Machine Learning (tạm dịch là Máy học) là nền tảng có chức năng tập trung vào việc sử dụng dữ liệu và các thuật toán để bắt chước cách con người học. Từ đó, sẽ dần dần cải thiện độ chính xác của các hành động theo thời gian mỗi khi tiếp xúc với dữ liệu mới.
Ví dụ thực tế nhất về Machine Learning trong đời sống đó chính là công cụ tìm kiếm Google. Khi chúng ta search một từ khóa, nó sẽ trả cho chúng ta rất nhiều kết quả. Khi chúng ta dành nhiều thời gian hơn để xem một thông tin nào đó thì nó có thể hiểu đây là thông tin hữu ích. Nếu sau này chúng ta tìm lại từ khóa đó nó sẽ tự điều chỉnh để đưa ra các kết quả ngày càng chuẩn xác hơn.
Deep Learning (tạm dịch là Học sâu) là một mạng nơ-ron thần kinh nhân tạo có nhiều lớp trở lên với chức năng tập trung vào việc học hỏi và cải thiện để cố gắng đưa ra những kết luận về một sự vật, sự việc tương tự cách mà não người tư duy. Deep Learning hoạt động bằng việc kiểm tra tất cả các thuật toán của máy tính và liên tục phân tích dữ liệu theo một cấu trúc logic nhất định.
Ví dụ, công nghệ nhận diện hình ảnh của Facebook sẽ tự động gửi thông báo cho bạn khi một người lạ đăng ảnh có khuôn mặt bạn trên Facebook cá nhân của họ, chính là điển hình về Deep Learning. Bởi vì Facebook đã liên tục phân tích các bức ảnh cá nhân của bạn mỗi khi bạn đăng trên trang cá nhân của mình, thông qua những hình ảnh đó, Facebook có thể đưa ra kết luận chính xác đâu là khuôn mặt của bạn.
1. Những kỹ thuật toán học phổ biến trong phát triển AI
1. Heuristics .
Là một kỹ thuật có khả năng giải quyết các vấn đề nhanh hơn các phương pháp cổ điển hoặc tìm ra các giải pháp mà các phương pháp cổ điển không làm được. Heuristics được ứng dụng vào AI để giúp giải quyết các vấn đề khó khăn.
2. Support Vector Machines .
Là một thuật toán có khả năng giám sát, được sử dụng cho các thách thức hồi quy hoặc các bài toán phân loại. Kỹ thuật này được sử dụng rộng rãi cho các hệ thống nhận dạng khuôn mặt, nhận dạng văn bản và hình ảnh cho AI.
3. Artificial Neural Networks .
Là kỹ thuật mô phỏng các mạng nơ-ron nhân tạo tương tự não người. Các mạng này giúp xác định các mẫu từ dữ liệu và sau đó học hỏi từ chúng. Kỹ thuật này được sử dụng trong Machine Learning, Deep Learning và nhận dạng mẫu.
4. Markov Decision Process ( MPD ) .
Là một khuôn khổ để lập mô hình ra quyết định. Mục tiêu cơ bản của MDP là đề xuất cách giải quyết nhằm hỗ trợ cho người ra quyết định thông qua việc chỉ ra hành động cụ thể nên được thực hiện ở trạng thái nào.
5. Natural Language Processing .
Là một kỹ thuật được sử dụng bởi máy tính để hiểu, diễn giải và vận dụng ngôn ngữ của con người. Kỹ thuật này rất hữu ích cho việc nhận dạng giọng nói và tổng hợp giọng nói của AI.
Xem thêm: 7 ví dụ về trí tuệ nhân tạo cho thấy tiềm năng không giới hạn của khoa học kỹ thuật
Những kỹ thuật toán học phổ biến trong trí tuệ nhân tạo AI
2. Các ngôn ngữ lập trình – Nền tảng để xây dựng AI
Sau khi phát triển thành công các loại trí tuệ nhân tạo AI ở dạng tiềm năng thì công đoạn tiếp theo là tạo ra AI ở dạng ứng dụng cụ thể. Điều này chủ yếu được thực hiện bằng cách sử dụng 4 ngôn ngữ cơ bản để lập trình AI trên nền tảng các ứng dụng:
1. C + +
Là một ngôn ngữ lập trình đa năng bậc trung với các tính năng: lập trình thủ tục, lập trình tổng quát, lập trình đa hình,… C++ được chọn để lập trình AI bởi nó khá linh hoạt và thường được dùng để phát triển AI trong lĩnh vực sản xuất.
2. Java
Là một dạng ngôn ngữ lập trình chú trọng đến việc cung cấp các tính năng cao cấp. Bên cạnh đó, Java có khả năng tương thích với hầu hết nền tảng, linh hoạt, dễ sử dụng và hỗ trợ phong phú nên rất được chú ý trong việc phát triển trí tuệ nhân tạo.
