# 1️⃣ Vì sao cần Explainable AI

### 1. Vấn đề cốt lõi của Deep Learning: “Black Box”

Trong Deep Learning:

* Mô hình có thể:
  * Dự đoán **rất chính xác**
* Nhưng:
  * **Không nói rõ được vì sao**

Ta thường chỉ thấy:

* Input → Output
* Ở giữa là **hàng triệu weight**

👉 Đây gọi là **black box model**.

***

### 2. “Chính xác” ≠ “Đáng tin”

Một mô hình Deep Learning có thể:

* Dự đoán đúng 95%
* Nhưng **không biết lý do**

Trong nhiều lĩnh vực, câu hỏi **bắt buộc** là:

> *“Tại sao hệ thống lại đưa ra kết quả này?”*

Nếu không trả lời được:

* Không thể tin
* Không thể kiểm tra
* Không thể chịu trách nhiệm

***

### 3. Những lĩnh vực KHÔNG chấp nhận black box

#### 🧬 Y sinh – y khoa

* Chẩn đoán bệnh
* Đánh giá nguy cơ
* Gợi ý điều trị

👉 Bác sĩ **không thể** dựa vào:

> “Máy nói vậy”

***

#### ⚖️ Pháp lý – tài chính

* Cho vay
* Bảo hiểm
* Tuyển dụng

👉 Cần:

* Giải thích
* Truy vết
* Công bằng

***

#### 🧠 Khoa học & nghiên cứu

* Không chỉ cần kết quả
* Mà cần:
  * Hiểu cơ chế
  * Phát hiện tri thức mới

👉 Black box **không sinh ra tri thức khoa học**

***

### 4. Explainable AI (XAI) là gì?

**Explainable AI (XAI)** là tập hợp các phương pháp nhằm:

* Làm cho mô hình:
  * **Dễ hiểu hơn**
  * **Có thể giải thích**
* Cho con người biết:
  * Mô hình dựa vào yếu tố nào
  * Yếu tố nào quan trọng
  * Yếu tố nào gây sai

👉 XAI **không thay thế Deep Learning**\
👉 XAI **đi kèm Deep Learning**

***

### 5. XAI trả lời những câu hỏi gì?

Một hệ thống XAI tốt có thể trả lời:

* Vì sao mẫu này được dự đoán là **dương tính**?
* Feature nào ảnh hưởng **nhiều nhất**?
* Nếu thay đổi input A thì output có đổi không?
* Mô hình học **đúng hay nhầm lẫn**?

👉 Đây là những câu hỏi **Deep Learning thuần túy không trả lời được**.

***

### 6. Hiểu đúng: XAI không phải để “giải thích toàn bộ não mạng”

Quan trọng:

* XAI:
  * **Không** đọc từng weight
  * **Không** giải mã toàn bộ mạng
* XAI:
  * Giải thích **ở mức con người cần**
  * Theo:
    * từng dự đoán
    * hoặc hành vi tổng thể

👉 Mục tiêu của XAI là **hiểu đủ để tin**, không phải hiểu như máy.

***

### 7. Vì sao XAI đặc biệt quan trọng với hướng học thuật của bạn?

Với các bài toán:

* Y sinh
* Sinh tin học
* Dữ liệu xét nghiệm
* Protein

XAI giúp:

* Chứng minh mô hình **học đúng sinh học**
* Phát hiện feature có ý nghĩa thật
* Tránh mô hình “học vẹt dữ liệu”

***

### 8. Tóm tắt đúng tinh thần mở Group 5

> **Deep Learning cho kết quả.**\
> **Explainable AI cho sự tin cậy.**

Câu nhớ nhanh:

```
Accuracy cho biết “đúng hay không”.
XAI cho biết “vì sao”.
```


---

# 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/vi-sao-can-explainable-ai.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.