Học máy AI là gì?

Học máy là gì?

Để học một kỹ năng, chúng tôi thu thập kiến ​​thức, thực hành cẩn thận và theo dõi hiệu suất của chúng tôi. Cuối cùng, chúng tôi trở nên tốt hơn trong hoạt động đó. Học máy là một kỹ thuật cho phép máy tính thực hiện điều đó.

Máy tính có thể học?

Xác định trí thông minh là khó khăn. Tất cả chúng ta đều biết chúng ta muốn nói gì về trí thông minh khi chúng ta nói nó, nhưng việc mô tả nó là một vấn đề. Bỏ cảm xúc và nhận thức về bản thân sang một bên, một bản mô tả làm việc có thể là khả năng học các kỹ năng mới, tiếp thu kiến ​​thức và áp dụng chúng vào các tình huống mới để đạt được kết quả mong muốn.

Do khó khăn trong việc xác định trí thông minh, việc xác định trí thông minh nhân tạo sẽ không dễ dàng hơn. Vì vậy, chúng ta sẽ gian lận một chút. Nếu một thiết bị máy tính có thể làm điều gì đó thường đòi hỏi khả năng suy luận và trí thông minh của con người, chúng tôi sẽ nói rằng thiết bị đó sử dụng trí thông minh nhân tạo.

Ví dụ: loa thông minh như Amazon Echo và Google Nest có thể nghe hướng dẫn bằng giọng nói của chúng tôi, giải thích âm thanh thành từ, trích xuất ý nghĩa của từ và sau đó cố gắng thực hiện yêu cầu của chúng tôi. Chúng tôi có thể yêu cầu nó phát nhạc , trả lời câu hỏi hoặc làm mờ đèn .

Trong tất cả các tương tác nhỏ nhặt nhất, lệnh nói của bạn được chuyển tiếp đến các máy tính mạnh mẽ trong các đám mây của nhà sản xuất, nơi diễn ra quá trình nâng cấp trí tuệ nhân tạo. Lệnh được phân tích cú pháp, trích xuất ý nghĩa và phản hồi sẽ được chuẩn bị và gửi lại cho loa thông minh.

Học máy làm nền tảng cho phần lớn các hệ thống trí tuệ nhân tạo mà chúng ta tương tác. Một số trong số này là các vật dụng trong nhà của bạn như thiết bị thông minh và một số khác là một phần của các dịch vụ mà chúng tôi sử dụng trực tuyến. Các đề xuất video trên YouTube và Netflix và danh sách phát tự động trên Spotify sử dụng công nghệ máy học. Công cụ tìm kiếm dựa vào máy học và mua sắm trực tuyến sử dụng máy học để cung cấp cho bạn các đề xuất mua hàng dựa trên lịch sử duyệt và mua hàng của bạn.

Máy tính có thể truy cập các bộ dữ liệu khổng lồ. Họ có thể lặp lại các quy trình hàng nghìn lần một cách không mệt mỏi trong không gian mà con người sẽ phải thực hiện một lần lặp lại — nếu con người thậm chí có thể thực hiện nó một lần. Vì vậy, nếu việc học đòi hỏi kiến ​​thức, thực hành và phản hồi về hiệu suất, thì máy tính sẽ là ứng cử viên lý tưởng.

Điều đó không có nghĩa là máy tính sẽ có thể thực sự suy nghĩ theo cách hiểu của con người, hoặc hiểu và nhận thức như chúng ta. Nhưng nó sẽ học hỏi và trở nên tốt hơn khi thực hành. Được lập trình một cách khéo léo, một hệ thống học máy có thể đạt được ấn tượng tốt về một thực thể có nhận thức và có ý thức.

Chúng tôi đã từng hỏi, “Máy tính có học được không?” Điều đó cuối cùng đã chuyển thành một câu hỏi thực tế hơn. Những thách thức kỹ thuật mà chúng ta phải vượt qua để cho phép máy tính học hỏi là gì?

Mạng thần kinh và Mạng thần kinh sâu

Bộ não của động vật chứa mạng lưới các tế bào thần kinh. Tế bào thần kinh có thể truyền tín hiệu qua khớp thần kinh tới các tế bào thần kinh khác. Hành động nhỏ bé này – được lặp lại hàng triệu lần – làm nảy sinh các quá trình suy nghĩ và ký ức của chúng ta. Trong số rất nhiều khối xây dựng đơn giản, thiên nhiên đã tạo ra những bộ óc có ý thức và khả năng suy luận và ghi nhớ.

Lấy cảm hứng từ mạng nơ-ron sinh học, mạng nơ-ron nhân tạo được tạo ra để bắt chước một số đặc điểm của các mạng thần kinh hữu cơ của chúng. Kể từ những năm 1940, phần cứng và phần mềm đã được phát triển chứa hàng nghìn hoặc hàng triệu nút. Các nút, giống như tế bào thần kinh, nhận tín hiệu từ các nút khác. Chúng cũng có thể tạo ra các tín hiệu để đưa vào các nút khác. Các nút có thể chấp nhận đầu vào từ và gửi tín hiệu đến nhiều nút cùng một lúc.

Nếu một con vật kết luận rằng côn trùng màu vàng và đen bay luôn mang lại cho nó một vết đốt khó chịu, nó sẽ tránh tất cả các loài côn trùng màu vàng và đen bay. Hoverfly tận dụng lợi thế này. Nó có màu vàng và đen giống như một con ong bắp cày, nhưng không có đốt. Những con vật vướng phải ong bắp cày và học được một bài học đau đớn cũng mang lại cho con ruồi một bến đỗ rộng. Họ nhìn thấy một con côn trùng bay với màu sắc nổi bật và quyết định rằng đã đến lúc rút lui. Thực tế là côn trùng có thể bay lượn – và ong bắp cày thì không thể – thậm chí còn không được tính đến.

Tầm quan trọng của các sọc vàng và đen bay, vo ve và đen lấn át mọi thứ khác. Tầm quan trọng của những tín hiệu đó được gọi là  trọng số  của thông tin đó. Mạng nơ-ron nhân tạo cũng có thể sử dụng trọng số. Một nút không cần phải coi tất cả các đầu vào của nó bằng nhau. Nó có thể ưu tiên một số tín hiệu hơn những tín hiệu khác.

Máy học sử dụng số liệu thống kê để tìm các mẫu trong tập dữ liệu mà nó được đào tạo. Tập dữ liệu có thể chứa các từ, số, hình ảnh, tương tác của người dùng như nhấp chuột vào trang web hoặc bất kỳ thứ gì khác có thể được thu thập và lưu trữ bằng kỹ thuật số. Hệ thống cần mô tả các yếu tố thiết yếu của truy vấn và sau đó khớp các yếu tố đó với các mẫu mà nó đã phát hiện trong tập dữ liệu.

Nếu nó đang cố gắng xác định một bông hoa, nó sẽ cần biết chiều dài thân, kích thước và kiểu dáng của lá, màu sắc và số lượng cánh hoa, v.v. Trong thực tế, nó sẽ cần nhiều dữ kiện hơn những dữ kiện đó, nhưng trong ví dụ đơn giản của chúng tôi, chúng tôi sẽ sử dụng chúng. Khi hệ thống biết những thông tin chi tiết đó về mẫu thử nghiệm, nó sẽ bắt đầu quá trình ra quyết định tạo ra kết quả phù hợp từ tập dữ liệu của nó. Một cách ấn tượng, các hệ thống học máy tự tạo ra cây quyết định.

Hệ thống máy học học hỏi từ những sai lầm của nó bằng cách cập nhật các thuật toán của nó để sửa chữa những sai sót trong lý luận của nó. Các mạng nơ-ron phức tạp nhất là  mạng nơ-ron sâu . Về mặt khái niệm, chúng được tạo thành từ rất nhiều mạng nơ-ron được xếp chồng lên nhau. Điều này cung cấp cho hệ thống khả năng phát hiện và sử dụng ngay cả các mẫu nhỏ trong các quy trình quyết định của nó.

Các lớp thường được sử dụng để cung cấp trọng số. Cái được gọi là các lớp ẩn có thể hoạt động như các lớp “chuyên gia”. Chúng cung cấp các tín hiệu có trọng số về một đặc tính duy nhất của đối tượng thử nghiệm. Ví dụ nhận dạng hoa của chúng tôi có thể sử dụng các lớp ẩn dành riêng cho hình dạng của lá, kích thước của chồi hoặc chiều dài nhị hoa.

Các hình thức học tập khác nhau

Có ba kỹ thuật rộng rãi được sử dụng để đào tạo hệ thống học máy: học có giám sát, học không giám sát và học tăng cường.

Học tập có giám sát

Học tập có giám sát là hình thức học tập được sử dụng thường xuyên nhất. Đó không phải là bởi vì nó vốn đã vượt trội so với các kỹ thuật khác. Nó liên quan nhiều hơn đến sự phù hợp của kiểu học này với các bộ dữ liệu được sử dụng trong các hệ thống học máy đang được viết ngày nay.

Trong học tập có giám sát, dữ liệu được gắn nhãn và cấu trúc để các tiêu chí được sử dụng trong quá trình ra quyết định được xác định cho hệ thống học máy. Đây là kiểu học được sử dụng trong hệ thống máy học đằng sau các đề xuất danh sách phát trên YouTube.

Học tập không giám sát

Học không giám sát không yêu cầu chuẩn bị dữ liệu. Dữ liệu không được gắn nhãn. Hệ thống quét dữ liệu, phát hiện các mẫu của riêng nó và lấy các tiêu chí kích hoạt của riêng nó.

Các kỹ thuật học tập không giám sát đã được áp dụng cho an ninh mạng với tỷ lệ thành công cao. Hệ thống phát hiện kẻ xâm nhập được nâng cao bởi máy học có thể phát hiện hoạt động mạng trái phép của kẻ xâm nhập vì nó không khớp với các mẫu hành vi đã quan sát trước đây của người dùng được cấp phép.

Học tăng cường

Học củng cố là kỹ thuật mới nhất trong ba kỹ thuật. Nói một cách đơn giản, một thuật toán học tăng cường sử dụng thử và sai và phản hồi để đi đến một mô hình hành vi tối ưu nhằm đạt được một mục tiêu nhất định.

Điều này đòi hỏi phản hồi từ con người, những người “chấm điểm” các nỗ lực của hệ thống tùy theo hành vi của nó có tác động tích cực hay tiêu cực trong việc đạt được mục tiêu của nó.

Mặt thực tiễn của AI

Bởi vì nó rất phổ biến và có những thành công có thể chứng minh được trong thế giới thực — bao gồm cả những thành công về mặt thương mại — học máy đã được gọi là “khía cạnh thực tế của trí tuệ nhân tạo”. Đó là một doanh nghiệp lớn và có nhiều khuôn khổ thương mại, có thể mở rộng cho phép bạn kết hợp học máy vào các sản phẩm hoặc sự phát triển của riêng mình.

Nếu bạn không có nhu cầu ngay lập tức về loại năng lượng lửa đó nhưng bạn quan tâm đến việc khám phá hệ thống học máy với ngôn ngữ lập trình thân thiện như Python, thì cũng có các tài nguyên miễn phí tuyệt vời cho điều đó. Trên thực tế, những điều này sẽ mở rộng theo quy mô của bạn nếu bạn phát triển thêm mối quan tâm hoặc nhu cầu kinh doanh.

Torch là một khuôn khổ học máy mã nguồn mở nổi tiếng với tốc độ của nó.

Scikit-Learn  là một tập hợp các công cụ học máy, đặc biệt để sử dụng với Python.

Caffe là một khung học sâu, đặc biệt có khả năng xử lý hình ảnh.

Keras  là một khung công tác học sâu với giao diện Python.

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

0985208275
Liên hệ