Machine Learning là gì? Cách học máy thay đổi thế giới

Machine Learning là gì? Học máy là gì?

Machine Learning (ML), Học máy, là một nhánh của trí tuệ nhân tạo (AI) và khoa học máy tính, nó tập trung vào việc sử dụng dữ liệu và các thuật toán để bắt chước cách học của con người, sau đó dần dần cải thiện độ chính xác của nó.

Các thuật toán Machine Learning thường được tạo bằng cách sử dụng các khuôn khổ giúp tăng tốc phát triển giải pháp, chẳng hạn như TensorFlow và PyTorch.

Machine Learning, Deep Learning và Neural Networks khác nhau thế nào?

Học máy, học sâu và mạng thần kinh (Neural Networks) đều là các lĩnh vực phụ của trí tuệ nhân tạo. Tuy nhiên, Neural Networks thực ra là một lĩnh vực phụ của Machine Learning và Deep Learning là một lĩnh vực phụ của Neural Networks.

Học sâu có thể nhập dữ liệu phi cấu trúc ở dạng thô (ví dụ: văn bản hoặc hình ảnh) và nó có thể tự động xác định tập hợp tính năng giúp phân biệt các danh mục dữ liệu khác nhau. Điều này giúp loại bỏ một số sự can thiệp của con người và cho phép sử dụng các tập dữ liệu lớn hơn. Có thể coi học sâu chính là "học máy có thể mở rộng".

Học máy phụ thuộc nhiều hơn vào sự can thiệp của con người. Các chuyên gia xác định tập hợp các tính năng để hiểu sự khác biệt giữa các đầu vào của dữ liệu. Học máy thường yêu cầu nhiều dữ liệu có cấu trúc hơn để tìm hiểu.

Mạng thần kinh bao gồm các lớp nút (node), chứa một lớp đầu vào, một hoặc nhiều lớp ẩn và một lớp đầu ra. Mỗi nút kết nối với một nút khác và có trọng số và ngưỡng tương ứng. Nếu đầu ra của bất kỳ nút riêng lẻ nào vượt giá trị ngưỡng được chỉ định, nút đó sẽ được kích hoạt và gửi dữ liệu đến lớp tiếp theo của mạng. Nếu không, không có dữ liệu nào được chuyển tới lớp tiếp theo của mạng bởi nút đó. 

"Sâu" trong học sâu chỉ là đề cập đến số lượng các lớp trong mạng thần kinh. Một mạng thần kinh bao gồm hơn ba lớp - cả đầu vào và đầu ra - có thể được coi là một thuật toán học sâu. Một mạng thần kinh chỉ có ba lớp chỉ là mạng thần kinh cơ bản.

Học sâu và mạng nơ-ron được ghi nhận là giúp tăng tốc tiến bộ trong các lĩnh vực như thị giác máy tính, xử lý ngôn ngữ tự nhiên và nhận dạng giọng nói.

Phân loại Machine Learning

Các mô hình học máy chia thành ba loại chính.

• Supervised learning - Học có giám sát       
• Unsupervised learning - Học không giám sát
• Semi-supervised learning - Học bán giám sát

Semi-supervised learning là phương pháp nằm giữa học có giám sát và không giám sát. Trong quá trình đào tạo, học bán giám sát sử dụng một tập dữ liệu có nhãn nhỏ hơn để hướng dẫn phân loại và trích xuất tính năng từ một tập dữ liệu lớn hơn, không được gán nhãn. Học bán giám sát có thể giải quyết vấn đề không có đủ dữ liệu được gán nhãn cho thuật toán học có giám sát.

Đọc thêm về Supervised learning và Unsupervised learning trên Meeyland.com

Các trường hợp sử dụng Học máy trong thế giới thực

Dưới đây là một số ví dụ về học máy mà bạn có thể gặp hàng ngày:

Machine Learning trong nhận dạng giọng nói 

Hay còn được gọi là nhận dạng giọng nói tự động (automatic speech recognition - ASR), nhận dạng giọng nói máy tính hoặc giọng nói thành văn bản. Nhận dạng giọng nói là một khả năng sử dụng xử lý ngôn ngữ tự nhiên (NLP) để dịch giọng nói của con người sang định dạng viết. Nhiều thiết bị di động đã tích hợp tính năng nhận dạng giọng nói vào hệ thống để thực hiện việc tìm kiếm bằng giọng nói - ví dụ như Siri.

Machine Learning trong dịch vụ khách hàng 

Chatbots trực tuyến đang thay thế các con người trong trò chuyện với khách hàng, thay đổi cách chúng ta nghĩ về sự tương tác với khách hàng trên các trang web và mạng xã hội. Chatbots trả lời các câu hỏi thường gặp (FAQ) về các chủ đề, chẳng hạn vận chuyển, hoặc cung cấp lời khuyên đã được cá nhân hóa, bán kèm sản phẩm hay đề xuất kích thước cho người dùng. Ví dụ như máy ảo trên các sàn thương mại điện tử như Shopee; bot nhắn tin trong Slack và Facebook Messenger; và các tác vụ thường thấy của trợ lý ảo và trợ lý giọng nói.

Thị giác máy tính (Computer Vision)

Công nghệ AI này cho phép máy tính lấy thông tin có nghĩa từ hình ảnh kỹ thuật số, video và những đầu vào trực quan khác, sau đó thực hiện các hành động thích hợp. Được hỗ trợ bởi mạng thần kinh phức hợp, thị giác máy tính có các ứng dụng trong việc gắn thẻ ảnh trên mạng xã hội, chụp X-quang trong chăm sóc sức khỏe và ô tô tự lái trong ngành công nghiệp xe hơi. 

Machine Learning và công cụ đề xuất

Dựa vào dữ liệu hành vi tiêu dùng trong quá khứ, các thuật toán AI có thể giúp doanh nghiệp khám phá các xu hướng dữ liệu được sử dụng để phát triển các chiến lược bán chéo hiệu quả hơn. Cách tiếp cận này được các nhà bán lẻ trực tuyến sử dụng để đưa ra đề xuất sản phẩm liên quan cho khách hàng trong quá trình thanh toán.

Machine Learning phát hiện gian lận 

Các ngân hàng và các tổ chức tài chính khác có thể sử dụng học máy để phát hiện các giao dịch đáng ngờ. Học có giám sát có thể đào tạo một mô hình sử dụng thông tin về các giao dịch gian lận đã biết. Phát hiện bất thường có thể xác định các giao dịch không bình thường và cần được điều tra thêm.

Những thách thức của Machine Learning

Sự phát triển của công nghệ học máy chắc chắn đã làm cho cuộc sống của chúng ta dễ dàng hơn. Tuy nhiên, việc sử dụng học máy trong các doanh nghiệp cũng làm dấy lên một số lo ngại về đạo đức đối với các công nghệ AI. Một số trong số này bao gồm:

Điểm kỳ dị công nghệ

Nhiều nhà nghiên cứu không khỏi lo lắng về ý tưởng AI sẽ vượt qua trí thông minh của con người trong tương lai gần. Điểm kỳ dị công nghệ còn được gọi là AI mạnh hoặc siêu trí tuệ. Mặc dù thực tế siêu trí tuệ không thể xảy ra trong một sớm một chiều, nhưng ý tưởng về nó đặt ra một số nghi vấn như việc sử dụng các hệ thống tự hành -  ô tô tự lái. Thật phi thực tế khi nghĩ rằng một chiếc xe không người lái sẽ không bao giờ xảy ra tai nạn, ai sẽ là người chịu trách nhiệm nếu xảy ra tai nạn?

Tác động của AI đối với thị trường việc làm

Nhiều quan ngại về các trung tâm trí tuệ nhân tạo liên quan vấn đề mất việc làm, thực tế mối quan tâm này có lẽ nên được loại bỏ. Với mọi công nghệ mới, đột phá, nhu cầu thị trường về các vai trò công việc cụ thể sẽ thay đổi. 

Trí tuệ nhân tạo sẽ chuyển nhu cầu việc làm sang các lĩnh vực khác. Sẽ cần phải có các cá nhân giúp quản lý các hệ thống AI và giải quyết các vấn đề phức tạp hơn, chẳng hạn như dịch vụ khách hàng. Thách thức lớn nhất với trí tuệ nhân tạo và ảnh hưởng của nó đối với thị trường việc làm sẽ là giúp mọi người chuyển sang các vai trò mới mà thị trường đang cần.

Sự riêng tư

Những lo ngại về bảo mật đã cho phép các nhà hoạch định chính sách đạt được nhiều bước tiến hơn trong những năm gần đây. Ví dụ: vào năm 2016, luật GDPR được tạo ra để bảo vệ dữ liệu cá nhân của những người ở Liên minh châu  u và Khu vực kinh tế châu  u, giúp các cá nhân kiểm soát dữ liệu của họ nhiều hơn. Tại Hoa Kỳ, các bang riêng lẻ đang phát triển các chính sách, chẳng hạn như Đạo luật Quyền riêng tư của Người tiêu dùng California (CCPA), được ban hành vào năm 2018 và yêu cầu các doanh nghiệp thông báo cho người tiêu dùng về việc thu thập dữ liệu của họ. Kết quả là, các quy định như vậy đã buộc các công ty phải suy nghĩ lại về cách họ lưu trữ và sử dụng thông tin nhận dạng cá nhân (PII).

Thiên vị ​​và phân biệt đối xử

Các trường hợp thiên vị và phân biệt đối xử trên một số hệ thống học máy đã đặt ra nhiều câu hỏi về đạo đức liên quan đến việc sử dụng trí tuệ nhân tạo. Làm thế nào chúng ta có thể chống lại sự thiên vị và phân biệt đối xử khi bản thân dữ liệu có thể được tạo ra bởi các quá trình thiên vị của con người? Trong nỗ lực tự động hóa và đơn giản hóa quy trình, Amazon đã vô tình phân biệt đối xử theo giới tính đối với các ứng viên công việc cho các vai trò kỹ thuật và cuối cùng công ty đã phải hủy bỏ dự án.

Sự thiên vị và phân biệt đối xử cũng không chỉ giới hạn ở chức năng nguồn nhân lực; chúng có thể được tìm thấy trong một số ứng dụng từ phần mềm nhận dạng khuôn mặt đến các thuật toán truyền thông xã hội.

Khi các doanh nghiệp nhận thức rõ hơn về những rủi ro với AI, họ cũng trở nên tích cực hơn trong cuộc thảo luận xoay quanh đạo đức và giá trị của AI. Ví dụ, IBM đã ngừng sản xuất các sản phẩm phân tích và nhận dạng khuôn mặt cho mục đích chung của mình. Giám đốc điều hành IBM Arvind Krishna đã viết: “IBM kiên quyết phản đối và sẽ không dung thứ cho việc sử dụng bất kỳ công nghệ nào, bao gồm cả công nghệ nhận dạng khuôn mặt do các nhà cung cấp khác cung cấp, để giám sát hàng loạt, phân biệt chủng tộc, vi phạm các quyền và tự do cơ bản của con người hoặc bất kỳ mục đích nào không nhất quán với các giá trị và Nguyên tắc Tin cậy và Minh bạch của chúng tôi . ”

Trách nhiệm giải trình

Vì không có luật quan trọng để điều chỉnh các hoạt động AI, nên không có cơ chế thực thi thực sự nào để đảm bảo rằng AI có đạo đức được thực thi. Các động lực hiện tại cho các công ty để có đạo đức là hậu quả tiêu cực của một hệ thống AI phi đạo đức. 

Kết luận

Machine Learning và trí AI không còn là những khái niệm của khoa học viễn tưởng - chúng là một ngành công nghiệp trị giá 1,41 tỷ đô la đã tạo ra những thay đổi lớn trong cách hiểu và sử dụng cơ sở dữ liệu khổng lồ cho nhiều mục đích. Từ việc hỗ trợ nghiên cứu ung thư tiên tiến đến việc giúp các doanh nghiệp trong marketing, máy học và AI cung cấp khả năng phá vỡ và nâng cao các quy trình hiện có trong hầu hết lĩnh vực của xã hội.