> Máy học ( machine learning ) là gì và tại sao càng ngày nó càng phổ cập ?> ; Bí mật đen tối trong ‘ trái tim ‘ của AI
> AI của Google đã tự tạo ra được cách thức mã hóa riêng
Bài viết dưới đây là của Bernard Marr, tác giả và diễn thuyết về kinh doanh thương mại, công nghệ tiên tiến và tài liệu lớn của tạp chí Forbes, được VnReview biên dịch và tổng hợp .Trong những năm qua, thuật ngữ ” deep learning ” ( học sâu ) đã dần len lỏi vào ngôn từ kinh doanh thương mại mỗi khi có cuộc hội thoại nào bàn về trí tuệ nhân tạo ( AI ), tài liệu lớn ( Big Data ) và nghiên cứu và phân tích ( Analytics ). Và với nguyên do chính đáng – đây là một cách tiếp cận đầy hứa hẹn tới AI khi tăng trưởng những mạng lưới hệ thống tự trị, tự học, những thứ đang cách mạng hóa nhiều ngành công nghiệp .Học sâu được Google sử dụng trong những thuật toán nhận dạng giọng nói và hình ảnh, còn Netflix và Amazon thì dùng để xác lập xem bạn muốn xem gì hay mua gì tiếp theo, và những nhà nghiên cứu tại Viện Công nghệ Massachusetts ( MIT ) dùng để Dự kiến tương lai. Ngành công nghiệp đang ngày càng tăng trưởng này có vẻ như không khi nào chán nói về việc nó ” cách mạng ” thế nào, tân tiến như thế nào. Nhưng thực sự thì nó là gì ? Và liệu nó có phải là một trào lưu nhất thời được dùng để đẩy ” AI kiểu cũ ” vào tất cả chúng ta, dưới một tên gọi mới điệu đàng hơn thôi ?
Trong bài viết trước của mình, tôi đã nói về sự độc lạ giữa AI và học máy ( Machine Learning ). Tuy học máy thường được miêu tả là một góc nhìn của AI, sẽ tốt hơn nếu như tất cả chúng ta coi nó là công nghệ tiên tiến tiên tiến và phát triển nhất ở thời gian hiện tại – nó là nghành nghề dịch vụ hứa hẹn nhất của AI trong việc cung ứng những công cụ mà ngành công nghiệp và xã hội hoàn toàn có thể sử dụng để thôi thúc sự biến hóa .Nếu coi học máy là công nghệ tiên tiến tiên tiến và phát triển nhất, thì học sâu là ” tiên tiến và phát triển của tiên tiến và phát triển “. Học máy lấy một vài sáng tạo độc đáo cốt lõi của trí tuệ nhân tạo và tập trung chuyên sâu vào việc xử lý những yếu tố quốc tế thực với những mạng thần kinh được phong cách thiết kế để bắt chước năng lực đưa ra quyết định hành động của tất cả chúng ta. Học sâu, đúng như tên gọi của nó, đi sâu hơn nữa vào một tập hợp những công cụ và kỹ thuật học máy, từ đó vận dụng chúng để xử lý bất kể yếu tố nào yên cầu ” năng lực tư duy ” – con người hay nhân tạo .
Cách thức hoạt động của nó ra sao?
Về cơ bản, học sâu là cho một mạng lưới hệ thống máy tính ” ăn ” rất nhiều tài liệu, để chúng hoàn toàn có thể sử dụng và đưa ra những quyết định hành động về những tài liệu khác. Dữ liệu này được nạp trải qua những mạng thần kinh, tương tự như như học máy. Những mạng lưới này – những cấu trúc logic nhu yếu một loạt những câu hỏi đúng / sai, hoặc trích xuất một giá trị số, của mỗi bit tài liệu đi qua chúng và phân loại theo những câu vấn đáp nhận được .
Vì việc làm của học sâu là tập trung chuyên sâu tăng trưởng những mạng lưới này, chúng đã trở thành ” mạng thần kinh sâu ” ( Deep Neural Network ) – những mạng logic phức tạp thiết yếu để giải quyết và xử lý những bộ tài liệu lớn, như thư viện hình ảnh của Google hay Instagram .Với những bộ tài liệu tổng lực như vậy, và những mạng logic phức tạp để giải quyết và xử lý phân loại chúng, việc một chiếc máy tính lấy một hình ảnh và nhận dạng với độ đúng chuẩn cao trở nên ” quá đỗi thông thường ” .
Các hình ảnh là ví dụ tuyệt vời nhất về cách thức hoạt động của học sâu, vì chúng có chứa nhiều yếu tố khác nhau và để hiểu rõ được làm thế nào để máy tính, với não bộ một chiều chủ yếu dựa trên sự tính toán, có thể học cách giải thích chúng giống như con người. Tuy vậy, học sâu có thể được áp dụng cho bất kỳ hình thức dữ liệu nào – âm thanh, video, lời nói, chữ viết,… – để đưa ra những kết luận như thể do con người thực hiện với tốc độ rất nhanh. Chúng ta hãy thử xem xét một số ví dụ thực tiễn.
Giả sử một mạng lưới hệ thống được phong cách thiết kế để tự động hóa ghi nhận và báo cáo giải trình có bao nhiêu chiếc xe của một mẫu xe nhất định đã đi ngang qua một con đường. Trước tiên, nó sẽ được quyền truy vấn vào một cơ sở tài liệu khổng lồ về những loại xe, gồm có hình dáng, kích cỡ và thậm chí còn là tiếng của động cơ. Điều này hoàn toàn có thể được biên soạn theo cách thủ công bằng tay hoặc, trong những điều kiện kèm theo tiên tiến và phát triển hơn, được thu thập tự động bởi mạng lưới hệ thống nếu như nó được lập trình để tìm kiếm trên internet và lấy tài liệu mà nó tìm thấy ở đó .Tiếp theo, nó sẽ lấy tài liệu cần được giải quyết và xử lý – dữ liệu trong quốc tế thực có chứa thông tin chi tiết cụ thể cần chớp lấy, trong trường hợp này là bởi những camera và microphone bên đường. Bằng cách so sánh tài liệu từ cảm ứng với những tài liệu mà nó đã ” học được “, nó hoàn toàn có thể phân loại, với một độ đúng mực nhất định, từng loại xe đã đi qua con đường đó .
Đến đây mới chỉ là phần đơn thuần. Khi tất cả chúng ta đi đến phần ” sâu “, là khi mạng lưới hệ thống khởi đầu biết tích góp kinh nghiệm tay nghề, nó sẽ hoàn toàn có thể tăng năng lực phân loại của mình bằng cách ” tự tập luyện ” với những tài liệu mới mà nó nhận được. Nói cách khác, nó sẽ hoàn toàn có thể học hỏi từ chính những sai lầm đáng tiếc của nó – giống như tất cả chúng ta. Ví dụ, mạng lưới hệ thống hoàn toàn có thể phân biệt sai một loại xe khi chỉ quan tâm vào hình dáng và tiếng của động cơ mà nó nhận được, bỏ lỡ những yếu tố khác dù nhỏ hơn nhưng lại là những yếu tố quyết định hành động để phân biệt những loại xe. Bằng cách rút kinh nghiệm tay nghề, nhận thức được rằng những yếu tố nhỏ ấy cũng rất quan trọng để phân biệt hai chiếc xe, nó sẽ cải tổ độ đúng mực trong những lần phân biệt tiếp theo .
Vậy học sâu có thể làm được gì?
Có lẽ cách tốt nhất để kết thúc bài viết này và cung ứng những thông tin chi tiết cụ thể về lí do tại sao học sâu lại được coi là bước nâng tầm lớn đến như vậy là đưa ra một số ít ví dụ về những phương pháp mà học sâu đang được sử dụng trong quốc tế thời nay. Những ứng dụng ấn tượng đang được tiến hành và nghiên cứu và điều tra có tương quan đến học sâu gồm có :- Cung cấp năng lực điều hướng cho xe tự lái : Với mạng lưới hệ thống cảm ứng và ứng dụng nghiên cứu và phân tích trên buồng lái, những xe tự lái hoàn toàn có thể học cách nhận dạng những chướng ngại vật có trên đường và có giải pháp giải quyết và xử lý thích hợp bằng cách sử dụng học sâu .- Phục chế màu cho ảnh đen trắng : trải qua việc dạy cho máy tính cách phân biệt những vật thể và cách mà mắt người nhìn chúng, những hình ảnh và video đen trắng sẽ hoàn toàn có thể được tái hiện lại với vừa đủ những sắc tố tương thích .- Dự đoán tác dụng của những thủ tục pháp lý : Một nhóm những nhà nghiên cứu người Anh và Mỹ đã hoàn toàn có thể Dự kiến đúng chuẩn tác dụng của một phiên tòa xét xử, sau khi mạng lưới hệ thống máy tính của họ được nạp sẵn những thông tin cơ bản của vụ án .- Thuốc đặc trị : Các kỹ thuật học sâu hiện đang được dùng để tăng trưởng những loại thuốc đã được chỉnh sửa sao cho tương thích với bộ gen của bệnh nhân .- Phân tích và báo cáo giải trình tự động hóa : Các mạng lưới hệ thống hoàn toàn có thể nghiên cứu và phân tích tài liệu và báo cáo giải trình những thông tin chi tiết cụ thể của chúng dưới dạng âm thanh tự nhiên hoặc ngôn từ của con người .- Chơi game show : Các mạng lưới hệ thống học sâu đã và đang được dạy cách chơi ( và giành thắng lợi ) những game show như cờ vây, Breakout của Atari hay Starcraft .
” Kì thủ ” cờ vây AlphaGo của Google là một loại sản phẩm của Deep LearningRất dễ để tất cả chúng ta bị cuốn đi, bị choáng ngợp bởi sự tân tiến, sự tân tiến của những công nghệ tiên tiến này khi chúng được bàn luận. Nhưng trên thực tiễn, chúng trọn vẹn xứng danh với mọi sự tán dương mà chúng nhận được. Mọi công cụ, mọi kỹ thuật được những nhà khoa học sử dụng để góp thêm phần cải tổ đời sống của con người – cả hiện tại và tương lai – đều phần đông là nhờ công của học máy và học sâu .
