Hiểu về Học máy và Trí tuệ nhân tạo AI theo cách hiểu phổ thông nhất

Quản Trị Viên

( Weekly Study - IoT/AI ) - Thông tin về học máy ( machine learning ) đang trở nên phổ biến trên các phương tiện truyền thông cũng như là một kỹ năng cốt lõi, quan trọng trong các lĩnh vực công việc mới. Bắt đầu trong lĩnh vực này có thể yêu cầu chúng ta phải học các khái niệm phức tạp và trong bài viết này Weekly Study sẽ cho bạn cách tiếp cận về cách bắt đầu tìm hiểu về những chủ đề thú vị này dựa trên kiến thức ở trường trung học.

Giới thiệu

Ngày nay, Trí tuệ nhân tạo (AI) ở khắp mọi nơi trên thế giới, trong khi tại Việt Nam, giới trẻ đã xem ngành IT là một ngành kiếm ra tiền thì việc tiếp cận sâu hơn trong khoa học máy máy tính là một điều hiển nhiên, trong đó AI được xem là một lĩnh vực hot tại thời điểm hiện tại. Tuy nhiên, đó là một chủ đề phức tạp để vừa dạy vừa học.

Trong bài viết này, Weekly Study sẽ phác thảo một cách tiếp cận mà bạn có thể tìm hiểu về Trí tuệ nhân tạo, Học máy (ML) và Học sâu (DL) chỉ dựa trên kiến thức ở trường trung học. Phần sau của bài viết dựa trên phép toán đơn giản ở trường trung học phổ thông - một môn toán quen thuộc ở cấp độ GCSE (đến 15 tuổi). Ngay cả khi môn toán không quen thuộc với bạn, bạn vẫn có thể tìm hiểu về học máy và trí tuệ nhân tạo từ phần đầu tiên của bài viết.

Giải thích

Bất kỳ cuộc nói chuyện nào về Trí tuệ nhân tạo AI đều thường dẫn đến các cuộc thảo luận kiểu 'Kẻ hủy diệt' (Liệu robot sẽ tiếp quản nhân loại?). Trong khi các phương tiện truyền thông hào hứng với AI, thì thực tế lại trần tục hơn. Vì vậy, trước khi tiếp tục, chúng ta hãy xem xét một số định nghĩa mà chúng tôi sẽ áp dụng trong bài viết này.

Trí tuệ nhân tạo: đề cập đến máy móc có thể suy luận với một số mức độ tự chủ.
Trí tuệ nhân tạo theo nghĩa tổng quát: liên quan đến máy móc gần như có quyền tự chủ hoàn toàn. Trí tuệ nhân tạo nói chung thực sự là thứ của khoa học viễn tưởng (và do đó không phải là trọng tâm của bài viết này).
Trí tuệ nhân tạo theo nghĩa hẹp: đề cập đến máy móc hoặc hệ thống có thể học một nhiệm vụ trong một ngữ cảnh cụ thể. Ví dụ: Một cánh tay robot học cách tự chọn và sắp xếp các mục (mà không cần đào tạo rõ ràng).
Học máy: Có một định nghĩa chính thức. Tom Mitchell định nghĩa Học máy là: “Lĩnh vực học máy liên quan đến câu hỏi làm thế nào để xây dựng các chương trình máy tính tự động cải tiến theo kinh nghiệm .” Định nghĩa này được thể hiện như sau: “ Một chương trình máy tính được cho là học hỏi từ kinh nghiệm (E) đối với một số loại nhiệm vụ (T) và thước đo hiệu suất (P), nếu hiệu suất của nó ở các nhiệm vụ trong T, được đo bằng P, cải thiện theo kinh nghiệm (E). ”. Máy học được sử dụng trong một loạt các ứng dụng như Phát hiện thư rác, Phát hiện gian lận thẻ tín dụng, Phân khúc khách hàng,...
Học sâu: Chúng tôi định nghĩa Học sâu là “ứng dụng học máy với tính năng tự động phát hiện”. Chúng tôi giải thích định nghĩa này chi tiết hơn bên dưới.

Học là gì?

Hãy bắt đầu với câu hỏi: “Học là gì? (trong ngữ cảnh của máy học)

Theo định nghĩa của Mitchell, chúng tôi giải thích từ "Học" là đạt được khả năng thực hiện nhiệm vụ. Ví dụ, nếu chúng ta muốn một hệ thống xác định một đối tượng, thì khả năng xác định một đối tượng là nhiệm vụ. Để đạt được khả năng này, chúng ta có thể thực hiện hai cách tiếp cận trái ngược nhau:

Chúng tôi có thể viết các quy tắc một cách rõ ràng để xác định các đối tượng cụ thể HOẶC
Chúng ta có thể lập trình hệ thống để nó học (thông qua quá trình đào tạo) khả năng xác định một đối tượng.

Cách tiếp cận trước đây ( cách tiếp cận dựa trên quy tắc ) không khả thi trên thực tế vì chúng tôi sẽ phải viết ra các quy tắc theo cách thủ công cho tất cả các trường hợp có thể xảy ra. Vì vậy, thái cực khác là khả thi hơn, thay vì tạo quy tắc theo cách thủ công, chúng tôi có thể tìm quy tắc từ chính dữ liệu và sau đó áp dụng quy tắc cho một vấn đề chưa thấy. Ý tưởng học tập từ tập dữ liệu đào tạo này là nền tảng của hầu hết các phương pháp học máy ( học có giám sát ). Quá trình đào tạo bao gồm việc trình bày hệ thống với một tập hợp các ví dụ đại diện cho một tập hợp các tính năng quan tâm. Từ những ví dụ này, hệ thống tạo ra một mô hình - mô hình này được sử dụng để xác định một đối tượng không nhìn thấy. Định nghĩa đơn giản hóa của một mô hình trong ngữ cảnh này là một thuật toán (ví dụ: thuật toán phân loại) được đào tạo trên một tập dữ liệu.

Hãy xem xét ví dụ về dự đoán giá nhà. Giá nhà có thể bị ảnh hưởng bởi nhiều yếu tố ( đặc điểm ) như số lượng phòng ngủ, gần trường học, gần phương tiện giao thông công cộng, vv Dự đoán giá nhà dựa trên các đặc điểm là kết quả . Các tính năng này là đầu vào cho mô hình học tập có giám sát , có thể dự đoán giá của ngôi nhà (biến kết quả). Các loại vấn đề được giải quyết bằng học máy bao gồm:

Phân loại : Dữ liệu được gán cho một lớp - ví dụ: spam / không spam hoặc gian lận / không gian lận,...
Hồi quy : Một giá trị dữ liệu được dự đoán - ví dụ như dự đoán giá cổ phiếu, giá nhà,...

Cuối cùng, làm cách nào để biết liệu hệ thống có thể thực hiện một tác vụ nhất định hay không? Để kiểm tra hiệu suất của một mô hình, chúng ta phải đánh giá đầu ra của nó bằng cách sử dụng một thước đo định lượng cụ thể cho nhiệm vụ. Đối với nhiệm vụ phân loại, hiệu suất của mô hình có thể được đo lường bằng độ chính xác của việc phân loại.

Deep Learning (Học sâu)

Vậy, điều này liên quan như thế nào đến Trí tuệ nhân tạo và Học sâu? Hãy nhớ rằng chúng tôi đã mô tả Deep learning là "Phát hiện tính năng tự động". Chúng ta hãy xem xét lại ví dụ về dự đoán giá nhà. Để xác định các tính năng của thuật toán này (ví dụ: số phòng ngủ, khoảng cách gần các trường học tốt,...), bạn cần có kiến thức về ứng dụng (kiến thức miền).

Đối với các ứng dụng phức tạp - ví dụ như chăm sóc sức khỏe, bộ gen, ..., kiến thức miền có thể khó và mất thời gian để tiếp thu. Ngoài ra, các ứng dụng sử dụng dữ liệu hình ảnh, video, chuỗi hoặc âm thanh sử dụng các tính năng phân cấp. Việc con người phát hiện ra những đặc điểm này là không thực tế.

Điều gì sẽ xảy ra nếu chúng ta có thể hiểu cấu trúc và các tính năng của dữ liệu (tức là tuân theo biểu diễn cơ bản của dữ liệu mà không có sự can thiệp của con người?).

Khả năng này đạt được nhờ một tập hợp các kỹ thuật trong học máy được gọi là học biểu diễn. Học biểu diễn là một tập hợp các phương pháp cho phép một máy được cung cấp dữ liệu thô và tự động khám phá các biểu diễn cần thiết cho các thuật toán như phân loại.

Phương pháp học sâu có thể được phân loại là phương pháp học biểu diễn với nhiều cấp độ biểu diễn. Các lớp này bắt đầu với đầu vào thô và mỗi lớp biến đổi dữ liệu thành một biểu diễn cấp cao hơn - hoạt động như một đầu vào cho lớp tiếp theo. Ví dụ: lớp thấp nhất có thể phát hiện các pixel; lớp cao hơn tiếp theo có thể phát hiện các cạnh của hình ảnh từ các pixel; lớp tiếp theo có thể phát hiện các đường bao dựa trên các cạnh,...

Do đó, mỗi lớp trong mạng nơ-ron xây dựng trên đầu trang của biểu diễn từ lớp trước. Thông qua nhiều phép biến đổi đơn giản như vậy, máy có thể học các ý tưởng phức tạp và có thứ bậc. Các biểu diễn cấp cao hơn của mô hình mạng nơ-ron có thể phân biệt giữa các biến thể nhỏ của một khái niệm, tức là các khái niệm tương tự nhưng không giống nhau. Ví dụ: mạng có thể phân biệt giữa chó sói và 'chó trông giống chó sói' (Huskies, Samoyeds và chó chăn cừu Đức). Kỹ thuật tương tự có thể được áp dụng cho các vấn đề thực tế như phát hiện khối u và các loại dữ liệu khác, ví dụ: phát hiện khuôn mặt hoặc dữ liệu bộ gen.

Nói chung hơn, các kỹ thuật Học sâu được sử dụng để giải quyết các vấn đề không thuộc miền hữu hạn . Ví dụ: cờ vua là một bài toán miền hữu hạn vì chỉ có 64 ô vuông trong cờ vua và mỗi quân cờ có một hành động xác định. Ngược lại, trẻ dễ dàng nhận ra hình ảnh một chú chó từ một bức tranh. Nhưng máy tính không thể dễ dàng nhận ra hình ảnh của những con chó từ hình ảnh của một con chó. Nhận dạng hình ảnh của chó không phải là một vấn đề trong phạm vi hữu hạn vì có nhiều loại chó với nhiều cấu hình khác nhau trong hình ảnh (ví dụ: có cổ, bị cắt đuôi,...)

Và để tóm gọn ý tưởng này, trí tuệ nhân tạo chủ yếu dựa trên các kỹ thuật học sâu.