Quy trình phát triển mô hình ML từ A đến Z
🎯 Mục tiêu học (LO AI-3.1.2 · mức K2 – Hiểu): tóm tắt quy trình (workflow) phát triển mô hình ML.
💡 Ý cốt lõi: quy trình đi từ hiểu mục tiêu → chuẩn bị dữ liệu → sinh & test mô hình → triển khai → giám sát, và lặp đi lặp lại chứ không tuyến tính một chiều.
Các bước trong quy trình
| # | Bước | Làm gì |
|---|---|---|
| 1 | Hiểu mục tiêu | Chốt mục đích với các bên; định tiêu chí chấp nhận + thước đo hiệu năng (mục 3.3). |
| 2 | Chọn framework | Chọn framework ML phù hợp mục tiêu, tiêu chí, ưu tiên kinh doanh (mục 1.1.7). |
| 3 | Chọn & dựng thuật toán | Chọn thuật toán theo mục tiêu, tiêu chí, dữ liệu; code tay hoặc lấy từ thư viện. |
| 4 | Chuẩn bị & test dữ liệu | Thu thập, tiền xử lý, feature engineering, EDA (mục 3.2). Dữ liệu phải đại diện cho dữ liệu vận hành. |
| 5 | Huấn luyện (train) | Dùng training data; truyền model hyperparameter (cấu trúc) & algorithm hyperparameter (điều khiển train). |
| 6 | Đánh giá (evaluate) | Đo trên validation dataset theo thước đo đã chốt; thường thử nhiều mô hình rồi chọn tốt nhất. |
| 7 | Tinh chỉnh (tune) | Điều chỉnh hyperparameter rồi train lại. (Train + Evaluate + Tune = 'model generation'.) |
| 8 | Test mô hình | Dùng test dataset độc lập; nếu kết quả kém hơn hẳn evaluate → quay lại bước trước. |
| 9 | Triển khai (deploy) | Tái cấu trúc mô hình + data pipeline cho nền tảng đích (embedded, cloud qua web API); test lại. |
| 10 | Sử dụng (use) | Tích hợp vào hệ lớn; chạy batch định kỳ hoặc real-time theo yêu cầu. |
| 11 | Giám sát & tinh chỉnh | Theo dõi drift (mục 6.1.7); train lại khi cần; so mô hình mới bằng A/B testing (mục 6.1.9). |
Quy trình trên là trình tự logic, thực tế lặp lại. Mô hình ML hiếm khi chạy đơn lẻ — thường phải tích hợp với phần không-ML (vd data pipeline làm sạch dữ liệu trước khi đưa vào mô hình) → có thể cần test tích hợp, hệ thống, chấp nhận.
🔑 Hai loại hyperparameter:
Model hyperparameter — định cấu trúc mô hình (số lớp mạng nơ-ron, độ sâu cây quyết định).
Algorithm hyperparameter — điều khiển quá trình train (số vòng lặp khi huấn luyện).
📝 Bẫy hay gặp
Đề hay cho một phát biểu nghe hợp lý nhưng sai — nhớ mấy chỗ gài sau:
- "Evaluate và Test dùng chung một tập dữ liệu" → SAI: evaluate dùng validation dataset, test dùng test dataset độc lập.
- "Quy trình ML là tuyến tính một chiều" → SAI: thực tế lặp, có thể quay lại bước trước.
- Nhầm model hyperparameter (cấu trúc) với algorithm hyperparameter (điều khiển train).
📌 Ghi nhớ
Model generation = train + evaluate + tune
3 tập dữ liệu: train (huấn luyện) · validation (đánh giá/tune) · test (test độc lập)
Với tester: mỗi bước có hoạt động test riêng, và lỗi thường bắt nguồn từ bước sớm (chuẩn bị dữ liệu, chọn mô hình). Hiểu workflow giúp biết đặt test ở đâu và truy ngược lỗi về gốc.
📖 Thuật ngữ Anh–Việt (mục này)
Đề thi dùng thuật ngữ tiếng Anh — nhớ đúng cụm bên trái. Bấm 🔊 để nghe từng từ, hoặc "Đọc tất cả" để nghe lần lượt Anh → (vài giây) → Việt.
| Thuật ngữ (EN) | Nghĩa & ghi nhớ nhanh |
|---|---|
| ML workflow | Quy trình phát triển mô hình ML |
| Acceptance criteria | Tiêu chí chấp nhận |
| Training dataset | Tập huấn luyện — để train mô hình |
| Validation dataset | Tập kiểm định — để đánh giá & tinh chỉnh |
| Test dataset | Tập kiểm thử độc lập (còn gọi holdout) |
| Model generation | Sinh mô hình = train + evaluate + tune |
| Model hyperparameter | Siêu tham số mô hình — định cấu trúc (số lớp, độ sâu) |
| Algorithm hyperparameter | Siêu tham số thuật toán — điều khiển train (số vòng lặp) |
| Tuning | Tinh chỉnh — điều chỉnh hyperparameter rồi train lại |
| Data pipeline | Đường ống dữ liệu — xử lý & biến đổi dữ liệu thô |
| Drift | Trôi — mô hình lệch dần khỏi hiệu năng mong muốn |
| A/B testing | So sánh 2 phiên bản mô hình trên dữ liệu thật |
🎯 Câu hỏi minh họa (phong cách đề CT-AI · K2)
Which dataset is used to test the tuned model to verify the agreed performance criteria are met?
- a) The training dataset.
- b) The validation dataset.
- c) An independent test dataset.
- d) The operational (production) dataset.
Xem bản dịch tiếng Việt
Tập dữ liệu nào dùng để test mô hình đã tinh chỉnh nhằm xác nhận đạt tiêu chí hiệu năng đã chốt?
a) Tập huấn luyện.
b) Tập kiểm định (validation).
c) Tập kiểm thử độc lập.
d) Tập dữ liệu vận hành (production).
Xem đáp án & giải thích
✅ Đáp án đúng: c — Test dùng tập kiểm thử độc lập (holdout).
a sai — training dataset để train, không để test.
b sai — validation để evaluate/tune, không phải bước test cuối.
d sai — dữ liệu vận hành dùng khi đã chạy thật, không phải bước test trước triển khai.
Đề để tiếng Anh cho sát đề thi thật; phần giải thích để tiếng Việt cho dễ hiểu. Câu hỏi do maiqai.com tự soạn theo phong cách đề.
📎 Nguồn: Chương 3 – Machine Learning, mục 3.1.2 "Machine Learning Workflow", trang 28–29 — ISTQB® Certified Tester AI Testing Syllabus v2.0 (© International Software Testing Qualifications Board). Nội dung biên soạn/dịch ý lại bằng tiếng Việt, không sao chép nguyên văn.