Machine Teaching là gì? Học máy và Dáy máy khác nhau như thế nào?

Machine Teaching là gì?

Dạy máy là một cách tiếp cận, trong đó sử dụng kiến ​​thức chuyên môn và khả năng tìm giải pháp của con người để giúp các mô hình học máy tìm ra những gợi ý quan trọng cho những giải pháp nhanh hơn. Nói một cách kỹ thuật, Machine Teaching thiết kế dữ liệu đào tạo tối ưu để đưa thuật toán học tập đến mô hình mục tiêu.

Không giống như cách tiếp cận truyền thống về việc cung cấp cho máy hoặc hệ thống nhiều dữ liệu có sẵn, dạy máy có một lộ trình khác để thực hiện điều đó - nó không chỉ cung cấp dữ liệu mà còn cho máy biết cần tìm dữ liệu ở đâu. 

Ví dụ, khi một giáo viên dạy học sinh cách nhận biết một chiếc xe đạp, giáo viên nói với học sinh về tất cả các tính năng và đặc điểm của chiếc xe đạp và sau đó kiểm tra học sinh đó bằng những thứ khác. Và nếu học sinh nói xe máy là xe đạp, giáo viên sẽ không nói sai; thay vào đó, giáo viên sửa lỗi cho học sinh bằng cách nói cho học sinh biết về những điểm khác biệt.

Đây cũng chính là vòng lặp mà Machine Teaching sử dụng. Thay vì trích xuất dữ liệu và khai thác những hiểu biết sâu sắc từ dữ liệu đó để đào tạo một mô hình, kiến ​​thức chuyên môn của con người cũng có thể là một động lực quan trọng trong việc dạy máy.

• Đầu tiên, giáo viên đặt câu hỏi liệu một tập huấn luyện có thể thực hiện được hay không.
• Nếu tập huấn luyện không thể thực hiện được, giáo viên sẽ xác định xem vấn đề là do ghi nhãn không đầy đủ hay thiếu sót về tính năng. Sau khi sửa nhãn hoặc thêm các tính năng, giáo viên lại đánh giá xem tập huấn luyện có thể thực hiện được hay không.
• Nếu tập huấn luyện có thể thực hiện được, giáo viên sẽ đánh giá xem các tiêu chí chất lượng đào tạo có được đáp ứng hay không.
• Nếu tiêu chí chất lượng không được đáp ứng, giáo viên sẽ tìm lỗi kiểm tra và thêm các bản sửa lỗi vào tập huấn luyện, sau đó lặp lại các bước đánh giá.
• Khi tập huấn luyện có thể thực hiện được và các tiêu chí chất lượng được đáp ứng, quá trình kết thúc.

Quá trình này là một cặp vòng lặp không xác định, chỉ kết thúc khi mô hình và bản thân quá trình đào tạo đủ chất lượng.

Machine Teaching và Machine Learning: sự khác biệt là gì?  

Học máy, một thuật ngữ phổ biến từ năm 1959 bởi Arthur Lee Samuel, là việc sử dụng các thuật toán máy tính và mô hình thống kê để thực hiện các nhiệm vụ cụ thể mà không cần hướng dẫn rõ ràng. Mặc dù nó vẫn được nhiều người coi là một ngành khoa học mới nổi, nhưng các hệ thống học máy được sử dụng rộng rãi trong các cài đặt như lọc email và đề xuất trang tìm kiếm trên internet.

Quy tắc của dạy máy tập trung vào việc tạo ra huấn luyện tối ưu có thể hướng dẫn một thuật toán học tập theo cách hiệu quả nhất. Về phần mình, mục tiêu của học máy là sử dụng các bộ dữ liệu đào tạo đó để cho phép các hệ thống tự trị học hỏi và cải thiện kỹ năng của chúng mà không cần được lập trình rõ ràng để làm như vậy.

Trạng thái của học máy phần lớn được xác định bởi một số chuyên gia thuật toán. Những chuyên gia này có hiểu biết sâu sắc về ML và có thể thay đổi thuật toán hoặc kiến trúc ML để đáp ứng các chỉ số về hiệu suất hoặc độ chính xác cần thiết. Số lượng chuyên gia ML trên toàn cầu có thể được ước tính chỉ khoảng vài chục nghìn, điều này làm chậm quá trình áp dụng các giải pháp ML. Sự phức tạp quá mức của các mô hình khiến khả năng ML nằm ngoài tầm với của nhiều người.

Trong khi các chuyên gia ML rất ít, các chuyên gia về chủ đề lại rất phong phú (đến hàng chục triệu). Dạy máy khai thác nhóm chuyên gia lớn hơn này, những người hiểu ngữ nghĩa của các vấn đề và có thể cung cấp các ví dụ, nhưng không cần phải biết về sự phức tạp của ML. Dạy máy là khái niệm trừu tượng cơ bản cần thiết để lập trình hiệu quả kiến thức chuyên môn về chủ đề bằng cách hệ thống hóa những gì cần dạy và dạy như thế nào. Các chuyên gia về chủ đề không có nền tảng về AI có thể chia chuyên môn của họ thành các bước và nhiệm vụ, tiêu chí và kết quả mong muốn.

Mô hình Machine Teaching

Dạy máy cung cấp một mô hình mới để xây dựng các hệ thống học máy giúp chuyển trọng tâm từ các thuật toán sang việc tạo và triển khai mô hình thành công. Việc dạy máy tự xác định các mẫu trong quá trình học và áp dụng hành vi tích cực vào phương pháp của chính nó. Phần lớn hoạt động trong học máy tập trung vào việc cải thiện các thuật toán hiện có hoặc phát triển các thuật toán học mới. Ngược lại, dạy máy tập trung vào hiệu quả của chính giáo viên.

Mô hình Machine Teaching:

• Kết hợp kiến thức chuyên môn về chủ đề từ các chuyên gia trong lĩnh vực con người với AI và Học máy (ML).
• Tự động tạo và quản lý các mô hình và thuật toán học tăng cường sâu .
• Tích hợp mô phỏng để tối ưu hóa mô hình và khả năng mở rộng.
• Cung cấp khả năng giải thích tốt hơn về hành vi của các mô hình kết quả.

Quy trình Machine Teaching

Việc triển khai và phát triển dạy máy có ba giai đoạn: Xây dựng, Đào tạo và Triển khai.

• Giai đoạn Xây dựng bao gồm viết chương trình dạy máy và kết nối với trình mô phỏng đào tạo dành riêng cho miền. Trình mô phỏng tạo đủ dữ liệu đào tạo cho các thí nghiệm và thực hành trên máy.
• Giai đoạn Huấn luyện, công cụ đào tạo tự động tạo và đào tạo mô hình DRL bằng cách kết hợp các mô hình miền cấp cao với các thuật toán DRL và mạng thần kinh thích hợp.
• Giai đoạn Triển khai triển khai mô hình được đào tạo cho ứng dụng đích trên đám mây, tại chỗ hoặc được nhúng trên trang web. SDK cụ thể và API triển khai các hệ thống AI đã được đào tạo cho các ứng dụng mục tiêu khác nhau, thực hiện điều chỉnh máy và kiểm soát các hệ thống vật lý.

Môi trường mô phỏng tạo ra một lượng lớn dữ liệu tổng hợp bao gồm nhiều trường hợp sử dụng và tình huống khác nhau. Chúng cung cấp khả năng tạo dữ liệu an toàn và tiết kiệm chi phí để đào tạo thuật toán mô hình và thời gian đào tạo nhanh hơn với song song hóa mô phỏng. Mô phỏng giúp đào tạo các mô hình trong các loại điều kiện và kịch bản môi trường khác nhau, nhanh hơn và an toàn hơn nhiều so với khả thi trong thế giới thực.

Các chuyên gia về chủ đề có thể giám sát các tác tử (agents) như cách họ làm việc để giải quyết các vấn đề trong môi trường mô phỏng, đồng thời cung cấp phản hồi và hướng dẫn cho phép các tác tử tự động thích ứng trong mô phỏng. Sau khi đào tạo xong, các kỹ sư triển khai các tác tử được đào tạo trên phần cứng thực tế, nơi họ có thể sử dụng kiến ​​thức của mình để cung cấp năng lượng cho các hệ thống tự trị trong thế giới thực.

Machine Teaching hoạt động như thế nào?

Dạy máy đơn giản hóa mọi thứ bằng cách xây dựng các công cụ đa năng có thể cung cấp cho người dùng - những chuyên gia về chủ đề. Sau đó, trọng tâm là hướng dẫn người dùng làm điều đó tốt hơn thay vì chỉ phát triển thuật toán.

Dạy máy tận dụng khả năng của con người trong việc phân tách và giải thích các khái niệm để huấn luyện các mô hình học máy, hiệu quả hơn nhiều so với việc chỉ sử dụng nhãn. Khi giáo viên con người và mô hình học máy làm việc cùng nhau, một quy trình tương tác thời gian thực có thể được tăng tốc đáng kể thời gian xây dựng mô hình.

Theo Patrice Simard, Giám đốc nghiên cứu của Bộ phân đổi mới dạy máy của Microsoft, trong tương lai, bất kỳ nhiệm vụ nào con người có thể dạy cho nhau thì cũng có thể dạy cho máy móc.

Lợi ích của Machine Teaching

Lợi ích chính của dạy máy là nó đưa các công cụ tự động hóa vào tay những người dùng thông thường không có kiến ​​thức về khoa học máy tính. Mục tiêu là làm cho các công cụ dạy máy dễ sử dụng như phần mềm xử lý văn bản hoặc bảng tính trên máy tính, trong đó các nhà văn và kế toán không cần biết lập trình máy tính để sử dụng tốt nhất các công cụ của phần mềm này. Nếu mục tiêu đó đạt được, thì có lẽ nó sẽ giải phóng các nhà khoa học máy tính để họ giải quyết những nhiệm vụ sáng tạo hơn, thay vì các nhiệm vụ đơn điệu như tạo các huấn luyện.

Ứng dụng Machine Teaching

Dạy máy hiện đang được thử nghiệm trong nhiều ứng dụng, đặc biệt là trong công nghiệp. Vào năm 2017, các chuyên gia của Siemens, sử dụng nền tảng của Bonsai (sau khi được Microsoft mua lại), đã đào tạo một mô hình AI để tự động hiệu chỉnh máy tính điều khiển số (computer numerical control - CNC) nhanh hơn 30 lần so với chuyên gia vận hành là con người. Các máy CNC cần phải được hiệu chuẩn lại thường xuyên, vì ngay cả ma sát nhỏ cũng có thể dẫn đến lỗi và sự không hoàn hảo trong quá trình sản xuất đầy tốn kém.

Các ứng dụng khác đang được thử nghiệm bao gồm giữ mức carbon dioxide an toàn trong các tòa nhà có hệ thống sưởi, thông gió và điều hòa không khí lớn, tự động; quản lý chuỗi cung ứng; hoạt động chăm sóc sức khỏe; và vận chuyển hậu cần.

Machine Teaching vẫn là một lĩnh vực non trẻ và cần được các chuyên gia quan tâm nhiều hơn. Dạy máy sẽ là một bước tiến rất cần thiết để đạt được hiệu quả chi phí tốt hơn trong AI và hiểu rõ hơn về cách máy học, điều này rất quan trọng đối với sự tiến bộ của AI. Ví dụ, hãy nghĩ rằng ngày nay, chúng ta có khả năng tạo ra những bức ảnh chân thực từ một chú thích đơn giản. Hy vọng bài viết đã cung cấp cho bạn những kiến thức hữu ích về thuật ngữ Machine Teaching.