. Đây là nền tảng cho thị giác máy tính, dịch máy và các mô hình ngôn ngữ lớn (LLM) hiện nay.

Một quan niệm sai phổ biến: "deep learning luôn tốt hơn". Thực tế, trên dữ liệu dạng bảng (tabular) có cấu trúc — vốn rất phổ biến trong ngân hàng — các mô hình cây như gradient boosting thường ngang ngửa hoặc vượt deep learning, lại nhanh hơn, rẻ hơn và dễ giải thích hơn.

Lập trình truyền thống vs học từ dữ liệu

Đây là sự khác biệt mang tính bản chất, đáng để dừng lại suy ngẫm.

Trong lập trình truyền thống, con người viết ra luật (logic). Máy nhận dữ liệu đầu vào, áp luật, cho ra kết quả:

Dữ liệu  +  Luật (do người viết)  →  Kết quả

Trong machine learning, ta đảo ngược dòng chảy. Con người cung cấp dữ liệu kèm kết quả mong muốn (đáp án), máy tự tìm ra luật:

Dữ liệu  +  Kết quả (đáp án)  →  Luật (do máy học ra)

Ví dụ cụ thể về lọc thư rác (spam):

• Cách truyền thống: lập trình viên viết luật — "nếu tiêu đề chứa 'trúng thưởng' thì đánh dấu spam". Vấn đề: kẻ gửi spam đổi thành "trúng th­ưởng", "tru'ng thuong"... ta phải liên tục thêm luật, không bao giờ theo kịp.
• Cách ML: đưa cho máy 100.000 email đã gắn nhãn spam/không-spam. Máy tự học ra rằng tổ hợp nhiều dấu hiệu (từ ngữ, người gửi, tần suất...) liên quan đến xác suất spam. Khi xuất hiện biến thể mới, mô hình vẫn khái quát hóa được.

Hệ quả quan trọng: ML hữu ích khi luật quá phức tạp hoặc thay đổi liên tục để con người viết tay, nhưng ta lại có sẵn nhiều dữ liệu ví dụ. Ngược lại, nếu luật đơn giản và rõ ràng (ví dụ tính thuế VAT), đừng dùng ML — chỉ cần viết công thức.

Các kiểu học máy

Học máy được chia thành ba nhóm chính dựa trên việc dữ liệu có "đáp án" (label) hay không và cách mô hình nhận phản hồi.

Supervised Learning (Học có giám sát)

Dữ liệu huấn luyện gồm các cặp (đầu vào, nhãn). Mô hình học ánh xạ từ đầu vào sang nhãn. "Có giám sát" nghĩa là có đáp án đúng để mô hình đối chiếu trong lúc học. Đây là kiểu phổ biến nhất trong thực tế ngân hàng. Chia làm hai bài toán con:

• Phân loại (Classification): nhãn là rời rạc (các lớp). Ví dụ: khách hàng này có vỡ nợ không (Có/Không); giao dịch này là gian lận hay hợp lệ; email là spam hay không. Khi chỉ có hai lớp gọi là phân loại nhị phân; nhiều lớp gọi là đa lớp.
• Hồi quy (Regression): nhãn là giá trị số liên tục. Ví dụ: dự đoán hạn mức tín dụng phù hợp (theo VND), dự đoán số dư tài khoản tháng sau, dự đoán giá nhà.

Unsupervised Learning (Học không giám sát)

Dữ liệu không có nhãn. Mục tiêu là tìm cấu trúc ẩn trong dữ liệu. Hai bài toán điển hình:

• Phân cụm (Clustering): tự động gom các điểm dữ liệu giống nhau thành nhóm. Ví dụ: phân khúc khách hàng (segmentation) thành các nhóm có hành vi tiêu dùng tương đồng để thiết kế sản phẩm riêng. Thuật toán phổ biến: K-Means.
• Giảm chiều (Dimensionality Reduction): nén dữ liệu nhiều chiều xuống ít chiều hơn mà giữ lại thông tin quan trọng, phục vụ trực quan hóa hoặc làm sạch nhiễu. Thuật toán phổ biến: PCA.

Reinforcement Learning (Học tăng cường)

Một tác nhân (agent) tương tác với môi trường (environment), thực hiện hành động (action), nhận phần thưởng (reward) hoặc hình phạt, và học chiến lược (policy) để tối đa hóa tổng phần thưởng theo thời gian. Không có "đáp án đúng" cho từng bước, chỉ có tín hiệu thưởng/phạt. Ví dụ điển hình: AI chơi cờ vây, robot học đi, hệ thống gợi ý tối ưu tương tác dài hạn. Trong ngân hàng, RL ít phổ biến hơn nhưng xuất hiện ở một số bài toán định giá động hay tối ưu danh mục.

Bảng so sánh

Descriptive – Predictive – Prescriptive

Một cách phân loại khác, theo mục đích phân tích (góc nhìn của bộ phận phân tích dữ liệu):

• Descriptive (Mô tả): chuyện gì đã xảy ra? Đây là báo cáo, dashboard, thống kê. Ví dụ: tháng trước có bao nhiêu khoản vay quá hạn. Phần lớn là BI/thống kê, chưa hẳn là ML.
• Predictive (Dự đoán): chuyện gì sẽ xảy ra? Đây là địa hạt chính của supervised learning. Ví dụ: khách hàng nào có khả năng vỡ nợ trong 6 tháng tới.
• Prescriptive (Đề xuất): ta nên làm gì? Kết hợp dự đoán với tối ưu hóa để khuyến nghị hành động. Ví dụ: với khách hàng rủi ro cao, nên hạ hạn mức hay yêu cầu tài sản đảm bảo nào để tối ưu lợi nhuận/rủi ro.

Độ khó và giá trị tăng dần từ descriptive đến prescriptive. Hầu hết tổ chức nên làm tốt mô tả trước khi nhảy sang dự đoán và đề xuất.

Quy trình Machine Learning end-to-end

Một dự án ML thực tế không chỉ là "huấn luyện mô hình". Phần huấn luyện thường chỉ chiếm một phần nhỏ; phần lớn công sức nằm ở dữ liệu và vận hành. Dưới đây là vòng đời điển hình:

1. Thu thập dữ liệu (Data collection): lấy dữ liệu từ kho dữ liệu, log giao dịch, CRM, nguồn ngoài. Chất lượng dữ liệu quyết định trần hiệu năng — "rác vào, rác ra" (garbage in, garbage out).
2. Tiền xử lý (Preprocessing): xử lý giá trị thiếu, loại bỏ trùng lặp, sửa lỗi định dạng, xử lý ngoại lai (outlier), chuẩn hóa thang đo. Đây thường là bước tốn thời gian nhất.
3. Feature Engineering: tạo ra các đặc trưng (biến đầu vào) hữu ích cho mô hình từ dữ liệu thô. Ví dụ từ ngày sinh tính ra tuổi, từ lịch sử giao dịch tính ra "số ngày trung bình trễ thanh toán". Bước này sẽ được đào sâu ở bài tiếp theo.
4. Huấn luyện (Training): chọn thuật toán, đưa dữ liệu vào để mô hình học các tham số.
5. Đánh giá (Evaluation): đo hiệu năng trên dữ liệu mô hình chưa thấy, bằng các chỉ số phù hợp (accuracy, precision/recall, AUC cho phân loại; RMSE, MAE cho hồi quy). Nếu chưa đạt, quay lại tinh chỉnh feature hoặc mô hình.
6. Triển khai (Deployment): đưa mô hình vào sản xuất — dưới dạng API, batch job, hoặc tích hợp vào hệ thống nghiệp vụ.
7. Giám sát (Monitoring): theo dõi hiệu năng theo thời gian. Mô hình có thể suy giảm khi phân phối dữ liệu thay đổi (data drift / concept drift), buộc phải huấn luyện lại. Đây là vòng lặp liên tục, không phải dự án "làm một lần xong".

Train / Validation / Test split

Để biết mô hình có thực sự học được quy luật khái quát (chứ không chỉ "thuộc lòng" dữ liệu), ta phải đánh giá nó trên dữ liệu chưa từng thấy lúc huấn luyện. Vì vậy dữ liệu thường được chia ba phần:

• Tập huấn luyện (Training set): dùng để mô hình học các tham số. Thường chiếm phần lớn (ví dụ 70%).
• Tập kiểm định (Validation set): dùng để tinh chỉnh siêu tham số (hyperparameter) và chọn mô hình. Mô hình không học tham số trên tập này, nhưng ta dùng nó để ra quyết định trong quá trình phát triển (ví dụ 15%).
• Tập kiểm tra (Test set): chỉ dùng một lần cuối cùng để báo cáo hiệu năng khách quan, mô phỏng dữ liệu thật trong tương lai (ví dụ 15%).

Lưu ý quan trọng: với dữ liệu có yếu tố thời gian (như tài chính), nên chia theo thời gian (huấn luyện trên quá khứ, kiểm tra trên tương lai) thay vì chia ngẫu nhiên, để tránh "rò rỉ thông tin tương lai" (data leakage). Các tỷ lệ nêu trên chỉ là minh họa thông dụng, không phải con số bắt buộc.

Overfitting vs Underfitting (trực giác)

Hai lỗi cơ bản đối nghịch nhau khi huấn luyện mô hình:

• Underfitting (học chưa tới): mô hình quá đơn giản, không nắm được quy luật ngay cả trên dữ liệu huấn luyện. Biểu hiện: sai số cao cả trên tập train lẫn test. Giống học sinh chưa học bài.
• Overfitting (học vẹt): mô hình quá phức tạp, "thuộc lòng" cả nhiễu trong dữ liệu huấn luyện. Biểu hiện: sai số rất thấp trên train nhưng cao trên test. Giống học sinh học thuộc đáp án nhưng không hiểu bản chất, gặp đề mới là trượt.

Mục tiêu là điểm cân bằng ở giữa: mô hình đủ phức tạp để nắm quy luật nhưng đủ tổng quát để hoạt động tốt trên dữ liệu mới. Đây gọi là khả năng khái quát hóa (generalization). Khi train tốt nhưng test kém, gần như chắc chắn là overfitting — đó là lý do tập test tồn tại.

Ứng dụng thực tế trong ngân hàng

• Chấm điểm tín dụng (Credit Scoring): bài toán phân loại nhị phân — dự đoán xác suất khách hàng vỡ nợ (default). Đầu vào là thông tin nhân khẩu, thu nhập, lịch sử tín dụng. Đầu ra là điểm rủi ro, dùng để duyệt/từ chối khoản vay và định hạn mức. Đây là ứng dụng ML kinh điển và được kiểm soát chặt về tính giải thích được.
• Phát hiện gian lận (Fraud Detection): phân loại giao dịch gian lận/hợp lệ, thường theo thời gian thực. Thách thức lớn là mất cân bằng dữ liệu (gian lận rất hiếm so với giao dịch bình thường), nên accuracy gây hiểu lầm và phải dùng precision/recall. Có thể kết hợp cả unsupervised (phát hiện bất thường) khi thiếu nhãn.
• Dự báo rời bỏ khách hàng (Churn Prediction): phân loại — dự đoán khách hàng nào sắp ngừng sử dụng dịch vụ, để chủ động giữ chân. Kết hợp với prescriptive: nên ưu đãi gì cho ai.

Thuật ngữ nền tảng

Bốn từ bạn sẽ gặp liên tục trong cả chuỗi:

• Model (Mô hình): "công thức" đã học được, ánh xạ từ đầu vào sang dự đoán. Là kết quả của quá trình huấn luyện.
• Feature (Đặc trưng): một biến đầu vào của mô hình. Ví dụ: tuổi, thu nhập, số ngày trễ hạn. Tập hợp các feature mô tả một mẫu dữ liệu.
• Label (Nhãn): đáp án/giá trị đích cần dự đoán trong học có giám sát. Ví dụ: "có vỡ nợ" hay "không".
• Parameter (Tham số): các con số bên trong mô hình được điều chỉnh trong lúc huấn luyện (ví dụ trọng số của từng feature). Cần phân biệt với hyperparameter (siêu tham số) — những thiết lập do người chọn trước khi huấn luyện (như độ sâu cây, tốc độ học), không tự học ra.

Tóm tắt

• AI ⊃ ML ⊃ DL: ba vòng tròn lồng nhau. ML là phần "học từ dữ liệu" của AI; DL là phần ML dùng mạng nơ-ron nhiều lớp.
• Khác biệt cốt lõi: lập trình truyền thống là người viết luật; ML là máy học luật từ dữ liệu kèm đáp án.
• Ba kiểu học: supervised (có nhãn — phân loại/hồi quy), unsupervised (không nhãn — phân cụm/giảm chiều), reinforcement (học qua thưởng/phạt).
• Theo mục đích: descriptive (đã xảy ra), predictive (sẽ xảy ra), prescriptive (nên làm gì).
• Quy trình ML là vòng lặp: thu thập → tiền xử lý → feature → huấn luyện → đánh giá → triển khai → giám sát.
• Chia train/validation/test để đo khả năng khái quát hóa; overfitting (giỏi train, dở test) là lỗi cần đề phòng nhất.

Tự kiểm tra

1. Một mô hình đạt độ chính xác 99% trên tập huấn luyện nhưng chỉ 70% trên tập test. Hiện tượng này gọi là gì và nên xử lý theo hướng nào?
2. "Dự đoán số dư tài khoản của khách hàng vào tháng sau" thuộc bài toán phân loại hay hồi quy? Vì sao?
3. Phân khúc khách hàng thành các nhóm hành vi tương đồng khi không có nhãn sẵn thuộc kiểu học máy nào?
4. Vì sao trong dữ liệu tài chính ta thường chia train/test theo thời gian thay vì chia ngẫu nhiên?
5. Phân biệt parameter và hyperparameter bằng một ví dụ cụ thể.

Đọc tiếp

AI 2 — Dữ liệu & Feature Engineering