Machine Learning, Cách ban phát sự thông minh

Có thể bạn thích

     AI (Artificial Intelligence) - Trí tuệ nhân tạo dường như là một khái niệm phổ biến trong cộng đồng công nghệ nói riêng cũng như nhân loại nói chung. Theo cách hiểu phổ cập, AI (Trí tuệ nhân tạo) là cách con người biến những đồ vật vô trí (đối tượng chủ yếu là máy tính) trở nên có nhận thức, có cảm xúc giống như con người.

    Một trong những cách để thực hiện và phát triển có hiệu quả nhất là dựa trên những đặc tính khách quan của con người như "HỌC TẬP" để biến máy tính thành một cơ thể sống. Khái niệm Machine Learning - Học máy được hình thành nhằm "Ban phát sư thông minh" của con người để khai thác cũng như đào tạo đạt tính hiệu quả cao. Ngoài ra Deep Learning cũng là cách tối ưu hóa và nâng tầm Machine Learning để giải quyết vấn đề (điều này tôi sẽ dành ở một bài viết khác).

       

     Quay ngược dòng thời gian cách "ban phát sự thông minh" này dường như được bắt đầu bởi thuật toán đầu tiên "Perceptron" bởi Frank Rosenthal vào năm 1957. Đây là cách cơ bản giúp máy tính phân biệt được hai khái niệm. Lấy ví dụ cơ bản về việc phân loại "những đồ vật cần bỏ đi - những đồ vật cần giữ lại" (thường gây đao đầu cho các bà nội trợ mỗi khi dọn dẹp nhà). Những đồ vật màu xanh là được giữ lại, những đồ vật màu đỏ là nên vứt đi còn những vật màu đen thì chưa được phân loại.

     Dùng dữ liệu của các vật đã được phân loại để "training" (huấn luyện) về những mức độ cụ thể như: thời gian sử dụng, tác dụng, sự cần thiết trong tương lai,... và đơn giản là dùng một đường thẳng chia thành hai vùng khác nhau dựa trên những dự liệu đã được huấn luyện, vật nào ở vùng nào thì được phân loại ở vùng đó. Dùng thuật toán để biến chuyển các đồ vật thành những điểm với tọa độ cụ thể trên trục, Perceptron sẽ có nhiệm vụ đọc tọa độ của từng điểm đó và dùng nó để cập nhật tham số cho đường phân cách. Bạn có thể tham khảo cách hoạt động của Perceptron thông qua video, điểm xanh là điểm đang được xử lý và phân loại.

     Tuy nhiên sẽ xảy ra những trường hợp không mong muốn khi các đồ vật nằm trên đường phân chia (cây guitar) và sẽ không tìm được đường thẳng phân chia khi dử liệu quá lớn và quá phức tạp.

     Perceptron là kiểu thuật toán Supervised Learning bằng việc "ban phát" hàng loạt câu trả lời cho máy tính cũng như những phương thức cụ thể để giúp "trí tuệ" của nó có khả năng dự đoán được các hiện tượng sự vật. Ngoài ra còn có kiểu thuật toán Unsupervised Learning tức là cách "ban phát trí tuệ" mà không cần câu trả lời điển hình. Reinforcement Learning cũng được xem như là một phương thức "ban phát trí tuệ" không cần câu trả lời mẫu nhưng thay vào đó máy sẽ thực hiện các hành động và nhận kết quả từ nó, tùy vào mặt tích cực hay tiêu cực mà máy sẽ tự điều chỉnh hành động của nó.

     Cách những chiếc xe tự điều chỉnh hướng đi của mình bằng cách thực hiện hành động và học từ những hành động để có thể tìm được hướng đi tốt nhất. 

     Nhờ vào Statistic (thống kế), Machine Learning có thể phân bổ và hệ thống hóa các dự liệu nhằm ghi nhớ những gì nó được hoc.

     Machine Learning dường như càng trở nên mạnh tay hơn trong việc tác động vào trí tuệ nhân tạo bằng cách tạo ra những cách thức "nghe, nhìn,..." cho máy tính. Tiêu biểu là Object Detection (nhân dạng sự vật) thông qua việc phân tích từng frame hình và từng pixel để có được những phán đoán cho vật. 

    Những ông lớn như Google hay Facebook "ban phát trí tuệ" bằng Machine Learning thông qua các phương thức người dùng như tìm kiếm hay đăng tải, vì vậy việc hệ thống hóa và quản lí thông tin có phần hiệu quả hơn.

      Machine Learning không chỉ đơn thuần cách ban phát trí tuệ cho máy tính mà còn là cách tăng trưởng tư duy và tầm hiểu biết của con người.

Link tham khảo:
+ Thuật toán Perceptron : https://machinelearningcoban.com/2017/01/21/perceptron/
+ Tìm hiểu thêm về khái niệm trí tuệ nhân tạo : https://khanh-personal.gitbook.io/ml-book-vn/machine-learning-la-gi