Trong phòng thí nghiệm, AI nên được đối xử như một dụng cụ đo: hữu ích, nhưng phải hiệu chuẩn, phải biết sai số, phải ghi lại cách dùng. Dùng đúng, nó làm thay những việc đếm và phân loại kéo dài hàng tuần; dùng sai, nó cho ra những con số đẹp mà không ai kiểm được. Hướng đi của AiKhoaHoc.com là hướng dẫn các nhóm nghiên cứu Việt, từ phòng thí nghiệm trường đại học tới nhóm học sinh làm dự án, dùng AI theo đúng tinh thần đó.
Bài này nói về những việc tốn công trong nghiên cứu thực nghiệm ở Việt Nam, phần AI gánh được, cái bẫy lớn nhất, và một lộ trình cho trang này.
Việc nào trong nghiên cứu thực nghiệm đang ngốn thời gian nhất?
Hỏi một nghiên cứu sinh sinh học, câu trả lời thường là: đếm. Đếm tế bào dưới kính, đếm côn trùng trong bẫy đèn, đếm hạt phấn, đếm vết bệnh trên lá. Một đợt thí nghiệm có thể có hàng nghìn ảnh, và người đếm mỏi mắt thì sai số tăng dần về cuối ngày.
Ở ngành môi trường, thuỷ sản, nông nghiệp, dữ liệu lại tới từ cảm biến và trạm quan trắc: nhiệt độ, độ mặn, độ đục theo từng giờ. Dữ liệu nhiều nhưng thủng lỗ, có đoạn cảm biến hỏng ghi số vô lý, làm sạch bằng tay mất cả tuần.
Nhóm nghiên cứu nhỏ ở Việt Nam thường thiếu người giỏi lập trình. Nhà sinh học biết rõ con san hô khoẻ trông thế nào, nhưng viết một chương trình phân loại ảnh thì phải nhờ người khác, và người đó lại không hiểu mẫu.
Học sinh làm dự án khoa học kỹ thuật cũng gặp đúng chuyện này ở quy mô nhỏ hơn: có ý tưởng tốt, có dữ liệu tự thu, nhưng không biết xử lý thế nào cho đúng phương pháp.
AI làm tốt gì trong phòng thí nghiệm, và cái bẫy ở đâu?
Đếm và khoanh vùng trên ảnh. Tế bào, côn trùng, vết bệnh: việc lặp lại, quy tắc rõ, rất hợp với mô hình nhận dạng ảnh.
Phân loại mẫu theo nhóm. San hô khoẻ hay tẩy trắng, lá bệnh hay lành, sau khi được dạy bằng ảnh đã gán nhãn.
Phát hiện số liệu bất thường. Đánh dấu đoạn cảm biến ghi sai để người kiểm lại, không tự xoá.
Hỗ trợ viết mã phân tích. Người không chuyên lập trình nhờ trợ lý viết đoạn xử lý dữ liệu, rồi kiểm từng bước.
Tóm tắt nhật ký thí nghiệm. Gom ghi chép rời rạc thành bảng điều kiện, kết quả, ghi chú.
Bẫy lớn nhất: mô hình học sai thứ. Mô hình có thể "nhận ra" mẫu bệnh chỉ vì ảnh mẫu bệnh chụp dưới ánh sáng khác, không phải vì nhìn thấy bệnh.
Dữ liệu huấn luyện lệch. Ảnh chụp ở một vùng biển, một mùa, áp sang nơi khác dễ sai mà không báo.
Không có độ chính xác đo được thì không có kết quả. Phải giữ riêng một phần mẫu do người đếm để so với máy.
Mã do AI viết có thể sai lặng lẽ. Chạy được không có nghĩa là tính đúng; kiểm trên dữ liệu nhỏ đã biết đáp án.
AI không thay được thiết kế thí nghiệm. Nhóm đối chứng, số lần lặp, cách lấy mẫu vẫn là việc của người làm khoa học.
Không được ghi "dùng AI" một cách mơ hồ trong báo cáo. Phải mô tả mô hình loại gì, dạy bằng dữ liệu nào, sai số bao nhiêu để người khác lặp lại được.
Định hướng của AI Khoa Học
Trang nên bắt đầu bằng những quy trình mẫu cho từng loại việc phổ biến: đếm trên ảnh, phân loại ảnh, làm sạch dữ liệu quan trắc. Mỗi quy trình nói rõ cần chuẩn bị bao nhiêu ảnh đã gán nhãn, cách chia dữ liệu để kiểm, cách báo sai số.
Phần thứ hai là thư viện ví dụ gắn với bối cảnh Việt Nam: bẫy côn trùng ở ruộng, ảnh san hô vùng biển miền Trung, dữ liệu độ mặn vùng cửa sông. Ví dụ gần với dữ liệu người đọc đang có thì họ mới áp dụng được.
Phần thứ ba là danh sách kiểm trước khi công bố: đã so với người đếm chưa, đã thử trên dữ liệu ở nơi khác chưa, đã ghi đủ cách làm chưa. Hội đồng và người bình duyệt sẽ hỏi đúng những câu này.
Một góc riêng cho học sinh làm dự án khoa học kỹ thuật cũng đáng làm, với giọng văn dễ hơn, nhấn vào cách thu dữ liệu sạch và cách trình bày trung thực giới hạn của mô hình.
Ai được lợi?
Nghiên cứu sinh và kỹ thuật viên phòng thí nghiệm được lợi trước, vì họ là người đang ngồi đếm. Bớt vài tuần đếm tay là thêm vài tuần đọc tài liệu và viết.
Trưởng nhóm nghiên cứu nhỏ ở trường tỉnh, viện vùng có thêm cách làm dự án dữ liệu lớn mà không cần thuê ngay một kỹ sư chuyên trách.
Giáo viên hướng dẫn học sinh làm dự án có tài liệu để dạy cách dùng AI đúng phương pháp, thay vì để các em dùng máy như hộp đen.
Cái lợi rộng hơn là kết quả nghiên cứu đáng tin hơn: một nhóm biết báo sai số của công cụ mình dùng thì công bố của họ đứng vững hơn trước người bình duyệt.
Lộ trình phát triển
Bước một: quy trình đếm trên ảnh. Việc phổ biến nhất, dễ kiểm nhất.
Bước hai: quy trình phân loại ảnh mẫu. Kèm cách gán nhãn và chia dữ liệu kiểm.
Bước ba: làm sạch dữ liệu quan trắc. Phát hiện số liệu hỏng, ghi lại mọi thay đổi.
Bước bốn: thư viện ví dụ Việt Nam. Theo ngành: nông nghiệp, thuỷ sản, môi trường, y sinh.
Bước năm: danh sách kiểm trước khi công bố. Sai số, dữ liệu kiểm, khả năng lặp lại.
Bước sáu: góc học sinh. Dự án nhỏ, dữ liệu tự thu, trình bày giới hạn trung thực.
Không hứa "AI làm thay nghiên cứu". Nói rõ AI là dụng cụ, người làm khoa học chịu trách nhiệm.
Ghi nguồn mọi ví dụ. Dữ liệu mẫu phải có xuất xứ và được phép dùng.
Nhờ nhà khoa học trong ngành duyệt. Mỗi quy trình qua tay người làm thực nghiệm thật.
Không đẩy người dùng tải dữ liệu nhạy cảm lên. Dữ liệu bệnh nhân, dữ liệu chưa công bố cần xử lý tại chỗ.
Thước đo đúng. Số nhóm dùng được quy trình và báo được sai số, không phải số lượt đọc.
Câu hỏi thường gặp
AI có thay được người đếm mẫu trong phòng thí nghiệm không?
Thay được phần lớn công đếm, nhưng vẫn cần người đếm một phần mẫu để kiểm sai số của máy. Không có phần kiểm đó thì kết quả không đáng tin.
Cần bao nhiêu ảnh để dạy AI phân loại mẫu?
Không có con số chung; phụ thuộc độ khó và độ đa dạng của mẫu. Cách chắc là bắt đầu nhỏ, đo sai số trên phần dữ liệu giữ riêng, rồi thêm ảnh cho tới khi sai số chấp nhận được.
Vì sao mô hình AI chạy tốt ở phòng thí nghiệm này lại sai ở nơi khác?
Vì ánh sáng, máy ảnh, mùa vụ, vùng địa lý khác làm ảnh khác đi theo cách mô hình chưa từng thấy. Luôn thử trên dữ liệu của nơi mới trước khi tin.
Có cần ghi việc dùng AI vào phần phương pháp nghiên cứu không?
Cần, và ghi cụ thể: loại mô hình, dữ liệu dạy, cách kiểm, sai số. Người đọc phải lặp lại được cách làm của bạn.
Học sinh làm dự án khoa học có nên dùng AI không?
Nên, nếu các em hiểu mình đang dùng gì và trình bày rõ giới hạn. Ban giám khảo đánh giá cao sự trung thực về sai số hơn là con số chính xác tuyệt đối.