🤖 4 Lầm Tưởng và Lạm Dụng Phổ Biến Khi Học và Sử Dụng AI
-Tác giả: Viet Nguyen - Senior AI Engineer
-Facebook: "https://www.facebook.com/vietnh1009"
AI là 1 trong những lĩnh vực phát triển mạnh mẽ nhất trong những năm gần đây. Cùng với đó là sự gia tăng nhanh chóng của những người học AI cũng như sử dụng các công cụ AI trong công việc hàng ngày. Tuy nhiên, có 1 số những lầm tưởng cũng như là lạm dụng rất phổ biến của 1 bộ phận không nhỏ trong số chúng ta về AI, và trong bài viết này, mình xin điểm mặt gọi tên chúng.
Lạm dụng 1: Coi AI là first choice. Luôn nghĩ đến AI đầu tiên trong mọi tình huống
Đây là 1 hiện tượng cực kỳ phổ biến với các bạn đang học về AI: Gặp bất kể bài toán hay vấn đề gì, các bạn sẽ ngay lập tức suy nghĩ xem, làm sao để sử dụng AI, hoặc chọn mô hình AI nào để giải quyết bài toán hay vấn đề đó. Mình vẫn nhớ cách đây tầm hơn nửa năm, có 1 bạn học viên cũ của mình từng hỏi mình về việc làm sao để cải thiện được độ chính xác của mô hình AI dự đoán học lực của 1 học sinh (xuất sắc, giỏi, khá, trung bình, …), dựa vào học bạ của học sinh đó. Bạn ấy nói với mình rất nhiều về các ý tưởng, các mô hình khác nhau bạn ấy đã thử (Các mô hình Machine Learning truyền thống, Neural Network, CNN hay cả RNN), các kỹ thuật bạn đã áp dụng (tiền xử lý dữ liệu, chọn lọc dữ liệu, giảm chiều dữ liệu, cân bằng dữ liệu, kết hợp nhiều mô hình với nhau, …) Nói chung tất cả những gì mình từng dạy bạn ấy, và thậm chí cả những thứ mình chưa từng dạy, bạn ấy đều đã thử cả, nhưng vẫn chưa đạt được độ chính xác bạn ấy mong muốn (>= 90%) Sau khi nhận được câu hỏi của bạn, mình mất khoảng 10 phút để code và gửi trả lại bạn ấy 1 "mô hình" với độ chính xác 100%. Mô hình của mình thực chất chỉ là 1 đoạn code ngắn với khoảng 10 dòng code, gồm toàn phép toán cộng trừ nhân chia, phép so sánh và câu điều kiện if else. Mình chỉ đơn giản là tính điểm trung bình của học sinh dựa trên học bạ, nếu trên 8.0 và không môn nào dưới 6.5 thì đưa ra kết luận là học sinh giỏi, và tương tự cho các học lực khác. Có lẽ mình cũng không cần phải mô tả thêm cho các bạn phản ứng của bạn ấy sau khi nhận được đoạn code của mình.
Tương tự như vậy, mình từng thấy không ít bạn tìm cách áp dụng AI, mà cụ thể là các thuật toán trong Reinforcement Learning (học tăng cường) - 1 mảng con phải gọi là bố của khó trong AI để xử lý bài toán tìm đường đi, trong khi với nhiều tình huống, khi đã có bản đồ, các bạn có thể hoàn toàn áp dụng các thuật toán tìm đường đi phổ biến như Dijkstra hay A* - những thuật toán mà bất kì bạn sinh viên IT nào cũng đã từng được học qua.
AI tất nhiên rất mạnh mẽ, giải quyết được rất nhiều bài toán khó. Nhưng điều đó không có nghĩa là với bất kỳ bài toán hay vấn đề nào, chúng ta cũng phải mắm môi mắm lợi sử dụng AI cho bằng được. Hãy thử nghĩ đến các phương pháp, các thuật toán đơn giản trước, nếu không được thì hãy nghĩ đến AI. Cố gắng sử dụng AI trong khi có cách làm khác đơn giản hơn cũng giống như bạn đem dao mổ trâu đi giết gà vậy.
Bài học: Khi phải giải quyết 1 vấn đề, người mới học thường nghĩ đến AI đầu tiên, còn người có kinh nghiệm luôn nghĩ đến AI cuối cùng.
Lầm tưởng 2: AI có thể dự đoán mọi thứ
Trong quá trình mình dạy các lớp học online về AI/Machine Learning/Data Science, thi thoảng mình có được các bạn học viên hỏi về việc học gì hay làm như thế nào để xây dựng được các mô hình AI dự đoán giá tiền ảo (bitcoin, ethereum,..), giá vàng, giá các ngoại tệ hay thậm chí là giá cổ phiếu. Cũng có những bạn nói thẳng từ đầu rằng mục đích học AI là để xây dựng các mô hình dự đoán như vậy. Những mong muốn này dựa trên cơ sở là sự phát triển mạnh mẽ của AI cũng như sự hiện diện của các ứng dụng AI tương tự (dự đoán thời tiết, dự đoán bệnh, …)
Tuy nhiên, AI là từ viết tắt của trí tuệ nhân tạo, chứ không phải trí tuệ siêu nhiên hay trí tuệ tiên tri. Không phải thứ gì AI cũng có thể dự đoán được. AI có thể làm tốt hơn con người, làm nhanh hơn con người, làm ổn định hơn con người, chứ không thể làm được những thứ mà bản thân con người chúng ta cũng không làm được.
Những đối tượng có tính ngẫu nhiên, hay bị ảnh hưởng và tác động nhiều bởi con người, như giá tiền ảo hay giá cổ phiếu - những thứ phụ thuộc vào rất nhiều yếu tố không đoán trước được, như chính sách tài chính, sự kiện kinh tế, và tâm lý thị trường là những thứ mà AI KHÔNG THỂ dự đoán được.
Bài học: Đừng coi AI là 1 công cụ vạn năng, có cái gì khó cũng nghĩ đến AI và hy vọng nó sẽ làm được thay cho chúng ta.
Lầm tưởng 3: AI luôn cho dự đoán chính xác
Lầm tưởng này thì chỉ có 1 số lượng nhỏ các bạn khi mới học AI hay mới tiếp xúc với các công cụ AI mắc phải. Hồi ChatGPT mới ra mắt, mình thấy trên rất nhiều các nhóm cũng như là diễn đàn về công nghệ, mọi người chia sẻ về 1 vài các câu hỏi đơn giản mà trẻ con cũng có thể trả lời được nhưng ChatGPT thì lại trả lời sai. ở dưới có rất nhiều bình luận, và phần lớn chúng đều theo hướng để nói rằng dù ChatGPT rất ấn tượng, rất mạnh mẽ, nhưng vẫn chưa hoàn hảo. Và điều đó cũng đúng cho bất kì mô hình hay sản phẩm AI nào.
Con người khi đưa ra dự đoán về bất kỳ vấn đề gì có thể đúng có thể sai, và AI thì cũng vậy. Nhiều khi chúng ta có thể giải quyết được những bài toán rất hóc búa, nhưng lại bó tay trước những câu hỏi rất đơn giản. AI cũng vậy.
Có rất nhiều lý do để giải thích vì sao 1 mô hình AI đưa ra dự đoán sai. Có thể là do dữ liệu huấn luyện chưa đủ lớn, chất lượng chưa đủ tốt, hay dữ liệu chưa được xử lý phù hợp. Có thể là do mô hình đơn giản hoặc phức tạp quá. Có thể do sự khác biệt giữa dữ liệu huấn luyện với những gì thực tế mô hình gặp phải. Mà nếu không phải là do tất cả các lý do này thì vẫn còn 1 lý do cuối: Chỉ có Chúa mới luôn đúng, và AI thì không phải là Chúa.
Bài học: Tất nhiên khi mô hình AI của các bạn hoạt động chưa tốt, thì việc bạn phải làm là tìm ra nguyên nhân và tìm cách khắc phục. Nhưng đừng quên 1 điều: Với bất kỳ vấn đề hay bài toán nào, luôn có 1 xác suất nhất định là AI đưa ra dự đoán sai. AI sẽ KHÔNG bao giờ hoàn hảo 100%.
Lầm tưởng & lạm dụng 4: Luôn ưu tiên các mô hình phức tạp
Có 1 quan niệm sai lầm khi học AI, đó là mô hình càng phức tạp thì độ chính xác càng cao. Nếu các bạn là những người đã hoặc đang học về AI, các bạn sẽ biết về 2 khái niệm, đó là Machine Learning và Deep Learning. Nói về quan hệ và thứ bậc thì Deep Learning là lĩnh vực con của Machine Learning. Nếu các thuật toán Machine Learning thường là các thuật toán đơn giản, chỉ có từ vài chục đến vài trăm tham số, thì các mạng nơ-ron trong Deep Learning thường là các kiến trúc vô cùng phức tạp, với số lượng tham số từ vài chục nghìn đến vài trăm triệu là chuyện hết sức bình thường. Do Deep Learning là 1 mảng con vô cùng nổi bật trong AI, và hầu hết những ứng dụng AI hấp dẫn ngày nay chúng ta đang sử dụng đều là ứng dụng của các mô hình trong Deep Learning, điều này dẫn đến việc những người học AI thường có xu hướng thích sử dụng các mô hình phức tạp trong Deep learning hơn là các thuật toán đơn giản trong Machine Learning. Tuy nhiên sự phức tạp hơn này không phải lúc nào cũng tỷ lệ thuận với hiệu quả tốt hơn. Khi sử dụng mô hình phức tạp cho các bài toán có dữ liệu đơn giản thì sẽ làm tăng khả năng dẫn đến hiện tượng overfitting - mô hình đưa ra dự đoán rất chính xác trong quá trình huấn luyện nhưng lại đưa ra dự đoán tồi với những dữ liệu mới gặp trong thực tế. Nó cũng giống với việc các bạn lúc làm bài tập hàng ngày thường xuyên được điểm cao, nhưng đến lúc đi thi đại học lại bị điểm thấp vậy.
Bài học: Trong AI, độ phức tạp của mô hình không phải yếu tố quan trọng nhất, mà sự phù hợp với dữ liệu, với bài toán, mới là yếu tố quyết định.
Mình hi vọng những chia sẻ trên của mình phần nào sẽ giúp cho các bạn có 1 góc nhìn tốt hơn về tiềm năng cũng như là khả năng của AI. AI rất mạnh mẽ, tuy nhiên cũng cần được sử dụng đúng lúc đúng chỗ. Nếu chúng ta sử dụng chúng đúng cách, đúng mục đích, thì Ai sẽ phát huy được tối đa khả năng của mình.