AI và Machine Learning đang len lỏi vào mọi sản phẩm — từ recommendation system đến chatbot. Dù bạn không làm ML full-time, việc hiểu các thuật ngữ cơ bản giúp bạn giao tiếp với data team và đọc hiểu tài liệu AI dễ dàng hơn. Let’s dive in! 🤖

🔹 Khái niệm nền tảng

English IPA Tiếng Việt Example
model /ˈmɑːdl/ mô hình — chương trình đã được huấn luyện để dự đoán We deployed the trained model to production for real-time predictions.
training /ˈtreɪnɪŋ/ huấn luyện — quá trình cho model học từ dữ liệu The training phase took 12 hours on a GPU cluster with 1 million samples.
inference /ˈɪnfərəns/ suy luận — dùng model đã train để dự đoán kết quả mới After training, the inference time is only 50 milliseconds per request.
dataset /ˈdeɪtəˌsɛt/ tập dữ liệu dùng để huấn luyện hoặc đánh giá model We split the dataset into 80% training and 20% testing.

🔹 Đánh giá hiệu suất

English IPA Tiếng Việt Example
accuracy /ˈækjərəsi/ độ chính xác — tỷ lệ dự đoán đúng trên tổng số The classification accuracy reached 95% on the test set.
precision /prɪˈsɪʒən/ độ chính xác dương — tỷ lệ dự đoán positive thực sự đúng High precision means fewer false positives in spam detection.
recall /rɪˈkɔːl/ độ phủ — tỷ lệ tìm được các trường hợp positive thực tế We need high recall for fraud detection so we don’t miss any fraudulent transactions.
epoch /ˈiːpɑːk/ vòng lặp — một lần duyệt qua toàn bộ dataset khi training The model converged after 50 epochs of training on the full dataset.

🔹 Vấn đề thường gặp

English IPA Tiếng Việt Example
overfitting /ˈoʊvərˌfɪtɪŋ/ quá khớp — model học thuộc data thay vì học pattern The model shows overfitting — 99% accuracy on training but only 60% on test data.
underfitting /ˈʌndərˌfɪtɪŋ/ chưa khớp — model quá đơn giản, không nắm được pattern Underfitting occurs when the model is too simple to capture the underlying trends.
feature /ˈfiːtʃər/ đặc trưng — biến đầu vào của model We engineered 20 features from raw user data including age, location, and click history.
label /ˈleɪbl/ nhãn — giá trị đầu ra mà model cần dự đoán Each image in the dataset has a label indicating whether it contains a cat or a dog.

🔹 Kiến trúc nâng cao

English IPA Tiếng Việt Example
neural network /ˈnʊrəl ˈnɛtwɜːrk/ mạng nơ-ron — mô hình mô phỏng cấu trúc não bộ The neural network has three hidden layers with 256 neurons each.
deep learning /diːp ˈlɜːrnɪŋ/ học sâu — ML dùng neural network nhiều lớp Deep learning models require large datasets and powerful GPUs to train effectively.

💡 Mẹo ghi nhớ

  • Overfitting vs Underfitting: Overfitting = học thuộc lòng (điểm cao ở nhà, thi rớt). Underfitting = không chịu học (điểm thấp cả hai). Cần balance ở giữa!
  • Precision vs Recall: Precision = “trong số tôi nói positive, bao nhiêu đúng?”. Recall = “trong số thực sự positive, tôi tìm được bao nhiêu?”. Spam filter cần precision cao, phát hiện ung thư cần recall cao.
  • Feature vs Label: Feature = câu hỏi (input), Label = đáp án (output). Training = cho model xem câu hỏi + đáp án để nó tự học cách trả lời.

📝 Bài tập

Điền từ thích hợp vào chỗ trống:

  1. The ___ achieved 97% accuracy after being trained on 500,000 labeled images.
  2. We need to increase the ___ because the fraud detection system is missing too many real cases.
  3. The model shows signs of ___ — it performs perfectly on training data but poorly on new data.
  4. Each row in the ___ contains 15 features and one target label.
  5. After 100 ___, the loss function stopped decreasing, so we stopped training.
✅ Đáp án
  1. model — Model là chương trình đã được huấn luyện để đưa ra dự đoán
  2. recall — Recall cao nghĩa là ít bỏ sót các trường hợp positive thực tế
  3. overfitting — Overfitting xảy ra khi model học thuộc training data thay vì generalize
  4. dataset — Dataset là tập dữ liệu dùng cho training và evaluation
  5. epochs — Epoch là một lần duyệt qua toàn bộ dataset trong quá trình training

AI/ML không còn là thứ xa vời — nó đang ở trong mọi sản phẩm bạn dùng hàng ngày. Nắm vững 14 thuật ngữ này giúp bạn tự tin hơn khi làm việc với data team và đọc paper. Keep learning! 🧠