Mỗi CVE được đánh giá điểm theo Hệ thống chấm điểm lỗ hổng phổ biến (Common Vulnerability Scoring System - CVSS). Hệ thống này là một tiêu chuẩn để đánh giá mức độ nghiêm trọng của các lỗ hổng bảo mật [2], cung cấp kỹ thuật để chấm điểm từng lỗ hổng trên Hội nghị đã thống nhất nhận định, trong bối cảnh, tình hình thế giới và trong nước có những diễn biến mới, nhanh chóng và phức tạp, gây ra không ít khó khăn, thách thức lớn hơn so với dự báo, tuy nhiên, với sự vào cuộc của cả hệ thống chính trị, Việt Nam vẫn Tuy vậy mối quan hệ giữa Tứ Thiên Nhân khá phức tạp, những mối quan hệ đó đã tạo nên không ít điều thú vị trong Chiến Thần Tam Quốc. Thương Vân đứng đầu Tứ Thiên Nhân, rất nguyên tắc nhưng không hề chuyên quyền mà tỏ rõ vị thế của người anh cả khoan dung với Bài viết dưới đây sẽ cho bạn cái nhìn tổng quan về độ phức tạp của 1 thuật toán. Tại sao cần đo độ phức tạp của thuật toán. Thông thường khi giải quyết 1 bài toán, chúng ta có thể đưa ra các giải thuật khác nhau nhưng sẽ phải chọn một giải thuật tốt nhất. Tính phức tạp này còn do đặc trưng về con người, sinh vật không đơn giản trong cấu tạo, trong sự phản ứng. Nó có quá nhiều nhân tố cấu tạo. Nó cũng không bao giờ phản ứng theo một căn bản nào. Có khi lý trí lấn áp tình cảm, có khi tình cảm lại có ưu thế hơn, có người chẳng phản ứng theo căn bản nào mà chỉ xu hướng theo dư luận. Liên hệ quảng cáo: Bão số 6 diễn biến phức tạp, cách quần đảo Hoàng Sa khoảng 190km. Thứ ba, 18/10/2022, 19:35 (GMT+7) (Tin Mới) Dự báo bão số 6 mạnh cấp 12, giật cấp 14 còn cách Hoàng Sa 190km. Bạn quan tâm. Loạt biến thể phụ của chủng Omicron lây lan nhanh đã xuất hiện Trong 5 năm qua, mặc dù tình hình thế giới và khu vực có nhiều biến động phức tạp, song mối quan hệ hợp tác toàn diện Việt Nam-Canada đã không ngừng phát triển vững chắc, ngày càng thực chất và hiệu quả. Quan hệ dân tộc, sắc tộc hiện nay trên thế giới vẫn diễn ra rất phức tạp, nóng bỏng ở phạm vi: A. Châu Phi và châu Mỹ La tinh. B. Châu Á và châu Âu. C. Các nước Xã hội chủ nghĩa. D. Từng quốc gia, khu vực và quốc tế. Hãy suy nghĩ và trả lời câu hỏi trước khi xem đáp án App Vay Tiền Nhanh. Trong quá trình huấn luyện mô hình, chắc hẳn bạn đã gặp trường hợp với vấn đề mô hình dự đoán tốt trên tập train nhưng không dự đoán tốt trên tập test. Đó được hiểu bởi vì do mô hình quá phức tạp nhưng lại được được huấn luyện với lượng dữ liệu có giới hạn khi sử dụng Maximum Likelihood Estimation. Đó là hiện tượng overfitting. Khi đó, chúng ta có thể giảm số lượng tham số của mô hình, tuy nhiên, chúng ta sẽ đối mặt với việc mô hình đơn giản quá không nắm bắt được các xu hướng của dữ liệu. Việc để hiểu rõ lý do tại sao mô hình đưa ra kết quả như vậy, chúng ta phải tìm hiểu hai khái niệm, đó là Bias và Variance. Các thuật toán Machine Learning sử dụng mô hình Xác suất thống kê có hai loại sai số không thể tránh khỏi là avoidable error sai số có thể giảm thiểu được và unavoidable error sai số không thể điều chỉnh được. Unavoidable error là sai số do sự biến thiên tự nhiên trong hệ thống. Trong khi đó, avoidable error được thì lại dễ kiểm soát hơn và có thể tăng độ chính xác trong bài toán. Bias và Variance là các thành phần của sai số có thể giảm thiểu được. Tuy nhiên Bias chỉ có thể giảm đến một mức độ nhất định. Việc giảm được sai số đòi hỏi phải lựa chọn mô hình có độ phức tạp và linh hoạt phù hợp, cũng như bộ dữ liệu train thích hợp. Do đó chúng ta cần phải hiểu được sự khác biệt của Bias cũng như Variance để giảm được độ sai số và xây dựng mô hình chính xác. Mục lục Bias là gì?Variance là gì?Bias-Variance trade offOverfitting và UnderfittingBias và Variance trong bài toán thực tế 1. Bias là gì? Bias hay còn được hiểu là độ lệch, thiên vị, thiên kiến là sai khác giữa giá trị dự đoán và giá trị chính xác ground truth của dự đoán đó. Khi xây dựng mô hình chúng ta mong muốn sẽ tạo ra bias thấp. Điều đó đồng nghĩa với giá trị dự báo sẽ gần với ground truth hơn. Thông thường những mô hình quá đơn giản được huấn luyện trên những bộ dữ liệu lớn sẽ dẫn tới bias lớn. Hiện tượng này còn được gọi là mô hình bị chệch. Nguyên nhân của bị chệch thường là do mô hình quá đơn giản trong khi dữ liệu có mối quan hệ phức tạp hơn và thậm chí nằm ngoài khả năng biểu diễn của mô hình. Vì vậy trong tình huống này để giảm bớt bias thì chúng ta thường sử dụng mô hình phức tạp hơn để tận dụng khả năng biểu diễn tốt hơn của chúng trên những tập dữ liệu kích thước lớn. Định nghĩa Toán học. \text{Bias}\left\hat\theta\right=\text{E}\left\hat\theta\right – \theta Qua đây, chúng ta phần nào cũng hiểu được “lệch/ chệch” của từ bias ở đây nghĩa là gì. Nếu \footnotesize{\text{Bias}\left\hat\theta\right \ne 0} thì ta gọi estimator bị bias biased estimator. Nếu \footnotesize{ \text{Bias}\left\hat\theta\right = 0} thì ta gọi là unbiased estimator. Tất nhiên ở đây, unbiased estimator sẽ tốt hơn so với biased estimator, vì cái dự đoán của chúng ta đúng chính xác so với thực tế. Tuy nhiên câu hỏi đặt ra là phải chăng bias thấp thậm chí là unbiased estimator đang giúp mô hình kết quả chính xác hơn trên tập train, vậy có phải điều này là tốt? Câu trả lời là có, nhưng chưa đủ. Thuật toán tuyến tính thường có bias cao, khiến chúng học nhanh. Trong linear regression, bias đề cập đến sai số được đưa vào bằng cách tính gần đúng một vấn đề trong cuộc sống thực, vấn đề trong cuộc sống có thể rất phức tạp nhưng lại bằng một mô hình đơn giản hơn nhiều. Mặc dù thuật toán tuyến tính có thể tạo ra sự sai lệch, nhưng nó cũng làm cho đầu ra của chúng dễ hiểu hơn. Thuật toán càng đơn giản, nó càng có nhiều khả năng sai lệch. Ngược lại, các thuật toán phi tuyến tính thường có bias thấp. 2. Variance là gì? Variance hay phương sai là khái niệm đặc trưng cho sự phân tán của giá trị dự đoán. Trong mô hình, variance cao được hiểu là hiện tượng mô hình của bạn dự báo ra giá trị có mức độ dao động lớn nhưng thiếu tổng quát. Yếu tố thiếu tổng quát được thể hiện qua việc giá trị dự báo có thể khớp tốt mọi điểm trên tập huấn luyện nhưng rất dao động xung quanh giá trị ground truth trên tập huấn luyện. Những lớp mô hình phức tạp được huấn luyện trên tập huấn luyện nhỏ thường xảy ra hiện tượng phương sai cao và dẫn tới việc học giả mạo thông qua bắt chước dữ liệu hơn là học qui luật tổng quát. Định nghĩa Toán học. \text{Var}\left\hat\theta\right=\text E\left\text{E}\left\hat\theta\right -\hat \theta\right Dưới đây là một số mô hình trong Machine Learning và Bias và Variance tương ứng của nó. Thuật toánBiasVarianceLinear RegressionCaoThấpLogistic RegressionCaoThấpSupport Vector MachineThấpCaoK Nearest NeighborThấpCaoDecision TreeThấpCaoBaggingThấpCao thấp hơn Decision TreeRandom forestThấpCao thấp hơn Decision Tree Bảng 1 3. Bias-Variance trade off Trong ảnh 5 dưới đây, điểm trung tâm là điểm dự đoán tối ưu, cũng chính là giá trị chính xác mà ta đang muốn hướng tới. Các điểm màu xanh là dự đoán mô hình đã đưa ra. Như đã nói ở trên, low bias giúp các điểm dự đoán nằm gần tâm nhất sai số thấp. Tuy nhiên, chỉ mỗi bias thấp thôi là chưa đủ. Nếu mô hình có variance cao, sự phân bố của các điểm dự đoán tản mát ra xung quanh và làm cho một vài dự đoán xa rời tâm hình tròn sai số cao. Bias và Variance có mối quan hệ nghịch trong Machine Learning, không có mô hình nào vừa đạt mức tối thiểu của cả Bias và Variance. Khi một kỹ sư dữ liệu sửa đổi thuật toán ML để phù hợp hơn với một tập dữ liệu nhất định, nó sẽ dẫn đến Bias thấp – nhưng đồng thời nó sẽ làm tăng Variance. Bằng cách này, mô hình sẽ phù hợp với tập dữ liệu đồng thời tăng khả năng đưa ra các dự đoán không chính xác. Điều tương tự cũng áp dụng khi tạo mô hình phương sai thấp với bias cao hơn. Mặc dù nó sẽ giảm nguy cơ dự đoán không chính xác, nhưng mô hình sẽ không khớp đúng với tập dữ liệu. Đó là sự cân bằng tinh tế giữa những bias và phương sai này. Ta sẽ đi xem xét một kết quả tổng quát sau. Giả sử chúng ta có một tập dữ liệu train gồm \footnotesize{n} điểm \footnotesize{D=\left\{x_1,y_1,x_2,y_2,\cdots,x_n,y_n\right\} } và một hàm huấn luyện được ước lượng từ tập huấn luyện là \footnotesize{\hat fx,D} . Ở đây ký hiệu \footnotesize{\hat fx,D} để thể hiện rằng hàm này được hồi quy dựa vào tập dữ liệu \footnotesize{D} huấn luyện. Kỳ vọng của chúng ta là hàm \footnotesize{\hat fx,D} sẽ gần xấp xỉ hàm thực tế là \footnotesize{fx} . Hàm \footnotesize{fx} biểu diễn mối quan hệ thực giữa \footnotesize{x} và \footnotesize{y} . Đồng thời chúng ta chấp nhận một phần sai số nhiễu \footnotesize{\epsilon} giữa hàm \footnotesize{fx} và giá trị ground truth . Đây là phần sai số luôn luôn tồn tại giữa mô hình dự báo và grouth truth. Hay nói cách khác, bất kì mô hình nào cũng sẽ có sai số nếu như dữ liệu là ngẫu nhiên và mối quan hệ giữa đầu vào \footnotesize{x} và đầu ra \footnotesize{y} không được sinh ra bởi một hàm số được chủ định trước. Chính vì không thể tránh khỏi nên sai số này được coi như là một thành phần sai số không thể tránh khỏi unvoidable error. Chúng ta giả định chúng như là thành phần nhiễu có kỳ vọng bằng \footnotesize{0} và phương sai là \footnotesize{\hat\sigma_\epsilon^2} . Như vậy y_i=fx_i+\epsilon_i Khi đó, Mean Squared Error \footnotesize {\text E \left\lefty-\hat fx;D\right^2\right} MSE – Trung bình bình phương sai số được xác định bởi Bias và Variance như sau \text{MSE}=\text{Bias}^2+\text{Variance}+\text{Unvoidable Error} Thật vậy, trước hết ta có nhận xét như sau \begin{matrix} f- \mathrm E\left\hat f\right = \mathrm {const}&1\\ \mathrm E\left\epsilon\right=0,\mathrm E\left\mathrm E\left\hat f\right-\hat f\right=\mathrm E\left\hat f\right-\mathrm E\left\hat f\right=0 & 2 \end{matrix} Bởi vì \footnotesize\hat f và \footnotesize \epsilon độc lập với nhau nên ta có \begin{aligned} \text E\left\lefty-\hat f\right^2\right&=\text E\left\leftf+\epsilon-\hat f\right^2\right \\ & = \text E\left\leftf-\text E\left\hat f\right+\epsilon+ \text E\left\hat f\right -\hat f\right^2\right \\ & = \text E\left\leftf-\text E\left\hat f\right\right^2\right+\text E \left\epsilon^2\right+\text E\left\left\text E\left\hat f\right-\hat f\right^2\right \\& \text{ }+2 \text E\left\leftf-\text E\left\hat f\right\right\epsilon\right +2 \text E\left\left\text E\left\hat f\right-\hat f\right\epsilon\right \\&\text{ }+2 \text E\left\left\text E\left\hat f\right-\hat f\right \leftf-\text E\left\hat f\right\right \right \\&= \leftf-\text E\left\hat f\right\right^2+\text E \left\epsilon^2\right+\text E\left\left\text E\left\hat f\right-\hat f\right^2\right \\&\text{ }+2 \leftf-\text E\left\hat f\right\right\text E\left\epsilon\right+2 \text E\left\left\text E\left\hat f\right-\hat f\right\right\text E\left\epsilon\right \\&\text{ }+2 \text E\left\left\text E\left\hat f\right-\hat f\right \leftf-\text E\left\hat f\right\right \right&\left\text{do } 1 \right\\ &= \leftf-\text E\left\hat f\right\right^2+\text E \left\epsilon^2\right+\text E\left\left\text E\left\hat f\right-\hat f\right^2\right& \left \text{do } 2 \right\\ &= \mathrm{Bias}^2\left\hat f\right + \sigma^2_\epsilon + \mathrm {Var} \left\hat f\right \end{aligned} Ảnh 6 dưới đây minh hoạt về tổng sai số so với Variance và Bias. Qua đó, chúng ta sẽ có cái nhìn rõ hơn vì sao phải đánh đổi giữa bias và variance Ở ảnh 6, chúng ta có thể thấy được độ sai số bias, variance, và tổng sai số liên hệ với độ phức tạp của mô hình model complexity. Nếu như độ phức tạp của mô hình tăng lên thì bias sẽ giảm và variance sẽ tăng. Khi mô hình quá đơn giản hay quá phức tạp thì tổng sai số cũng sẽ cao. Để giảm sai số của mô hình chúng ta cần phải giữ độ phức tạp của mô hình ở mức vừa đủ. 4. Overfitting và Underfitting Overfitting hay quá khớp là hiện tượng khi mô hình xây dựng thể hiện được chi tiết bộ dữ liệu train nhưng không dự đoán đủ tốt trên dữ liệu test. Một mô hình có hiện tượng overfitting đồng nghĩa là nó có high variance. Nguyên nhân bắt nguồn từ việc mô hình có nhiều tham số mô hình quá phức tạp so với lượng dữ liệu train. Điều này khiến mô hình dự đoán tốt trên dữ liệu train này. Tuy nhiên mô hình đã quá khớp vào tập dữ liệu train, kết quả dự đoán trên tập test sẽ không còn tốt hơn. Underfitting hay chưa khớp là hiện tượng khi mô hình xây dựng chưa có độ chính xác cao trong tập dữ liệu huấn luyện cũng như tổng quát hóa với tổng thể dữ liệu. Khi hiện tượng Underfitting xảy ra đồng nghĩa với việc mô hình có high bias. Nguyên nhân bắt nguồn từ việc mô hình có quá ít tham số, nó sẽ dẫn đến sự đơn giản quá mức so với cả dữ liệu train lẫn dữ liệu test. Good fitting vừa khớp là nằm giữa Overfitting và Underfitting. Tức là mô hình cho ra kết quả hợp lý trên cả tập train lẫn với tập test. Good fitting là mục tiêu của mọi bài toán, tuy nhiên, trên thực tế, vấn đề này rất khó thực hiện. Để đạt được good fitting chúng ta phải hiểu và tránh được Overfitting và Underfitting. Một số phương pháp dùng để tránh Overfitting và Underfitting như sau. OverfittingUnderfittingSử dụng giảm chiều dữ liệu và trích xuất đặc trưng Tăng feature cho dữ liệuTăng kích thước cho tập trainTìm kiếm các thuật toán phức tạp hơnSử dụng phương pháp regularizationSử dụng mixture model hoặc essemble learningSử dụng phương pháp BaggingSử dụng phương pháp Boosting Bảng 2 Có thể thấy, để giải quyết được vấn đề Overfitting, chúng ta phải đi giảm variance. Bản chất high variance cho thấy mô hình quá phức tạp so với dữ liệu train. Nên chúng ta cần tăng sự phức tạp của tập train bằng cách tăng kích thước của mô hình hoặc là sử dụng phương pháp Bagging. Hay là chúng ta có thể giảm độ phức tạp của model bằng cách giảm chiều dữ liệu, khi đó số lượng tham số của mô hình của mô hình cũng giảm theo. Chúng ta có thể tăng bias lên bằng cách sử dụng phương pháp regularization. Để giải quyết vấn đề Underfitting, về bản chất, chúng ta phải đi giảm bias. High bias cho thấy mô hình chúng ta đang quá đơn giản so với cả tập train lẫn tập test. Do đó, chúng ta cần tăng sự phức tạp của mô hình bằng cách tìm kiếm các phương pháp phức tạp hơn, sử dụng mixture model, essemble learning hoặc là phương pháp boosting. Việc tăng feature cho dữ liệu, về bản chất nó cũng sẽ tăng sự phức tạp của mô hình, việc tăng chiều dữ liệu sẽ khiến số lượng tham số của mô hình cũng tăng lên, nên từ đó mô hình cũng sẽ trở nên phức tạp hơn. 5. Bias-Variance trade off trong bài toán thực tế Đầu tiên là lấy ví dụ bạn đang trong quá trình hoàn thiện bài viết AI Club Writing để nộp, bạn muốn nhờ người khác lấy ý kiến đánh giá. Nhưng nếu bạn nhờ quá nhiều người, việc này sẽ khiến bạn có nhiều ý kiến khách quan hơn về bài viết. Chứng tỏ rằng mô hình đang có low variance và high bias bởi vì bài viết của bạn sẽ nhận được nhiều ý kiến trái chiều, từ khen cho tới chê, và đôi khi bạn có thể sẽ nhận được thông tin vô nghĩa, không cần thiết. Khi này bạn cần lựa chọn đưa bài viết cho 3 người có các điểm mạnh khác nhau. Bởi vì do những điểm mạnh khác nhau của 3 người này sẽ cho bạn phương sai cao để nhận về bias thấp. Đấy chính là Bias-Variance trade off. Trong trường hợp này, chúng ta có thể chấp nhận phương sai lớn để nhận về bias thấp. Tuy nhiên, không phải bài toán nào chúng ta cũng hướng tới đến bias thấp. Đôi khi chúng ta cần hướng tới sự cân bằng giữa bias và variance. Giả sử bạn đang lấy ý kiến khảo sát về việc người Việt Nam suy nghĩ gì về việc cho học sinh, sinh viên trở lại trường học trong bối cảnh hiện nay. Nếu bạn hỏi quá ít người, chỉ tầm 10 người đến từ các độ tuổi, nơi ở khác nhau. Thì khi đó, ý kiến bạn nhận được sẽ rất khác nhau. Bạn sẽ nhận được về phương sai cao tuy nhiên bias sẽ thấp bởi vì nó sẽ không thể đại diện được cho tổng thể được toàn bộ người dân Việt Nam. Để giải quyết vấn đề đó, bạn sẽ cần phải hỏi 5000 người. Tuy nhiên, nếu bạn hỏi 5000 học sinh đến từ Hồ Chí Minh để khái quát cho toàn bộ người Việt Nam ở tất các các độ tuổi và ở tất cả các vùng miền. Ở đây bạn đã có variance thấp nhưng bias lớn. Bạn cần khảo sát cả những người ở những độ tuổi và các nơi ở khác. Lúc này chúng ta sẽ có cân bằng được bias và variance. Lời kết Thông qua bài viết trên, vậy là chúng ta đã cùng nhau đi tìm hiểu về hai khái niệm quan trọng để giúp chúng ta cải thiện mô hình. Hy vọng với những mình chia sẻ mọi người sẽ có cái nhìn khái quát hơn về việc cải thiện mô hình. Cảm ơn mọi người đã ghé thăm Tutorial của CLB UIT-AI. Mọi ý kiến đóng góp bài viết, xin hãy để lại bình luận dưới bài viết. Tài liệu tham khảo Master in Data Science – Difference between bias and varianceVIBLO – The bias variance decompositiontowardsdatascience – Two important machine learning concepts to impove every modelPiMA – Bias và Variance Trí tuệ nhân tạo – Vấn đề Overfitting & Underfitting trong Machine Learning Wikipedia – Bias–variance tradeoffphamdinhkhanh – Độ chệch bias và phương sai variancephamdinhkhanh – Sự đánh đổi giữa độ chệch và phương saiLinh nghiem – Đánh đổi thiên vị và phương sai trong cuộc sống Khoa học phức tạp liên quan tới việc nghiên cứu động lực học của “mạng lưới phức tạp những người đại diện thích nghi – complex networks of adaptive agents” Shaw, 1997, p. 235. Trong tổ chức xã hội, khoa học phức tạp liên quan tới rất nhiều bên liên quan khác nhau. Một hệ thống thích nghi phức tạp thúc đẩy một quan điểm khác đối với những thay đổi mang tính chất tổ chức bởi vì nó “… thay đổi sự chú ý của các nhà cố vấn khỏi những thay đổi đã được lên kế hoạch sang những quá trình lộn xộn của chính đổ chức, chỗ mà có thể gây ra những thay đổi bất chợt không thể dự đoán trước được” Shaw, 1997, 1. Sự phức tạp và hệ thống thích nghi với phức tạp Sự phức tạp bắt nguồn từ mối quan hệ, hành động và sự kết nối bên trong của các thành phần trong một hệ thống và giữa một hệ thống và môi trường của nó. Phức tạp có nghĩa là kết hợp các liên kết hoặc kết nối phức tạp của các thành phần trong hệ thống hoặc giữa hệ thống với môi trường. Rất nhiều hệ thống tự nhiên như não bộ, hệ miễn dịch, hệ sinh thái, xã hội và rất nhiều hệ thống nhân tạo như hệ thống máy tính, hệ thống trí tuệ nhân tạo, mạng thần kinh nhân tạo, các chương trình tiến hóa. Các hệ thống này có đặc điểm là các hành vi hết sức phức tạp, đây chính là kết quả của sự tương tác không gian phi tuyến tính giữa nhiều hệ thống thành viên khác nhau ở nhiều mức độ tổ chức khác nhau. Những hệ thống này được biết đến với tên gọi hệ thống thích nghi với phức tạp CAS. CAS là hệ thống động lực học có khả năng thích nghi và tham gia vào một môi trường đang thay đổi. Việc nhận ra không có sự tách biệt nào giữa một hệ thống và môi trường của nó vì hệ thống luôn thay đổi để thích nghi với môi trường là vô cùng quan trọng. Hơn nữa, một hệ thống luôn có mối liên hệ chặt chẽ với các hệ thống khác để tạo nên một hệ sinh thái. Sự phân quyền trong quản lý Không có một cơ chế quản lý tập trung nào điều hành hành vi, hoạt động của hệ thống. Mặc dù mối quan hệ bên trong giữa các thành phần trong hệ thống tạo nên sự liên kết thì cũng không thể giải thích hành vi tổng thể bằng cách tổng hợp tất cả các phần riêng lẻ. Sự kết nối Như phần trên đã đề cập, sự phức tạp bắt nguồn từ những mối quan hệ, hoạt động và sự kết nối nội bộ của các thành phần trong hệ thống và giữa hệ thống với môi trường xung quanh nó. Điều này có nghĩa là một quyết định hay hành động trong hệ thống sẽ ảnh hưởng tới các phần liên quan nhưng mức độ ảnh hưởng là không giống nhau. Sự đồng tiến hóa Với sự đồng tiến hóa, các thành phần trong một hệ thống có thể thay đổi dựa trên những tương tác với một phần khác và với môi trường của nó. Ngoài ra, đặc điểm hành vi cũng thay đổi theo thời gian. Kauffman 1993 mô tả sự đồng tiến hóa với định nghĩa “cảnh quan phù hợp” Fitness landscape của mình. Cảnh quan phù hợp đối với một hệ thống X bao gồm một chuỗi rất nhiều đỉnh núi và thung lũng. Đỉnh núi càng cao thì càng phù hợp với thứ mà nó đại diện. sự cải tiến của X có thể coi như mộ hành trình qua quang cảnh phù hợp với mục tiêu ở đỉnh núi cao nhất. Nếu X bị cản lại ở đỉnh đầu tiên thì chiến lược là tăng cường cải tiến, khi đó các hệ thống được kết nối với nhau sẽ đưa ra tín hiệu hồi đáp và quan cảnh sẽ thay đồi. Cảnh quan phù hợp của hệ thống Nguồn Kauffman 1993 Sự nhạy cảm với tính phụ thuộc đối với điều kiện ban đầu CAS nhạy cảm với sự phụ thuộc vào điều kiện ban đầu. Sự thay đổi trong đặc điểm của những yếu tố đầu vào hay các quy luật đều không có tương quan một cách tuyến tính với những kết quả nhận được ở đầu ra. Sự thay đổi nhỏ có thể có tác động lớn tới hành vi tổng thể và một tác động tiêu cực to lớn tới hệ thống có thể lại không gây nên ảnh hưởng gì. Từ những năm 60 của thế kỷ XX, nhà vật lý người Mỹ Edward Lorentz đã nghiên cứu tìm lời giải cho phương trình mô tả các mẫu thời tiết. Mục tiêu của ông là dự đoán thời tiết trong dài hạn. Với sự trợ giúp của máy tính, ông đã có thể tìm ra lời giải, và nhận ra rằng ông đang phải giải quyết một dạng quy luật hành vi hoàn toàn mới. Một thay đổi rất nhỏ trong điều kiện ban đầu trong hệ thống thời tiết có thể dẫn tới những hậu quả không thể lường trước, ngay cả khi mọi thứ trong hệ thống đều kết nối với nhau theo một cách đã định. Trạng thái hiện tại của thời tiết không phải một yếu tố tiên đoán cho thời tiết trong vài ngày tới do chỉ cần một nhiễu động vô cùng nhỏ có thể gây ra những hành vi khác biệt vô cùng to lớn theo cấp số nhân. Phát kiến toán học này của Lorentz đã mang tới những thay đổi mạnh mẽ trong khoa học. Thế giới về căn bản là không thể đoán định khi đa số những quá trình trong tự nhiên đều vô cùng phức tạp. Điều này đồng nghĩa với sự kết thúc của sự chắc chắn mang tính khoa học, điều mà được coi là đặc tính căn bản của hệ thống “giản đơn” như trong bóng đèn điện, động cơ điện và các thiết bị điện tử sử dụng. Đoán định trước những hành vi của những hệ thống đúng nghĩa trên thực tế, về bản chất, đặc biệt là những thực thế sống là điều không thể. Vì vậy, những phán đoán trong dài hạn và sự quản lý đối với các hệ thống phức tạp được xem như là không thể. Trình tự xuất hiện Sự phức tạp được nói đến trong hệ thống thích nghi với phức tạp là tiềm năng xuất hiện của những hành vi khi đối mặt với những hiện tượng phức tạp và không đoán định. Những ví dụ về hệ thống thích nghi với phức tạp có thể kể đến như nền kinh tế của một quốc gia, hệ sinh thái, bộ não người, một phôi thai đang phát triển hay cả những đàn kiến. Mỗi hệ thống là một mạng lưới của nhiều tác nhân hoạt động đồng thời với nhau. Trong một nền kinh tế, các tác nhân có thể là những cá nhân hoặc các hộ gia đình. Trong hệ sinh thái, vai trò này thuộc về các giống loài. Các tế bào não chính là tác tác nhân trong một bộ não. Trong mỗi hệ thống này, mỗi tác nhân đều nằm trong một môi trường được tạo ra do chính những tác động và phản ứng của các tác nhân với nhau trong hệ thống. Những tác ộng qua lại liên tục giữa các tác nhân dẫn đến sự không cố định trong mọi yếu tố của môi trường. Trong nhiều năm qua, luật nhiệt động lực học thứ hai mà hệ thống có xu hướng rối loạn đã được chấp nhận rộng rãi. Một vài hệ thống có xu hướng theo trật tự và không rối loạn trong khi đó một số hệ thống khác lại không hướng tới sự rối loạn và đây là một trong những khám phá lớn trong khoa học nghiên cứu sự phức tạp. Sự trật tự có thể bắt nguồn từ những tương tác hồi đáp phi tuyến tính giữa các trạm mà mà mỗi trạm thực hiện nhiệm vụ riêng của mình. Những hành vi bất chợt có thể dễ dang được nhận ra như hành vi bay theo đàn của chim. Nghiên cứu sử dụng kích thích máy tính đã cho thấy rằng có thể mô tả hành vi bay theo đàn của chim bằng những quy luật đơn giản như khoảng giữa con chim này với con chim khác và khoảng cách từ 1 con chim tới những vật thể khác. Luật này được áp dụng riêng rẽ đối với mỗi con chim. Thực chat, đàn được tạo thành mỗi lần có kích thích, chính vì vậy sự tự tổ chức chính là một đặc tính cố hữu của CAS. Xa điểm cân bằng Nicolis và Prigogine 1989 chỉ ra rằng khi hệ thống vật lý hoặc hóa học bị đẩy ra khỏi điểm cân bằng thì nó có thể tồn tại hoặc phát triển. Nếu hệ thống duy trì ở trạng thái cân bằng, nó sẽ chết. Việc di chuyển ra khỏi vị trí cân bằng cho thể hiện cách mà hệ thống bị bắt buộc phải khám phá ra giới hạn của mình và tạo nên những cấu trúc khác biệt, những dạng quan hệ mới. Khi thay đổi lý quyết quản lý, mô hình của Kurt Lewin 1951 về xóa bỏ sự cố định của một hệ thống, thay đổi và cố định lại dựa trên lý tuyết về cân bằng động lực học. khi sự cân bằng bị tác động, các nguồn lực ủng hộ và ngăn cản thay đổi sẽ đưa hệ thống sang một điểm cân bằng khác. Tuy nhiên, trong một hệ thống thích nghi với phức tạp thì việc cố định hệ thống tại một điểm cân bằng, ổn định và vững chắc là vô nghĩa. Quản lý thay đổi chính là tạo điều kiện thay đổi hơn là thay đổi. Trạng thái nghịch lý Những nghiên cứu khác về hệ thống thích nghi phức tạp đã chỉ ra động lực học kết nối cả sự sắp đặt và sự hỗn loạn. Điều này củng quan niệm về sự không ổn đinh, giới hạn của sự hỗn loạn với đặc trưng là những nghịch lý Ổn định và không ổn định, cạnh tranh và hợp tác, theo thứ tự hoặc không theo thứ tự. Nguồn Phan Thanh Tú, Vũ Mạnh Chiến, Phạm Văn Kiệm, Lưu Đức Tuyến, Nguyễn Thị Hồng Nga 2018, Học Thuyết Doanh Nghiệp, NXB Lao Động – Xã Hội, trang 493-495. Đăng nhập Nay nhóm MBA đăng loạt bài về mô hình SEM của tác giả Phạm Đức Kỳ – Nguồn để cung cấp thêm kiến thức cho các bạn học viên quan tâm. Loạt bài này gồm 5 phần. Phần thứ 1 1. Giới thiệu tổng quan mô hình mạng SEM Một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân tích mối quan hệ phức tạp trong mô hình nhân quả là mô hình mạng SEM Structural Equation Modeling. Mô hình SEM đã được sử dụng rộng rãi trong các lĩnh vực nghiên cứu như tâm lý học Anderson & Gerbing,1988; Hansell và White, 1991, xã hội học Lavee, 1988; Lorence và Mortimer, 1985, nghiên cứu sự phát triển của trẻ em Anderson, 1987; Biddle và Marlin,1987 và trong lĩnh vực quản lý Tharenou, Latimer và Conroy,1994. Đặc biệt mô hình này cũng được ứng dụng trong rất nhiều mô hình thỏa mãn khách hàng như ngành dịch vụ thông tin di động tại Hàn Quốc Kim et al. / Telecommunications Policy 28 2004 145–159, Mô hình nghiên cứu sự trung thành của khách hàng Dịch vụ thông tin di động tại Việt nam Phạm Đức Kỳ, Bùi Nguyên Hùng, 2007… Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát GLM cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc. SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trong dài hạnlongitudinal, phân tích nhân tố khẳng định CFA, các mô hình không chuẩn hoá,cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩnNon-Normality , hay dữ liệu bị thiếu missing data. Đặc biệt, SEM sử dụng để ước lượng các mô hình đo lường Mesurement Model và mô hình cấu trúc Structure Model của bài toán lý thuyết đa biến. Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn Latent Variables và các biến quan sát observed variables.Nó cung cấp thông tin về thuộc tính đo lường của biến quan sát độ tin cậy, độ giá trị. Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này có thể mô tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm. Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tương giữa các phần tử trong sơ đồ mạng để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. Khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố phần tử trong mô hình cổ điển mô hình đo lường, SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn Latent Constructs qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình lý thuyết, đo các mối quan hệ ổn định recursive và không ổn định non-recursive, đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tương quan phần dư. Với kỹ thuật phân tích nhân tố khẳng định CFA mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị. Công dụng và lợi thế của mô hình mạng SEM Kiểm định các giả thuyết về các quan hệ nhân quả có phù hợp FIT với dữ liệu thực nghiệm hay không. Kiểm định khẳng định Confirmating các quan hệ giữa các biến. Kiểm định các quan hệ giữa các biến quan sát và không quan sát biến tiềm ẩn Là phương pháp tổ hợp phương pháp hồi quy, phương pháp phân tích nhân tố, phân tích phương sai. Ước lượng độ giá trị khái niệm cấu trúc nhân tố của các độ đo trước khi phân tích sơ đồ đường path analysis Cho phép thực hiện đồng thời nhiều biến phụ thuộc nội sinh. Cung cấp các chỉ số độ phù hợp cho các mô hình kiểm định. Cho phép cải thiện các mô hình kém phù hợp bằng cách sử dụng linh hoạt các hệ số điều chỉnh MI Modification Indices. SEM cung cấp các công cụ có giá trị về thống kê, khi dùng thông tin đo lường để hiệu chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn. SEM giúp giả thuyết các mô hình, kiểm định thống kê chúng vì EFA và hồi quy có thể không bền vững nhất quán về mặt thống kê SEM thường là một phức hợp giữa một số lượng lớn các biến quan sát và tiềm ẩn, các phần dư và sai số. SEM giả định có một cấu trúc nhân quả giữa các biến tiềm ẩn có thể là các tổ hợp tuyến tính của các biến quan sát, hoặc là các biến tham gia trong một chuỗi nhân quả. Ngoài ra nhóm hotrospss có các dịch vụ sau – Tư vấn mô hình/bảng câu hỏi/ traning trực tiếp về phân tích hồi quy, nhân tố, cronbach alpha… trong SPSS, và mô hình SEM, CFA, AMOS – Thu thập/Xử lý số liệu khảo sát để chạy ra kết quả có ý nghĩa thống kê. Xem thêm Giả định của hồi quy nhị phân logit Hệ số tương quan pearson, cách thao tác phân tích tương quan trong SPSS Quan hệ chỉ số -2LL và R bình phương trong hồi quy nhị thức logit Các loại thang đo trong SPSS Scale, Ordinal, Nominal Quan hệ giữa Eigenvalues và số lượng nhân tố được tạo thành khi phân tích nhân tố EFA Hệ thống phức tạp là một hệ thống bao gồm nhiều thành phần có thể tương tác với nhau. Ví dụ về các hệ thống phức tạp là khí hậu toàn cầu, sinh vật, não người, cơ sở hạ tầng như lưới điện, hệ thống giao thông hoặc liên lạc, các tổ chức kinh tế và xã hội như thành phố, hệ sinh thái, tế bào sống và cuối cùng là toàn bộ vũ trụ. Các hệ thống phức tạp là các hệ thống có hành vi rất khó mô hình hóa do sự phụ thuộc, cạnh tranh, mối quan hệ hoặc các loại tương tác khác giữa các bộ phận của chúng hoặc giữa một hệ thống nhất định và môi trường của nó. Các hệ thống " phức tạp " có các thuộc tính riêng biệt phát sinh từ các mối quan hệ này, chẳng hạn như phi tuyến tính, xuất hiện đột ngột, trật tự tự phát, thích ứng và các vòng phản hồi, trong số các mối quan hệ khác. Bởi vì các hệ thống như vậy xuất hiện trong nhiều lĩnh vực khác nhau, sự tương đồng giữa chúng đã trở thành chủ đề của lĩnh vực nghiên cứu độc lập của chúng. Trong nhiều trường hợp, rất hữu ích khi biểu diễn một hệ thống như một mạng nơi các nút đại diện cho các thành phần và liên kết đến các tương tác của chúng. Độ phức tạp đặc trưng cho hành vi của một hệ thống hoặc mô hình có các thành phần tương tác theo nhiều cách và tuân theo các quy tắc cục bộ, có nghĩa là không có hướng dẫn cao hơn hợp lý để xác định các tương tác khác nhau có thể có.[1] Thuật ngữ này thường được sử dụng để mô tả một cái gì đó với nhiều phần trong đó các phần đó tương tác với nhau theo nhiều cách, đỉnh điểm là thứ tự xuất hiện cao hơn lớn hơn tổng của các phần của nó. Nghiên cứu về các mối liên kết phức tạp này ở các quy mô khác nhau là mục tiêu chính của lý thuyết hệ thống phức tạp. Tính đến năm 2010 khoa học có một số cách tiếp cận để mô tả sự phức tạp; Zayed et al. [2] phản ánh nhiều cách tiếp cận trong số này. Neil Johnson nói rằng "ngay cả trong số các nhà khoa học, không có định nghĩa phức tạp nào duy nhất - và khái niệm khoa học đã được truyền đạt bằng cách sử dụng các ví dụ cụ thể..." Cuối cùng Johnson chấp nhận định nghĩa "khoa học phức tạp" là "nghiên cứu về các hiện tượng. xuất hiện từ một tập hợp các đối tượng tương tác với nhau".[3]

quan hệ phức tạp