Bỏ qua tới nội dung chính

Trước khi có mô hình đồ thị xác suất

Mô hình đồ thị xác suất: vẽ ai ảnh hưởng tới ai, rồi để máy suy luận

Vì sao cần mô hình đồ thị xác suất: mạng Bayes, giải thích bớt, mô hình Markov ẩn và Viterbi, học bằng đếm, nhân quả — và nên bắt đầu học từ đâu.

Ban biên tập OpenER

Cập nhật 18/11/2026 · 20 phút đọc · CC BY 4.0

Bảy giờ tối thứ Sáu, cả nhóm đã ngồi quanh nồi lẩu, chỉ thiếu Lan. Bảy giờ mười lăm, gọi không bắt máy — chắc đang chạy xe. "Kẹt xe rồi," một người nói, "chắc bên đó mưa." Người khác lướt điện thoại: "Tối nay có trận bóng ở sân gần nhà Lan đấy." Rồi có ai nhìn ra cửa: trời đang mưa thật. Lạ một điều: biết trời mưa, cả nhóm tự nhiên bớt nghĩ tới trận bóng — mưa đã đủ giải thích chuyện kẹt xe.

Trong mấy giây đó, cả nhóm đã lập luận trên bốn điều chưa chắc chắn — mưa, trận bóng, kẹt xe, Lan muộn — theo một trật tự ai cũng ngầm hiểu: mưa và bóng gây kẹt xe, kẹt xe làm Lan muộn. Máy tính muốn làm được như vậy, với hàng nghìn biến thay vì bốn, cần một cách ghi lại trật tự ấy. Mô hình đồ thị xác suất (probabilistic graphical models — PGM) làm đúng việc đó: mỗi đại lượng chưa chắc là một nút, mỗi quan hệ "cái này ảnh hưởng tới cái kia" là một mũi tên, và chính hình vẽ cho biết phải tính thế nào.

Trước khi có mô hình đồ thị xác suất

Định lý Bayes có từ thế kỷ XVIII (xem bài Xác suất và thống kê), nhưng dùng cho nhiều biến cùng lúc thì vướng ngay: mô tả đầy đủ n biến có/không cần một xác suất cho từng tổ hợp — 2ⁿ ô; ba mươi biến đã hơn một tỷ ô. Vì thế một thời, nhiều người làm AI coi xác suất là đúng nhưng khó dùng.

Những công cụ vượt qua bức tường đó ra đời từng bước:

  1. Chuỗi Markov (Markov chain) — 1906–1913. Andrey Markov nghiên cứu những chuỗi ngẫu nhiên mà mỗi bước chỉ phụ thuộc bước ngay trước; năm 1913, ông thử ý tưởng trên 20.000 chữ cái đầu của truyện thơ Evgeny Onegin của Pushkin. Giả định "chỉ nhớ một bước" cắt một bảng khổng lồ thành nhiều bảng nhỏ — hạt mầm của cả môn.
  2. Mô hình Markov ẩn (hidden Markov model — HMM) — cuối thập niên 1960. Leonard Baum và đồng nghiệp ở Viện Phân tích Quốc phòng (Institute for Defense Analyses) tại Princeton xây toán học cho chuỗi Markov mà ta không thấy trạng thái, chỉ thấy tín hiệu nó phát ra, cùng cách học tham số từ dữ liệu (thuật toán Baum–Welch, 1970). Năm 1967, Andrew Viterbi công bố một thuật toán giải mã tín hiệu số bị nhiễu, về sau thành cách chuẩn để đoán chuỗi trạng thái ẩn. Từ giữa thập niên 1970, James Baker ở Carnegie Mellon và nhóm của Frederick Jelinek ở IBM đưa HMM vào nhận dạng tiếng nói.
  3. Hệ số chắc chắn (certainty factor) — thập niên 1970. Các hệ chuyên gia như MYCIN (xem bài Nhập môn trí tuệ nhân tạo) gắn cho mỗi luật một con số do chuyên gia ước chừng. Dễ làm, nhưng các con số không tuân theo luật xác suất, nên khi nhiều luật cùng nói về một chuyện, khó biết kết luận đáng tin tới đâu.
  4. Mạng Bayes (Bayesian network) — 1985–1988. Judea Pearl ở UCLA đặt tên "Bayesian network" năm 1985 và viết cuốn Probabilistic Reasoning in Intelligent Systems năm 1988: vẽ các biến thành đồ thị có hướng, để niềm tin lan truyền dọc theo các cạnh. Cũng năm 1988, Steffen Lauritzen và David Spiegelhalter công bố cách tính chính xác trên mạng có hình dạng bất kỳ bằng cách gom biến thành cụm xếp trên một cây — nền của thuật toán cây nối (junction tree).
  5. Một khung chung và câu hỏi nhân quả — 2000–2011. Pearl tổng kết trong Causality (2000) cách dùng đồ thị để trả lời câu hỏi "nếu ta can thiệp thì sao". Năm 2009, Daphne Koller và Nir Friedman xuất bản giáo trình Probabilistic Graphical Models dày hơn 1.200 trang, gom mạng Bayes, mạng Markov và HMM về một mối. Pearl nhận giải Turing năm 2011 vì đã xây dựng phép tính cho lập luận xác suất và nhân quả.

Đặt cạnh nhau:

Không có mô hình đồ thị
Có mô hình đồ thị
Ghi hiểu biết về 30 biến có/không
Một bảng hơn một tỷ con số
Vài trăm con số trong các bảng nhỏ
Có bằng chứng mới
Tính lại từ đầu, hoặc dùng hệ số ước chừng
Lan truyền theo các cạnh, đúng luật xác suất
Kiểm tra mô hình
Một đống số không ai đọc nổi
Một hình vẽ chuyên gia đọc và sửa được
"Nếu ta làm X thì sao?"
Lẫn với "nếu ta thấy X"
Tách bạch, nhờ chiều của mũi tên

Lối nghĩ "chưa có mô hình đồ thị" vẫn ở quanh ta. Gọi tổng đài báo mạng nhà chập chờn, bạn thường được hướng dẫn theo kịch bản cố định: rút điện modem, chờ ba mươi giây, cắm lại — dù bạn đã nói cả dãy trọ cùng mất mạng. Kịch bản là một cây "nếu… thì…" hỏi theo thứ tự định sẵn, không gộp được các bằng chứng. Một hệ chẩn đoán dựng trên mạng Bayes sẽ tính khác: nhiều nhà cùng mất mạng làm khả năng hỏng cáp chung tăng vọt, và chiếc modem nhà bạn gần như được "giải oan".

Môn này trả lời câu hỏi gì

Môn Mô hình đồ thị xác suất trả lời một câu hỏi: khi có rất nhiều đại lượng chưa chắc chắn ảnh hưởng lẫn nhau, làm sao ghi lại hiểu biết của mình cho gọn, hỏi được bất kỳ câu nào, và học được từ dữ liệu? Giáo trình của Koller và Friedman, như hầu hết các khóa học, chia nó thành ba phần:

  1. Biểu diễn (representation) — vẽ đồ thị và điền các bảng nhỏ cho đúng với thế giới.
  2. Suy luận (inference) — biết vài biến, tính xác suất của các biến còn lại, đủ nhanh.
  3. Học (learning) — lấy các con số, thậm chí cả hình vẽ, từ dữ liệu.

Môn học còn mở sang câu hỏi thứ tư mà thống kê thông thường hay né: nhân quả.

Vì sao người học khoa học máy tính nên biết? Vì đây là cách nghĩ đứng sau nhận dạng tiếng nói suốt mấy chục năm, sau việc robot đoán mình đang ở đâu, và sau nhiều mô hình sinh (generative model) của học máy hiện đại. Ngay cả khi dùng mạng nơ-ron, thói quen hỏi "mình đang giả định gì" vẫn giúp tránh những sai lầm đắt giá.

Năm ý tưởng cốt lõi

1. Bảng chung bùng nổ, đồ thị chia nhỏ nó

Mô tả đầy đủ bốn biến mưa, bóng, kẹt, muộn cần phân phối đồng thời (joint distribution): xác suất cho từng tổ hợp trong 16 tổ hợp, tức 15 con số (số cuối suy ra được vì tổng bằng 1). Với n biến là 2ⁿ − 1 con số.

Mạng Bayes thay bảng đó bằng một đồ thị có hướng không chu trình (directed acyclic graph — DAG):

mưa ──┐
      ├──► kẹt xe ──► Lan muộn
bóng ─┘

Mỗi nút giữ một bảng xác suất có điều kiện (conditional probability table) theo các nút trỏ vào nó, gọi là nút cha. Xác suất của một tổ hợp bất kỳ là tích các bảng nhỏ:

P(mưa, bóng, kẹt, muộn) = P(mưa) · P(bóng) · P(kẹt | mưa, bóng) · P(muộn | kẹt)

Đếm lại: 1 + 1 + 4 + 2 = 8 con số thay vì 15. Bốn biến thì chênh chưa nhiều, nhưng khoảng cách lớn lên rất nhanh:

python
# n biến có/không. Bảng chung cần 2**n - 1 con số.
# Mạng Bayes mà mỗi biến có tối đa 3 cha: mỗi biến cần tối đa 2**3 = 8 con số.
for n in (10, 20, 30, 40):
    bang = f"{2**n - 1:,}".replace(",", ".")
    print(f"{n} biến: bảng chung {bang:>17} số, mạng Bayes tối đa {n * 8} số")

Kết quả:

10 biến: bảng chung             1.023 số, mạng Bayes tối đa 80 số
20 biến: bảng chung         1.048.575 số, mạng Bayes tối đa 160 số
30 biến: bảng chung     1.073.741.823 số, mạng Bayes tối đa 240 số
40 biến: bảng chung 1.099.511.627.775 số, mạng Bayes tối đa 320 số

Cái giá phải trả là nói rõ giả định: mỗi mũi tên vắng mặt là một lời khẳng định. Không có mũi tên từ mưa tới Lan muộn nghĩa là: đã biết đường kẹt hay không thì trời mưa không nói thêm gì về chuyện Lan muộn. Nếu Lan đi xe máy và phải dừng lại mặc áo mưa, giả định đó sai, và phải vẽ thêm mũi tên.

Không phải quan hệ nào cũng có chiều. Hai điểm ảnh cạnh nhau thường cùng màu, nhưng không điểm nào "gây ra" điểm nào. Với quan hệ đối xứng như vậy, môn học dùng mạng Markov (Markov random field): đồ thị vô hướng, mỗi cạnh mang một hàm cho biết hai đầu "hợp" nhau tới đâu.

2. Suy luận: hỏi ngược chiều mũi tên

Các bảng được điền theo chiều mũi tên — từ nguyên nhân tới hậu quả, chiều con người dễ ước lượng nhất. Nhưng câu hỏi thực tế thường đi ngược lại: thấy Lan muộn, khả năng trời mưa là bao nhiêu? Cách đơn giản nhất là suy luận bằng liệt kê (inference by enumeration): duyệt mọi tổ hợp, giữ những tổ hợp khớp với điều đã biết, cộng lại rồi chia.

python
from itertools import product

# Mỗi biến: 1 = có, 0 = không. Các con số là ví dụ tự đặt.
P_MUA = 0.3                     # tối nay mưa
P_BONG = 0.1                    # tối nay có trận bóng ở sân gần đó
P_KET = {(1, 1): 0.95, (1, 0): 0.7, (0, 1): 0.8, (0, 0): 0.1}  # P(kẹt | mưa, bóng)
P_MUON = {1: 0.8, 0: 0.05}      # P(Lan muộn | kẹt)

def p_chung(m, b, k, t):
    """Xác suất của một tổ hợp đầy đủ = tích của bốn bảng nhỏ."""
    p = (P_MUA if m else 1 - P_MUA) * (P_BONG if b else 1 - P_BONG)
    p *= P_KET[m, b] if k else 1 - P_KET[m, b]
    p *= P_MUON[k] if t else 1 - P_MUON[k]
    return p

def hoi(bien, biet):
    """P(bien = 1 | những gì đã biết), bằng cách liệt kê cả 16 tổ hợp."""
    tu = mau = 0.0
    for m, b, k, t in product((0, 1), repeat=4):
        gt = {"mưa": m, "bóng": b, "kẹt": k, "muộn": t}
        if all(gt[x] == v for x, v in biet.items()):
            mau += p_chung(m, b, k, t)
            if gt[bien] == 1:
                tu += p_chung(m, b, k, t)
    return round(tu / mau, 2)

for bien in ("kẹt", "mưa", "bóng"):
    print(bien, hoi(bien, {}), "→", hoi(bien, {"muộn": 1}))

Kết quả:

kẹt 0.34 → 0.89
mưa 0.3 → 0.59
bóng 0.1 → 0.23

Một bằng chứng — Lan muộn — đã lan ngược lên mọi nút, kể cả trận bóng. Giờ thêm điều cả nhóm thấy qua cửa (chạy tiếp ngay sau đoạn trên, vì dùng lại hàm hoi):

python
print(hoi("bóng", {"mưa": 1}))                 # 0.1
print(hoi("bóng", {"muộn": 1}))                # 0.23
print(hoi("bóng", {"muộn": 1, "mưa": 1}))      # 0.13

Dòng đầu: chỉ biết trời mưa thì khả năng có trận bóng vẫn là 0,1 — mưa và bóng độc lập, trời không xếp lịch thi đấu. Nhưng khi đã biết Lan muộn, thêm tin trời mưa kéo khả năng có trận bóng từ 0,23 xuống 0,13, gần về mức ban đầu. Hai nguyên nhân vốn không liên quan trở nên phụ thuộc khi ta thấy hậu quả chung: một nguyên nhân được xác nhận thì nguyên nhân kia bớt cần thiết. Đó là giải thích bớt (explaining away) — đúng điều cả nhóm bên nồi lẩu cảm thấy mà không cần tính.

Đồ thị cho biết khi nào hai biến độc lập mà không cần nhìn con số nào. Có ba kiểu nối:

  • Nối tiếp mưa → kẹt → muộn: biết kẹt rồi thì mưa và muộn không nói thêm gì về nhau.
  • Chung nguồn quán bia đông ← trận bóng → kẹt xe: biết có trận bóng rồi thì kẹt xe không nói thêm gì về quán bia.
  • Chung đích mưa → kẹt ← bóng: ngược lại — vốn độc lập, nhưng thấy đích (hay hậu quả của đích) thì thành phụ thuộc.

Quy tắc gom ba kiểu này gọi là tách-d (d-separation). Còn liệt kê thì không mở rộng được: 4 biến có 16 tổ hợp, 50 biến có hơn một triệu tỷ. Phần lớn môn học là những cách tính khôn hơn: loại biến (variable elimination) cộng dồn từng biến theo thứ tự khéo chọn, lan truyền niềm tin trên cây, và lấy mẫu (sampling) khi tính chính xác quá đắt. Năm 1990, Gregory Cooper chứng minh suy luận chính xác trên mạng Bayes tổng quát là bài toán NP-khó (xem bài Thiết kế và phân tích thuật toán); nghệ thuật nằm ở việc khai thác hình dạng cụ thể của từng đồ thị.

3. Mô hình Markov ẩn: đoán điều không thấy từ điều thấy

Nhiều bài toán là một chuỗi theo thời gian: thứ ta muốn biết thì ẩn, thứ ta thấy chỉ là dấu vết nhiễu của nó. Người nói phát âm từng âm, máy chỉ nghe được sóng âm. Máy chủ đang ổn hay đang nghẽn, ta chỉ đo được độ trễ mỗi phút. Mô hình Markov ẩn là một mạng Bayes có hình chuỗi:

trạng thái ẩn:  S1 ──► S2 ──► S3 ──► …
                │      │      │
                ▼      ▼      ▼
quan sát:       O1     O2     O3

Ngoài xác suất lúc bắt đầu, chỉ cần hai bảng nhỏ: xác suất chuyển (transition) — phút này ổn thì phút sau thế nào — và xác suất phát (emission) — đang ổn thì độ trễ đo được thường ra sao. Câu hỏi: nhìn mười phút độ trễ, chuỗi trạng thái nào khả dĩ nhất?

python
# Trạng thái ẩn của máy chủ và độ trễ đo được mỗi phút. Các con số là ví dụ tự đặt.
AN = ("ổn", "nghẽn")
BAT_DAU = {"ổn": 0.8, "nghẽn": 0.2}
CHUYEN = {"ổn": {"ổn": 0.9, "nghẽn": 0.1},                  # P(phút sau | phút này)
          "nghẽn": {"ổn": 0.3, "nghẽn": 0.7}}
PHAT = {"ổn": {"nhanh": 0.7, "vừa": 0.25, "chậm": 0.05},    # P(độ trễ | trạng thái)
        "nghẽn": {"nhanh": 0.1, "vừa": 0.4, "chậm": 0.5}}

def viterbi(do_tre):
    # tot[s]: xác suất của chuỗi trạng thái tốt nhất kết thúc ở s; duong[s]: chính chuỗi đó
    tot = {s: BAT_DAU[s] * PHAT[s][do_tre[0]] for s in AN}
    duong = {s: [s] for s in AN}
    for o in do_tre[1:]:
        moi, duong_moi = {}, {}
        for s in AN:
            truoc = max(AN, key=lambda r: tot[r] * CHUYEN[r][s])
            moi[s] = tot[truoc] * CHUYEN[truoc][s] * PHAT[s][o]
            duong_moi[s] = duong[truoc] + [s]
        tot, duong = moi, duong_moi
    return duong[max(AN, key=tot.get)]

do_tre = "nhanh vừa nhanh nhanh chậm vừa nhanh chậm chậm nhanh".split()
tung_phut = [max(AN, key=lambda s: PHAT[s][o]) for o in do_tre]
print("Từng phút:", " ".join(f"{s:5}" for s in tung_phut))
print("Viterbi:  ", " ".join(f"{s:5}" for s in viterbi(do_tre)))

Kết quả:

Từng phút: ổn    nghẽn ổn    ổn    nghẽn nghẽn ổn    nghẽn nghẽn ổn
Viterbi:   ổn    ổn    ổn    ổn    nghẽn nghẽn nghẽn nghẽn nghẽn ổn

Đoán từng phút riêng lẻ thì đổi trạng thái sáu lần: cứ một phút "vừa" là báo nghẽn, một phút "nhanh" là báo hết nghẽn. Viterbi nhìn cả chuỗi. Phút thứ hai chỉ "vừa" một lần giữa các phút nhanh, nên vẫn là ổn. Phút thứ bảy "nhanh" giữa lúc độ trễ đang cao vẫn tính là nghẽn — một yêu cầu may mắn chạy nhanh chưa có nghĩa là hệ thống đã hồi phục. Cảnh báo dựa trên Viterbi vì thế ít báo động giả hơn.

Vì sao Viterbi nhanh? Mười phút đã có 2¹⁰ = 1.024 chuỗi trạng thái; một ngày 1.440 phút thì số chuỗi có 434 chữ số. Viterbi chỉ giữ, ở mỗi phút, chuỗi tốt nhất kết thúc ở từng trạng thái, vì đoạn đầu của một chuỗi tốt nhất cũng phải là chuỗi tốt nhất tới chỗ đó. Đây là quy hoạch động (dynamic programming) như trong bài Thiết kế và phân tích thuật toán: công việc tăng tuyến tính theo độ dài chuỗi, cả ngày chỉ cỡ chục nghìn phép nhân. Chương trình thật cộng log xác suất thay vì nhân (lý do ở bài Toán cho học máy). Thay max bằng phép cộng, ta được thuật toán tiến (forward algorithm), tính xác suất của cả chuỗi quan sát — nền của Baum–Welch.

4. Học từ dữ liệu: đếm, nhưng đừng tin số 0

Các con số ở ý thứ hai là tự đặt. Trong thực tế, khi đã có đồ thị và dữ liệu đầy đủ, học tham số đơn giản tới bất ngờ: đếm. Xác suất kẹt khi mưa mà không có bóng bằng số tối mưa, không bóng, có kẹt chia cho số tối mưa, không bóng — chính là ước lượng hợp lý cực đại (maximum likelihood) mà bài Toán cho học máy giải thích vì sao đúng. Nhờ đồ thị, mỗi bảng nhỏ được đếm riêng, chỉ cần dữ liệu về vài biến.

Nhưng đếm thô có bẫy:

python
from collections import Counter

# Sổ ghi 18 tối (ví dụ tự đặt): (mưa, bóng, kẹt xe), 1 = có, 0 = không
so_ghi = ([(0, 0, 0)] * 9 + [(0, 0, 1)] * 2 + [(1, 0, 1)] * 4 +
          [(1, 0, 0)] * 2 + [(0, 1, 1)] * 1)
dem = Counter(so_ghi)

for m, b in ((0, 0), (1, 0), (0, 1), (1, 1)):
    ket, tong = dem[m, b, 1], dem[m, b, 0] + dem[m, b, 1]
    tho = f"{ket}/{tong} = {ket / tong:.2f}" if tong else "chưa gặp lần nào"
    print(f"mưa={m} bóng={b}:  đếm thô {tho:<16}  làm trơn {(ket + 1) / (tong + 2):.2f}")

Kết quả:

mưa=0 bóng=0:  đếm thô 2/11 = 0.18       làm trơn 0.23
mưa=1 bóng=0:  đếm thô 4/6 = 0.67        làm trơn 0.62
mưa=0 bóng=1:  đếm thô 1/1 = 1.00        làm trơn 0.67
mưa=1 bóng=1:  đếm thô chưa gặp lần nào  làm trơn 0.50

Hai dòng cuối là vấn đề. Chỉ một tối có bóng mà không mưa, tối đó kẹt, thế là đếm thô kết luận "có bóng là chắc chắn kẹt". Còn tối vừa mưa vừa có bóng chưa xảy ra lần nào, nên đếm thô không có câu trả lời. Với hàng trăm biến, phần lớn tổ hợp sẽ rơi vào một trong hai cảnh này.

Cách chữa là làm trơn (smoothing), mẹo mà bài Xử lý ngôn ngữ tự nhiên cũng dùng cho cặp từ: cộng thêm một lần "kẹt" và một lần "không kẹt" giả vào mỗi ô trước khi chia, tức (k + 1)/(n + 2) — công thức có từ thời Laplace, gọi là quy tắc kế tiếp (rule of succession). Ô chưa có dữ liệu được 0,5, nghĩa là "chưa biết gì"; ô có một lần quan sát chỉ nhích lên 0,67; ô nhiều dữ liệu gần như giữ nguyên. Nhìn theo kiểu Bayes, những lần đếm giả là niềm tin có trước, và dữ liệu càng nhiều thì niềm tin đó càng ít ảnh hưởng.

Khi có biến không bao giờ quan sát được, như trạng thái ẩn của HMM, ta dùng thuật toán EM (expectation–maximization): đoán tham số, dùng suy luận để "điền" phần ẩn bằng xác suất, đếm lại, lặp tới khi ổn định; Baum–Welch chính là EM cho HMM. Khó nhất là học cả cấu trúc — nên vẽ mũi tên nào — vì số đồ thị có thể vẽ tăng nhanh hơn cả cấp số mũ.

5. Nhân quả: thấy khác với làm

Bài Xác suất và thống kê đã nhắc: tương quan không phải nhân quả. Mô hình đồ thị nói được điều đó bằng con số. Giả sử tối nay đường bị rào để sửa ống nước: chắc chắn kẹt, nhưng chẳng tại trời. So thấy đường kẹt với làm cho đường kẹt (chạy tiếp sau đoạn code liệt kê ở ý thứ hai, vì dùng lại hoi và P_KET):

python
GOC = P_KET
print(hoi("mưa", {"kẹt": 1}), hoi("muộn", {"kẹt": 1}))   # thấy kẹt: 0.65 0.8
P_KET = {mb: 1.0 for mb in GOC}                           # rào đường: kẹt bất kể mưa hay bóng
print(hoi("mưa", {"kẹt": 1}), hoi("muộn", {"kẹt": 1}))   # làm cho kẹt: 0.3 0.8
P_KET = GOC

Thấy đường kẹt, ta có lý do nghĩ trời mưa: 0,65. Còn khi kẹt vì bị rào, kẹt xe không nói gì về trời — khả năng mưa giữ nguyên 0,3 — dù Lan vẫn muộn với khả năng 0,8. Can thiệp cắt các mũi tên đi vào biến bị can thiệp, nên ảnh hưởng chỉ chảy xuôi xuống hậu quả, không chảy ngược lên nguyên nhân. Pearl viết phép can thiệp bằng toán tử do (do-operator): P(mưa | do(kẹt)) khác P(mưa | kẹt).

Thử nghiệm ngẫu nhiên có đối chứng là cách thực hiện do() bằng tay: chia nhóm ngẫu nhiên để cắt mọi nguyên nhân khác quyết định ai được dùng thuốc. Khi không làm thí nghiệm được — không ai bắt một nhóm người hút thuốc hai mươi năm để thử — lý thuyết của Pearl cho biết, nếu đồ thị đúng, lúc nào tính được P(… | do(…)) từ dữ liệu quan sát và phải hiệu chỉnh theo những biến nào. Phương pháp không thay được hiểu biết về thế giới; nó buộc ta viết hiểu biết đó ra để người khác kiểm tra.

Mô hình đồ thị xác suất nằm ở đâu trong chồng tầng

Trong chồng tầng của bài Từ electron đến ứng dụng, môn này ở tầng ứng dụng, cạnh AI và học máy, và đứng trên ba thứ nền:

  • Xác suất: xác suất có điều kiện, định lý Bayes, kỳ vọng.
  • Đồ thị và thuật toán: đồ thị có hướng, thứ tự tô-pô, cây, quy hoạch động. Viterbi là quy hoạch động trên một chuỗi; loại biến là quy hoạch động trên đồ thị.
  • Học máy: hợp lý cực đại, EM, lấy mẫu — chung với bài Học máy.

Bài Nhập môn trí tuệ nhân tạo giới thiệu mạng Bayes trong vài trang; môn này dành cả học kỳ cho nó.

Đưa lên

Một cách ghi hiểu biết về hàng trăm đại lượng chưa chắc thành một hình vẽ và vài bảng nhỏ, để hỏi được bất kỳ câu nào — thấy điều này thì điều kia khả năng bao nhiêu, chuỗi trạng thái ẩn nào khả dĩ nhất, nếu ta can thiệp thì sao.

Giấu đi

Bảng phân phối đồng thời khổng lồ không ai viết ra nổi, cùng những vòng cộng, nhân, chuẩn hóa bên trong mỗi câu trả lời.

Học trước và học sau

· 6 môn

Xác suất và thống kê

Probability and Statistics

Xác suất có điều kiện và định lý Bayes phải thật vững — cả môn này là Bayes trên nhiều biến. Nên học trước.

Xem chủ đề trên OpenER: Probability and Statistics

Thiết kế và phân tích thuật toán

Design and Analysis of Algorithms

Đồ thị, quy hoạch động, NP-khó — nguyên liệu của các thuật toán suy luận. Nên học trước hoặc song song.

Xem chủ đề trên OpenER: Design and Analysis of Algorithms

Học máy

Machine Learning

Hợp lý cực đại, quá khớp, đánh giá mô hình. Học trước thì phần học tham số và EM dễ hơn.

Xem chủ đề trên OpenER: Machine Learning

Xử lý ngôn ngữ tự nhiên

Natural Language Processing

Gán nhãn từ loại bằng HMM và trường ngẫu nhiên có điều kiện (conditional random field — CRF) — cách làm chủ đạo trước thời học sâu.

Xem chủ đề trên OpenER: Natural Language Processing

Thuật toán sinh học tính toán

Algorithms for Computational Biology

Tìm gen, xếp protein vào họ — nơi HMM là công cụ quen thuộc.

Xem chủ đề trên OpenER: Algorithms for Computational Biology

Robot học

Robotics

Bộ lọc Kalman và bộ lọc hạt (particle filter) là suy luận trên HMM có trạng thái liên tục: robot đoán mình ở đâu từ cảm biến nhiễu.

Xem chủ đề trên OpenER: Robotics

Ứng dụng thật và nghề nghiệp

  • Nhận dạng tiếng nói: từ thập niên 1980 tới khoảng năm 2010, phần lớn các hệ thống lớn dựng trên HMM. Khi học sâu tới, mạng nơ-ron lúc đầu chỉ thay phần "phát" của HMM chứ chưa thay cả mô hình.
  • Viễn thông: thuật toán Viterbi ra đời để giải mã mã chập (convolutional code), và vẫn chạy trong máy thu của điện thoại GSM, Wi-Fi và liên lạc vệ tinh.
  • Sinh học tính toán: tìm gen, xếp protein vào họ bằng HMM hồ sơ (profile HMM).
  • Robot và xe tự hành: bộ lọc Kalman, bộ lọc hạt, định vị và lập bản đồ đồng thời (SLAM).
  • Chẩn đoán và xếp hạng: chẩn đoán lỗi máy móc, mạng viễn thông, hỗ trợ chẩn đoán y khoa; hệ xếp hạng người chơi TrueSkill của Microsoft dựng trên một mô hình đồ thị.
  • Khoa học dữ liệu: suy luận nhân quả trong y tế, kinh tế, sản phẩm — khi không chạy được thí nghiệm A/B.

Nghề nghiệp gắn với môn này: kỹ sư học máy, nhà khoa học dữ liệu (nhất là mảng nhân quả), kỹ sư tiếng nói và ngôn ngữ, kỹ sư robot, nhà tin sinh học.

Học xong làm được gì, bắt đầu từ đâu

Sau môn này bạn có thể:

  • vẽ mạng Bayes cho một tình huống thật và nói rõ từng giả định độc lập mà nó ngầm chứa;
  • đọc tính độc lập có điều kiện từ đồ thị, nhận ra "giải thích bớt" trong lập luận của chính mình;
  • cài đặt suy luận bằng liệt kê, loại biến, lấy mẫu, và biết lúc nào dùng cách nào;
  • dùng HMM và Viterbi cho dữ liệu theo thời gian: tiếng nói, cảm biến, nhật ký máy chủ;
  • học tham số bằng đếm có làm trơn, hiểu EM làm gì khi có biến ẩn;
  • phân biệt "thấy" với "làm" khi đọc một nghiên cứu dựa trên dữ liệu quan sát.

Nên biết trước: xác suất có điều kiện và định lý Bayes thật vững; Python; đồ thị và quy hoạch động ở mức nhập môn; tốt nhất đã qua Học máy. Ở nhiều trường đây là môn năm cuối hoặc sau đại học, nên đi chậm cũng không sao.

Bắt đầu trên OpenER: trang chủ đề Probabilistic Graphical Models có các khóa học đã chọn lọc, và hướng dẫn học gợi ý thứ tự đi qua chúng. Khóa chính là CMU 10-708 của Eric Xing (Spring 2020): bài đọc theo sách Koller và Friedman, có video từng buổi, ghi chú và bài tập. Muốn nghe chính tác giả giảng, có chuỗi khóa của Daphne Koller trên Coursera (cần tài khoản). Muốn đi sâu vào thuật toán suy luận, có MIT 6.438 Algorithms for Inference. Lời khuyên: tự viết suy luận bằng liệt kê một lần cho một mạng năm, sáu nút về chuyện của chính bạn, rồi mới dùng thư viện như pgmpy.

Tài liệu tham khảo

  • Daphne Koller, Nir Friedman — Probabilistic Graphical Models: Principles and Techniques, MIT Press, 2009.
  • Judea Pearl — Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan Kaufmann, 1988.
  • Judea Pearl — Causality: Models, Reasoning, and Inference, Cambridge University Press, 2000 (ấn bản thứ hai 2009).
  • Christopher M. Bishop — Pattern Recognition and Machine Learning, Springer, 2006, chương 8 và 13.
  • Kevin P. Murphy — Probabilistic Machine Learning: Advanced Topics, MIT Press, 2023; đọc miễn phí tại probml.github.io.
  • Lawrence R. Rabiner — "A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition", Proceedings of the IEEE 77(2), 1989.
  • CMU 10-708 Probabilistic Graphical Models (Eric Xing, Spring 2020) — trang khóa học có video, ghi chú và bài tập; MIT 6.438 Algorithms for Inference (Fall 2014) trên MIT OpenCourseWare.

Ban biên tập OpenER, “Mô hình đồ thị xác suất: vẽ ai ảnh hưởng tới ai, rồi để máy suy luận”, OpenER, 2026. Phát hành theo CC BY 4.0: được chia sẻ, chỉnh sửa, kể cả thương mại, miễn ghi công tác giả và dẫn link bài gốc.