Skip to content

Instantly share code, notes, and snippets.

@tuan3w

tuan3w/Bias.md

Last active November 25, 2021 05:27
Show Gist options
  • Save tuan3w/2bcf1452f864e6de1a47da8e90a9e60f to your computer and use it in GitHub Desktop.
Save tuan3w/2bcf1452f864e6de1a47da8e90a9e60f to your computer and use it in GitHub Desktop.
Download ZIP
Thiên kiến/Thiên Vị (Bias)
Raw
Bias.md

Cập nhật (21/10/2021): Bản ghi chú này có sai lệch. Bởi vì thiên kiến xác nhận (confirmation bias),số lượng tài liệu hạn chế mình đọc, các nội dung phần nào chịu ảnh hưởng bởi góc nhìn, quan điểm ban đầu của tác giả. Bản thân bài viết này cũng bị sửa rất nhiều lần vì mình nhận thấy sai lầm đáng kể của những nội dung ban đầu. Bài viết cũng có thể khó đọc với nhiều người bới khả năng diễn đạt của bản thân mình và sự sai khác trong cách tư duy mà mình không nghĩ đến.

Thiên kiến/Thiên Vị (Bias)

Tự dưng muốn viết về chủ đề này nên viết cho vui. Dạo này, mình đọc nhiều sách về tâm lý. Vì lý do này đến lý do khác dẫn đến thấy thú vị về chủ đề này. Tiêu biểu nhất đó là thiên kiến/thiên vị (bias). Một chủ đề nghe chừng vô thưởng vô phạt. Nhưng sau thời gian tìm hiểu, mình khám phá ra nhiều điều thú vị liên quan đến nó. Thiên kiến ảnh hưởng đến bản thân mọi người nhiều hơn chúng ta tưởng. Mình sẽ giải thích thiên kiến trong một số vấn đề bao gồm đánh giá và ra quyết định, hạnh phúc, phát triển sản phẩm, học máy (nghe chẳng có liên quan đến nhau tí nào :( ). Cũng có nhiều thuật ngữ tiếng anh nên mình giữ nguyên. Bài viết cũng không mang tính học thuật nên các bạn bỏ qua.

Trước thiên kiến/thiên vị là gì ? Hiểu nôm la thiên vị là sai lệch, thích hoặc gét cái gì hơn bản chất sự thật. Ví dụ kinh điển chắc là mấy câu ca dao về tình yêu thời xưa: "Yêu nhau yêu cả đường đi. Ghét nhau ghét cả tông chi họ hàng". Khi bạn thích cái gì, bạn sẽ thích mọi thứ xung quanh liên đến điều đó. Mọi người đều được dạy dỗ trở nên công bằng, lý trí. Câu hỏi, thực sự mọi người có sống công bằng như mọi người đang nghĩ? Chắc sau bài này nhiều người sẽ nghĩ khác.

Đánh giá và ra quyết định

Đây là lý do chính mà mình tìm hiểu về tâm lý. Khi mình tìm hiểu về cách tư duy first principle thinking, mình được dẫn dắt đến nhà đầu tư Charlie Munger và bài viết về những sai lầm trong đánh giá của con người. Bài nói chuyện tập trung đến cái thiên lệch tâm lý ảnh hưởng lớn đến việc ra quyết định của con người. Charlie Munger đề cập đến khái niệm mental model như một ý niệm giúp ta giải thích. Chúng ta cùng đề cập một số mental model về nhận thức để hiểu rõ hơn.

  • Influence From Mere Association Tendency: Mental model này đề cập về thiên vị do yêu thích hoặc ghét cái gì trong quá khứ. Ấn tượng đầu tiên với ai đó là một ví dụ cho mental model này. Hoặc trong đời sống, bạn quen dùng một nhóm sản phẩm nhất định. Bạn là fan của nhóm nhạc, người nổi tiếng nào đó, bạn sẽ thích các hoạt động, sản phẩm gắn kết với họ. Đó là lý do các sản phẩm thường có một nhóm người nổi tiếng làm đại diện hình ảnh.
  • Confirmation Bias: Hồi đi học, chắc ai cũng từng nghe câu thơ "Người buồn cảnh có vui đâu bao giờ". Đại ý rằng khi ta buồn, cả thế giới cũng buồn theo :((. Confirmation bias hiểu nôm la là ta luôn tìm những bằng chứng để hỗ trợ, khẳng định những điều mà ta nghĩ từ trước. Thậm chí cùng một sự việc, những người khác nhau sẽ đưa ra những giải thích khác nhau, miễn là nó thuận theo một khẳng định nào mà ta nghĩ từ trước. Do đó chúng ta dễ đưa ra đánh giá không khách quan, sai lầm khi có loại định kiến này.
  • Liking tendency/Hating tendency: Tương tự association tendency, các mental model này chỉ ra rằng khi ta yêu thích hoặc ghét một ai đó thì họ làm gì ta cũng cảm thấy yêu/ghét, bỏ mặc tính khách quan của việc liên quan đến họ.
  • Occam's Razor: Cái này đúng hơn là một nguyên lý. Nguyên lý này khuyên ta rằng khi có nhiều giả thiết/cách giải quyết cho một vấn đề, cách giải quyết/giả thiết đơn giản nhất thường là cách giải quyết/giả thiết tốt nhất. Nó không có nghĩa rằng cách đơn giản nhất luôn đúng mà có xác xuất đúng tốt hơn. Đồng thời, các giả định đơn giản cũng dễ kiểm tra hơn so với các giả thiết khác, nên chúng ta hãy cân nhắc thử trước. Trong phát triển sản phẩm, MVP là ví dụ rõ ràng nhất trong mental model này. Trong quan hệ giao tiếp, cũng có mental model tương tự là Hanlon's Razor . Cách tiếp cận này rất hiệu quả cho các vấn đề. Nói thì dễ nhưng chắc làm thì khác nha :)). Đơn giản quá thì sẽ bị mọi người đánh giá là ngu ngơ, hay mơ mộng :(.
  • Anchor effect: Hiểu đơn giản là so sánh. Cụm từ thân thương nhất mà mọi người thường được nghe hồi nhỏ chắc là "con nhà người ta". Hiểu ở đây là con người đánh giá không dựa trên một cách thức tuyệt đối nào đó, mà thường sử dụng so sánh tương đối với một điểm để đối chiếu (anchor). Thấy bạn bè có cái này, có cái kia bạn sẽ so sánh, mong muốn mua cái này, cái kia. Có thể lúc đó bạn đã dính vào bẫy của các bạn marketing. Sử dụng các điểm so sánh không hợp lý sẽ gây cho mọi người stress không cần thiết. Vì vậy hãy cẩn thận với mental này.
  • Social proof: "Mọi người đang nháo nhào vì coin đang lên kìa". Mình có nên đầu tư hay không? Like và share ngay cho nóng mọi người ơi, blah,.... Con người là loài vật xã hội, nên con người sẽ chịu ảnh hưởng xã hội mạnh mẽ. Mọi người sẽ xem, theo dõi và bắt chước hành vi của người khác, nhất là khi thiếu thông tin hoặc không biết làm gì. Khi còn bé, trẻ em bắt trước hành vi của người xung quanh để học hỏi. Vấn đề ở đây là "kiến thức cộng đồng" không phải lúc nào cũng đúng. Vì vậy hãy cẩn thận với các thông tin này. Tập trung vào circle of competence của bạn có thể là một cách tốt.
  • Consistency Bias: Câu mọi người vẫn hay muốn nghe là "trước sau như một". Con người có xu hướng hành động để đồng nhất với suy nghĩ mình. Một người không nhất quán trong hành vi thường được xem là thiếu tin cậy. Tuy nhiên, điều này cũng rất nguy hiểm. Cùng một kiến thức ở các ngữ cảnh khác nhau có thể đem lại kết quả khác nhau. Những điều sai ban đầu cần được sửa đổi. Consistency Bias thường đi kèm với Confirmation Bias do đó chúng ta thường dễ mắc sai lầm trầm trọng hơn theo sau những sai lầm ban đầu.
  • Reason respecting tendency: Chúng ta muốn mọi thứ hợp lý. Chúng ta có thể đưa ra lời giải thích cho mọi thứ xảy ra. Bạn có thể dễ dàng tin vào một câu châm ngôn trên mạng với một phép so sánh vô thưởng vô phạt. Chúng ta tin vào những câu chuyện thành công mà bỏ qua các yếu tố ngẫu nhiên, các yếu tố bên ngoài, các yếu tố không kiểm soát được khác,...

Tại sao nên quan tâm đến sai lệch nhận thức ở đây? Thực tế rằng sai lệch nhận thức phổ biến, có tác động mạnh mẽ hơn chúng ta có thể nghĩ. Bạn bị ảnh hưởng bởi các trào lưu xã hội phổ biến. Các tin tức bạn đọc sẽ quyết định đánh giá của bạn về một vấn đề nào đó. Cảm xúc của bạn sẽ quyết định của bạn nhiều hơn bạn nghĩ. Sẽ có người băn khoăn rằng liệu đó chỉ đúng cho một nhóm người hay không thì câu trả lời ở đây là không. Nó đúng cho tất cả mọi người. Tại sao lại như vậy? Sai lệch nhận thức xảy ra do giới hạn về khả năng xử lý thông tin*, bộ nhớ, cảm xúc. Trí thông minh của loài người, là kết quả của quá trình tiến hóa của tạo hóa. Mục tiêu của tiến hóa là tìm ra điều tốt nhất cho sự tồn tại của cá thể. Trí thông minh của loài người cũng theo hướng như vậy. Nó là một hệ thống hiệu quả (cả về mặt năng lượng và khả năng xử lý) cho việc ra quyết định nhanh chóng. Nhưng nó cũng có giới hạn. Tác giả cuốn sách Thinking fast and slow, Daniel Kahneman, giúp chúng ta hiểu về giới hạn đó thông qua mô hình tư duy nhanh chậm. Theo đó, hệ thống tư duy có thể hiểu gồm 2 cơ chế: hệ thống 1 và hệ thống 2. Hệ thống 1 gồm các quyết định nhanh chóng, tự động, chịu ảnh hưởng của cảm xúc, cần ít nỗ lực. Đó bao gồm các heuristics, bản năng tự nhiên, các kỹ năng đã được rèn luyện kỹ. Hệ thống tư duy 2 bao gồm việc tư duy phức tạp, logic, đòi hỏi thời gian xử lý. Hệ thống này hiệu quả bởi đa số các quyết định đều có thể qua hệ thống 1 mà không cần qua hệ thống 2. Hãy tưởng tượng nếu bạn phải thực hiện phép cộng đơn giản mà luôn phải mở lại sách để học phép cộng thì mọi thứ sẽ thực sự tệ như thế nào. Tuy nhiên hệ thống 1 không hoàn hảo. Rất nhiều thứ liên quan đến hệ thống 1 là bẩm sinh, bản năng con người. Và cũng rất nhiều thứ thuộc bản năng con người nhưng chúng ta lại không hề ý thức được. Reason respecting tendency là một ví dụ. Sâu thẳm trong mỗi con người là sự tìm kiếm an toàn. Nó đến từ nguồn gốc tổ tiên của chúng ta luôn phải đấu tranh tồn tại trong tự nhiên. Việc tìn rằng mình kiểm soát được mọi yếu tố giúp chúng ta tự tin hơn về những hành động của mình. Đó là lý do chúng ta có thể đưa ra vô vàn lời giải thích phiến diện,vô căn cứ cho mọi thứ trong cuộc sống.

Vậy chúng ta nên làm gì ? Bạn không thể sửa mọi kiến thức của hệ thống 1. Bạn cũng không thể dành thời gian suy nghĩ kỹ càng cho mọi hành động. Cách tối ưu nhất có lẽ là xây dựng một tập các công cụ tư duy quan trọng, có thể dùng trong nhiều trường hợp, và cần có sự can thiệp của hệ thống tư duy 2 vào các quyết định quan trọng. Các heuristics ở đây mình đề cập không chỉ dừng lại ở sai lệch nhận thức phổ biến mà mở rộng ra đó là mental model. Mental model là một ý tưởng, mô hình giúp ta giải thích, phán đoán từ đó đưa ra quyết định phù hợp về một sự vật hiện tượng. Các kiến thức chuyên môn giúp ta giải quyết vấn đề chuyên môn. Tuy nhiên cũng có những kiến thức, ý tưởng có thể áp dụng trong nhiều vấn đề khác nhau (thậm chí không liên quan trực tiếp đến lĩnh vực ban đầu). Ví dụ khái niệm hệ sinh thái xuất phát từ sinh học, nhưng chúng ta có thể thấy nó trong ý niệm tập đoàn đa ngành gồm các sản phẩm có liên quan. Có lẽ rằng việc bó buộc khái niệm cùng ngữ cảnh khi chúng ta tiếp thu giới hạn khả năng ứng dụng của chúng trong thực tế. Bạn nên xây dựng bộ mental model cho mình để có thể sử dụng trong nhiều trường hợp khác nhau. Mỗi mental model sẽ giúp bạn có một góc nhìn để giải thích, giải quyết vấn đề hiệu quả. Cũng cần lưu ý rằng mental model nói chung tuy hữu ích ở mức độ nhất định nhưng đều có hạn chế, sai sót. Đến ngay như hệ thống tư duy con người được đánh giá là phức tạp mà có sai lệch lớn như vậy thì bạn cần ý thức được rằng không có một chìa khóa vạn năng cho mọi vấn đề. Cách tốt nhất mà chúng ta có thể làm đó là xây dựng mạng lưới mental model đủ lớn và biết cách áp dụng các mental model phù hợp cho từng tình huống để đưa ra giải thích, quyết định tốt nhất có thể.

Hạnh phúc

Một chủ đề vu vơ là hạnh phúc. Ai cũng muốn hạnh phúc. Có người dảnh cả đời hỏi hạnh phúc là gì ? Có vô vàn câu chuyện kiểu đi gặp một nhà hiền triết để hỏi câu hỏi hạnh phúc? Có người chạy theo thành công rồi hỏi hạnh phúc là gì?...

Tuy không giúp bạn trả lời câu hỏi hạnh phúc là gì, mình sẽ đưa ra một vài lý do giúp bạn cảm thấy không hạnh phúc. Cái này dựa trên những gì mình biết từ khóa học The Science of Well-Being, một trong các khóa học phổ biến nhất trên Coursera. Điều đó chứng tỏ vấn đề đó mọi người quan tâm rất nhiều. Các nhà nghiên cứu chỉ ra rằng có một vài nguyên nhân khiến chúng ta không hạnh phúc hoặc không cảm thấy hạnh phúc đúng như điều lẽ ra phải xảy ra:

  • Our minds' strongest intuitions are often totally wrong: Trực giác của con người thường xuyên sai. Giống như các ảo giác hình học trên mạng bạn có thể bắt gặp. Lúc nào ta cũng cảm giác 2 vật có kích thước khác nhau nhưng thực tế thì ngược lại. Bạn cũng có thể thấy rõ điều này trong các sai lệch nhận thức.
  • Our minds don't think in terms of absolutes. Ý tưởng này liên quan đến anchor effect. Vì không có thước đo tuyệt đối, bạn sẽ chọn các mốc để so sánh. Nếu bạn chọn các mốc không hợp lý sẽ khiến bạn không cảm thấy hạnh phúc, tự ti về bản thân. Stress ở mức độ nào đó thúc đẩy con người, nhưng khi vượt qua một giới hạn sẽ đem lại hiệu quả ngược lại. Sử dụng mạng xã hội nhiều, đọc nhiều thông tin về tấm gương thành công, bạn sẽ có xu hướng so sánh nhiều hơn. Do đó hãy cẩn thận với các thông tin bên ngoài. Nếu thấy nó xuất hiện nhiều, hãy mạnh dạn nhắc bản thân ngừng so sánh. Trước kia mình đọc cuốn Solve for Happy: Engineer Your Path to Joy, tác giả có đưa ra một mô hình đơn giản: Hạnh phúc = Kết quả - Kỳ vọng. Nếu kỳ vọng bạn quá lớn trong khi kết quả đạt được không như ý bạn sẽ cảm thấy không hạnh phúc. Tệ hơn nữa, nếu điều này diễn ra lâu, bạn sẽ có thể mất tỉnh táo khi đưa quyết định do xu hướng do something tendency. Hoặc bạn cũng có thể mất tự tin vào bản thân, lo lắng, cảm giác mình như kẻ lừa đảo do hội chứng imposter syndrome. Charlie Munger từng nói về điều này: The first rule of a happy life is low expectations. That’s one you can easily arrange. And if you have unrealistic expectations, you’re going to be miserable all your life.
  • Our minds are built to get used to stuff: Khi bạn quen một điều gì đó, bạn sẽ không còn thích nó như trước nữa. Lúc chưa vào đại học bạn sẽ cực thích nếu đỗ đại học. Như đỗ đại học xong, bạn sẽ nhanh chóng quên cái cảm xúc đó. Các mối quan hệ về lâu về dài sẽ cảm thấy tẻ nhạt, không còn mới mẻ nữa. Đạt được mức lương X bạn sẽ nhanh chóng mong đạt được mức lương 2X, 3X... Vấn đề ở chỗ các mục tiêu về sau thường sẽ có những thay đổi lớn hơn. Trong tâm lý học, hiệu ứng này được gọi là hedonic adaptation. Một lời khuyên được đưa ra là biết cảm ơn về những điều đã xảy ra. Ngoài ra luôn có sự điều chỉnh để làm cho những trải nghiệm của mình luôn có gì đó mới mẻ hơn.
  • We don't realize that our minds are built to get used to stuff: Về điều này thì chắc cũng rõ rồi. Nếu không biết thì sẽ không bao giờ bạn hiểu vấn đề.

Alan Watt, một nhà thiền triết có ảnh hưởng từng đưa ra một thuyết gọi là backwards law. Ý của định luật này rằng càng theo đuổi hạnh phúc thì bạn càng cảm thấy không hạnh phúc. Một điều nghe chừng phi lý nhưng nếu bạn sử dụng những điều đã được đề cập ở đây thì có lẽ bạn sẽ có thể giải thích phần nào cho điều đó.

Những lý giải đó cũng đưa đến cách bạn tìm kiếm hạnh phúc: Có lẽ điều tốt nhất mà giúp bạn tìm thấy hạnh phúc đó là một mục tiêu cuộc đời khiến bạn thỏa mãn và những dấu mốc giúp bạn có thể đạt được và nhìn lại. Nhà tâm lý học tiên phong Mihaly Csikszentmihalyi đề cập trạng thái trung gian đó là Flow (psychology) - Wikipedia, một trạng thái tạm thời mà chúng ta tập trung hoàn toàn vào công việc, trải nghiệm đó, quên đi khái niệm thời gian xung quanh.

Phát triển sản phẩm

Nói cái này cũng không hợp lắm vì mình không có nhiều kinh nghiệm. Nhưng đưa thêm để mọi người có thêm phân tích.

Mình bắt đầu với một chủ đề trong Startup mọi người có thể nghe đến là Growth Hacking. Theo một cách nào đó, những người marketing chuyên về tăng trưởng tìm các thủ thuật, mẹo để giúp công ty đạt mục tiêu tăng trường. Nhóm người này tập trung duy nhất là mục tiêu tăng trưởng. Vì sao? Các startup thường nhỏ hơn rất nhiều so với các công ti hiện có trong thị trường. Do đó, một cách để cạnh tranh là phải đi nhanh hơn tất cả những người khác, tạo lợi thế mà không bên nào dễ dàng có được. Trở lại Growth Hacking, thường thì Growth Hacker tập trung vào các thủ thuật hiếm. Giống như các lỗ hổng mà các hacker máy tính thường tìm thấy vậy. Growth hacker cố gắng tìm ra điểm nào đó để khai thác. Các điểm khai thác này cũng mang tính thời điểm. Do đó luôn phải sáng tạo để tìm ra các điểm mới. Ví dụ AirBnb nổi tiếng với chương trình refer từ một trang web listing lớn thời đó, DropBox mời bạn để tăng dung lượng chứa. Các cách tiếp cận này hiệu quả với startup với số vốn ít nhưng lại hiệu quả về thu hút người dùng. Tất nhiên mình nói có phần thiên lệch chút về Growth Hacking. Growth Hacking nếu rộng ra thì là tăng trưởng rất hiệu quả. Xem thêm fb path 1 billion users và sách. Nhiều người cũng không đồng tình về tính bền vững của Growth Hacking.

Cách tốt nhất mà growth hacker làm đó là khai thác các hạn chế tư duy như đã đề cập ở trên. Các yếu tố thường là yếu tố đám đông, social proof hoặc thiên lệch do sự khan hiếm, cho đi và nhận lại, ảnh hưởng của người nổi tiếng,… Hãy tự kiểm nhiệm điều đó trong thực tế cuộc sống.

Một vấn đề khác liên quan đến UX. Trên trang Law Of UX, đưa ra một số các "luật" liên quan đến UX mà người thiết kế nên chú ý. Công ty làm sản phẩm cho con người, nên cần hiểu các đặc điểm tâm lý của con người trong việc làm sản phẩm. Ví dụ ai cũng ghét chờ đợi, vì vậy đừng để sản phẩm chạy chậm. Đừng có quá nhiều lựa chọn để người dùng phải băn khoăn chọn cái gì. Biết cách phân tách, gom nhóm đối tượng sao cho phù hợp,... Một điều mình thấy khá buồn cười là mặc dù điều đó rất quan trọng, nhưng thực tế ít được nghiên cứu có hệ thống. Các công ty làm sản phẩm chuyên nghiệp thường xuyên phải cải thiện thông qua việc đưa ra giả thiết và thử nghiệm A/B testing (mình chỉ đề cập A/B trong thiết kế trải nghiệm người dùng). Nếu điều này được nghiên cứu có hệ thống, có lẽ chúng ta sẽ cắt giảm được rất nhiều giả thiết sai lầm. Thiết kế có thể điều hướng hành vi con người. Bạn vào một trang bán hàng, thấy một nút mua ngay to đùng ở dưới liệu bạn có ấn thử? Tuy nhiên, người dùng cũng cần cảnh giác. Nhiều sản phẩm sử dụng tâm lý để tránh người dùng thực hiện hành vi ban đầu của họ. Chúng ta có thuật ngữ liên quan dark pattern. Mọi người có thể xem thêm nghiên cứu về darkpattern trên hơn 11k website thương mại điện tử. Rõ ràng tác động của thiên lệch đến hành vi chúng ta rất mạnh mẽ mà hầu như chúng ta lại rất mơ hồ về điều này. Cùng một công cụ, nhưng với mục đích khác nhau có thể đưa đến kết quả hoặc hậu quả (tùy theo góc nhìn mỗi người).

Ngoài ra, mental model cũng có thể tìm thấy trong việc tìm định hướng phát triển sản phẩm tốt hơn.

Học máy

Cái này nói cuối vì chắc ít người quan tâm bởi nó liên quan đến kĩ thuật. Để nội dung ít người quan tâm xuống dưới để người ta còn đọc :)). Mình có thời gian tìm hiểu học máy tương đối dài. Học máy hiểu thì cũng là xây dựng các mô hình. Giống mental model thì các mô hình đều không hoàn hảo nhưng có ý nghĩa nhất định. Trích dẫn nguyên tiếng anh là All models are wrong, but some are useful. Mình thi thoảng hay "mô hình hóa" cuộc sống dưới góc nhìn liên quan. Ví dụ vui: định hướng trong cuộc sống giống như các giải thuật tối ưu. Mọi người cần chọn cái đích để tối ưu đến. Và trong quá trình tối ưu sẽ có nhảy ngang, nhảy dọc, đôi khi dừng lại ở cục bộ. Nếu nhảy mạnh quá chẳng bao giờ bạn đến điểm hội tụ nào đó,... Quay trở lại thiên vị, vấn đề ở đây mình muốn đề cập đến là gì? Vấn đề nổi tiếng nhất trong cộng đồng ML chắc từ con bot Tay (2016). Microsoft cho bot này giao tiếp với người trên twitter. Bằng một cách nào đó con bot nhiễm cụm từ phản động, bài vị và khiến Microsoft phải ngay lập tức đóng con bot này. Rồi sự việc AI google nhận người da đen thành gorilla. Ban đầu mình nghĩ đơn giản là do dữ liệu :)). Giống như deepdream, các hình ảnh nhiều chỗ có hoa văn hình con chó do bộ dữ liệu chứa phần lớn là ảnh chó. Đúng, một nguyên nhân lớn đến từ dữ liệu. Và một bộ dữ liệu công bằng theo cách ta mong đợi thực sự là điều không dễ dàng. Ai có thể đảm bảo điều đó.

Khi một thành viên cộng đồng reddit ml phản biện rằng bản thân con người cũng có thiên vị/thiên kiến, ban đầu mình suy nghĩ mơ hồ về điều đó. Đến giờ, khi có chút thêm thông tin, mình mới thấy điều đó đúng. Con người có thể sai, sao máy móc không thể sai. Có chăng ở đây nằm ở mức độ chấp nhận, loại lỗi sai nào được chấp nhận, loại lỗi sai nào nên hạn chế?

Thực tế các mô hình Deep Learning hiện tại hoạt động như một hộp đen, không ai rõ chúng hoạt động như thế nào. Một điển hình cho những điều mà chúng ta còn chưa thấy là adversial example. Có những điều không đúng. Ở những trường hợp đó, biết đâu thiên lệch còn rõ ràng hơn. Mình thích Christopher Olah ở cách tiếp cận luôn cố gắng hiểu, giải thích cách thức mô hình hoạt động.

Một thứ mình thấy rất hay ho khi tìm hiểu hôm nay là inductive bias, khi mình đọc về audio generation và nlp research. Rất lạ khi nghe các khái niệm này. Ý tưởng của inductive bias là những thiên lệch do chính bản thân mô hình. Do sai lệch này, các mô hình thường có khuynh hướng trả về một kết quả có đặc điểm nào đó. Ví dụ GAN thường trả về kết quả siêu thực nhưng mức độ đa dạng thấp. Khi thiết kế mô hình, thường thì người thiết kế trong một lĩnh vực cụ thể (y tế, thời trang,...) thường cố gắng đưa kiến thức chuyên gia của mình vào mô hình để giải quyết bài tóan hiệu quả hơn. Thực tế rằng, các mô hình càng tích hợp nhiều đặc trưng thiết kế tay thường có kết quả cao hơn với ít dữ liệu để huấn luyện hơn. Khi Deep Learning bắt đầu nổi nên từ 2012, một xu hướng bắt đầu hình thành. Đó là thay vì tập trung các thiết kế các đặc trưng như trước (vốn cần chuyên gia), thì các nhà khoa học tập trung xây dụng kiến trúc, xây dựng các mô đun để xây dựng các mạng lưới. Giống như xây dựng các mẫu mã bàn ghế, cánh cửa khác nhau vậy. Và lúc đó một điều cũng đồng thời xảy ra. Đó là cần nhiều dữ liệu hơn. Các mô hình học máy càng cần nhiều dữ liệu hơn để hiệu quả. Giáo sư Andrew Ng nói rằng Deep Learning giống như tên lửa, còn Big data giống như nhiên liệu vậy. Cần rất nhiều nhiên liệu để có thể đi xa được cho cái động cơ mạnh mẽ nhưng tốn kém này. Đó cũng là lý do mình chọn công ty về Bigdata để làm lúc đầu. Tuy nhiên, thực tế là trong nghiên cứu tri thức chuyên gia vẫn quay lại ít nhiều :)). Các mô hình Transformer có ít inductive bias hơn CNN, RNN nhưng điểm ngược lại lại là cần rất nhiều dữ liệu để mạnh mẽ hơn. Ngoài ra, cũng cần thấy rằng, vì đặc điểm hạn chế của inductive bias, mà đầu ra hạn chế được những lỗi nhất định. Inductive bias lớn không đồng nghĩa với khả năng giải quyết vấn đề sẽ bị hạn chế đi trong nhóm bài toán. Giống như các ngôn ngữ tiếng anh, tiếng Việt, tiếng Hàn có thể có độ khó học khác nhau,độ dài khác nhau nhưng khả năng biểu diễn vẫn tương đương nhau. Hay trong thiết kế phần mềm, luật lệ của Design System không hẳn làm hạn chế đi khả năng sáng tạo của người thiết kế mà ngược lại, đem lại rất nhiều lợi ích cho việc phát triển phần mềm. Trong xử lý âm thanh, mô hình DDSP có inductive bias lớn nhưng mô hình DDSP vẫn rất mạnh mẽ, ít xảy ra lỗi hơn so với các mô hình kiểu seq2seq. Rich Sutton, cha đẻ của học tăng cường, đề cập bitter lesson, trong đó ông nhấn mạnh rằng xây dựng các mô hình lớn hơn và lớn hơn sẽ là cách thức để phát triển bền vững thay vì đi tích hợp các kiến thức chuyên gia hiện tại... Vậy sẽ như nào nhỉ ? Bản thân mình cũng không rõ. Nếu chỉ mở rộng tính toán, thì đến thời điểm nào đó, chỉ có những người khổng lồ mới thực sự làm được. Còn những Startup sẽ ra sao ? Thị trường ngách hoặc, ứng dụng AI trong lĩnh vực cụ thể có thể là giải pháp ? Cũng có thể Sutton đã sai. Đúng rằng vẫn cần giảm inductive bias theo một cách nào đó để phát triển bền vững. Nhưng cũng cần có những inductive bias cơ bản. Hay đúng hơn là những nguyên lý cơ bản. Giống như để làm máy bay, người ta cần biết nguyên lý để một vật có thể bay. Để mô phỏng trí tuệ con người, chúng ta vẫn cần hiểu những điều cơ bản về thứ mà chúng ta gọi là trí tuệ con người. Và vì con người cũng nhiều thiên lệch, tại sao những nguyên lý đó không bị thiên lệch. Và biết đâu có thứ gọi là trí tuệ tổng quát (General AI). Có lẽ lúc đó sẽ đến lúc đó chúng ta mới không cần phải có những inductive bias. Việc xem computing power là nguyên lý cơ bản của trí tuệ con người có thể sai cơ bản.

Xem thêm

Nói dài dòng là như vậy. Tóm lại cả cái bài dài lòng vòng này là thiên kiến là điều rất cơ bản. Biết và tìm cách tránh những sai lầm. Ngoài ra có một số link có thể mọi người thấy hữu ích để đọc thêm:

Happy Bias :)

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment