Các dạng bài toán AI thường gặp

Các dạng bài toán AI thường gặp là kiến thức nền tảng mà bất kỳ sinh viên nào cũng cần nắm vững trước khi bắt đầu xây dựng một dự án AI Full-Stack. Mỗi dạng bài toán có mục tiêu, dữ liệu, thuật toán và phương pháp đánh giá khác nhau. Hiểu rõ sự khác biệt này sẽ giúp bạn lựa chọn hướng tiếp cận phù hợp và tránh mất nhiều thời gian thử nghiệm sai.

Sau khi hoàn thành các học phần Python, Xác suất – Thống kê, Tiền xử lý dữ liệu, Trực quan hóa dữ liệu và Cấu trúc dữ liệu & Giải thuật, bạn đã có nền tảng cần thiết để xây dựng một dự án AI Full-Stack hoàn chỉnh.

Một dự án AI không chỉ dừng lại ở việc huấn luyện một mô hình Machine Learning mà còn bao gồm toàn bộ quy trình phát triển và triển khai một hệ thống AI, bao gồm:

• Thu thập và lưu trữ dữ liệu bằng PostgreSQL.
• Tiền xử lý dữ liệu (Data Preprocessing).
• Khám phá và trực quan hóa dữ liệu (EDA).
• Thiết kế đặc trưng (Feature Engineering).
• Huấn luyện và đánh giá mô hình.
• Xây dựng REST API bằng FastAPI.
• Thiết kế Dashboard tương tác bằng Streamlit.

Bài viết này sẽ giới thiệu các dạng bài toán AI thường gặp trong các dự án AI Full-Stack, đồng thời phân tích đặc điểm, ví dụ thực tế, những lưu ý khi xử lý dữ liệu và các thách thức mà sinh viên thường gặp trong quá trình thực hiện đồ án

Các dạng bài toán AI thường gặp gồm những loại nào?

Dạng của bài toán AI không phải được quyết định bởi thuật toán mà được quyết định bởi mục tiêu cần dự đoán. Ví dụ:

• Muốn dự đoán một con số → Dạng Regression.
• Muốn dự đoán một nhóm → Dạng Classification.
• Muốn dự báo tương lai theo thời gian → Time Series.
• Muốn gợi ý sản phẩm → Recommendation.
• Muốn tự động chia nhóm dữ liệu → Clustering.
• Muốn xử lý văn bản → NLP.
• Muốn phát hiện bất thường → Anomaly Detection.

Dưới đây chúng ta sẽ đi sâu tìm hiểu các dạng bài toán AI thường gặp.

1. Regression – Dự đoán giá trị

Regression là bài toán dùng để dự đoán một giá trị số cụ thể. Nếu kết quả mong muốn là một con số như giá tiền, doanh thu, sản lượng, nhiệt độ hay chi phí thì gần như chắc chắn đây là bài toán Regression. Dưới đây là một vài ví dụ:

• Dự đoán giá một căn hộ là 3,85 tỷ đồng.
• Dự đoán doanh thu ngày mai là 125 triệu đồng.
• Sản lượng điện mặt trời ngày mai là 4.250 kWh.
• Điểm thi dự đoán của sinh viên là 8,3 điểm.

Các ví dụ thực tế

Trong kinh doanh

• Dự đoán doanh thu cửa hàng.
• Dự đoán số lượng đơn hàng mỗi ngày.
• Dự đoán chi phí quảng cáo.

Mảng bất động sản

• Dự đoán giá bán nhà.
• Dự đoán giá thuê căn hộ.
• Dự đoán giá đất.

Lĩnh vực tài chính

• Dự đoán lợi nhuận doanh nghiệp.
• Dự đoán doanh thu quý tiếp theo.
• Dự đoán giá trị tài sản.

Trong nông nghiệp

• Dự đoán năng suất cây trồng.
• Dự đoán sản lượng thu hoạch.

Ở mảng Y tế

• Dự đoán chi phí điều trị.
• Dự đoán thời gian nằm viện.

Một số lưu ý và thách thức

• Kiểm tra và xử lý các giá trị ngoại lai (Outliers), vì chỉ một vài giá trị bất thường cũng có thể làm sai lệch mô hình.
• Chuẩn hóa hoặc biến đổi dữ liệu khi các thuộc tính có thang đo quá khác nhau.
• Tạo thêm các đặc trưng mới (Feature Engineering) từ dữ liệu gốc, vì đây thường là yếu tố quyết định chất lượng dự đoán.
• Đánh giá mô hình bằng các chỉ số như MAE, MSE hoặc RMSE thay vì Accuracy.

Một số kỹ thuật/ thuật toán phổ biến

Trong loại bài toán Regression, bạn nên chú ý một số kỹ thuật/ thuật toán sau:

• Linear Regression
• Decision Tree Regressor
• Random Forest
• XGBoost

Trong các dạng bài toán AI thường gặp, Regression là bài toán phù hợp nhất để bắt đầu học Machine Learning vì cách tiếp cận khá trực quan, dữ liệu tương đối dễ chuẩn bị và có nhiều thuật toán mạnh để lựa chọn.

2. Classification – Phân loại

Classification là bài toán dự đoán một đối tượng thuộc nhóm nào đó. Khác với Regression, kết quả của Classification không phải là một con số mà là một nhãn (Label) – tức kết luận đối tượng thuộc một nhóm nào đó.  Ví dụ:

• Có / Không
• Đạt / Không đạt
• Spam / Không Spam
• Bình thường / Gian lận
• Mua / Không mua

Một số ví dụ :

Trong ngân hàng, dạng toán này dùng để dự đoán

• Khách hàng có khả năng vỡ nợ hay không.
• Có nên duyệt khoản vay hay không.

Thương mại điện tử, dạng toán này dùng để dự đoán

• Khách hàng có mua sản phẩm hay không.
• Khách hàng có rời bỏ nền tảng hay không.

Trong giáo dục, bài toán này dùng để dự đoán

• Sinh viên có nguy cơ rớt môn hay không.
• Sinh viên có bỏ học hay không.

Lĩnh vực Y tế, dạng toán này giúp  dự đoán

• Bệnh nhân có mắc bệnh hay không.
• Phân loại mức độ nguy hiểm của bệnh.

Trong chứng khoán, dạng toán này dùng để dự đoán

• Giá cổ phiếu ngày mai tăng hay giảm.
• Doanh nghiệp có nguy cơ hủy niêm yết hay không.

Một số lưu ý và thách thức

Đây là dạng bài toán rất phổ biến nhưng cũng có một số vấn đề mà bạn thường gặp.

• Dữ liệu mất cân bằng (Imbalanced Data): Ví dụ, trong 10.000 khách hàng chỉ có 200 khách hàng rời bỏ dịch vụ. Khi đó mô hình rất dễ học theo hướng luôn dự đoán “Không rời bỏ” và vẫn đạt Accuracy rất cao. Vì vậy cần quan tâm đến các chỉ số như Precision, Recall và F1-score thay vì chỉ nhìn Accuracy.
• Lựa chọn đặc trưng (Feature Engineering): Việc tạo thêm các đặc trưng mới như tổng giá trị mua hàng, số lần mua trong tháng, thời gian kể từ lần mua gần nhất… thường giúp cải thiện chất lượng mô hình đáng kể.
• Dữ liệu thiếu hoặc nhiễu: Các giá trị bị thiếu (Missing Values), dữ liệu sai định dạng hoặc trùng lặp cần được xử lý trước khi huấn luyện.
• Đánh giá mô hình: Không nên chỉ thử một thuật toán. Hãy huấn luyện nhiều mô hình khác nhau như Logistic Regression, Random Forest, XGBoost… rồi so sánh kết quả để lựa chọn mô hình phù hợp nhất.

Một số kỹ thuật/ thuật toán phổ biến

Trong loại bài toán Classification, bạn nên chú ý một số kỹ thuật/ thuật toán sau:

• Logistic Regression
• Random Forest
• XGBoost
• LightGBM

Lưu ý:

Sau khi huấn luyện xong mô hình, bạn cần nên lưu mô hình đã huấn luyện để dùng cho dự đoán sau này. Sau đó xây dựng API dự đoán bằng FastAPI và phát triển Dashboard bằng Streamlit để người dùng nhập dữ liệu khách hàng và nhận kết quả phân loại theo thời gian thực.

3. Time Series Forecasting – Dự báo chuỗi thời gian

Đây là bài toán dự đoán tương lai dựa trên dữ liệu có yếu tố thời gian. Điểm khác với Regression là dữ liệu phải có thứ tự theo thời gian và các giá trị trong quá khứ ảnh hưởng đến tương lai. Ví dụ:

• Doanh số từng ngày.
• Giá cổ phiếu từng phiên giao dịch.
• Nhiệt độ theo từng giờ.
• Lượng điện tiêu thụ mỗi tháng.

Ví dụ trong thực tế

• Dự báo doanh số trong 30 ngày tới.
• Dự báo nhu cầu nhập hàng.
• Dự báo lượng khách đến cửa hàng.
• Dự báo giá cổ phiếu.
• Dự báo tỷ giá.
• Dự báo sản lượng điện.
• Dự báo lượng mưa.

Một số lưu ý và thách thức

Đây là dạng bài toán dễ nhầm lẫn với Regression. Điểm khác biệt là dữ liệu bắt buộc phải có yếu tố thời gian và phải giữ nguyên thứ tự thời gian khi xử lý. Một số vấn đề thường gặp gồm:

• Không được xáo trộn dữ liệu (Shuffle): Khi chia tập Train/Test, dữ liệu phải được chia theo thời gian, không được trộn ngẫu nhiên như các bài toán Regression hay Classification.
• Tính mùa vụ (Seasonality): Doanh số thường tăng vào cuối năm, lượng điện tiêu thụ tăng vào mùa nóng… Nếu bỏ qua yếu tố này, mô hình sẽ dự đoán kém chính xác.
• Xu hướng (Trend): Dữ liệu có thể tăng hoặc giảm dần theo thời gian. Việc phát hiện và xử lý xu hướng là rất quan trọng.
• Feature Engineering theo thời gian: Đây là bước rất quan trọng. Bạn có thể tạo thêm các đặc trưng như ngày trong tuần, tháng, quý, năm, ngày lễ, cuối tuần hoặc giá trị của các ngày trước (Lag Features).

Một số kỹ thuật/ thuật toán phổ biến

Trong loại bài toán Time Series Forecasting, bạn nên chú ý một số kỹ thuật/ thuật toán sau:

• ARIMA
• Prophet
• LSTM

Trong các dạng bài toán AI thường gặp bài toán Time Series Forecasting rất phù hợp để trực quan hóa trên Dashboard kết quả dự báo bằng biểu đồ đường rất trực quan.

Dashboard có thể hiển thị dữ liệu lịch sử, biểu đồ dự báo, sai số của mô hình và cho phép người dùng lựa chọn khoảng thời gian dự báo trực tiếp trên giao diện.

4. Recommendation System – Hệ thống gợi ý

Dạng bài toán thứ tư là Recommendation System (hệ thống gợi ý). Đề xuất hay gợi ý sản phẩm liên quan, nội dung gần giống, gợi ý những dịch vụ phù hợp với từng người dùng. Ngày nay, hầu hết các nền tảng số lớn đều sử dụng hệ thống gợi ý để cá nhân hóa trải nghiệm người dùng.

Ví dụ trong thực tế

• Gợi ý sản phẩm trên sàn thương mại điện tử.
• Gợi ý phim theo sở thích.
• Gợi ý bài hát tương tự.
• Gợi ý sách hay cùng chủ đề
• Gợi ý khóa học liên quan
• Gợi ý việc làm phù hợp khả năng/kinh nghiệm
• Gợi ý nhà hàng phù hợp sở thích
• Gợi ý cổ phiếu theo tiêu chí đầu tư.

Một số lưu ý và thách thức

Recommendation System không chỉ đơn giản là tìm các sản phẩm giống nhau. Mục tiêu của hệ thống là đưa ra những gợi ý mà người dùng có nhiều khả năng quan tâm nhất. Một số khó khăn thường gặp là:

• Cold Start: Khi có người dùng mới hoặc sản phẩm mới, hệ thống chưa có đủ dữ liệu để đưa ra gợi ý chính xác.
• Dữ liệu rất thưa (Sparse Data): Mỗi người dùng chỉ xem hoặc mua một số ít sản phẩm trong tổng số hàng nghìn sản phẩm, làm cho ma trận dữ liệu rất thưa.  Đây là lý do Recommendation System thường cần lượng dữ liệu lớn hơn nhiều so với các bài toán Regression hay Classification.
• Feature Engineering: Có thể kết hợp thông tin về lịch sử mua hàng, danh mục sản phẩm, giá, thương hiệu, đánh giá của khách hàng… để cải thiện chất lượng gợi ý.
• Đánh giá mô hình: Khác với Classification hay Regression, Recommendation System thường sử dụng các chỉ số như Precision@K, Recall@K hoặc Hit Rate để đánh giá.

Đây là một trong những dạng dự án rất hấp dẫn trong các dạng bài toán AI thường gặp. Có tính ứng dụng cao và dễ gây ấn tượng khi trình bày dự án.

5. Customer Segmentation (Clustering) – Phân nhóm khách hàng

Khác với bài toán Classification (phân loại), dữ liệu của bài toán Clustering ban đầu không có sẵn nhãn (Label). Mục tiêu của Clustering là tự động tìm ra các nhóm (cụm) gồm những đối tượng có đặc điểm giống nhau mà không cần biết trước từng nhóm đại diện cho điều gì. Sau khi thuật toán hoàn thành việc phân cụm, người phân tích sẽ dựa trên đặc điểm của từng cụm để đặt tên phù hợp.

Ví dụ, từ dữ liệu của hàng chục nghìn khách hàng, thuật toán có thể tự động chia thành 5 cụm dựa trên hành vi mua sắm. Sau khi phân tích đặc điểm của từng cụm, bạn có thể đặt tên như:

• Khách hàng VIP
• Khách hàng trung thành
• Khách hàng mới
• Khách hàng có nguy cơ rời bỏ
• Khách hàng ít mua hàng

Ví dụ trong thực tế

• Phân nhóm khách hàng theo hành vi mua sắm.
• Phân nhóm người dùng theo sở thích.
• Phân nhóm doanh nghiệp.
• Phân nhóm sản phẩm.
• Phân nhóm bệnh nhân.

Một số đề tài phù hợp

• Phân khúc khách hàng siêu thị.
• Phân nhóm người dùng ứng dụng.
• Phân nhóm khách hàng ngân hàng.
• Phân tích hành vi khách hàng.

Một số lưu ý và thách thức

Khó khăn lớn nhất của Clustering là dữ liệu không có sẵn nhãn đúng hay sai. Vì vậy, việc đánh giá chất lượng phân cụm không đơn giản như Classification.

Một số lưu ý:

• Chuẩn hóa dữ liệu: Các thuật toán như K-Means rất nhạy với đơn vị đo. Nếu một thuộc tính có giá trị quá lớn so với các thuộc tính khác thì kết quả phân cụm sẽ bị ảnh hưởng.
• Lựa chọn số lượng cụm (K): Không phải lúc nào cũng biết trước nên chia thành bao nhiêu nhóm. Bạn có thể sử dụng Elbow Method hoặc Silhouette Score để hỗ trợ lựa chọn.
• Đặt tên cho các cụm: Sau khi mô hình tạo ra các cụm, bạn cần phân tích đặc điểm của từng cụm để đặt tên như “Khách hàng VIP”, “Khách hàng mới”, “Khách hàng tiềm năng”… Đây là phần mang tính phân tích nghiệp vụ rất quan trọng.

Trong các dạng bài toán AI thường gặp, Clustering cũng là dạng bài toán rất phù hợp với các bạn yêu thích khám phá dữ liệu (EDA) và trực quan hóa.

6. NLP – Xử lý ngôn ngữ tự nhiên

NLP (Natural Language Processing) là lĩnh vực giúp máy tính hiểu và xử lý dữ liệu văn bản hoặc ngôn ngữ của con người. Đầu vào của bài toán NLP thường là dữ liệu văn bản như:

• Bình luận của khách hàng
• Email
• Tin tức
• Hợp đồng
• Bài báo
• Nội dung trên mạng xã hội
• Hồ sơ tuyển dụng
• Nhật ký hệ thống

Ví dụ trong thực tế

• Phân tích cảm xúc của bình luận.
• Phân loại tin tức thuộc loại nào
• Tự động trả lời câu hỏi.
• Chatbot.
• Tóm tắt văn bản.
• Phân loại email.
• Phân tích đánh giá sản phẩm.
• Trích xuất thông tin từ hợp đồng.

Một số đề tài phù hợp

• Phân tích đánh giá khách hàng.
• Chatbot hỏi đáp.
• Phân loại tin tức.
• Tóm tắt văn bản tiếng Việt.

Một số lưu ý và thách thức

Đây là một trong những dạng bài toán có độ khó cao hơn vì dữ liệu đầu vào là ngôn ngữ tự nhiên thay vì các con số. Một số vấn đề thường gặp:

• Tiền xử lý văn bản: Cần loại bỏ ký tự đặc biệt, dấu câu, từ dừng (Stop Words), chuẩn hóa chữ hoa/chữ thường, tách từ (Tokenization)… Đối với tiếng Việt, việc tách từ đúng là một bước rất quan trọng.
• Chuyển văn bản thành số: Máy tính không hiểu văn bản trực tiếp, vì vậy cần chuyển thành các vector đặc trưng bằng các kỹ thuật như TF-IDF, Word2Vec hoặc các mô hình ngôn ngữ hiện đại như BERT.
• Ngữ cảnh: Một từ có thể mang nhiều ý nghĩa khác nhau tùy theo ngữ cảnh, khiến việc xử lý trở nên phức tạp.
• Khối lượng dữ liệu: Các bài toán NLP thường cần nhiều dữ liệu hơn so với các bài toán Machine Learning truyền thống.

Nếu biết kết hợp các mô hình Machine Learning truyền thống với các mô hình ngôn ngữ lớn (LLM), bạn có thể xây dựng các ứng dụng rất hấp dẫn như chatbot, trợ lý AI hoặc hệ thống hỏi đáp thông minh.

7. Anomaly Detection – Phát hiện bất thường

Đây là bài toán phát hiện những dữ liệu khác biệt so với phần lớn dữ liệu còn lại. Những trường hợp bất thường này thường là dấu hiệu của lỗi, gian lận hoặc sự cố cần được xử lý.

Ví dụ trong thực tế

• Phát hiện giao dịch thẻ tín dụng gian lận.
• Phát hiện truy cập trái phép vào hệ thống.
• Phát hiện máy móc hoạt động bất thường.
• Phát hiện cảm biến lỗi.
• Phát hiện hóa đơn bất thường.
• Phát hiện hành vi mua hàng bất thường.

Một số đề tài phù hợp

• Phát hiện giao dịch bất thường.
• Phát hiện gian lận thanh toán.
• Giám sát thiết bị IoT.
• Cảnh báo truy cập bất thường.

Một số lưu ý và thách thức

Anomaly Detection thường khó hơn Classification vì trong nhiều trường hợp dữ liệu không có sẵn nhãn “bất thường” để mô hình học. Một số vấn đề cần lưu ý:

• Các trường hợp bất thường thường chiếm tỷ lệ rất nhỏ trong dữ liệu.
• Cần phân biệt giữa dữ liệu bất thường và dữ liệu chỉ đơn giản là hiếm gặp.
• Có thể áp dụng các thuật toán không giám sát (Unsupervised Learning) hoặc bán giám sát (Semi-supervised Learning).
• Việc đánh giá mô hình cần kết hợp với kiến thức nghiệp vụ để xác định cảnh báo nào thực sự có ý nghĩa.

Lưu ý về dữ liệu nhiều bảng (Multi-table Relational Data)

Trong doanh nghiệp, dữ liệu hiếm khi được lưu trong một bảng duy nhất. Thông thường, hệ thống sẽ sử dụng nhiều bảng có quan hệ với nhau, chẳng hạn như:

• Bảng khách hàng.
• Bảng đơn hàng.
• Bảng sản phẩm.
• Bảng thanh toán.
• Bảng đánh giá.
• Bảng vận chuyển.

Muốn dự đoán khách hàng có quay lại mua hàng hay không, bạn cần phải kết nối (JOIN) các bảng trong PostgreSQL, tổng hợp dữ liệu và tạo các đặc trưng (Feature Engineering) để tạo  thành một tập dữ liệu duy nhất trước khi huấn luyện mô hình

So sánh nhanh các dạng bài toán

Dạng bài toán	Mức độ khó	Phù hợp với	Điểm nổi bật
Regression	Dễ – Trung bình	Người mới bắt đầu	Dự đoán giá trị số, dễ triển khai
Classification	Trung bình	Hầu hết các nhóm	Ứng dụng rộng, gần gũi với thực tế
Time Series Forecasting	Trung bình – Khó	Nhóm có nền tảng tốt	Dự báo tương lai theo thời gian
Recommendation System	Trung bình – Khó	Nhóm sáng tạo	Cá nhân hóa trải nghiệm người dùng
Clustering	Dễ – Trung bình	Nhóm yêu thích phân tích dữ liệu	Khám phá các nhóm dữ liệu tiềm ẩn
NLP	Trung bình	Nhóm yêu thích xử lý văn bản	Làm việc với dữ liệu tiếng Việt và tiếng Anh
Anomaly Detection	Trung bình – Khó	Nhóm khá	Phát hiện gian lận, lỗi và bất thường

Kết luận

Các dạng bài toán AI thường gặp tuy có mục tiêu dự đoán khác nhau nhưng đều tuân theo một quy trình phát triển AI Full-Stack gồm: thu thập dữ liệu, lưu trữ bằng PostgreSQL, tiền xử lý dữ liệu, khám phá dữ liệu (EDA), thiết kế đặc trưng (Feature Engineering), huấn luyện và đánh giá mô hình, triển khai REST API bằng FastAPI và xây dựng Dashboard tương tác bằng Streamlit.

Việc hiểu rõ đặc điểm của từng dạng bài toán sẽ giúp bạn lựa chọn đúng dữ liệu, đúng mô hình và đúng phương pháp giải quyết, từ đó xây dựng được những dự án AI có khả năng ứng dụng trong thực tế.