Học sâu (deep learning) là một phương pháp trí tuệ nhân tạo cho phép máy tính tự học các mẫu từ lượng lớn dữ liệu bằng cách sử dụng mạng nơ-ron nhân tạo nhiều lớp. Để trả lời cho câu hỏi “học sâu có nghĩa là gì?”, từ “sâu” dùng để chỉ số lượng lớn các lớp trong mạng. Ngày nay, nhiều công nghệ, từ mở khóa bằng khuôn mặt trên điện thoại đến trợ lý trò chuyện, đều được xây dựng dựa trên nền tảng này.
Mạng nơ-ron hoạt động như thế nào?
Một mạng nơ-ron được tạo thành từ các “nơ-ron” nhân tạo được kết nối với nhau. Mỗi nơ-ron nhân các con số nó nhận được với các trọng số nhất định, cộng chúng lại và chuyển kết quả sang lớp tiếp theo. Các lớp đầu tiên nắm bắt các đặc điểm đơn giản (cạnh và màu sắc trong một hình ảnh); các lớp sau kết hợp chúng thành các khái niệm phức tạp hơn (một con mắt, một khuôn mặt, một con mèo).
Quá trình học diễn ra trong giai đoạn huấn luyện: mạng đưa ra dự đoán, dự đoán đó được so sánh với câu trả lời đúng, và sai số được truyền ngược lại bằng một phương pháp gọi là lan truyền ngược (backpropagation), qua đó điều chỉnh các trọng số theo từng bước nhỏ. Lặp lại qua hàng triệu ví dụ, quá trình này cho phép mạng thực hiện các tác vụ mà không ai viết sẵn quy tắc cụ thể.
Sự khác biệt giữa học sâu và học máy là gì?
Trong học máy cổ điển, con người thường quyết định xem nên xem xét những đặc điểm nào của dữ liệu. Trong học sâu, mạng tự trích xuất các đặc điểm quan trọng từ dữ liệu thô (điểm ảnh, sóng âm, văn bản). Đổi lại, nó cần nhiều dữ liệu và sức mạnh tính toán hơn rất nhiều, đặc biệt là các bộ xử lý đồ họa (GPU).
Tại sao học sâu lại bùng nổ vào năm 2012?
Ý tưởng về mạng nơ-ron đã có từ những năm 1950, nhưng trong nhiều thập kỷ, không có đủ dữ liệu hoặc sức mạnh tính toán. Vào năm 2012, AlexNet, do một nhóm tại Đại học Toronto phát triển, đã giành chiến thắng trong cuộc thi nhận diện hình ảnh ImageNet với khoảng cách lớn và cho thấy sức mạnh của các mạng sâu được huấn luyện trên GPU. Những người tiên phong trong lĩnh vực này là Geoffrey Hinton, Yann LeCun và Yoshua Bengio đã nhận Giải thưởng Turing vào năm 2018, và Hinton đã chia sẻ Giải Nobel Vật lý năm 2014 với John Hopfield.
Học sâu được sử dụng ở đâu?
- Hình ảnh: nhận diện khuôn mặt, phân tích hình ảnh y tế, khả năng nhận thức trong xe tự lái.
- Giọng nói: trợ lý giọng nói và chuyển đổi giọng nói thành văn bản.
- Ngôn ngữ: dịch máy và các mô hình ngôn ngữ lớn như ChatGPT, Gemini và Claude.
- Khoa học: dự đoán cấu trúc protein, mô hình thời tiết và khám phá thuốc.
Các câu hỏi thường gặp
Học sâu và AI có giống nhau không?
Không. AI là khái niệm rộng nhất; học máy là một nhánh của nó, và học sâu là một nhánh của học máy.
Tôi cần biết gì để học về học sâu?
Lập trình Python cơ bản cộng với đại số tuyến tính và xác suất cấp ba là một khởi đầu tốt. Bạn có thể tiếp tục với các thư viện miễn phí như PyTorch và TensorFlow cùng các khóa học trực tuyến.
Điểm yếu của học sâu là gì?
Nó cần rất nhiều dữ liệu và năng lượng, các quyết định của nó rất khó giải thích (vấn đề “hộp đen”) và nó có thể mang định kiến từ dữ liệu huấn luyện của mình.
Nguồn
- ACM, Thông báo Giải thưởng A.M. Turing 2018 (Bengio, Hinton, LeCun).
- Quỹ Nobel, Giải Nobel Vật lý 2024 (Hopfield và Hinton).
- Krizhevsky, Sutskever, Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, 2012.
Để lại bình luận
Địa chỉ email của bạn sẽ không được công khai. Các trường bắt buộc được đánh dấu *