Giới thiệu đơn giản về Trí tuệ nhân tạo và Học máy

Bài viết này hướng đến các bạn độc giả muốn có một hiểu biết cơ bản về Artificial Intelligence – AI (Trí tuệ nhân tạo) và một tập con của nó Machine Learning (Học máy). Tác giả cũng giới thiệu về Deep Learning (DL) là một bước tiến hóa của Học máy. Ngoài ra, ông còn cung cấp các ví dụ mới về những ứng dụng AI và tài liệu tham khảo. Mục tiêu của tác giả là mang đến cho người đọc nhận thức về chủ đề này thúc đẩy sự quan tâm mà không đi quá sâu vào toán học và sự phức tạp của ngôn ngữ lập trình.

Trí tuệ nhân tạo mang đến vô số ứng dụng khác nhau

1. Những thống kê trong giai đoạn bắt đầu

Trở lại khoảng giữa đến cuối những năm 50, John McCarthy và Arthur Samuel lần lượt đặt ra các thuật ngữ Artificial Intelligence (AI) và Machine Learning (ML). Trong đó, AI đề cập đến lĩnh vực khoa học máy tính phát triển phần mềm để lấy dữ liệu và tạo ra các giải pháp cho những vấn đề đã nêu. Machine Learning là một tập con của AI. Đó là việc sử dụng một mô hình được đào tạo về dữ liệu để đưa ra các quyết định giống như những nước đi trong trò cờ vua hoặc dự đoán như ai sẽ thắng trận Derby Kentucky.

Những ứng dụng của AI thì không có gì mới. Theo tác giả, từ những năm 60 khi ông xem Tom Landry, huấn luyện viên của đội bóng Dallas Cowboy sử dụng các thống kê từ những trận đấu trước để gọi những trận đấu ngoài sân cỏ khiến các tiền vệ mất tinh thần. Tuy nhiên, những ứng dụng ban đầu đã bị giới hạn bởi khả năng lưu trữ dữ liệu và tốc độ máy tính. Nhưng với những tiến bộ trong lĩnh vực Big Data và sức mạnh của máy tính, AI đã mở ra quả cầu pha lê của việc “bói toán” thành lĩnh vực phân tích dữ liệu thay cho sự may mắn.

Với những tiến bộ trong việc lưu trữ dữ liệu và tốc độ máy tính AI bây giờ đã cung cấp cho các doanh nghiệp một cách để mở quả cầu pha lê và bước vào thế giới của những dự đoán cao.

Lưu ý rằng những dự đoán này không nhằm mục đích hoàn hảo mà để giúp doanh nghiệp gần hơn với thực tế.

Trở lại với chủ đề thể thao, bạn hãy xem bộ phim Money Ball để thấy cách mà Oakland Athletics đã sử dụng các thống kê để tuyển dụng những cầu thủ bị bỏ qua cho một đội chiến thắng. Tốt hơn nữa, bạn hãy xem Houston Astros chơi bóng chày bằng cách sử dụng “sự thay đổi” để đặt các cầu thủ trên sân vào những vị trí đã được dự đoán. Họ đã làm điều này nhiều hơn bất kỳ đội bóng chày lớn nào.

Lưu ý rằng đây không còn là quyết định bên ngoài mà là quyết định trực tiếp trong trận đấu. Bạn hãy hình dung nếu một cầu thủ ở sân nhà có thể dự đoán pitch tiếp theo với xác suất cao. Điều này đang xảy ra trong lĩnh vực y tế, bán lẻ, xe tự lái, hệ thống định vị toàn cầu, đầu tư, thời tiết, nhận diện khuôn mặt thậm chí là các mối quan hệ cá nhân.

2. AI ngày nay

AI là một thuật ngữ bao trùm các lĩnh vực của ML (học máy) và tập con của nó là DL. Hãy cùng xem lại ML và những cách tiếp cận của nó:

• Học tập dưới sự giám sát (Supervised Learning) là nơi một nhà phân tích dạy một mô hình (thuật toán) về cách phản hồi một tập dữ liệu về một quyết định hoặc dự đoán. Người phân tích thường bắt đầu bằng một cơ sở dữ liệu lịch sử được xác định trước mà nội dung của nó được hiểu là giải pháp vấn đề được biết đến. Về cơ bản, dữ liệu được cấu trúc dưới sự giám sát của một nhà phân tích. Thuật toán được dạy thông qua việc lặp đi lặp lại các bài kiểm tra để xác định các mẫu đã biết dẫn đến giải pháp.
• Học tập không được giám sát (Unsupervised Learning) là khi nhà phân tích không cấu trúc dữ liệu do lượng dữ liệu và các biến liên quan. Trong những trường hợp này, một thuật toán nhóm các tính năng trọng các cụm để quản lý dữ liệu (về cơ bản làm cho dữ liệu được giám sát) thông qua lặp lại các thử nghiệm mà không có sự can thiệp của con người. Một trong những lợi ích của phương pháp không giám sát là thời gian thực hiện. Sẽ mất nhiều thời gian để cấu trúc tất cả các nguồn dữ liệu.
• Học tăng cường (Reinforcement Learning) là khi thuật toán học thông qua phản hồi (tức là thử và sai) chứ không phải đào tạo như trong học có giám sát. Việc học của nó dựa trên kết quả thành công củng cố hành động đã thực hiện trước đó.

Deep Learning phức tạp hơn một chút ở chỗ nó kết hợp một lớp thuật toán hoặc bộ lọc phân cấp và học từ mỗi lớp theo cách lặp đi lặp lại giống như mạng lưới thần kinh của não người. Nó hữu ích trong việc nhận diện các mẫu từ dữ liệu phi cấu trúc và thường được dùng cho các ứng dụng nhận diện khuôn mặt và giọng nói.

Quá trình học tập giám sát

Sau một vài nghiên cứu, tác giả nhận về rất nhiều ứng dụng học máy đã được sử dụng: dự báo thời tiết, chẩn đoán y tế, thực thi pháp luật và xe tự lái. Ông cho biết thêm bản thân không nhận ra rằng chính những tiến bộ của Big Data và máy tính nhanh hơn đã cho phép AI đột phá trong cuộc sống hằng ngày của chúng ta. Ông tin rằng hầu hết chúng ta đều nghĩ rằng trí tuệ nhân tạo vẫn chỉ là khoa học viễn tưởng. Thực tế lại không như vậy, những nhà phân tích kinh doanh cần theo đuổi AI và nhận ra nhiều cơ hội đang mở ra.

Nguồn tham khảo:

https://www.modernanalyst.com/

Nhu cầu đào tạo doanh nghiệp