4.0.1 Cùng xây dựng Model Machine Learning với Bêta và Bít

Thôi được, tất cả các model dự đoán (predictive models) đều trông có vẻ ổn, nhưng làm cách nào chúng ta có thể xây dựng các model một cách đáng tin cậy hơn? Đây chính là câu hỏi tôi thường được hỏi bởi các nhà khoa học dữ liệu ở những mức độ kinh nghiệm khác nhau. Câu hỏi có vẻ đơn giản, nhưng đồng thời cũng rất thách thức bởi vì có rất nhiều luồng quan điểm và mối quan tâm khác nhau từ những người liên quan.Những người xây dựng model thường tập trung vào việc huấn luyện model (training model) một cách tự động, kiểm soát hiệu năng, debug và những hoạt động duy trì cả hệ thống từ dữ liệu đến tối ưu hiệu năng phần cứng và cải tiến model (MLOps). Người sử dụng model phần nhiều thường hứng thú hơn với những câu hỏi về từ đâu mà model cho ra kết quả dự đoán như vậy (explainability) hoặc những đòi hỏi nhất định để hiểu được bên trong model hoạt động như thế nào (transparency) và mức độ 'phòng thủ' (security) của mô hình trước những tấn công, ví dụ như từ dữ liệu kém chất lượng. Về phía xã hội, những mối quan tâm thường là model có công bằng hay thiên vị (fairness hay bias), ví dụ mô hình có ưu tiên cho một nhóm người nhỏ trong xã hội, hoặc thiên vị về giới tính không; hay kết quả dự đoán từ model có phù hợp chuẩn mực đạo đức hay không (ethics). Quyển sách này tổng hòa tất cả các góc nhìn trên. Bạn đọc sẽ tìm thấy những kĩ thuật machine learning chọn lọc và cả những cách hiểu trực quan ngắn gọn. Các kĩ thuật đều được gắn liền với các đoạn code trong ngôn ngữ R. Bạn đọc sẽ cùng hai nhân vật Bêta và Bít đi dạo vào khu vườn, không phải của kì hoa dị thảo, mà là của các model ML thú vị. Trong khu vườn có ngọn đèn được thắp lên bởi những góc nhìn thấu đáo về model từ kinh nghiệm thực tế.Cuộc bàn luận giữa Bêta và Bít cũng chính là những gì diễn ra trong thực tế mà các nhà khoa học dữ liệu thường gặp, có nên thử một model khác không, hoặc có nên thử một kĩ thuật khác để khai phá dữ liệu, hoặc một tập dữ liệu khác chăng? --- và ti tỉ câu hỏi như: làm cách nào để so sánh giữa những model hoặc làm thế nào để kiểm tra hiệu năng.Quá trình phát triển model đòi hỏi sự cẩn thận và trách nhiệm, nhưng rất thú vị. Thông thường, nhiều quyển sách chỉ chú tâm vào mặt kiến thức mà quên mất đi niềm vui và sự thú vị. Nhưng, hi vọng ở quyển sách này, chúng ta sẽ có được cả hai.