Gán nhãn là gì? Các bài báo nghiên cứu khoa học liên quan

Giới thiệu

Gán nhãn (data labeling) là bước khởi đầu quan trọng trong quy trình xây dựng hệ thống học máy giám sát, định danh và phân loại dữ liệu thô thành thông tin có cấu trúc. Việc gán nhãn đóng vai trò kết nối giữa dữ liệu thô chưa có ý nghĩa và mô hình máy tính, giúp các thuật toán học sâu và học máy học được biểu diễn mối quan hệ giữa đầu vào và đầu ra mong muốn.

Xu hướng ứng dụng dữ liệu lớn (Big Data) và trí tuệ nhân tạo (AI) ngày càng phổ biến đã kéo theo nhu cầu gán nhãn quy mô lớn, đa dạng về loại dữ liệu (hình ảnh, văn bản, âm thanh, video). Các tập dữ liệu như ImageNet, COCO, SQuAD đều dựa trên quy trình gán nhãn thủ công hoặc bán tự động, tạo nền tảng cho hàng loạt nghiên cứu đột phá trong xử lý ngôn ngữ tự nhiên và thị giác máy tính (ImageNet, COCO).

Sự phát triển của công cụ gán nhãn mã nguồn mở (Label Studio, CVAT) và dịch vụ thương mại (Amazon SageMaker Ground Truth, Scale AI) cho phép tổ chức quy trình annotation hiệu quả, kết hợp AI hỗ trợ để tự động gán nhãn ban đầu và sau đó hiệu chỉnh bởi annotator con người nhằm tối ưu thời gian và chi phí (Label Studio, SageMaker Ground Truth).

Định nghĩa gán nhãn

Gán nhãn là quá trình gán nhãn (labels) có ý nghĩa lên từng đơn vị dữ liệu (data samples) dựa trên bộ quy tắc và hướng dẫn đã thiết kế, chuyển dữ liệu thô thành dữ liệu có cấu trúc. Trong gán nhãn hình ảnh, mỗi đối tượng trong ảnh được đánh dấu bằng hộp bao quanh (bounding box) hoặc phân đoạn (segmentation mask), kèm theo nhãn phân loại.

Trong gán nhãn văn bản, từng câu, đoạn hay từ được gắn thẻ thực thể (entity tags) như người, địa điểm, tổ chức (NER – Named Entity Recognition), hoặc chú thích cảm xúc (sentiment annotation) và mối quan hệ (relation annotation) giữa các entity. Mô hình gán nhãn cần đáp ứng tính nhất quán và độ chính xác cao để đảm bảo chất lượng học tập của mô hình (ScienceDirect Data Annotation).

Gán nhãn có thể thực hiện thủ công hoàn toàn bởi con người, bán tự động (human-in-the-loop) hoặc tự động hóa hoàn toàn qua các thuật toán dự đoán và hiệu chỉnh. Việc lựa chọn phương thức tùy thuộc vào độ phức tạp của dữ liệu, mục tiêu ứng dụng và nguồn lực về thời gian – nhân sự – ngân sách.

Vai trò trong học máy và trí tuệ nhân tạo

Dữ liệu gán nhãn là tập huấn luyện (training set) cho mô hình học máy giám sát (supervised learning), giúp thuật toán tối ưu hàm mất mát (loss function) để dự đoán chính xác nhãn của dữ liệu chưa biết. Chất lượng nhãn ảnh hưởng trực tiếp đến độ chính xác (accuracy), độ nhạy (recall), độ đặc hiệu (precision) và khả năng tổng quát hóa (generalization) của mô hình.

Trong quá trình đánh giá (evaluation), tập kiểm thử (test set) gán nhãn độc lập được dùng để đo hiệu năng cuối cùng, đảm bảo mô hình không bị overfitting vào tập huấn luyện. Chỉ số như Cohen’s Kappa và F1-score dựa trên nhãn chuẩn giúp đánh giá mức độ đồng thuận và hiệu quả phân loại (Cohen’s Kappa).

• Huấn luyện mô hình phân loại ảnh (image classification) dựa trên nhãn lớp.
• Phát hiện đối tượng (object detection) sử dụng bounding boxes gán nhãn.
• Phân đoạn ảnh (semantic/instance segmentation) gán mask pixel-level.
• Học sâu NLP với dữ liệu gán nhãn thực thể (NER), phân tích cú pháp (parsing).

Các loại gán nhãn

Gán nhãn phân loại (classification labeling) gán nhãn đơn hoặc đa cho mỗi mẫu, phổ biến trong bài toán nhận dạng ảnh, đánh giá cảm xúc văn bản. Gán nhãn phân đoạn (segmentation labeling) chia ảnh thành các vùng có ý nghĩa, cho phép mô hình nhận diện ranh giới chính xác.

Gán nhãn ngữ nghĩa (semantic annotation) bao gồm chú thích metadata như ngày tháng, tác giả, ngữ cảnh ngôn ngữ cho bản văn. Gán nhãn tuần tự (sequence labeling) ứng dụng trong dữ liệu chuỗi thời gian và ngôn ngữ, ví dụ POS tagging, BIO tagging cho NER.

Mỗi loại gán nhãn đòi hỏi công cụ và quy trình kiểm soát chất lượng khác nhau để đảm bảo tính nhất quán, độ tin cậy và khả năng tái sử dụng dữ liệu cho nhiều dự án AI khác nhau.

Quy trình gán nhãn dữ liệu

Quy trình gán nhãn dữ liệu chuẩn bao gồm các bước cơ bản: chuẩn bị dữ liệu, thiết kế nhãn, huấn luyện annotator, gán nhãn, và kiểm soát chất lượng. Mỗi bước đòi hỏi sự phối hợp chặt chẽ giữa chuyên gia miền và đội ngũ annotator.

Chuẩn bị dữ liệu (data preparation) bao gồm thu thập, làm sạch (data cleaning) và phân vùng (data splitting) thành tập huấn luyện, tập kiểm thử và tập hiệu chỉnh. Dữ liệu cần chuẩn hóa định dạng và loại bỏ nhiễu (noise) trước khi tiến hành annotation.

• Thiết kế nhãn (label schema): xây dựng ontology, danh sách nhãn rõ ràng, kèm ví dụ minh họa và quy tắc xử lý tình huống đặc biệt.
• Huấn luyện annotator: đào tạo qua tài liệu, webinar, bài kiểm tra đánh giá (qualification test) để đảm bảo annotator hiểu đúng ý nghĩa và tiêu chí gán nhãn.
• Gán nhãn (annotation): annotator gán nhãn theo công cụ, tuân thủ hướng dẫn, ghi chú khi gặp trường hợp mơ hồ.

Cuối cùng, kiểm soát chất lượng (quality control) bao gồm đánh giá liên annotator (inter-annotator agreement) như Cohen’s κ và Krippendorff’s α để đo độ đồng nhất, cũng như xem xét mẫu ngẫu nhiên so với gold standard do chuyên gia tạo ra.

Công cụ và nền tảng

Ngày nay, có nhiều công cụ mã nguồn mở và dịch vụ thương mại hỗ trợ gán nhãn với các tính năng đa dạng:

• Label Studio: hỗ trợ gán nhãn hình ảnh, văn bản, âm thanh, video với khả năng mở rộng qua plugin và API.
• CVAT: do Intel phát triển, mạnh về annotation video và classification, hỗ trợ chia sẻ dự án giữa nhóm.
• Amazon SageMaker Ground Truth: dịch vụ gán nhãn bán tự động, tích hợp machine learning để đề xuất nhãn và điều chỉnh bởi con người.
• Scale AI: nền tảng SaaS cho annotation 2D/3D và tự động hóa quy trình qua workflows có sẵn.

Công cụ thường tích hợp chế độ track tiến độ, báo cáo lỗi, phân bổ công việc và xuất dữ liệu định dạng JSON, COCO hoặc Pascal VOC để dễ dàng kết nối vào pipelines huấn luyện.

Đánh giá chất lượng gán nhãn

Để đảm bảo dữ liệu nhãn đúng và nhất quán, các chỉ số đánh giá chất lượng thường được sử dụng:

• Cohen’s κ (Kappa): đo độ đồng thuận giữa hai annotator, giá trị từ 0 (ngẫu nhiên) đến 1 (hoàn hảo) (Cohen’s Kappa).
• Krippendorff’s α (Alpha): phù hợp với nhiều annotator và dữ liệu đa nhãn, đánh giá mức độ nhất quán.
• Precision/Recall/F1-score: so sánh nhãn annotator với gold standard, đặc biệt quan trọng khi nhãn có số lượng mẫu không cân bằng.

Ngoài ra, quy trình đánh giá chất lượng cần kết hợp review bởi chuyên gia (expert review) và feedback loop để cập nhật hướng dẫn nhãn khi phát sinh tình huống mới, đảm bảo chất lượng ổn định trong suốt dự án.

Thách thức và vấn đề đạo đức

Gán nhãn dữ liệu cũng đối mặt với nhiều thách thức:

• Thiên kiến nhãn (label bias): do quan điểm cá nhân của annotator, đặc biệt trong các nhãn mang ý nghĩa xã hội như phân loại nội dung nhạy cảm.
• Chi phí và thời gian cao: dữ liệu chất lượng lớn đòi hỏi hàng chục đến hàng trăm annotator làm việc liên tục.
• Bảo mật và quyền riêng tư: khi gán nhãn dữ liệu y tế, tài chính hay hình ảnh cá nhân, cần tuân thủ GDPR, HIPAA và quy định địa phương.

Vấn đề đạo đức còn bao gồm đảm bảo annotator không bị căng thẳng khi gán nhãn nội dung bạo lực hoặc nhạy cảm, đảm bảo điều kiện làm việc và thu nhập công bằng, ghi nhận đóng góp qua cơ chế đánh giá công bằng.

Xu hướng tự động hóa và học nửa giám sát

Để giảm phụ thuộc vào gán nhãn thủ công, nhiều dự án áp dụng:

• Active Learning: mô hình chọn mẫu quan trọng nhất (uncertainty sampling) để annotator gán nhãn, giảm 50–70% khối lượng công việc (Active Learning Survey).
• Self-Supervised Learning: mô hình học biểu diễn dữ liệu không nhãn qua các nhiệm vụ proxy như dự đoán phần thiếu, sau đó tinh chỉnh qua nhãn nhỏ (Science Self-Supervised).
• Semi-Supervised Learning: kết hợp nhãn thủ công và dữ liệu không nhãn để huấn luyện chung, tăng hiệu quả khi nhãn hạn chế.

Công nghệ AI đang ngày càng tham gia vào giai đoạn annotation ban đầu, đề xuất nhãn (pseudo-labeling) và chỉ yêu cầu con người chỉnh sửa, giúp đẩy nhanh tiến độ và tối ưu chi phí.

Tài liệu tham khảo

• Wiley, J., & Cohen, L. (1960). “A Coefficient of Agreement for Nominal Scales.” Educational and Psychological Measurement.
• Krippendorff, K. (2011). Computing Krippendorff’s Alpha-Reliability. SAGE Publications.
• Settles, B. (2012). “Active Learning.” Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. arxiv.org/abs/2006.07388.
• Jing, L., & Tian, Y. (2020). “Self-supervised Visual Feature Learning with Deep Neural Networks: A Survey.” IEEE Transactions on Pattern Analysis and Machine Intelligence. science.org/doi/10.1126/science.abm5345.
• Label Studio. “Label Studio Documentation.” labelstud.io.
• AWS. “Amazon SageMaker Ground Truth.” aws.amazon.com.
• Scale AI. “Scale AI Platform.” scale.com.