Bài 1. Dữ liệu: từ hòn sỏi đến bảng tính

Nhắc lại thật nhanh

Trong video, túi sỏi của cậu bé chăn cừu là một ví dụ về dữ liệu: những dấu hiệu đại diện cho thứ có thật, được cất ra ngoài bộ não. Bài này dùng chính túi sỏi đó làm điểm xuất phát để đi xa hơn.

1. Dữ liệu, thông tin và tri thức

Người làm công nghệ thông tin (viết tắt CNTT) thường phân biệt ba tầng:

Cùng một dữ liệu có thể cho ra những thông tin khác nhau tùy ngữ cảnh. Hòn sỏi trong túi buổi trưa nghĩa là cừu đang ăn cỏ trên đồi, chẳng có gì đáng lo. Hòn sỏi đó lúc trời tối mới là dấu hiệu có cừu bị lạc.

Máy tính rất giỏi cất và xử lý dữ liệu. Biến dữ liệu thành thông tin và tri thức đúng đắn cần có ngữ cảnh, cách đọc đúng, và rất thường là cần con người.

2. Dữ liệu có nhiều dạng

Người ta còn chia dữ liệu theo cách dùng:

• Dữ liệu định lượng đo được bằng số, như cân nặng 42 kg hay 23 con. Có thể tính trung bình, tổng.
• Dữ liệu định tính mô tả loại hoặc tính chất, như màu lông "trắng", tính cách "hiền". Không cộng trừ được, nhưng đếm được mỗi loại có bao nhiêu.

Tính trung bình của "trắng" và "xám" là vô nghĩa. Nhận ra dạng dữ liệu giúp bạn biết được phép làm gì với nó.

3. Tổ chức dữ liệu thành bảng

Túi sỏi chỉ cho biết bao nhiêu. Nếu muốn biết con nào, ta cần ghi nhiều hơn và sắp xếp gọn gàng. Cách phổ biến nhất là lập bảng:

• Mỗi hàng là một bản ghi, tức tất cả thông tin về một chú cừu.
• Mỗi cột là một trường, tức một loại thông tin của mọi chú cừu.
• Cột Mã có giá trị không trùng nhau, nên giúp phân biệt hai chú cừu cùng tên. Cột như vậy gọi là khóa.

Nhìn bảng, ta trả lời được ngay "con nào chưa về": Mây, mã C02. Túi sỏi không làm được điều này.

Dữ liệu sắp theo hàng và cột cố định như thế gọi là dữ liệu có cấu trúc. Còn một bức ảnh hay một đoạn ghi âm là dữ liệu phi cấu trúc: rất giàu thông tin nhưng khó tra cứu. Khóa Cơ sở dữ liệu (SQL) của VIMIC dạy cách làm việc với những bảng như thế này.

4. Thu thập dữ liệu: đếm, đo, quan sát

Dữ liệu không tự nhiên mà có. Ai đó phải thu thập nó:

• Đếm: số cừu, số bạn đi học.
• Đo: cân nặng, nhiệt độ, thời gian. Đo luôn có sai số nhỏ, ví dụ cân này lệch 0,5 kg.
• Quan sát và ghi chép: "cừu Mây đi khập khiễng".
• Hỏi hoặc khảo sát: hỏi các bạn thích môn gì.
• Cảm biến tự động: nhiệt kế điện tử, camera, đồng hồ đếm bước chân.

Nhiều khi không thể hỏi hay đo tất cả, nên người ta lấy một mẫu, tức một phần đại diện. Nhưng mẫu phải chọn khéo. Muốn biết học sinh trường bạn có thích lập trình không, nếu chỉ hỏi các bạn trong câu lạc bộ Tin học thì kết quả sẽ lệch, vì các bạn ấy đã thích lập trình sẵn rồi.

5. Thế nào là dữ liệu tốt?

Dữ liệu có thể xấu mà ta không nhận ra. Có năm tiêu chí thường dùng để kiểm tra:

Người làm CNTT có câu: "Rác vào, rác ra" (Garbage in, garbage out). Máy tính tính toán cực nhanh, nhưng nếu dữ liệu đưa vào sai thì kết quả cũng sai, chỉ là sai nhanh hơn mà thôi.

6. Dữ liệu về dữ liệu (siêu dữ liệu)

Hãy nhìn tờ giấy ghi "30". Ba mươi gì? Độ C? Ki-lô-gam? Con cừu? Ghi lúc nào? Ai ghi?

Những thông tin đi kèm giúp đọc đúng dữ liệu, như đơn vị, thời gian, người ghi, cách đo, gọi là siêu dữ liệu, nghĩa là dữ liệu về dữ liệu. Tấm ảnh trong điện thoại của bạn luôn kèm siêu dữ liệu: ngày giờ chụp, kích thước ảnh, đôi khi cả vị trí chụp.

Trong video, người lạ nhặt túi ba hòn sỏi mà không biết nghĩa. Lý do là túi sỏi thiếu siêu dữ liệu và người lạ không biết quy ước. Bài 2 sẽ đi sâu vào chuyện quy ước.

7. Vòng đời của dữ liệu

Dữ liệu đi qua một chuỗi bước, thường gọi là vòng đời dữ liệu:

1. Thu thập: đếm, đo, ghi.
2. Lưu trữ: túi sỏi, sổ, bộ nhớ máy tính.
3. Xử lý: sắp xếp, làm sạch lỗi, tính toán.
4. Phân tích: tìm ra thông tin, quy luật.
5. Chia sẻ và sử dụng: ra quyết định.
6. Lưu giữ lâu dài hoặc xóa: khi không cần nữa, nhất là với dữ liệu cá nhân.

Lỗi ở bước đầu sẽ đi theo đến tận bước cuối. Vì vậy người làm dữ liệu rất coi trọng bước thu thập.

8. Dữ liệu và trí tuệ nhân tạo

Những hệ thống AI hiện nay chủ yếu học từ dữ liệu. Ví dụ, để máy nhận ra ảnh con mèo, người ta cho nó xem rất nhiều ảnh đã được gắn nhãn "mèo" và "không phải mèo". Vì vậy:

• Dữ liệu lệch thì AI lệch. Nếu ảnh mèo dùng để dạy đều là mèo lông cam, máy có thể nhận sai một chú mèo đen.
• Dữ liệu sai nhãn thì AI học sai. Gắn nhầm nhãn "mèo" cho ảnh con chó cũng là "rác vào".
• Thêm dữ liệu chưa chắc đã tốt hơn, nếu dữ liệu thêm vào vẫn lệch hoặc sai.

Đây chính là lý do khóa AI của chúng ta bắt đầu từ dữ liệu. Các phần sau sẽ quay lại chuyện máy "học" từ dữ liệu như thế nào.

9. Dữ liệu cá nhân

Có những dữ liệu gắn với một người cụ thể: họ tên, ảnh khuôn mặt, địa chỉ nhà, số điện thoại, vị trí. Đó là dữ liệu cá nhân. Vài nguyên tắc cần nhớ:

• Chỉ thu thập những gì thật sự cần. Câu lạc bộ cờ vua cần tên và lớp để xếp cặp đấu, không cần địa chỉ nhà.
• Hỏi ý kiến trước khi chụp hay đăng ảnh của người khác.
• Cẩn thận khi chia sẻ. Ghép nhiều mẩu dữ liệu nhỏ lại có thể đoán ra rất nhiều điều về một người.

10. Một mẹo đếm cổ xưa: gom nhóm

Khắc một vạch cho mỗi chú cừu thì đến vạch thứ 23, người đọc phải đếm lại từng vạch. Nhiều nơi dùng mẹo gom nhóm năm: kẻ bốn vạch đứng, rồi kẻ vạch thứ năm chéo qua cả bốn vạch, trông như một bó que được buộc lại. Trong khóa này, một nhóm năm như thế được viết tạm bằng ký hiệu 卌. Khi đó 23 chỉ là 4 bó năm và 3 vạch lẻ, liếc qua là đọc được.

Gom nhóm giúp con người đọc dữ liệu nhanh và ít nhầm hơn. Ý tưởng này sẽ phát triển thành cơ số ở Bài 3.

---

Hoạt động: biến câu chuyện thành dữ liệu

Đọc đoạn sau rồi lập một bảng có ít nhất 4 trường:

"Sáng thứ Hai, Lan cân ba chú mèo ở trại cứu hộ: Mướp nặng 4,2 kg, 2 tuổi, lông vằn; Mun nặng 3,8 kg, 1 tuổi, lông đen; Bơ nặng 5,1 kg, 4 tuổi, lông vàng."

Sau đó tự trả lời:

• Trường nào là dữ liệu định lượng, trường nào là định tính?
• Nên thêm trường nào làm khóa?
• Cần siêu dữ liệu gì để người khác đọc đúng bảng (ví dụ: cân bằng loại cân nào, ngày nào)?

Ghi nhớ

• Dữ liệu là dấu hiệu thô. Đặt vào ngữ cảnh thì thành thông tin. Tổng hợp nhiều thông tin thì thành tri thức.
• Dữ liệu có nhiều dạng: số, chữ, ảnh, âm thanh, vị trí; định lượng hoặc định tính; có cấu trúc hoặc phi cấu trúc.
• Bảng gồm bản ghi (hàng) và trường (cột). Khóa giúp phân biệt từng bản ghi.
• Dữ liệu tốt thì chính xác, đầy đủ, nhất quán, kịp thời, phù hợp. Rác vào thì rác ra.
• Siêu dữ liệu giúp đọc đúng dữ liệu. AI học từ dữ liệu, nên dữ liệu lệch thì AI lệch.

---