Phân Cụm Dữ Liệu và Ứng Dụng Trong Tái Bảo Hiểm

Luận văn thạc sĩ phân cụm dữ liệu và ứng dụng trong tái bảo hiểm, nghiên cứu công nghệ thông tin, mang lại giải pháp hiệu quả cho ngành.

• Tác giả: Trần Thanh Sơn
• Người hướng dẫn: PGS.TS Vũ Đức Thi
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phân Cụm Dữ Liệu và Ứng Dụng Trong Tái Bảo Hiểm
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2006
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan về Phân Cụm Dữ Liệu Ứng Dụng Tái Bảo Hiểm

Trong bối cảnh dữ liệu bùng nổ, phân cụm dữ liệu nổi lên như một công cụ mạnh mẽ để khám phá tri thức ẩn sâu. Từ các cơ sở dữ liệu khổng lồ, Cluster Analysis giúp chúng ta tìm ra các nhóm dữ liệu tương đồng, mở ra cơ hội tối ưu hóa hoạt động và đưa ra quyết định sáng suốt. Đặc biệt, trong lĩnh vực tái bảo hiểm, nơi rủi ro và tổn thất cần được phân tích kỹ lưỡng, ứng dụng của phân cụm trở nên vô cùng quan trọng. Data Clustering Algorithms không chỉ giúp hiểu rõ hơn về bản chất của rủi ro mà còn hỗ trợ mô hình hóa rủi ro và dự đoán rủi ro một cách hiệu quả. Như trích dẫn từ tài liệu gốc, "KPDL đã trở thành một trong những hướng nghiên cứu phổ biến trong lĩnh vực khoa học máy tính và công nghệ tri thức kết hợp với CSDL, thống kê, học máy và những lĩnh vực có liên quan để trích chọn những thông tin giá trị và tri thức hữu ích trong tập hợp dữ liệu lớn".

1.1. Tầm quan trọng của Data Science trong Tái Bảo Hiểm

Sự phức tạp của thị trường tái bảo hiểm đòi hỏi các phương pháp phân tích dữ liệu tiên tiến. Data Science trong Tái Bảo Hiểm giúp khai thác tối đa giá trị từ nguồn dữ liệu khổng lồ, từ thông tin khách hàng đến lịch sử tổn thất. Phân tích dữ liệu bảo hiểm không chỉ giúp định giá rủi ro tái bảo hiểm chính xác hơn mà còn cải thiện quy trình quản lý rủi ro tái bảo hiểm, giảm thiểu tổn thất tiềm ẩn.

1.2. Vai trò của Machine Learning trong Tái Bảo Hiểm

Machine Learning trong Tái Bảo Hiểm đang dần thay đổi cách các công ty tiếp cận vấn đề rủi ro. Các thuật toán học máy có thể tự động học từ dữ liệu lịch sử và dự đoán xu hướng trong tương lai. Điều này đặc biệt hữu ích trong việc phân tích mô hình tái bảo hiểm và tối ưu hóa danh mục đầu tư tái bảo hiểm, đảm bảo lợi nhuận ổn định và bền vững.

II. Thách Thức Phân Cụm Dữ Liệu Lớn trong Ngành Tái Bảo Hiểm

Mặc dù tiềm năng lớn, việc phân cụm dữ liệu trong tái bảo hiểm đối mặt với nhiều thách thức. Dữ liệu thường không đầy đủ, không nhất quán, và chứa nhiều nhiễu. Bên cạnh đó, việc lựa chọn thuật toán Data Clustering Algorithms phù hợp và đánh giá kết quả Cluster Analysis một cách khách quan cũng là một vấn đề nan giải. Đặc biệt, với sự xuất hiện của Big Data trong Tái Bảo Hiểm, các thuật toán truyền thống có thể không còn đủ khả năng xử lý và phân tích hiệu quả. Như tài liệu gốc đã đề cập, "Nhu cầu về tự động khám phá tri thức từ các dữ liệu sẵn có nhằm tăng năng lực cạnh tranh của các ngành kinh tế là cực kỳ cần thiết và cấp bách".

2.1. Xử lý Dữ liệu Thiếu và Không Nhất quán

Một trong những khó khăn lớn nhất là làm sạch và chuẩn hóa dữ liệu. Các công ty tái bảo hiểm thường phải đối mặt với dữ liệu thiếu thông tin, định dạng không đồng nhất, và chứa các giá trị ngoại lệ. Việc áp dụng các kỹ thuật tiền xử lý dữ liệu hiệu quả là điều kiện tiên quyết để đảm bảo chất lượng của kết quả phân cụm dữ liệu.

2.2. Lựa chọn Thuật toán Phân Cụm Dữ Liệu Phù Hợp

Không có thuật toán phân cụm dữ liệu nào phù hợp với mọi tình huống. Việc lựa chọn thuật toán phụ thuộc vào đặc điểm của dữ liệu và mục tiêu phân tích. Cần cân nhắc các yếu tố như kích thước dữ liệu, loại thuộc tính (số, hạng mục), và hình dạng cụm mong muốn. Ví dụ, K-Means Clustering có thể phù hợp với dữ liệu số có cấu trúc cụm rõ ràng, trong khi Hierarchical Clustering có thể hữu ích khi muốn khám phá cấu trúc phân cấp.

III. K Means Clustering Giải Pháp Tối Ưu trong Tái Bảo Hiểm

K-Means Clustering là một trong những thuật toán Data Clustering Algorithms phổ biến nhất nhờ tính đơn giản và hiệu quả. Trong tái bảo hiểm, K-Means Clustering có thể được sử dụng để phân khúc khách hàng trong tái bảo hiểm dựa trên hồ sơ rủi ro, hành vi mua bảo hiểm, và khả năng chi trả. Các phân khúc này có thể được sử dụng để thiết kế các sản phẩm tái bảo hiểm phù hợp và tối ưu hóa chiến lược tiếp thị. Theo tài liệu, thuật toán này rất hữu ích khi cần nhóm các đối tượng theo từng cụm dữ liệu tự nhiên.

3.1. Ứng dụng K Means Clustering trong Phân khúc Khách hàng

Bằng cách phân khúc khách hàng trong tái bảo hiểm sử dụng K-Means Clustering, các công ty có thể hiểu rõ hơn về nhu cầu và đặc điểm của từng nhóm khách hàng. Điều này cho phép họ tùy chỉnh các sản phẩm và dịch vụ tái bảo hiểm để đáp ứng tốt hơn nhu cầu của từng phân khúc, từ đó tăng cường sự hài lòng của khách hàng và cải thiện hiệu quả kinh doanh.

3.2. Tối ưu hóa Chiến lược Tiếp thị với Phân Cụm Dữ Liệu

Phân cụm dữ liệu giúp các công ty tái bảo hiểm xác định các kênh tiếp thị hiệu quả nhất cho từng phân khúc khách hàng. Bằng cách tập trung vào các kênh phù hợp, họ có thể tối ưu hóa ngân sách tiếp thị và tăng cường khả năng tiếp cận khách hàng tiềm năng. Điều này dẫn đến việc tăng doanh số bán hàng và cải thiện lợi nhuận.

IV. Hierarchical Clustering Khám phá Cấu trúc Rủi ro Tái Bảo Hiểm

Hierarchical Clustering là một thuật toán Data Clustering Algorithms mạnh mẽ, đặc biệt hữu ích khi muốn khám phá cấu trúc phân cấp trong dữ liệu. Trong tái bảo hiểm, Hierarchical Clustering có thể được sử dụng để phân tích các loại rủi ro khác nhau và xác định các mối quan hệ giữa chúng. Điều này giúp các công ty tái bảo hiểm hiểu rõ hơn về bản chất của rủi ro và xây dựng các chiến lược quản lý rủi ro hiệu quả. Phương pháp này có thể được dùng để phân loại, tổng hợp, và tóm tắt khái niệm.

4.1. Phân tích Mối quan hệ giữa các loại Rủi ro

Hierarchical Clustering cho phép các công ty tái bảo hiểm xác định các nhóm rủi ro có liên quan chặt chẽ với nhau. Ví dụ, rủi ro thiên tai có thể liên quan đến rủi ro gián đoạn kinh doanh và rủi ro tài chính. Hiểu rõ các mối quan hệ này giúp các công ty xây dựng các gói tái bảo hiểm toàn diện và giảm thiểu rủi ro hệ thống.

4.2. Xây dựng Cấu trúc Phân cấp Rủi ro cho Quản lý

Bằng cách xây dựng cấu trúc phân cấp rủi ro, các công ty tái bảo hiểm có thể dễ dàng quản lý và theo dõi các loại rủi ro khác nhau. Cấu trúc này cung cấp một cái nhìn tổng quan về tình hình rủi ro và giúp các nhà quản lý đưa ra quyết định sáng suốt về phân bổ vốn và quản lý rủi ro.

V. Ứng Dụng Phân Cụm Dữ Liệu Phân Tích Tổn Thất Tái Bảo Hiểm

Phân cụm dữ liệu đóng vai trò quan trọng trong phân tích tổn thất tái bảo hiểm. Bằng cách nhóm các sự kiện tổn thất tương tự lại với nhau, các công ty tái bảo hiểm có thể xác định các nguyên nhân gây ra tổn thất, ước tính chi phí tổn thất trong tương lai, và cải thiện quy trình bồi thường. Hơn nữa, kết quả phân tích có thể được sử dụng để định giá rủi ro tái bảo hiểm chính xác hơn và thiết kế các sản phẩm tái bảo hiểm phù hợp. Như tài liệu đã nói, ta cần khám phá các vị trí địa lý thuận lợi để xây dựng kho hàng phục vụ việc mua bán.

5.1. Xác định Nguyên nhân gây ra Tổn Thất

Phân cụm dữ liệu giúp các công ty tái bảo hiểm phát hiện các mô hình trong dữ liệu tổn thất và xác định các nguyên nhân gây ra tổn thất. Ví dụ, phân tích có thể chỉ ra rằng một loại thiên tai cụ thể gây ra tổn thất lớn hơn ở một khu vực nhất định. Thông tin này có thể được sử dụng để cải thiện công tác phòng ngừa rủi ro và giảm thiểu tổn thất.

5.2. Ước tính Chi phí Tổn Thất trong Tương lai

Bằng cách sử dụng dữ liệu tổn thất lịch sử và các thuật toán phân cụm dữ liệu, các công ty tái bảo hiểm có thể ước tính chi phí tổn thất trong tương lai. Điều này giúp họ chuẩn bị tài chính cho các sự kiện tổn thất tiềm ẩn và duy trì khả năng thanh toán.

VI. AI trong Tái Bảo Hiểm Tương Lai Của Phân Cụm Dữ Liệu

AI trong Tái Bảo Hiểm đang mở ra một kỷ nguyên mới cho phân cụm dữ liệu. Các thuật toán Machine Learning trong Tái Bảo Hiểm tiên tiến có thể xử lý dữ liệu phức tạp và đa dạng hơn, đồng thời tự động học và cải thiện hiệu suất theo thời gian. Điều này cho phép các công ty tái bảo hiểm đưa ra quyết định chính xác và nhanh chóng hơn, đồng thời giảm thiểu chi phí và tăng cường khả năng cạnh tranh. Việc ứng dụng KPDL có thể giúp khám phá ra các nhóm người bệnh phục vụ việc phân phối thuốc điều trị.

6.1. Tự động hóa Quy trình Phân Cụm Dữ Liệu

Ứng dụng AI trong Tái Bảo Hiểm có thể tự động hóa nhiều bước trong quy trình phân cụm dữ liệu, từ làm sạch và chuẩn hóa dữ liệu đến lựa chọn thuật toán và đánh giá kết quả. Điều này giúp giảm thiểu sự can thiệp của con người và tăng tốc độ phân tích.

6.2. Cải thiện Độ chính xác của Dự đoán Rủi ro

Các thuật toán AI trong Tái Bảo Hiểm có thể học từ dữ liệu lịch sử và dự đoán rủi ro với độ chính xác cao hơn so với các phương pháp truyền thống. Điều này giúp các công ty tái bảo hiểm đưa ra các quyết định chính xác và giảm thiểu tổn thất.

Trích đoạn nội dung tài liệu

Chương 1: trình bày tổng quan về lĩnh vực KPDL và một số khái niệm liên quan, đồng thời chỉ ra các giai đoạn thực hiện trong quá trình khám phá tri thức. Phần tiếp theo của chƣơng là trình bày ngắn gọn, có hệ thống về các kỹ thuật, các dạng dữ liệu thƣờng đƣợc sử dụng trong KPDL. Chương 2: giới thiệu về Phân cụm dữ liệu, đây là một hƣớng tiếp cận chính trong KPDL. Trong đó, đi sâu phân tích chi tiết các vấn đề cơ bản trong PCDL và ý nghĩa của PCDL, đặc điểm của các kiểu dữ liệu cơ bản thƣờng sử dụng trong PCDL nhƣ: dữ liệu có thuộc tính hạng mục (Categorical), dữ liệu có thuộc tính số,… Các khái niệm về “tương tự” và “phi tương tự” cũng đƣợc trình bày trong chƣơng này.

Phần cuối của chƣơng trình bày vắn tắt, tổng kết về các đặc trƣng của các phƣơng pháp PCDL đƣợc sử dụng phổ biến nhƣ: Phương pháp phân cụm phân hoạch, phương pháp phân cụm phân cấp, phương pháp phân cụm dựa trên mật độ,…đồng thời nêu các kỹ thuật đánh giá kết quả PCDL. Chương 3: trình bày các phân tích, đánh giá các họ các thuật toán PCDL điển hình và chỉ ra các ƣu điểm, nhƣợc điểm của chúng cũng nhƣ các yêu cầu đặt ra cho việc tạo dụng thuật toán PCDL. Chương 4: trình bày các khảo cứu về áp dụng các kỹ thuật mờ trong PCDL và chứng minh tính hiệu quả của nó trong giải quyết với một lớp bài toán trong PCDL. Nội dung cụ thể của chƣơng này là trình bày về thuật toán FCM, đây là một thuật toán phân cụm mờ dựa trên lƣợc đồ của thuật toán k-means.

Thuật toán mở rộng của FCM là  FCM đƣợc đề xuất nhằm khắc phục cho các nhƣợc điểm của thuật toán FCM là nhƣ nhạy cảm với các phần tử nhiễu (noise) và các phần tử ngoại lai trong (LUAN.10 7 TIEU LUAN MOI download : skknchat@gmail.10 Phân cụm dữ liệu và ứng dụng trong công tác Tái bảo hiểm dữ liệu (outlier). Phần cuối của chƣơng nêu ra một số các kết quả thực nghiệm cho các thuật toán phân cụm mờ đã trình bày ở trên. Chương 5: trình bày về khảo cứu của thuật toán PCDL k-prototypes áp dụng tập dữ liệu có kiểu hỗn hợp giữa thuộc tính số và thuộc tính hạng mục Phần kết luận, phần này trình bày tóm tắt về các nội dung thực hiện trong luận văn này, đồng thời đƣa ra những vấn đề nghiên cứu tiếp theo cho tƣơng lai. Phần phụ lục trình bày thử nghiệm khai phá dữ liệu “Tái bảo hiểm” bằng phƣơng pháp phân cụm dữ liệu.10 8 TIEU LUAN MOI download : skknchat@gmail.10 Phân cụm dữ liệu và ứng dụng trong công tác Tái bảo hiểm CHƢƠNG 1: TỔNG QUAN VỀ DATA MINING 1.1 Giới thiệu chung Những năm 60 của thế kỷ trƣớc, ngƣời ta đã bắt đầu sử dụng các công cụ tin học để tổ chức và khai thác các CSDL.

Cùng với sự phát triển vƣợt bậc của các công nghệ điện tử và truyền thông, khả năng thu thập và lƣu trữ và xử lý dữ liệu cho các hệ thống tin học không ngừng đƣợc nâng cao, theo đó, lƣợng thông tin đƣợc lƣu trữ trên các thiết bị nhƣ đĩa từ, băng từ, đĩa CD-ROM,. không ngừng tăng lên. Lƣợng dữ liệu khổng lồ này thực sự là một nguồn “tài nguyên” có nhiều giá trị bởi thông tin là yếu tố then chốt trong mọi hoạt động quản lý, kinh doanh, phát triển sản xuất và dịch vụ,… nó giúp những ngƣời điều hành và quản lý có hiểu biết về môi trƣờng và tiến trình hoạt động của tổ chức mình trƣớc khi ra quyết định để tác động đến quá trình hoạt động nhằm đạt đƣợc các mục tiêu một cách hiệu quả và bền vững. KPDL là một lĩnh vực mới xuất hiện, nhằm tự động khai thác những thông tin, những tri thức có tính tiềm ẩn, hữu ích từ những CSDL lớn cho các đơn vị, tổ chức, doanh nghiệp,… từ đó làm thúc đẩy khả năng sản xuất, kinh doanh, cạnh tranh cho các đơn vị, tổ chức này.

Các kết quả khoa học cùng những ứng dụng thành công trong khám phá tri thức, cho thấy, KPDL là một lĩnh vực phát triển bền vững, mang lại nhiều lợi ích và có nhiều triển vọng, đồng thời có ƣu thế hơn hẳn so với các công cụ phân tích dữ liệu truyền thống. Hiện nay, KPDL đã ứng dụng ngày càng rộng rãi trong các lĩnh vực nhƣ: thƣơng mại, tài chính, điều trị y học, viễn thông, tin - sinh,.2 KPDL là gì? KPDL là một hƣớng nghiên cứu mới ra đời hơn một thập niên trở lại đây, các kỹ thuật chính đƣợc áp dụng trong lĩnh vực này phần lớn đƣợc thừa kế từ lĩnh vực CSDL, học máy, trí tuệ nhân tạo, lý thuyết thông tin, xác suất thống kê, và tính toán hiệu năng cao. Do sự phát triển nhanh của KPDL về phạm vi áp dụng và các phƣơng pháp tìm kiếm tri thức, nên đã có nhiều quan điểm khác nhau về KPDL. Tuy nhiên, ở một mức trừu tƣợng nhất định, chúng ta định nghĩa KPDL nhƣ sau [11][23]: (LUAN.10 9 TIEU LUAN MOI download : skknchat@gmail.10 Phân cụm dữ liệu và ứng dụng trong công tác Tái bảo hiểm Định nghĩa: KPDL là một quá trình tìm kiếm, phát hiện các tri thức mới, tiềm ẩn, hữu dụng trong CSDL lớn.

Khám phá tri thức trong CSDL (Knowledge Discovery in Databases - KDD) là mục tiêu chính của KPDL, do vậy hai khái niệm KPDL và KDD đƣợc các nhà khoa học trên hai lĩnh vực đƣợc xem là tƣơng đƣơng với nhau. Thế nhƣng, nếu phân chia một cách chi tiết thì KPDL là một bƣớc chính trong quá trình KDD.3 Quá trình khám phá tri thức trong CSDL Khám phá tri thức trong CSDL, KDD, là lĩnh vực liên quan đến các ngành nhƣ: thống kê, học máy, CSDL, thuật toán, trực quan hóa dữ liệu, tính toán song song và hiệu năng cao,… Quá trình KDD có thể phân thành các giai đoạn sau [5][11]:  Trích chọn dữ liệu: là bƣớc trích chọn những tập dữ liệu cần đƣợc khai phá từ các tập dữ liệu lớn (databases, data warehouses, data repositories) ban đầu theo một số tiêu chí nhất định.  Tiền xử lý dữ liệu: là bƣớc làm sạch dữ liệu (xử lý với dữ liệu không đầy đủ, dữ liệu nhiễu, dữ liệu không nhất quán,.), rút gọn dữ liệu (sử dụng hàm nhóm và tính tổng, các phƣơng pháp nén dữ liệu, sử dụng histograms, lấy mẫu, .), rời rạc hóa dữ liệu (rời rạc hóa dựa vào histograms, dựa vào entropy, dựa vào phân khoảng,. Sau bƣớc này, dữ liệu sẽ nhất quán, đầy đủ, đƣợc rút gọn, và đƣợc rời rạc hóa.

 Biến đổi dữ liệu: đây là bƣớc chuẩn hóa và làm mịn dữ liệu để đƣa dữ liệu về dạng thuận lợi nhất nhằm phục vụ cho các kỹ thuật khai phá ở bƣớc sau.  KPDL: đây là bƣớc áp dụng những kỹ thuật phân tích (phần nhiều là các kỹ thuật của học máy) nhằm để khai thác dữ liệu, trích chọn đƣợc những mẫu thông tin, những mối liên hệ đặc biệt trong dữ liệu. Đây đƣợc xem là bƣớc quan trọng và tốn nhiều thời gian nhất của toàn quá trình KDD.  Đánh giá và biểu diễn tri thức: những mẫu thông tin và mối liên hệ trong dữ liệu đã đƣợc khám phá ở bƣớc trên đƣợc chuyển dạng và biểu diễn ở một (LUAN.10 10 TIEU LUAN MOI download : skknchat@gmail.10 Phân cụm dữ liệu và ứng dụng trong công tác Tái bảo hiểm dạng gần gũi với ngƣời sử dụng nhƣ đồ thị, cây, bảng biểu, luật,.

Đồng thời bƣớc này cũng đánh giá những tri thức khám phá đƣợc theo những tiêu chí nhất định. Các giai đoạn trong KDD đƣợc thể hiện trực quan nhƣ hình 1 dƣới đây: Dữ liệu thô Trích chọn dữ Tiền xử lý dữ Biến đổi dữ liệu Dữ liệu liệu Dữ liệu liệu Tiền xử lý Đánh giá và Data Mining Tri thức Biểu diễn tri Các mẫu giải thích thức Hình 1 - Các bƣớc thực hiện trong quá trình khám phá tri thức 1.4 Các kỹ thuật áp dụng trong KPDL 1.1 Các kỹ thuật tiếp cận trong KPDL Khám phá tri thức trong CSDL là một lĩnh vực liên ngành, bao gồm: tổ chức dữ liệu, học máy, trí tuệ nhân tạo và các khoa học khác, sự kết hợp này có thể đƣợc diễn tả nhƣ trong hình 2 dƣới đây: Các lĩnh vực khoa học khác Học máy và trí tuệ nhân tạo Tổ chức dữ liệu Hình 2: Các lĩnh vực liên quan đến Khám phá tri thức trong CSDL Nếu đứng trên quan điểm của học máy (Machine Learning), thì các kỹ thuật trong KPDL bao gồm: (LUAN.10 11 TIEU LUAN MOI download : skknchat@gmail.10 Phân cụm dữ liệu và ứng dụng trong công tác Tái bảo hiểm  Học có giám sát (Supervised learning): là quá trình gán nhãn lớp cho các phần tử trong CSDL dựa trên một tập các ví dụ huấn luyện và các thông tin về nhãn lớp đã biết.  Học không có giám sát (Unsupervised learning): là quá trình phân chia một tập dữ liệu thành các lớp hay là cụm (clustering) dữ liệu tƣơng tự nhau mà chƣa biết trƣớc các thông tin về lớp hay tập các ví dụ huấn luyện.  Học nửa giám sát (Semi - Supervised learning): là quá trình phân chia một tập dữ liệu thành các lớp dựa trên một tập nhỏ các ví dụ huấn luyện và một số các thông tin về một số nhãn lớp đã biết trƣớc.

Nếu căn cứ vào lớp các bài toán cần giải quyết, thì KPDL bao gồm các kỹ thuật áp dụng sau [11][23]:  Phân lớp và dự đoán (classification and prediction): xếp một đối tƣợng vào một trong những lớp đã biết trƣớc. Ví dụ: phân lớp các bệnh nhân với dữ liệu trong hồ sơ bệnh án. Hƣớng tiếp cận này thƣờng sử dụng một số kỹ thuật của học máy nhƣ cây quyết định (decision tree), mạng nơ ron nhân tạo (neural network),. Phân lớp và dự đoán còn đƣợc gọi là học có giám sát.

 Luật kết hợp (association rules): là dạng luật biểu diễn tri thức ở dạng khá đơn giản. Ví dụ: “60 % nữ giới vào siêu thị nếu mua phấn thì có tới 80% trong số họ sẽ mua thêm son”. Luật kết hợp đƣợc ứng dụng nhiều trong lĩnh vực kinh doanh, y học, tin-sinh, tài chính và thị trƣờng chứng khoán,.  Phân tích chuỗi theo thời gian (sequential/temporal patterns): tƣơng tự nhƣ khai phá luật kết hợp nhƣng có thêm tính thứ tự và tính thời gian.

Hƣớng tiếp cận này đƣợc ứng dụng nhiều trong lĩnh vực tài chính và thị trƣờng chứng khoán vì nó có tính dự báo cao.  Phân cụm (clustering/segmentation): xếp các đối tƣợng theo từng cụm dữ liệu tự nhiên. Phân cụm còn đƣợc gọi là học không có giám sát (unsupervised learning).  Mô tả khái niệm (concept description and summarization): thiên về mô tả, tổng hợp và tóm tắt khái niệm.

Ví dụ: tóm tắt văn bản.