Trong bối cảnh việc thu thập dữ liệu gán nhãn chất lượng cao ngày càng tốn kém, nhà nghiên cứu Lilian Weng đã chia sẻ loạt bài viết chuyên sâu về các giải pháp huấn luyện mô hình học có giám sát (supervised learning) khi đối mặt với tình trạng khan hiếm dữ liệu. Các phương pháp này mở ra hướng đi mới giúp tối ưu hóa chi phí và tài nguyên cho các dự án phát triển AI.
Bối cảnh
Theo loạt bài viết của Lilian Weng đăng tải cuối năm 2021 và đầu năm 2022, hiệu suất của học có giám sát phụ thuộc lớn vào lượng nhãn chất lượng. Tuy nhiên, việc gán nhãn thủ công quy mô lớn thường vượt quá ngân sách của nhiều nhóm nghiên cứu. Để giải quyết thách thức này, hai hướng tiếp cận chính được đưa ra bao gồm Học bán giám sát (Semi-Supervised Learning) và Học chủ động (Active Learning).
Diễn biến
Trong phần đầu của loạt bài, tác giả giới thiệu Học bán giám sát như một giải pháp tận dụng triệt để lượng lớn dữ liệu chưa gán nhãn kết hợp với một lượng nhỏ dữ liệu đã gán nhãn sẵn có. Phương pháp này giúp mô hình tự rút ra các đặc trưng hữu ích mà không cần sự can thiệp liên tục của con người.
Đến phần hai, Lilian Weng chuyển sang phân tích Học chủ động. Phương pháp này vẫn cần đến yếu tố con người để gán nhãn bổ sung, nhưng yêu cầu thuật toán phải biết chủ động lựa chọn những mẫu dữ liệu quan trọng và mang lại nhiều giá trị thông tin nhất để gán nhãn trong phạm vi ngân sách giới hạn.
Vì sao đáng chú ý
Đối với các kỹ sư và doanh nghiệp phát triển AI tại Việt Nam, việc tối ưu hóa quy trình gán nhãn là bài toán sống còn để giảm chi phí vận hành. Áp dụng linh hoạt hai kỹ thuật này không chỉ giúp đẩy nhanh tốc độ triển khai sản phẩm mà còn giảm bớt sự phụ thuộc vào các dịch vụ dán nhãn thủ công đắt đỏ ngoài thị trường.