1. 06:28 06/08/2026
Khi bắt đầu một dự án Machine Learning, nhiều nhóm thường lao ngay vào mô hình phức tạp: thử deep learning, thêm embedding, tinh chỉnh tham số, hoặc chọn kiến trúc mới nhất. Nhưng trước khi làm các việc đó, có một bước rất thực tế và thường bị xem nhẹ: xây dựng baseline.
Baseline là phiên bản tham chiếu đơn giản dùng để trả lời câu hỏi: “Mô hình phức tạp của chúng ta có thật sự tốt hơn một cách đáng kể không?” Nếu không có baseline, rất khó biết kết quả hiện tại là tiến bộ thật hay chỉ là cảm giác.
Ví dụ, bạn xây dựng mô hình dự đoán khách hàng có rời bỏ dịch vụ hay không. Nếu 90% khách hàng trong dữ liệu là không rời bỏ, một mô hình luôn dự đoán “không rời bỏ” đã đạt accuracy 90%. Nghe có vẻ cao, nhưng gần như vô dụng nếu mục tiêu là phát hiện nhóm có nguy cơ rời bỏ. Baseline đơn giản này giúp nhóm nhận ra rằng accuracy không đủ, cần thêm precision, recall, F1 hoặc metric gắn với chi phí kinh doanh.
Một vài loại baseline nên thử trước khi dùng mô hình phức tạp:
- Baseline theo luật đơn giản: ví dụ nếu khách hàng không đăng nhập trong 30 ngày thì đánh dấu có nguy cơ rời bỏ.
- Baseline thống kê: dự đoán theo trung bình, trung vị, tần suất phổ biến nhất hoặc phân phối lịch sử.
- Baseline mô hình nhẹ: Logistic Regression, Decision Tree nông, Naive Bayes hoặc mô hình tuyến tính tùy bài toán.
- Baseline con người: so sánh với cách nhân viên hiện đang ra quyết định nếu quy trình đó đã tồn tại.
- Baseline hệ thống cũ: nếu đang thay thế một mô hình hoặc rule engine cũ, đây là mốc rất quan trọng.
Điểm hay của baseline không chỉ nằm ở kết quả ban đầu. Quá trình xây baseline thường làm lộ ra nhiều vấn đề dữ liệu: nhãn không nhất quán, feature bị thiếu, phân bố train/test khác nhau, hoặc metric chưa phản ánh đúng mục tiêu. Nếu một mô hình đơn giản đã hoạt động rất tốt, có thể bài toán không cần giải pháp phức tạp. Ngược lại, nếu cả baseline cũng tệ, việc dùng mô hình lớn hơn chưa chắc giải quyết được gốc rễ vấn đề.
Một quy trình thực tế có thể áp dụng:
1. Xác định mục tiêu dự án bằng ngôn ngữ nghiệp vụ. Ví dụ: giảm số khách hàng rời bỏ, tăng tỷ lệ phát hiện giao dịch gian lận, rút ngắn thời gian phân loại ticket hỗ trợ.
2. Chọn metric phù hợp. Đừng chỉ dùng accuracy theo thói quen. Với bài toán mất cân bằng, hãy xem xét recall, precision, F1, PR-AUC hoặc chi phí sai lầm.
3. Tạo một baseline thật đơn giản. Có thể là rule, thống kê hoặc mô hình nhẹ. Mục tiêu là có mốc so sánh nhanh, không phải tối ưu ngay.
4. Đánh giá trên tập kiểm tra được tách đúng cách. Nếu có yếu tố thời gian, nên kiểm tra theo mốc thời gian thay vì trộn ngẫu nhiên tùy tiện.
5. Ghi lại kết quả và giả định. Baseline tốt cần được lưu trong tài liệu: dùng dữ liệu nào, feature nào, metric nào, lỗi thường gặp là gì.
6. Chỉ tăng độ phức tạp khi có lý do rõ ràng. Mỗi bước cải tiến nên trả lời được: tốt hơn bao nhiêu, đổi lại tốn thêm gì, có dễ vận hành không?
Trong các dự án LLM cũng vậy. Trước khi xây pipeline RAG phức tạp hoặc fine-tune mô hình, hãy có baseline: prompt đơn giản, tìm kiếm từ khóa truyền thống, hoặc câu trả lời mẫu do con người soạn cho một tập câu hỏi kiểm thử. Sau đó mới so sánh xem embedding search, reranking, prompt template mới hay fine-tuning có thật sự cải thiện chất lượng hay không.
Lời khuyên thực dụng: hãy coi baseline như “vạch xuất phát bắt buộc”, không phải bước phụ. Một baseline tốt giúp tiết kiệm thời gian, giảm tranh luận cảm tính và buộc nhóm nhìn vào bằng chứng. Trong Machine Learning, đôi khi mô hình đơn giản nhưng được đo đúng còn có giá trị hơn mô hình phức tạp nhưng không ai biết nó thực sự hơn ở điểm nào.