Data Labeling là gì — gán nhãn dữ liệu thô để dạy AI biết đâu là gì

Bài này dành cho chủ doanh nghiệp và người quyết. Data labeling được giải bằng ẩn dụ dễ hiểu, kèm góc kỹ thuật, cơ chế và cách dùng đúng.

Vì sao đáng quan tâm: phần lớn công sức và rủi ro của một dự án AI nằm ở dữ liệu được gán nhãn, không phải ở mô hình. Nhãn sai thì mô hình học sai, đúng tinh thần dữ liệu rác vào thì kết quả rác ra.

Hình dung một thầy giáo dạy học trò phân biệt cây nào ăn được, cây nào độc. Thầy đưa từng bức ảnh và nói rõ cây này ăn được, cây kia độc. Học trò ghi nhớ các ví dụ đã được chấm đúng đó rồi tự suy ra với cây mới. Nếu thầy chấm sai vài bức, học trò học theo cái sai.

Một ẩn dụ khác là dán nhãn kho hàng. Hàng về kho dưới dạng thùng không tên thì không ai tìm được gì. Khi từng thùng được dán nhãn loại hàng, hạn dùng, khu chứa, thì cả kho vận hành trơn tru. Dữ liệu thô chưa gán nhãn cũng như thùng hàng không tên.

Data labeling là vừa chấm bài cho AI vừa dán nhãn cho dữ liệu. Mỗi nhãn là một câu trả lời mẫu để AI học theo, nên nhãn càng đúng và càng nhất quán thì AI học càng chuẩn.

Phần lớn AI hữu dụng ngày nay học theo lối có giám sát, nghĩa là học từ các cặp đầu vào và đầu ra đúng do con người gán. Đầu ra đúng đó chính là nhãn. Quy trình thường gồm vài phần rõ ràng.

• Hướng dẫn gán nhãn. Bộ quy tắc định nghĩa từng nhãn nghĩa là gì để người gán hiểu giống nhau.
• Người gán nhãn. Con người gắn nhãn cho từng mẫu theo hướng dẫn, đây là phần tốn công nhất.
• Kiểm chất lượng. Soát lại nhãn, đo độ đồng thuận giữa nhiều người gán, sửa nhãn lệch.

Bộ dữ liệu đã gán nhãn này nuôi cho bước huấn luyện. Khi cần thêm dữ liệu mà gán tay tốn kém, doanh nghiệp có thể cân nhắc dữ liệu tổng hợp để bổ sung, nhưng nhãn từ con người vẫn là gốc.

• Quyết chất lượng mô hình. Nhãn đúng thì AI nhận diện chuẩn, nhãn ẩu thì mô hình sai dù thuật toán mạnh.
• Chiếm phần lớn chi phí. Trong nhiều dự án AI, gán nhãn dữ liệu tốn công và tiền hơn cả phần mô hình.
• Biến dữ liệu riêng thành lợi thế. Dữ liệu nghiệp vụ của doanh nghiệp khi gán nhãn tốt là tài sản đối thủ khó sao chép.
• Giảm thiên lệch. Nhãn cân bằng và rõ ràng giúp mô hình bớt học theo định kiến trong dữ liệu.
• Dễ kiểm. Tập dữ liệu gán nhãn chuẩn là thước đo để biết mô hình tốt tới đâu.

Data labeling là chỗ doanh nghiệp đầu tư công sức để AI thật sự hiểu nghiệp vụ của mình. Đây là gốc rễ của mọi mô hình nhận diện, phân loại, rút thông tin.

Một luồng data labeling đi qua bốn nhịp:

• Thu dữ liệu thô. Gom ảnh, văn bản, âm thanh sát với việc mô hình sẽ làm.
• Gán nhãn theo hướng dẫn. Người gán gắn nhãn cho từng mẫu theo một bộ quy tắc thống nhất.
• Kiểm chất lượng. Soát nhãn, đo độ đồng thuận giữa người gán, sửa và làm lại phần lệch.
• Đưa vào huấn luyện. Tập đã gán nhãn nuôi cho mô hình học để nhận diện trên dữ liệu mới.

Bước kiểm chất lượng rất quan trọng. Nhãn lệch lọt vào tập huấn luyện sẽ dạy AI sai một cách âm thầm, nên cần soát chéo và đánh giá kỹ trước khi đưa qua đo lường mô hình.

Giả sử doanh nghiệp muốn AI tự nhận ra loại sản phẩm trong ảnh chụp tại kho. Trước hết phải có hàng nghìn ảnh đã gán nhãn loại hàng để dạy mô hình.

Người gán mở từng ảnh, khoanh vùng sản phẩm và chọn nhãn loại hàng theo hướng dẫn. Mỗi ảnh được hai người gán độc lập để đo độ đồng thuận, chỗ nào hai người gán khác nhau thì có người soát quyết định.

Khi tập đã đủ và sạch, mô hình học từ đó để nhận diện sản phẩm trên ảnh mới. Đó là cách data labeling biến một đống ảnh thô thành nhiên liệu dạy AI một việc cụ thể của doanh nghiệp.

Cùng một đống dữ liệu nhưng giá trị khác hẳn trước và sau khi gán nhãn:

Dữ liệu thô là nguyên liệu, dữ liệu đã gán nhãn mới là nhiên liệu dạy được AI. Phần lớn dự án AI dừng hay đi tiếp nằm ở việc có tập gán nhãn chất lượng hay không.

Gán nhãn dữ liệu cần cân vài điểm:

• Số lượng nhãn. Càng nhiều mẫu mô hình càng có cái học, nhưng tới ngưỡng thì thêm ít có giá trị.
• Chất lượng nhãn. Nhãn đúng và nhất quán quan trọng hơn số đông, vài nhãn sai có thể kéo cả mô hình lệch.
• Chi phí và thời gian. Gán nhãn tay tốn người và tiền, cần chọn việc đáng gán trước.

Cách làm đúng là ưu tiên chất lượng và độ nhất quán của nhãn cho phần lõi, đồng thời gom đủ số lượng cho các trường hợp thường gặp, thay vì chạy theo số đông mà bỏ qua độ chuẩn.

Data labeling có nhiều kiểu tuỳ loại dữ liệu và việc cần dạy AI:

Thực tế thường bắt đầu từ một kiểu gán nhãn rõ cho một việc cụ thể, làm cho chắc và sạch rồi mới mở rộng sang các kiểu phức tạp hơn.

• Hướng dẫn gán nhãn mơ hồ. Người gán hiểu mỗi người một kiểu nên nhãn không nhất quán, mô hình học loạn.
• Chạy theo số lượng bỏ chất lượng. Gom thật nhiều nhãn ẩu còn hại hơn ít nhãn chuẩn.
• Bỏ bước kiểm chéo. Không đo độ đồng thuận giữa người gán thì nhãn lệch lọt vào âm thầm.
• Để dữ liệu thiên lệch. Nhãn dồn về một nhóm khiến mô hình kém với nhóm còn lại.
• Quên trộn lẫn nhãn vào tập đánh giá. Dùng cùng dữ liệu để học và để chấm sẽ cho điểm ảo, không phản ánh thực tế.

Phần lớn sai lầm với data labeling đến từ coi nhẹ hướng dẫn và khâu kiểm chất lượng. Nhãn rác đưa vào thì mô hình rác đưa ra, đúng tinh thần dữ liệu rác vào thì kết quả rác ra.

MONA xem data labeling là gốc của một dự án AI nghiêm túc, làm theo lối có kiểm soát:

• Viết hướng dẫn theo nghiệp vụ. Định nghĩa từng nhãn rõ ràng để người gán hiểu giống nhau.
• Gán nhãn có giám sát. Người gán theo hướng dẫn, có ví dụ mẫu cho ca khó.
• Kiểm chất lượng và đo đồng thuận. Soát chéo, đo độ nhất quán, sửa nhãn lệch trước khi dùng.
• Đưa vào huấn luyện và đo lại. Tập sạch nuôi mô hình, rồi đánh giá trên tập riêng để biết thực lực.

Dữ liệu đem gán nhãn có thể chứa thông tin cá nhân như khuôn mặt, tên, số điện thoại. MONA tuân thủ guardrails và nguyên tắc dữ liệu theo Nghị định 13/2023 trong cả khâu thu, gán và lưu trữ.

Data labeling cần khi doanh nghiệp muốn dạy AI một việc theo đúng dữ liệu và nghiệp vụ của mình:

• Nhận diện trong ảnh và video. Đếm hàng, kiểm lỗi sản phẩm, đọc biển số, soi camera.
• Phân loại văn bản theo ý mình. Phân loại phản hồi, định tuyến yêu cầu theo nhãn riêng của doanh nghiệp.
• Rút thông tin từ chứng từ. Đánh dấu trường cần lấy để dạy AI bóc tách hồ sơ, hoá đơn.
• Tinh chỉnh mô hình theo việc riêng. Có tập gán nhãn đúng là điều kiện để tinh chỉnh mô hình cho hợp nghiệp vụ.

Khi chỉ cần một câu trả lời chung từ mô hình có sẵn thì chưa cần gán nhãn. Khi cần AI hiểu đúng dữ liệu riêng và việc riêng của doanh nghiệp, data labeling là bước bắt buộc.

Data labeling dễ hiểu nhưng làm cho ra tập dữ liệu sạch, nhất quán và đúng pháp lý cần quy trình và kinh nghiệm. Doanh nghiệp nên cân nhắc MONA khi:

• Muốn xây mô hình nhận diện, phân loại hay rút thông tin theo dữ liệu riêng của mình.
• Cần một quy trình gán nhãn có hướng dẫn rõ, kiểm chất lượng và đo độ đồng thuận.
• Có dữ liệu chứa thông tin cá nhân cần thu thập, gán nhãn và lưu trữ đúng quy định.
• Muốn biến đống dữ liệu nghiệp vụ đang để không thành tài sản dạy AI đo lường được.

MONA thiết kế hướng dẫn gán nhãn, tổ chức quy trình kiểm chất lượng và nối tập dữ liệu vào việc dạy AI theo nghiệp vụ doanh nghiệp. Tham khảo phần mềm nhập hàng cho gán nhãn và bóc tách chứng từ, LMS AI cho gán nhãn nội dung và phân loại học liệu.