Mục lục · 6 phần
Trả lời nhanh
Overfitting là khi mô hình AI học thuộc dữ liệu cũ thay vì rút ra quy luật chung. Công cụ của anh/chị có thể cho kết quả đẹp trên dữ liệu quen nhưng sai khi gặp dữ liệu thực tế. Giống nhân viên thuộc từng câu trong kịch bản, mô hình ghi nhớ cả chi tiết ngẫu nhiên và lúng túng khi khách hỏi khác đi.
Overfitting là khi mô hình AI học thuộc lòng dữ liệu cũ thay vì rút ra quy luật chung. Chạy thử trên dữ liệu quen thì kết quả đẹp, đưa vào thực tế thì sai. Bài này giải thích bằng ví dụ bán hàng để anh/chị nhận ra lúc công cụ AI đang học vẹt.
Nhân viên học thuộc kịch bản chốt đơn — đó chính là overfitting
Anh/chị thuê nhân viên mới, đưa mười đoạn chat mẫu để học cách trả lời khách. Người này không tìm hiểu tại sao mỗi câu lại hiệu quả — họ học thuộc từng chữ. Khách hỏi đúng câu trong kịch bản thì đáp trơn tru. Khách hỏi lệch một chút — đơ.
Mô hình AI bị overfitting hoạt động y hệt. Nó ghi nhớ từng chi tiết trong dữ liệu huấn luyện — tức dữ liệu mà anh/chị cho nó xem để “học” — kể cả chi tiết ngẫu nhiên, không bao giờ lặp lại. Khi gặp dữ liệu mới từ khách thật, nó không biết xử lý.
Nguyên nhân phổ biến nhất: dữ liệu ít mà mô hình phức tạp. Mô hình thừa sức ghi nhớ từng dòng thay vì phải nén lại thành quy luật. Giống học sinh trí nhớ tốt nhưng đề chỉ có mười câu — thuộc đáp án nhanh hơn hiểu bài.
Nguyên nhân thứ hai: cho AI lặp quá nhiều vòng học. Mỗi vòng gọi là một epoch — tức một lần AI đọc qua toàn bộ dữ liệu từ đầu đến cuối. Epoch nhiều trên dữ liệu ít giống bắt học sinh đọc đi đọc lại mười câu cho đến khi thuộc lòng — lúc đó không cần hiểu nữa.
Chủ shop tự dùng AI thì gặp overfitting ở đâu?
Anh/chị không cần tự viết code mới gặp overfitting. Nó xuất hiện bất cứ khi nào anh/chị dùng công cụ AI mà dữ liệu đầu vào quá ít hoặc quá đồng nhất.
Chatbot phân loại tin nhắn. Anh/chị dùng chatbot tự động chia tin nhắn khách thành “hỏi vận chuyển”, “khiếu nại”, “hỏi giá”. Nếu dữ liệu huấn luyện chỉ có vài chục tin viết đúng chính tả, chatbot sẽ bỏ sót tin viết tắt hoặc sai chính tả — vì nó chưa từng thấy kiểu viết đó. Công nghệ xử lý ngôn ngữ tự nhiên (NLP) giúp máy đọc hiểu văn bản, nhưng NLP cần dữ liệu đa dạng mới hoạt động đúng.
Dự báo tồn kho. Mô hình học kỹ đợt sale tháng trước — doanh số tăng vọt ba ngày liên tiếp. Nó tưởng đó là quy luật mỗi tháng rồi đề xuất nhập lượng hàng lớn. Tháng sau không có sale, hàng tồn kẹt vốn.
Tìm khách tiềm năng. AI phân tích 50 đơn hàng tuần trước rồi kết luận: “khách mua chủ yếu là nữ, 25-30 tuổi, vào lúc 9 giờ tối”. Anh/chị dồn ngân sách quảng cáo vào đúng nhóm đó. Tuần sau nhóm đó không mua — vì đặc điểm tuần trước chỉ là ngẫu nhiên, không phải quy luật. AI đã overfitting vào 50 đơn.
ROAS 8,54 trong 5 ngày — đủ để AI rút ra quy luật chưa?
Overfitting không chỉ xảy ra bên trong mô hình AI. Tư duy “lấy số ngắn hạn rồi suy ra quy luật dài hạn” cũng là dạng overfitting — chỉ khác là do người quyết chứ không phải do máy.
Một shop có doanh số trên 100 triệu mỗi ngày, chạy CPAS — quảng cáo Facebook kéo khách về Shopee — trong 5 ngày từ 16-20/8/2026, ghi nhận:
- ROAS trung bình: 8,54 — cứ bỏ 1 đồng quảng cáo thì thu 8,54 đồng doanh thu quy cho quảng cáo.
- Campaign tốt nhất: ROAS 10,36.
- Chi phí mỗi đơn: 5.903đ.
- Tổng đơn: 548 đơn, tổng doanh thu quy cho quảng cáo: 32.222.984đ.
Số liệu thực tế từ tài khoản đang vận hành, ghi nhận tại thời điểm nêu trên. Kết quả từng shop khác nhau tuỳ ngành hàng, giá bán và ngân sách.
Nhìn số đẹp, nhiều người nghĩ: “ROAS trên 8 là ổn, giữ nguyên cách chạy”. Nếu ai đó lấy đúng 5 ngày này cho AI học để dự đoán hiệu quả quảng cáo, mô hình sẽ “tin” ROAS luôn quanh 8-10. Nó ghi nhớ đặc điểm của 5 ngày đó — giờ đăng, nhóm khách, sản phẩm — rồi coi đó là quy luật cố định.
Thực tế, ROAS phụ thuộc mùa vụ, đối thủ, chương trình giảm giá của sàn, và hàng trăm yếu tố khác. Năm ngày không đủ rút ra quy luật. Mô hình sẽ dự đoán sai ngay khi điều kiện thay đổi — anh/chị mất tiền vì tin dự đoán đó.
Cùng hệ thống shop đó, trên TikTok Ads (chiến dịch GMV Max, ngày 08/8/2026), ROI đạt 6,92, chi phí 1.201,98 USD. Con số khác hẳn ROAS 8,54 trên Facebook. Nếu mô hình chỉ học từ một kênh rồi dự đoán cho kênh khác, kết quả sẽ sai — vì nó overfitting vào đặc điểm riêng của một kênh duy nhất.
Số liệu thực tế từ tài khoản đang vận hành, ghi nhận tại thời điểm nêu trên. Kết quả từng shop khác nhau tuỳ ngành hàng, giá bán và ngân sách.
Bài học rút ra: khi dùng số liệu quảng cáo để huấn luyện AI hoặc ra quyết định, anh/chị cần dữ liệu đủ dài (vài tuần trở lên), đủ đa dạng (nhiều kênh, nhiều thời điểm), và luôn kiểm tra trên dữ liệu AI chưa từng thấy.
Ba cách ngăn overfitting, không cần biết code
Tách dữ liệu kiểm tra riêng. Trước khi cho AI học, giữ lại 20-30% dữ liệu mà AI không được nhìn thấy. Sau khi học xong, cho nó dự đoán trên phần giữ lại. Nếu kết quả tệ hơn nhiều so với phần đã học — AI đang overfitting.
Ví dụ: anh/chị có 1.000 tin nhắn khách hàng, giữ riêng 300 tin, cho AI học trên 700 tin. AI phân loại đúng 95% trong 700 tin đã học, nhưng chỉ đúng 60% trong 300 tin giữ lại. Chênh lệch 35 điểm phần trăm — dấu hiệu rõ ràng AI đang thuộc bài thay vì hiểu bài.
Dừng sớm (early stopping). Theo dõi tỷ lệ lỗi trên phần dữ liệu kiểm tra sau mỗi epoch. Khi lỗi trên phần kiểm tra bắt đầu tăng trong khi lỗi trên phần huấn luyện vẫn giảm — dừng ngay. Đó là lúc AI chuyển từ “hiểu bài” sang “học vẹt”. Một số nền tảng huấn luyện có sẵn tính năng dừng sớm tự động; trên các công cụ tinh chỉnh no-code phổ biến, anh/chị có thể kiểm soát bằng cách giảm số epoch (chọn 2–3 vòng học) và đánh giá độ chính xác trên tập dữ liệu mẫu độc lập.
Thêm dữ liệu đa dạng. Cách đơn giản nhất. Thay vì 50 tin nhắn tuần trước, thu thập 500 tin từ nhiều tuần, nhiều loại khách, nhiều cách viết khác nhau. Dữ liệu càng đa dạng, AI càng khó thuộc và buộc phải tìm quy luật chung.
Nguyên tắc này lặp lại ở mọi loại mô hình khi anh/chị tìm hiểu cách AI hoạt động: dữ liệu tốt quan trọng hơn mô hình phức tạp.
Underfitting — ngược lại overfitting nhưng cũng hỏng
Underfitting là khi mô hình quá đơn giản hoặc học quá ít, nên không nắm được quy luật nào cả. Kết quả tệ cả khi chạy thử lẫn khi chạy thật.
Hình dung: nhân viên mới chỉ lướt kịch bản một lần rồi đi tiếp khách. Không thuộc, không hiểu — trả lời sai hết.
Hai thái cực anh/chị cần tránh:
- Epoch quá ít hoặc dữ liệu quá ít → underfitting → AI không biết gì.
- Epoch quá nhiều trên dữ liệu ít → overfitting → AI học vẹt.
Mục tiêu là điểm giữa: AI học đủ để nắm quy luật, nhưng chưa ghi nhớ từng chi tiết ngẫu nhiên. Cách tìm: theo dõi tỷ lệ lỗi trên cả hai tập — huấn luyện và kiểm tra — rồi dừng khi khoảng cách giữa hai tỷ lệ bắt đầu doãng ra.
Nếu anh/chị đang tinh chỉnh bất kỳ mô hình học máy nào, luôn kiểm tra cả hai hướng: quá giỏi trên dữ liệu cũ (overfitting) hay tệ đều trên mọi dữ liệu (underfitting).
Anh/chị muốn ứng dụng AI vào quy trình bán hàng thì liên hệ để được hỗ trợ triển khai.
Câu hỏi thường gặp
Làm sao biết AI đang overfitting hay đang kém thật sự?
So sánh kết quả trên dữ liệu AI đã học và dữ liệu AI chưa thấy bao giờ. Kết quả trên dữ liệu cũ cao vượt trội nhưng trên dữ liệu mới thì thấp — overfitting. Thấp đều cả hai — mô hình kém thật (underfitting hoặc dữ liệu không phù hợp).
Dữ liệu bao nhiêu mẫu thì đủ để AI không học vẹt?
Tùy bài toán, nhưng quy tắc đơn giản: mỗi loại kết quả cần ít nhất vài chục ví dụ. Ví dụ anh/chị phân loại tin nhắn thành 5 nhóm thì mỗi nhóm cần tối thiểu 50-100 tin nhắn. Ít hơn thì AI rất dễ thuộc bài thay vì tìm quy luật.
Overfitting có xảy ra với chatbot bán hàng không?
Có, và rất phổ biến. Chatbot học từ vài chục đoạn hội thoại mẫu chỉ trả lời đúng khi khách hỏi giống mẫu. Khách viết tắt, dùng từ lóng, hoặc hỏi gộp hai vấn đề — chatbot trả lời lạc đề hoặc không phản hồi được.
Tôi dùng công cụ AI có sẵn, không tự code — vẫn bị overfitting sao?
Vẫn bị nếu anh/chị tùy chỉnh công cụ (fine-tune — tức cho nó học thêm trên dữ liệu riêng) bằng dữ liệu quá ít hoặc quá giống nhau. Nhiều công cụ no-code không có sẵn nút bật early stopping, nhưng anh/chị hoàn toàn kiểm soát được bằng cách giảm số epoch (chỉ để 2–3 vòng học) và chủ động tách 20–30% dữ liệu mẫu ra để kiểm tra chéo.
Overfitting khác gì bias trong AI?
Overfitting là ghi nhớ dữ liệu cũ quá kỹ nên sai khi gặp dữ liệu mới. Bias — thiên lệch — là học sai hướng từ đầu vì dữ liệu bị lệch. Ví dụ: toàn dữ liệu khách nữ nên AI bỏ qua khách nam. Overfitting là “quá kỹ”, bias là “sai hướng” — hai lỗi khác nhau, cách sửa khác nhau.
Shop nhỏ dưới 10 đơn/ngày có cần lo overfitting không?
Cần, thậm chí hơn shop lớn. Shop nhỏ có ít dữ liệu nên AI rất dễ overfitting. Ba mươi đơn trong tháng không đủ để AI rút ra quy luật — nó sẽ thuộc lòng 30 đơn đó rồi dự đoán sai tháng sau. Với dữ liệu ít, nên dùng công cụ AI tổng quát có sẵn thay vì tự huấn luyện mô hình riêng.
