# Tổng kết DeepLearning & XAI

<figure><img src="/files/9n8fxVC1hoIzLDNj6hGt" alt=""><figcaption></figcaption></figure>

### 1. Deep Learning là gì (nhắc lại rất ngắn)

**Deep Learning** là một nhánh của Machine Learning:

* Sử dụng **neural network nhiều tầng**
* Có khả năng **tự học đặc trưng**
* Mạnh trong các bài toán:
  * Ảnh
  * Văn bản
  * Chuỗi sinh học
  * Dữ liệu phức tạp, phi tuyến

Deep Learning hoạt động dựa trên chuỗi cơ chế:

* **Neuron**: đơn vị tính toán
* **Layer**: học biểu diễn theo mức
* **Activation Function**: tạo phi tuyến
* **Loss Function**: đo sai
* **Backpropagation**: sửa sai

👉 *Deep Learning mạnh vì cấu trúc sâu + học từ dữ liệu lớn*

***

### 2. Giới hạn cốt lõi của Deep Learning

Dù đạt độ chính xác cao, Deep Learning gặp vấn đề lớn:

* Mô hình phức tạp
* Hàng triệu tham số
* Khó trả lời câu hỏi:

  > *“Vì sao mô hình đưa ra kết quả này?”*

👉 Đây là hiện tượng **black box**

Trong các lĩnh vực:

* Y sinh
* Y khoa
* Pháp lý
* Nghiên cứu khoa học

👉 **Black box là không chấp nhận được**

***

### 3. Vai trò của Explainable AI (XAI)

**Explainable AI (XAI)** ra đời để:

* Bổ sung cho Deep Learning
* Không thay thế Deep Learning
* Giúp con người:
  * Hiểu
  * Tin
  * Kiểm soát

XAI trả lời các câu hỏi mà Deep Learning thuần túy không trả lời được:

* Feature nào quan trọng?
* Vì sao ca này được dự đoán như vậy?
* Mô hình học đúng hay học sai?

👉 *XAI là cầu nối giữa mô hình và con người*

***

### 4. Hai mức độ giải thích trong XAI

* **Local explanation**\
  → Giải thích **từng dự đoán cụ thể**
* **Global explanation**\
  → Giải thích **hành vi tổng thể của mô hình**

Trong thực tế:

* Quyết định cá nhân → cần **local**
* Đánh giá khoa học → cần **global**
* Hệ thống tốt → **kết hợp cả hai**

***

### 5. Các nhóm kỹ thuật XAI (ở mức bản đồ)

XAI bao gồm nhiều hướng tiếp cận:

* Feature importance
* Local explanation
* Gradient / sensitivity
* Saliency / attention
* Surrogate models

👉 Không có kỹ thuật XAI “tốt nhất”\
👉 Chỉ có kỹ thuật **phù hợp với câu hỏi cần trả lời**

***

### 6. Ý nghĩa đặc biệt của XAI trong y sinh / sinh tin học

Trong y sinh & sinh tin học, XAI giúp:

* Kiểm chứng mô hình học đúng sinh học
* Phát hiện feature, motif, residue có ý nghĩa
* Tạo tri thức khoa học, không chỉ dự đoán

Deep Learning + XAI cho phép:

* **Dự đoán** + **giải thích**
* **Hiệu năng** + **độ tin cậy**
* **Ứng dụng** + **nghiên cứu**

👉 Đây là lý do XAI ngày càng trở thành **yêu cầu bắt buộc** trong các nghiên cứu hiện đại.

***

### 7. Thông điệp chốt toàn bộ phần học

> **Deep Learning cho khả năng dự đoán mạnh.**\
> **Explainable AI cho sự minh bạch và ý nghĩa.**\
> **Kết hợp cả hai mới đủ để ứng dụng an toàn và có giá trị khoa học.**

Câu nhớ nhanh (kết luận):

```
Deep Learning trả lời: “Kết quả là gì?”
XAI trả lời: “Vì sao lại như vậy?”
```

<figure><img src="/files/6dOqbgoxrBQwQKgG2HDd" alt=""><figcaption></figcaption></figure>

<figure><img src="/files/DNrW964X2l2lbaXSqwPb" alt=""><figcaption></figcaption></figure>

<figure><img src="/files/v6mudUeblTkpd5APXQlL" alt=""><figcaption></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://deeplearningcoban.gitbook.io/deeplearningcoban.com/explainable-ai-xai/tong-ket-deeplearning-and-xai.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.