Trong nhiều dự án Machine Learning, phần khó nhất không phải là chọn thuật toán mà là có đủ dữ liệu gán nhãn tốt. Nếu xây dựng mô hình phân loại phản hồi khách hàng, phát hiện lỗi sản phẩm qua ảnh, hay lọc hồ sơ cần kiểm duyệt, việc nhờ con người gán nhãn có thể tốn thời gian và chi phí đáng kể. Active Learning là một hướng tiếp cận thực tế: thay vì gán nhãn thật nhiều dữ liệu một cách ngẫu nhiên, ta ưu tiên những mẫu mà mô hình đang “bối rối” hoặc có khả năng mang lại nhiều thông tin nhất. Nói đơn giản, quy trình thường gồm các bước sau: 1. Bắt đầu với một tập dữ liệu nhỏ đã gán nhãn Huấn luyện mô hình ban đầu từ một lượng dữ liệu vừa đủ. Mô hình này có thể chưa tốt, nhưng đủ để đưa ra dự đoán sơ bộ trên dữ liệu chưa gán nhãn. 2. Cho mô hình dự đoán trên dữ liệu chưa gán nhãn Ví dụ, với bài toán phân loại email thành “cần xử lý gấp”, “bình thường”, “rác”, mô hình sẽ trả về xác suất cho từng nhãn. 3. Chọn các mẫu đáng gán nhãn nhất Một chiến lược phổ biến là chọn mẫu có độ không chắc chắn cao. Chẳng hạn, nếu mô hình dự đoán một email có 51% là “cần xử lý gấp” và 49% là “bình thường”, mẫu này đáng để con người xem xét hơn một email mà mô hình đã tự tin 99%. 4. Gán nhãn, thêm vào tập huấn luyện và lặp lại Sau mỗi vòng, mô hình được huấn luyện lại hoặc cập nhật, rồi tiếp tục chọn thêm mẫu mới. Một ví dụ thực tế: nhóm vận hành thương mại điện tử muốn phát hiện bình luận vi phạm chính sách. Nếu lấy ngẫu nhiên 10.000 bình luận để gán nhãn, phần lớn có thể là bình luận bình thường, ít giúp mô hình học được các trường hợp khó. Với Active Learning, ta có thể ưu tiên các bình luận nằm gần ranh giới: có từ ngữ nhạy cảm nhưng ngữ cảnh không rõ, có cách viết lách luật, hoặc giống cả bình luận hợp lệ lẫn vi phạm. Nhờ vậy, cùng một ngân sách gán nhãn, dữ liệu thu được thường hữu ích hơn. Một vài chiến lược chọn mẫu thường gặp: - Uncertainty sampling: chọn mẫu mô hình kém tự tin nhất. Dễ triển khai, phù hợp để bắt đầu. - Margin sampling: chọn mẫu có khoảng cách xác suất giữa hai nhãn cao nhất rất nhỏ. Hữu ích cho bài toán nhiều lớp. - Diversity sampling: chọn các mẫu đa dạng, tránh việc chọn quá nhiều mẫu gần giống nhau. - Query by committee: dùng nhiều mô hình khác nhau, chọn mẫu mà các mô hình bất đồng nhiều nhất. Tuy nhiên, Active Learning không phải cây đũa thần. Có vài điểm cần cẩn trọng: - Mô hình ban đầu quá yếu có thể chọn mẫu không tốt. Nên có tập khởi đầu đủ đa dạng. - Nếu chỉ chọn mẫu “khó”, tập huấn luyện có thể lệch khỏi phân phối dữ liệu thật. Cần giữ lại một phần lấy mẫu ngẫu nhiên. - Không nên đánh giá mô hình trên tập được chọn bởi Active Learning, vì tập này không đại diện. Hãy duy trì một tập kiểm thử cố định, độc lập và phản ánh dữ liệu thực tế. - Cần thiết kế giao diện gán nhãn rõ ràng, có hướng dẫn cụ thể, vì Active Learning thường đưa ra nhiều trường hợp mơ hồ. Một công thức áp dụng đơn giản cho đội nhỏ: - Gán nhãn thủ công 500 đến 1.000 mẫu đầu tiên, cố gắng bao phủ các nhóm dữ liệu chính. - Huấn luyện mô hình baseline. - Mỗi vòng chọn 200 đến 500 mẫu mới: 70% theo độ không chắc chắn, 30% lấy ngẫu nhiên để tránh lệch dữ liệu. - Sau mỗi vòng, đo chất lượng trên tập kiểm thử cố định và phân tích lỗi theo từng nhóm. - Dừng khi chất lượng tăng rất ít qua vài vòng liên tiếp, hoặc khi chi phí gán nhãn không còn hợp lý. Với ứng dụng LLM, tư duy Active Learning cũng rất hữu ích. Ví dụ, khi xây dựng bộ đánh giá câu trả lời chatbot, thay vì đọc ngẫu nhiên hàng nghìn hội thoại, ta có thể ưu tiên các cuộc trò chuyện mà hệ thống tự đánh dấu là có độ tin cậy thấp, bị người dùng hỏi lại nhiều lần, hoặc có dấu hiệu mâu thuẫn với tài liệu nguồn. Những mẫu này thường giúp phát hiện lỗi nhanh hơn. Kết luận: Active Learning là cách làm thực dụng khi dữ liệu gán nhãn đắt hoặc khan hiếm. Giá trị lớn nhất của nó không nằm ở thuật toán phức tạp, mà ở việc biến quá trình thu thập dữ liệu thành một vòng lặp có chủ đích: mô hình học, chỉ ra điểm chưa chắc, con người bổ sung nhãn, rồi mô hình cải thiện. Nếu đang có ngân sách gán nhãn hạn chế, đây là một kỹ thuật rất đáng thử trước khi nghĩ đến việc thu thập dữ liệu ồ ạt.