Gán nhãn dữ liệu là công việc con người đánh dấu ý nghĩa lên dữ liệu thô để máy có cái mà học: ghi "đây là con mèo" cho một bức ảnh, khoanh vùng người đi bộ trong khung hình camera, gõ lại lời nói trong một đoạn ghi âm, hay xếp hạng câu trả lời nào của chatbot tốt hơn. Dù các mô hình ngôn ngữ lớn học phần lớn từ văn bản không cần nhãn, những chặng quyết định cách chúng cư xử vẫn dựa nhiều vào lao động gán nhãn của con người.
Đây là phần ít được nhìn thấy nhất của AI. Tin tức thường nói về mô hình, về chip, về các nhà sáng lập, hiếm khi nhắc tới những người ngồi đánh dấu hàng nghìn ảnh mỗi ngày. Hiểu công việc của họ giúp bạn trả lời được một câu hỏi quan trọng: khi AI phân biệt đúng sai, tốt xấu, thì cái chuẩn đó từ đâu mà ra.
Vì sao máy cần nhãn: học có giám sát giải thích bằng ví dụ
Hãy nghĩ tới cách dạy một đứa trẻ nhận biết các loại quả. Bạn chỉ vào quả và nói tên: đây là quả bưởi, đây là quả cam. Sau đủ nhiều lần, đứa trẻ tự nhận ra quả mới. Cái tên bạn nói chính là nhãn. Kiểu học có người chỉ đáp án cho từng ví dụ như vậy gọi là học có giám sát, và đó là cách phần lớn các hệ thống AI trước thời chatbot được dạy: lọc thư rác, nhận dạng chữ viết, phát hiện gian lận thẻ.
Như bài về tiền huấn luyện đã giải thích, mô hình ngôn ngữ lớn đi đường khác ở chặng đầu: văn bản tự mang sẵn đáp án là chữ tiếp theo, nên không cần ai gán nhãn. Nhưng ngay sau đó, để biến mô hình nền thành trợ lý biết làm theo yêu cầu, biết từ chối việc nguy hiểm, người ta lại cần con người viết câu trả lời mẫu và chấm điểm. Nhãn quay trở lại, chỉ khác hình thức.
Ngoài chatbot, rất nhiều hệ thống AI trong đời sống vẫn dựa hoàn toàn vào dữ liệu có nhãn: camera nhận biết biển số, máy kiểm lỗi sản phẩm trên dây chuyền, phần mềm đọc ảnh y khoa hỗ trợ bác sĩ, hệ thống chuyển giọng nói thành chữ. Mỗi hệ thống như vậy đứng trên hàng nghìn đến hàng triệu ví dụ đã được người đánh dấu.
Các kiểu gán nhãn phổ biến
Gán nhãn không chỉ là bấm chọn một tên. Bảng dưới liệt kê các kiểu việc thường gặp, từ đơn giản đến đòi hỏi chuyên môn, để bạn hình dung phạm vi công việc.
| Kiểu gán nhãn | Người làm việc gì | Dùng để dạy AI làm gì |
|---|---|---|
| Phân loại | Chọn một nhãn cho mỗi mẫu: thư rác hay không, bình luận tích cực hay tiêu cực | Lọc, sắp xếp, phân tích cảm xúc |
| Khoanh vùng trong ảnh | Vẽ khung hoặc tô viền quanh từng vật thể: xe, người, vết nứt | Xe tự lái, camera giám sát, kiểm lỗi sản phẩm |
| Chép lời, phiên âm | Nghe đoạn ghi âm và gõ lại chính xác, đánh dấu người nói | Chuyển giọng nói thành chữ, trợ lý giọng nói |
| Viết câu trả lời mẫu | Soạn câu trả lời tốt cho các yêu cầu đa dạng | Tinh chỉnh chatbot thành trợ lý |
| So sánh, xếp hạng | Đọc nhiều câu trả lời, chọn câu tốt hơn theo hướng dẫn | Học từ phản hồi của con người |
| Thử phá mô hình | Cố tình đặt câu hỏi khó, câu hỏi bẫy để tìm chỗ mô hình nói điều có hại | Kiểm tra và tăng an toàn |
| Gán nhãn chuyên môn | Bác sĩ đánh dấu tổn thương trên phim chụp, luật sư chấm câu trả lời pháp lý | Ứng dụng chuyên ngành, câu hỏi chuyên sâu |
Xu hướng mấy năm gần đây là phần việc đơn giản dần được tự động hoá, trong khi nhu cầu người gán nhãn có chuyên môn tăng lên. Khi mô hình đã giỏi các câu hỏi phổ thông, chỗ cần cải thiện nằm ở toán khó, lập trình, y khoa, luật, nơi chỉ người trong nghề mới chấm đúng.
Một ví dụ lịch sử: ImageNet và chuyện huy động đám đông
Một trong những bộ dữ liệu có nhãn nổi tiếng nhất là ImageNet, do nhóm của nhà khoa học Lý Phi Phi (Fei-Fei Li) khởi xướng và công bố năm 2009. Bộ dữ liệu gồm hàng triệu bức ảnh, mỗi ảnh được gán tên vật thể theo một hệ thống phân loại rất chi tiết. Để làm được khối lượng đó, nhóm đã thuê người trên một nền tảng việc vặt trực tuyến, chia nhỏ công việc cho rất nhiều người làm song song.
ImageNet trở thành thước đo chung cho cuộc thi nhận dạng ảnh hằng năm. Năm 2012, một mô hình học sâu thắng cuộc thi với khoảng cách lớn so với các phương pháp cũ, sự kiện thường được coi là mở đầu cho làn sóng học sâu sau đó. Câu chuyện này cho thấy một điều ít được nhắc: bước tiến về thuật toán chỉ thành hiện thực khi có dữ liệu có nhãn đủ lớn, và dữ liệu đó là sức lao động của rất nhiều người.
Một ví dụ quen thuộc khác là các ô xác minh "bạn không phải người máy" trên trang web. Dự án reCAPTCHA từng dùng chính những lần gõ lại chữ khó đọc của người dùng để giúp số hoá sách và báo cũ. Mỗi người bỏ ra vài giây, cộng lại thành một khối lượng gán nhãn khổng lồ.
Kiểm chất lượng nhãn: người ta làm thế nào
Nhãn sai thì mô hình học sai, nên các dự án gán nhãn nghiêm túc đều có quy trình kiểm. Các bước thường gặp theo mô tả công khai của ngành:
- Viết bản hướng dẫn chi tiết. Định nghĩa rõ từng nhãn, kèm ví dụ đúng, ví dụ sai, ví dụ ranh giới. Bản hướng dẫn cho việc chấm câu trả lời chatbot có thể dài hàng chục trang.
- Cho nhiều người cùng gán một mẫu. Nếu ba người đều chọn cùng nhãn, độ tin cậy cao; nếu bất đồng, mẫu được chuyển cho người có kinh nghiệm hơn xem lại.
- Cài câu hỏi kiểm tra. Xen vào những mẫu đã biết đáp án để đo độ chính xác của từng người gán nhãn, phát hiện người làm ẩu.
- Đo mức đồng thuận. Theo dõi tỷ lệ người gán nhãn đồng ý với nhau. Tỷ lệ thấp ở một loại mẫu thường cho thấy bản hướng dẫn chưa rõ, hoặc bản thân câu hỏi không có đáp án duy nhất.
- Lặp lại và sửa hướng dẫn. Gom các ca khó, cập nhật hướng dẫn, đào tạo lại người gán nhãn.
Bước thứ tư thú vị nhất. Với các câu hỏi như "câu đùa này có phản cảm không" hay "câu trả lời nào lịch sự hơn", người với người vốn đã bất đồng. Khi đó nhãn cuối cùng phản ánh lựa chọn của bản hướng dẫn và của nhóm người gán nhãn cụ thể, không phải một sự thật khách quan. Đây là một nguồn của thiên lệch trong AI, được bàn kỹ ở danh mục AI và xã hội.
Ai làm công việc gán nhãn và những câu hỏi về điều kiện lao động
Công việc gán nhãn thường được thuê ngoài qua các công ty dịch vụ dữ liệu, có mặt ở nhiều nước, trong đó có nhiều nước đang phát triển ở châu Á, châu Phi, Mỹ Latinh. Một phần làm tại văn phòng tập trung, một phần làm từ xa qua nền tảng trực tuyến, nhận việc theo từng nhiệm vụ nhỏ. Với tiếng Việt, cần người hiểu tiếng Việt, nên có những dự án tuyển người Việt làm từ xa hoặc qua công ty dịch vụ.
Báo chí quốc tế và các nhà nghiên cứu đã nhiều lần nêu vấn đề về thu nhập thấp, áp lực năng suất và sức khoẻ tinh thần của người gán nhãn, đặc biệt những người phải đọc hoặc xem nội dung bạo lực, độc hại để dạy mô hình nhận ra và tránh chúng. Một số hãng và công ty dịch vụ đã công bố cam kết về điều kiện làm việc; mức độ thực hiện là chuyện cần kiểm từ nguồn độc lập.
Nếu bạn đang cân nhắc nhận việc gán nhãn tự do, nên tìm hiểu kỹ bên thuê, điều khoản trả tiền, loại nội dung sẽ phải xử lý, và cảnh giác với lời mời yêu cầu đóng phí trước hoặc cung cấp giấy tờ cá nhân không cần thiết. Các chiêu lừa đảo việc làm trực tuyến có dùng danh nghĩa AI được trang AI Bảo Mật cảnh báo riêng.
Hiểu gán nhãn để đọc AI tỉnh táo hơn
AI giỏi tới mức nhãn cho phép. Một hệ thống nhận dạng chỉ tốt bằng dữ liệu nó được dạy. Nếu người gán nhãn nhầm lẫn có hệ thống, ví dụ coi một loại bệnh lá cây hiếm là bệnh phổ biến, mô hình sẽ lặp lại đúng nhầm lẫn đó với độ tự tin cao.
"Đúng" của AI là "đúng" theo bản hướng dẫn. Khi chatbot nói một câu trả lời là phù hợp hay không phù hợp, nó đang phản ánh bản hướng dẫn chấm và những người đã chấm. Biết điều này, bạn sẽ không coi phán đoán của AI về chuyện văn hoá, đạo đức là trung lập tuyệt đối.
Sai số nhỏ, hậu quả lớn. Một tỷ lệ nhãn sai nghe có vẻ nhỏ vẫn đủ làm lệch mô hình nếu các lỗi dồn vào cùng một loại mẫu. Các nhóm nghiên cứu đã phát hiện nhãn sai ngay trong những bộ dữ liệu chuẩn được dùng rộng rãi, nghĩa là một số kết quả "mô hình đạt độ chính xác cao" đo trên thước đo không hoàn hảo. Khi đọc tin AI đạt điểm kỷ lục trên một bộ dữ liệu, nên nhớ rằng chính bộ dữ liệu đó cũng do con người gán nhãn và có thể có sai sót.
Nhãn của nơi này chưa chắc hợp với nơi khác. Bộ dữ liệu gán nhãn ở nước ngoài có thể không phù hợp với bối cảnh Việt Nam: tên món ăn, kiểu nhà, biển báo, cách xưng hô. Hệ thống dùng ở Việt Nam cần dữ liệu có nhãn của Việt Nam, và đó là một khoản đầu tư không nhỏ.
Câu hỏi thường gặp
Gán nhãn dữ liệu có bị AI thay thế không?
Một phần việc đơn giản đang được AI tự gán nhãn trước, người chỉ kiểm lại. Nhưng với việc cần phán đoán tinh tế hoặc chuyên môn sâu, con người vẫn cần thiết, và nhu cầu loại người gán nhãn này có xu hướng tăng. Bản chất công việc thay đổi nhiều hơn là biến mất.
Học có giám sát khác tiền huấn luyện thế nào?
Học có giám sát cần nhãn do người cung cấp cho từng ví dụ. Tiền huấn luyện mô hình ngôn ngữ dùng chữ tiếp theo của văn bản làm đáp án, nên không cần nhãn và dùng được lượng dữ liệu lớn hơn nhiều. Chatbot hiện nay kết hợp cả hai: tiền huấn luyện không nhãn, rồi tinh chỉnh bằng dữ liệu do người làm.
Một mô hình cần bao nhiêu dữ liệu có nhãn?
Không có con số chung. Bài toán đơn giản với ít loại nhãn có thể chỉ cần vài nghìn mẫu tốt; bài toán phức tạp như nhận dạng hàng nghìn loại vật thể cần lượng lớn hơn nhiều. Chất lượng nhãn và độ đa dạng của mẫu thường quan trọng không kém số lượng.
Khi giải ô xác minh trên mạng, mình có đang gán nhãn cho AI không?
Với một số hệ thống xác minh, câu trả lời của người dùng từng được dùng như một nguồn dữ liệu có ích, ví dụ dự án reCAPTCHA giúp số hoá chữ in. Cách các hệ thống hiện nay dùng dữ liệu xác minh khác nhau và không phải lúc nào cũng được công bố chi tiết.
Doanh nghiệp nhỏ có cần tự gán nhãn dữ liệu không?
Nếu chỉ dùng chatbot có sẵn thì không. Nếu muốn dạy một hệ thống nhận dạng riêng, chẳng hạn kiểm lỗi sản phẩm của xưởng mình, thì cần dữ liệu có nhãn của chính mình. Khi đó nên che thông tin nhạy cảm trong ảnh và tài liệu trước khi giao cho bên ngoài gán nhãn.