Vì sao người không chuyên nên hiểu về mạng nơ-ron?
Bạn nên hiểu về mạng nơ-ron vì chúng có trong hầu hết các công cụ AI bạn sử dụng, từ chuyển giọng nói thành văn bản đến trợ lý trò chuyện. Việc quyết định mua hay tin dùng các công cụ đó phụ thuộc vào hiểu biết về những gì chúng có thể và không thể học.
Hãy xem ví dụ về Harbourline Insurance, một công ty môi giới bảo hiểm giả định có 80 nhân viên. Một nhà cung cấp giới thiệu sản phẩm phân loại yêu cầu bồi thường cho Daniel, trưởng bộ phận vận hành. Trang trình chiếu ghi: 'Mạng nơ-ron sâu, 12 lớp, được huấn luyện trên hàng triệu yêu cầu bồi thường, độ chính xác 94%, học như bộ não con người.' Ghi chú của Daniel từ cuộc gọi viết: 'chưa rõ lớp nghĩa là gì. được huấn luyện trên yêu cầu bồi thường của ai? 94% là đo cái gì? có giải thích được quyết định khi khách hàng khiếu nại không?' Anh phải báo cáo với giám đốc chậm nhất vào thứ Năm và không muốn chỉ nhắc lại nội dung trang trình chiếu hay bác bỏ nó.
Mạng nơ-ron hoạt động qua từng bước như thế nào?
Mạng nơ-ron hoạt động bằng cách truyền các con số qua nhiều lớp đơn vị, mỗi đơn vị kết hợp các đầu vào bằng những trọng số có thể điều chỉnh, rồi so sánh đầu ra cuối cùng với đáp án đúng để điều chỉnh nhẹ các trọng số nhằm làm tốt hơn ở lần sau. Các bước dưới đây mô tả một lần dự đoán và một vòng học.
1. Dữ liệu đầu vào được chuyển thành số
Mọi thứ mạng tiếp nhận đều được chuyển thành số trước: độ sáng của điểm ảnh đối với hình ảnh, từ ngữ được chuyển thành mã số đối với văn bản, hoặc các trường như số tiền yêu cầu bồi thường và thời gian hiệu lực của hợp đồng bảo hiểm đối với yêu cầu bồi thường.
2. Mỗi nơ-ron gán trọng số cho các đầu vào
Một nơ-ron, còn gọi là nút, nhân từng giá trị đầu vào với một trọng số, cộng các kết quả với một hằng số gọi là độ chệch, rồi đưa tổng đó qua một hàm kích hoạt. Hàm kích hoạt cho phép nhiều lớp nơ-ron học các mẫu dạng cong, phi tuyến thay vì chỉ các mẫu tuyến tính.
3. Các lớp được xây dựng dựa trên nhau
Các nơ-ron được sắp xếp thành từng lớp. Lớp đầu vào chứa các giá trị thô, một hoặc nhiều lớp ẩn biến đổi chúng, còn lớp đầu ra đưa ra dự đoán, chẳng hạn như 'có khả năng là yêu cầu bồi thường đơn giản' hoặc 'cần chuyên gia xử lý'. Mạng có nhiều lớp ẩn được gọi là mạng sâu, và đó là nguồn gốc của thuật ngữ học sâu.
4. Sai số được đo lường
Trong quá trình huấn luyện, mạng đưa ra dự đoán cho một ví dụ đã biết đáp án đúng. Chênh lệch giữa câu trả lời của mạng và đáp án đúng được đo bằng một con số gọi là giá trị mất mát.
5. Các trọng số được điều chỉnh
Một thuật toán gọi là lan truyền ngược tính toán mức đóng góp của từng trọng số vào sai số, còn một phương pháp gọi là hạ dốc điều chỉnh nhẹ từng trọng số theo hướng lẽ ra đã làm giảm sai số đó. Khi lặp lại qua hàng nghìn hoặc hàng triệu ví dụ, những điều chỉnh nhỏ này tạo nên một mô hình dự đoán tốt.
Cách giải thích chưa tốt và cách giải thích đã cải thiện về mạng nơ-ron khác nhau như thế nào?
Một bản trình bày yếu chỉ nhắc lại lời nhà cung cấp: 'Đây là mạng nơ-ron sâu 12 lớp, học giống bộ não và có độ chính xác 94%.' Giám đốc của Daniel không nhận được thông tin nào có thể dùng để hành động, còn 'học giống bộ não' là một phép ẩn dụ, không phải lời mô tả. Nơ-ron thật và các đơn vị này chỉ có chung tên gọi và một chút ý tưởng gợi mở, chứ không có chung cơ chế.
Bản thuyết minh được cải thiện viết: 'Sản phẩm này là một mạng nơ-ron: mô hình đã học cách phân loại yêu cầu bồi thường bằng cách điều chỉnh hàng triệu trọng số bên trong cho đến khi dự đoán của nó khớp với các quyết định trước đây. Điều đó có nghĩa là chất lượng của nó không thể vượt quá chất lượng các yêu cầu bồi thường trước đây mà nó đã học, nên chúng ta cần biết đó là yêu cầu của ai và có giống các yêu cầu của chúng ta không. Con số 94% cần được định nghĩa rõ: chính xác trên dữ liệu kiểm thử nào, và mô hình đánh dấu nhầm yêu cầu phức tạp thành đơn giản với tần suất bao nhiêu? Khó giải thích từng quyết định của các mô hình này, nên chúng ta cần hỏi nhà cung cấp sẽ cung cấp những gì khi khách hàng phản đối kết quả, đồng thời duy trì việc con người xem xét mọi yêu cầu bị từ chối.' Phiên bản đó biến trang trình chiếu thành bốn câu hỏi cụ thể.
Vì sao mạng nơ-ron cần nhiều dữ liệu đến vậy và được dùng ở đâu?
Mạng nơ-ron cần nhiều dữ liệu vì có rất nhiều trọng số cần xác định, và mỗi trọng số được học từ các ví dụ chứ không phải do con người viết ra. Nếu có quá ít ví dụ, mạng có thể ghi nhớ dữ liệu huấn luyện thay vì học một quy luật tổng quát. Hiện tượng này được gọi là quá khớp.
Chúng được dùng khi dữ liệu có nhiều quy luật phức tạp nhưng khó diễn đạt thành quy tắc: nhận diện vật thể trong ảnh, chuyển giọng nói thành văn bản, dịch ngôn ngữ, phát hiện giao dịch bất thường và làm nền tảng cho các mô hình ngôn ngữ lớn, như những mô hình đứng sau các trợ lý ChatGPT, Claude và Gemini. Với các bảng dữ liệu kinh doanh nhỏ, gọn gàng, những mô hình đơn giản hơn thường có độ chính xác tương đương và dễ giải thích hơn nhiều.
Mạng nơ-ron có những giới hạn nào?
Những hạn chế chính là mạng nơ-ron học mọi thứ có trong dữ liệu huấn luyện, kể cả những thiếu sót và thiên lệch; khó giải thích từng quyết định riêng lẻ; và có thể tự tin đưa ra kết quả sai với những trường hợp khác hẳn những gì từng gặp khi huấn luyện. Các con số về độ chính xác hoàn toàn phụ thuộc vào dữ liệu kiểm thử, vì vậy hãy luôn hỏi đó là dữ liệu gì. Huấn luyện mạng lớn cũng đòi hỏi năng lực tính toán đáng kể, nên hầu hết các tổ chức đều dùng mô hình đã được huấn luyện sẵn.
Làm thế nào để kiểm chứng một nhận định về mạng nơ-ron?
Kiểm tra một nhận định về mạng nơ-ron bằng cách hỏi mạng đã học từ dữ liệu nào, được kiểm thử ra sao, mắc những lỗi gì và ai xem xét các quyết định của nó. Nếu nhà cung cấp không thể trả lời rõ ràng những câu hỏi đó, số lớp không còn ý nghĩa.
Bài học này nằm ở đâu trên Tosheo.ai?
Bài học này thuộc danh mục học máy và mở đầu phần mạng nơ-ron của khóa học học máy. Trong Tosheo.ai, tiếp sau bài học là bài thực hành yêu cầu bạn giải thích một mô hình cho một bên liên quan giả định; phản hồi theo bảng tiêu chí sẽ chỉ ra các phép so sánh mơ hồ và tuyên bố về độ chính xác không có căn cứ. Đây là kiến thức nền tảng để làm việc với học máy, không phải chương trình đào tạo chuyên sâu về xây dựng mô hình; nếu muốn lập trình mạng nơ-ron, bạn có thể học nội dung đó trong lộ trình lập trình tùy chọn sau khi đăng ký.
Nguồn và phạm vi
Khóa học cấp tốc về học máy của Google: học phần về mạng nơ-ron (đã kiểm tra ngày 19 October 2026) ↗
Khóa học cấp tốc về học máy của Google: các nút và lớp ẩn (đã kiểm tra ngày 19 October 2026) ↗