Mục tiêu bài học

Trong bài học này, bạn sẽ tìm hiểu về những gì xảy ra khi triển khai một mô hình và tại sao phản hồi về mô hình lại quan trọng.

Bạn sẽ tìm hiểu các bước liên quan đến việc đánh giá và triển khai mô hình, nhận phản hồi và sử dụng phản hồi đó để cải thiện mô hình. Cuối cùng, bạn sẽ chứng minh hiểu biết của mình về phương pháp khoa học dữ liệu bằng cách áp dụng nó vào một bài toán xác định.

• Giải thích những gì xảy ra khi triển khai một mô hình.

• Giải thích tại sao phản hồi mô hình lại quan trọng.

• Thể hiện hiểu biết về phương pháp luận khoa học dữ liệu bằng cách áp dụng nó cho một bài toán xác định.

Thời gian cần thiết để học bài này: 4 giờ 10 phút (bao gồm thời lượng sinh viên xem video, đọc text tài liệu đọc, làm lab và quiz).

1. Triển khai mô hình (Deployment)

Phần này cung cấp nội dung về hai giai đoạn cuối cùng của phương pháp luận khoa học dữ liệu, cũng là kết quả của quá trình nghiên cứu dữ liệu và xây dựng mô hình.

Nếu quá trình này thành công, điều đó đồng nghĩa với việc bạn đã hoàn thành dự án.

Mặc dù mô hình khoa học dữ liệu sẽ cung cấp câu trả lời, nhưng chìa khóa để biến câu trả lời từ mô hình trở nên phù hợp và hữu ích lại liên quan đến việc làm sao để các bên liên quan có thể sử dụng mô hình một cách đơn giản.

Vì vậy, cần cung cấp một cách thức để các bên liên quan có thể nhận được câu trả lời một cách dễ dàng khi họ đặt ra câu hỏi. Đây chính là giai đoạn thứ 9 trong phương pháp luận: Deployment (Triển khai).

Ví dụ: triển khai mô hình nhận diện mèo

Giả sử mô hình dự đoán một con vật có phải là mèo hay không. Bạn không thể yêu cầu người dùng chụp ảnh mèo từ điện thoại, tải ảnh lên máy tính, sau đó tự gõ vài dòng code để chạy mô hình và nhận kết quả.

Thay vào đó, bạn phải cung cấp một cách thức tốt hơn, chẳng hạn:

• Một trang web cho phép người dùng tải ảnh mèo lên và tự động trả về kết quả.

• Hoặc tích hợp mô hình trực tiếp vào một phần mềm trên điện thoại.

Triển khai sau khi đánh giá mô hình

Sau khi mô hình được đánh giá và được coi như hoạt động tốt, nó sẽ được triển khai và đưa vào thử nghiệm cuối cùng.

Tùy thuộc vào mục đích, có thể triển khai mô hình cho một nhóm người dùng hạn chế hoặc trong môi trường thử nghiệm để xem xét khả năng áp dụng trên diện rộng.

Video Deployment

2. Phản hồi mô hình (Feedback)

Khi triển khai học máy vào thực tế, bạn sẽ gặp thuật ngữ trôi dạt dữ liệu (data drift).

Trôi dạt dữ liệu ảnh hưởng lớn đến quá trình dự đoán của học máy. Khi đó, thuật toán học máy có thể không còn phù hợp để dự đoán và cần được cập nhật.

Vì vậy, phương pháp luận khoa học dữ liệu ở giai đoạn cuối cần có một cách để kiểm tra xem mô hình được triển khai có còn hoạt động tốt hay không.

Một cách hữu hiệu để thực hiện điều này là dựa vào phản hồi của người dùng.

Đây cũng là giai đoạn cuối của phương pháp luận: Feedback (Phản hồi).

Tại sao phản hồi lại quan trọng?

Phản hồi giúp đánh giá liệu mô hình có còn phù hợp để tiếp tục sử dụng hay không.

Phản hồi từ người dùng giúp:

• Tinh chỉnh mô hình.

• Đánh giá mô hình về mặt hiệu suất.

• Đánh giá tác động của mô hình.

Giá trị của mô hình sẽ phụ thuộc vào việc kết hợp thành công phản hồi và điều chỉnh theo giải pháp được yêu cầu.

Video Feedback

3. Chu trình triển khai và phản hồi

Các giai đoạn cuối cùng của phương pháp luận khoa học dữ liệu không phải là một chuỗi kết thúc một lần duy nhất.

Thay vào đó, chúng tạo thành một chu kỳ lặp giữa:

• Mô hình hóa (Modeling)
• Đánh giá (Evaluation)
• Triển khai (Deployment)
• Phản hồi (Feedback)

Sau khi triển khai mô hình, phản hồi thực tế có thể cho thấy mô hình cần được tinh chỉnh. Mô hình sau khi được hoàn thiện có thể được đánh giá và triển khai lại.

Vì vậy, triển khai không phải là điểm kết thúc tuyệt đối của quá trình. Phản hồi từ thực tế có thể đưa chúng ta quay lại các bước trước đó để cải thiện mô hình.

Ví dụ về phản hồi trong bài toán bệnh viện

Trong ví dụ về giảm tỷ lệ nhập viện, sau khi mô hình được triển khai, các bên liên quan cần tiếp tục theo dõi kết quả thực tế.

Những phản hồi này có thể được sử dụng để đánh giá xem giải pháp có thực sự giải quyết vấn đề hay không và liệu mô hình có cần được tinh chỉnh hay không.

Video Summary

Thực hành: Lab 6 – Git/GitHub

Trong Lab 6, bạn sẽ thực hành các kiến thức cơ bản về Git/GitHub thông qua các bài lab được cung cấp.

Danh sách bài thực hành

• Lab 6.1: GitHub – Làm quen với GitHub
  Mở Lab 6.1

• Lab 6.2: Create và merge các branch trong GitHub repo
  Mở Lab 6.2

• Lab 6.3: Tạo Repository trong GitHub
  Mở Lab 6.3

• Lab 6.4: Fork và Pull
  Mở Lab 6.4

• Lab 6.5: Thêm file vào Repository trong GitHub
  Mở Lab 6.5

Lưu ý

• Học viên thực hiện bài lab thông qua GitHub.

• Sau khi hoàn thành bài lab, học viên lưu lại file bài làm trên máy tính cá nhân và trên GitHub để phục vụ cho việc review lab sau này.

• Học viên cần hoàn thành tất cả các bài lab của môn học mới tiến hành đăng ký review.

Thời gian làm bài dự kiến: 100 phút.

Tổng kết bài học

Hoàn thành bài học này, bạn đã nắm được:

• Triển khai: Sau khi mô hình được đánh giá và được coi là hoạt động tốt, mô hình được triển khai và đưa vào thử nghiệm cuối cùng.

• Triển khai trong thực tế: Cần cung cấp một cách thức đơn giản để các bên liên quan có thể sử dụng mô hình và nhận được câu trả lời.

• Phản hồi: Giúp đánh giá liệu mô hình có còn phù hợp để tiếp tục sử dụng, đồng thời hỗ trợ tinh chỉnh mô hình và đánh giá hiệu suất, tác động của nó.

• Chu trình lặp: Các giai đoạn cuối của phương pháp luận khoa học dữ liệu tạo thành chu kỳ giữa Mô hình hóa, Đánh giá, Triển khai và Phản hồi.

• Phản hồi thực tế: Giúp cải thiện mô hình và có thể dẫn đến việc hoàn thiện, đánh giá và triển khai lại mô hình.