Deep Learning: Cách học sâu thay đổi thế giới

Deep Learning là gì? Học sâu là gì?

Deep Learning (học sâu) là một tập hợp con của Machine Learning (học máy), về cơ bản là một mạng thần kinh (Neural Network) có ba lớp trở lên. Những mạng lưới thần kinh này cố gắng mô phỏng hành vi của não bộ người - dù không phù hợp với khả năng của nó - cho phép nó “học” từ một lượng lớn dữ liệu.

Học sâu thúc đẩy nhiều ứng dụng và dịch vụ trí tuệ nhân tạo (AI) nhằm cải thiện vấn đề tự động hóa, thực hiện các tác vụ phân tích mà không cần tới sự can thiệp của con người. Công nghệ học sâu là nền tảng của các sản phẩm và dịch vụ hàng ngày (chẳng hạn như trợ lý ảo, điều khiển từ xa hỗ trợ giọng nói, phát hiện gian lận thẻ tín dụng) và các công nghệ mới nổi (chẳng hạn như ô tô tự lái).

Sự khác biệt giữa Deep Learning và Machine Learning

Học sâu là một tập hợp con của học máy, vậy chúng khác nhau như thế nào? Học sâu phân biệt chính nó với học máy truyền thống bằng loại dữ liệu nó hoạt động và các phương pháp nó học.

Các thuật toán học máy tận dụng dữ liệu có cấu trúc, được gán nhãn để đưa ra dự đoán - nghĩa là các tính năng cụ thể được xác định từ dữ liệu đầu vào và được tổ chức thành các bảng. Nhưng điều này không đồng nghĩa với Machine Learning không sử dụng dữ liệu phi cấu trúc; chỉ là nếu có, thường sẽ trải qua một số khâu xử lý trước để sắp xếp dữ liệu phi cấu trúc thành định dạng có cấu trúc.

Deep Learning loại bỏ một số khâu xử lý trước dữ liệu đó. Các thuật toán của học sâu có thể nhập và xử lý dữ liệu phi cấu trúc, chẳng hạn như văn bản và hình ảnh, đồng thời nó tự động trích xuất tính năng, loại bỏ một số phụ thuộc vào con người. Giả sử chúng ta có một bộ ảnh về các vật nuôi khác nhau và muốn phân loại theo “mèo”, “chó”, “hamster”, v.v. Các thuật toán học sâu có thể xác định đặc điểm quan trọng nhất (ví dụ như tai) để phân biệt. Trong học máy, hệ thống phân cấp các tính năng này được thiết lập thủ công bởi chuyên gia con người.

Sau đó, thông qua các quá trình giảm độ dốc và lan truyền ngược, các thuật toán học sâu tự điều chỉnh và phù hợp với độ chính xác, cho phép nó đưa ra dự đoán về các loài động vật mới với mức độ chính xác cao hơn.

Các mô hình học máy và học sâu cũng có khả năng thực hiện các kiểu học khác nhau, thường được phân loại là học có giám sát (Supervised Learning), học không giám sát (Unsupervised Learning) và học tăng cường (Reinforcement Learning). Học có giám sát sử dụng các tập dữ liệu được gán nhãn để phân loại hoặc đưa ra dự đoán: điều này đòi hỏi con người gán nhãn dữ liệu đầu vào chính xác.

Ngược lại, học không giám sát không yêu cầu các tập dữ liệu được gán nhãn, thay vào đó, nó phát hiện các mẫu trong dữ liệu, gom chúng lại theo bất kỳ đặc điểm phân biệt nào. Học tăng cường là một quá trình trong đó một mô hình học cách trở nên chính xác hơn để thực hiện một hành động trong môi trường dựa trên phản hồi nhằm tối đa hóa phần thưởng.

Deep Learning hoạt động giống như bộ não con người

Về bản chất, học sâu học từ các ví dụ - cách mà bộ não con người làm. Nó bắt chước cách con người tiếp thu kiến ​​thức. Bởi vì học sâu xử lý thông tin theo cách tương tự, nó có thể được sử dụng để làm những việc mà con người có thể làm - ví dụ: học cách lái xe ô tô hoặc xác định một con chó trong ảnh.

Deep Learning cũng được sử dụng để tự động hóa phân tích dự đoán - ví dụ: xác định xu hướng mua của khách hàng để một công ty có thể có được nhiều khách hàng hơn và giữ được nhiều khách hàng hơn. Trên các trang web bán lẻ, phần hiển thị các mặt hàng “thường được mua cùng nhau” chính là thuật toán học sâu dự đoán đã xem xét cả nhu cầu tìm kiếm hiện tại và đã mua trong quá khứ của bạn để đề xuất các sản phẩm bổ sung mà bạn cũng có thể cần.

Các ứng dụng khác xuất hiện nhiều trong hoạt động hàng ngày, chẳng hạn như trợ lý ảo, phát hiện gian lận, dịch ngôn ngữ, chatbot và bot dịch vụ, tô màu cho hình ảnh, nhận dạng khuôn mặt và chẩn đoán bệnh.

Cách Deep Learning tác động tới các lĩnh vực trong cuộc sống

Neural Network đã xuất hiện từ những năm 1940. Năm 1943, hai nhà khoa học máy tính đã giới thiệu các mô hình mạng thần kinh, tái tạo các công tắc ngưỡng dựa trên các nơron và cho thấy rằng ngay cả những mạng đơn giản kiểu này cũng có thể tính toán gần như bất kỳ hàm logic hoặc số học nào.

Ngày nay, Deep learning đã bùng nổ mức độ tinh vi và sự phổ biến, chủ yếu là do sức mạnh tính toán được mở rộng của nó (cùng với chi phí điện năng giảm đáng kể), mô hình hóa tốt hơn và tính sẵn có của dữ liệu. Học sâu đòi hỏi lượng lớn dữ liệu.

Hiện tại, người ta ước tính rằng dữ liệu được tạo ra hàng ngày là 2,6 tạ tỷ byte. Và Deep Learning có thể phân tích các tập dữ liệu khổng lồ nhanh hơn rất nhiều so với con người. Đơn giản vì máy móc không cảm thấy đơn điệu hay mệt mỏi.

Deep Learning có đem lại rủi ro không?

Hãy trả lời câu hỏi đó bằng ví dụ về xe tự hành. Học sâu đã mang lại cho chúng ta những chiếc xe tự lái này, nhưng chúng dường như không thể loại bỏ tất cả các vụ tai nạn trên đường. Trên thực tế, một nghiên cứu gần đây từ Viện Bảo hiểm An toàn Đường cao tốc (IIHS) cho biết rằng xe tự hành có thể chỉ ngăn chặn khoảng một phần ba tổng số vụ va chạm.

Tuy nhiên, việc áp dụng rộng rãi cũng dấy lên những lo ngại vì chúng có thể bao gồm sự gia tăng tỷ lệ tai nạn trong giai đoạn mới triển khai khi công nghệ này còn đang học hỏi. Bên cạnh đó là hack, bởi suy cho cùng, học sâu cũng chỉ đơn giản là công nghệ.

Vào tháng 3 năm 2019, hai hacker "mũ trắng" chỉ cần vài phút để truy cập trình duyệt của hệ thống thông tin giải trí để vào bên trong máy tính của Tesla, chạy mã của riêng họ và yêu cầu chiếc xe phản hồi lại lệnh của họ.

Việc sử dụng học sâu cũng cần được xem xét dựa trên quan điểm của người tiêu dùng. Nếu nó không "hoạt động" - ví dụ, một chiếc điện thoại không mở lên được - nó có thể khiến một khách hàng không hài lòng. Vấn đề là do sự phức tạp của mạng thần kinh trong học sâu, khó có thể biết được vị trí hoặc lý do tại sao hệ thống gặp trục trặc.

Deep Learning là tương lai của kinh doanh

Học sâu đã cung cấp cho chúng ta tính năng tìm kiếm sản phẩm dựa trên hình ảnh và các cách hiệu quả để phân loại trái cây và rau củ để giảm chi phí lao động. Bước tiến đầu là tạo sự tiện lợi cho người tiêu dùng, và cả chặng đường sau đó là môi trường kinh doanh thực sự cho năng suất.

Deep Learning đang được áp dụng đáng kể trong các dịch vụ tài chính, trong đó nó được sử dụng để phát hiện gian lận, giảm thiểu rủi ro, tự động hóa giao dịch và cung cấp “tư vấn robot” cho các nhà đầu tư. Theo một báo cáo từ Economist Intelligence Unit (EIU), 86% các công ty dịch vụ tài chính có kế hoạch tăng các khoản đầu tư liên quan đến AI của họ vào năm 2025.

Việc nhúng AI vào doanh nghiệp có sức mạnh nâng cao sự khác biệt và năng lực cạnh tranh, tăng hiệu suất và ảnh hưởng đến khả năng duy trì của doanh nghiệp. Deep Learning đang ảnh hưởng đến mọi khía cạnh của doanh nghiệp, từ việc tái tạo mô hình kinh doanh và hoạt động, chiến lược tuyển dụng và duy trì, đến việc tạo ra văn hóa doanh nghiệp mới.

Deep Learning giải quyết những vấn đề tồn đọng trong nền kinh tế công nghiệp

Có ba lĩnh vực cụ thể: 

Một là trong hình ảnh vệ tinh. Cho dù dành cho nông nghiệp, trí tuệ hay bản đồ, học sâu cũng có thể tự động hóa hầu hết công việc đó ngay bây giờ.

Thứ hai là trong lĩnh vực người máy. Bây giờ chúng ta có thể có những thứ như ô tô tự lái hoặc máy móc có thể tự động chuẩn bị thức ăn. Việc cung cấp cho robot khả năng nhìn nhận sẽ mở ra cả một chân trời rộng lớn.

Thứ ba là trong y học. Hiểu những gì bạn đang xem là rất quan trọng để chẩn đoán và điều trị bệnh. Các ứng dụng của học sâu trong lĩnh vực này bao gồm X-quang (nhìn vào bên trong cơ thể bằng cách sử dụng tia X hoặc MRI), bệnh lý học (nhìn mô qua kính hiển vi) và da liễu (nhìn vào hình ảnh của da).

Theo đúng nghĩa đen, con người phải mất hàng thập kỷ mới có thể nhìn thấy đủ ví dụ về mọi thứ để họ có thể nhận ra chính xác những gì đang xảy ra, ví dụ như trong MRI. Mặt khác, máy vi tính có thể xem được 50m MRI và hiểu được mọi loại bệnh khi nó xuất hiện ở con người ở mọi giai đoạn, và do đó, Deep Learning có thể trở thành bác sĩ X quang giỏi nhất trong mọi chuyên ngành.

Nói chung, chăm sóc sức khỏe là một ngành công nghiệp trị giá gần 10 triệu đô la - có thể là ngành công nghiệp lớn nhất trên thế giới. Thực tế cho thấy, ngày nay, chúng ta có thể sử dụng học sâu để hiểu dữ liệu y tế và thay đổi hoàn toàn thế giới.

Yêu cầu phần cứng của Deep Learning

Học sâu đòi hỏi sức mạnh tính toán to lớn. Các đơn vị xử lý đồ họa (GPU) hiệu suất cao là lựa chọn lý tưởng vì chúng có thể xử lý khối lượng lớn các phép tính trong nhiều lõi với bộ nhớ dồi dào có sẵn. Tuy nhiên, việc quản lý nhiều GPU tại chỗ có thể tạo ra nhu cầu lớn về tài nguyên nội bộ và cực kỳ tốn kém khi mở rộng quy mô.

Bài viết này đã giúp bạn có thêm thông tin về Deep Learning là gì và vai trò của Deep Learning trong cuộc cách mạng công nghiệp công nghệ hoá. Deep Learning không hẳn là một lĩnh vực mới mẻ, nhưng sự bùng nổ của dữ liệu trong những năm gần đây đã giúp các nhà khoa học giải quyết nhiều bài toán tưởng chừng từng là bất khả thi trong nhiều năm về trước. Hy vọng bài viết trên đã cung cấp thêm cho bạn nhiều kiến thức hữu ích.