Trong phần mềm truyền thống, chúng ta hướng dẫn máy tính phải làm gì từng bước một bằng các quy tắc. Trong học máy, chúng ta cung cấp cho máy tính nhiều ví dụ và để nó tự tìm ra các quy tắc. Học máy hiện là nhánh được sử dụng rộng rãi nhất của trí tuệ nhân tạo.
Một ví dụ đơn giản: bộ lọc thư rác
Việc viết mọi quy tắc để quyết định xem một email có phải là thư rác hay không là điều gần như không thể. Thay vào đó, hệ thống được cho xem hàng ngàn email được dán nhãn là "thư rác" hoặc "bình thường". Mô hình học các mẫu trong những ví dụ này và trở nên có khả năng phân loại các email mới mà nó chưa từng thấy trước đây.
Ba loại hình học tập chính
- Học có giám sát (Supervised learning): Mô hình được huấn luyện trên các ví dụ đã biết câu trả lời đúng. Dự đoán giá nhà, nhận diện vật thể trong hình ảnh và phát hiện thư rác là những ví dụ điển hình.
- Học không giám sát (Unsupervised learning): Mô hình khám phá các nhóm và cấu trúc ẩn trong dữ liệu chưa được dán nhãn, chẳng hạn như nhóm khách hàng theo hành vi mua sắm tương tự.
- Học tăng cường (Reinforcement learning): Mô hình học chiến lược tốt nhất thông qua thử và sai, được hướng dẫn bởi các phần thưởng và hình phạt. Các AI chơi game và một số ứng dụng robot sử dụng phương pháp này.
Học sâu và mạng thần kinh
Học sâu (Deep learning) là một phương pháp học máy lấy cảm hứng từ cách bộ não hoạt động, sử dụng "mạng thần kinh nhân tạo" nhiều lớp. Nhờ dữ liệu lớn và bộ vi xử lý mạnh mẽ, nó đã thúc đẩy những tiến bộ lớn trong nhận dạng giọng nói, xử lý hình ảnh, dịch thuật và các trợ lý trò chuyện tạo văn bản.
Các ví dụ hàng ngày
- Các gợi ý trên nền tảng video và âm nhạc
- Mở khóa bằng khuôn mặt trên điện thoại và tự động nhóm ảnh trong thư viện ảnh
- Ngân hàng phát hiện các giao dịch đáng ngờ
- Dự đoán giao thông trong các ứng dụng bản đồ
- Dịch thuật tự động và trợ lý giọng nói
Hạn chế và rủi ro
- Chất lượng dữ liệu: Một mô hình chỉ tốt khi dữ liệu dùng để huấn luyện nó tốt. Dữ liệu không đầy đủ hoặc sai lệch dẫn đến kết quả sai.
- Định kiến (Bias): Những định kiến xã hội trong dữ liệu huấn luyện có thể phản ánh vào mô hình, đó là lý do tại sao việc xây dựng các hệ thống công bằng, minh bạch là một lĩnh vực nghiên cứu quan trọng.
- Khả năng giải thích: Có thể khó hiểu được cách một số mô hình phức tạp đưa ra quyết định.
- Quyền riêng tư: Cách dữ liệu cá nhân được sử dụng trong huấn luyện đòi hỏi sự cẩn trọng về mặt pháp lý và đạo đức.
Mô hình được huấn luyện và kiểm tra như thế nào?
Trong các dự án học máy, dữ liệu thường được chia thành ba phần. Cách phân chia này là phương pháp cơ bản để tìm hiểu xem một mô hình đã thực sự học được hay chưa:
- Dữ liệu huấn luyện (Training data): Tập dữ liệu chính mà từ đó mô hình học các mẫu; phần lớn dữ liệu nằm ở đây.
- Dữ liệu xác thực (Validation data): Được sử dụng trong quá trình huấn luyện để chọn các thiết lập của mô hình và so sánh các thử nghiệm khác nhau.
- Dữ liệu kiểm tra (Test data): Được sử dụng một lần ở cuối cùng để đo lường mức độ hiệu quả của mô hình trên dữ liệu mà nó chưa từng thấy.
Khi dữ liệu bị hạn chế, phương pháp “kiểm chứng chéo” (cross-validation) sẽ chia dữ liệu thành nhiều phần và sử dụng lần lượt từng phần để kiểm tra, để kết quả không phụ thuộc vào một lần chia may mắn nào đó.
Quá khớp (Overfitting): mô hình chỉ biết học vẹt
Một trong những vấn đề phổ biến nhất trong học máy là “quá khớp” (overfitting). Trong trường hợp này, mô hình không chỉ ghi nhớ các quy tắc chung trong dữ liệu huấn luyện mà còn ghi nhớ cả các chi tiết ngẫu nhiên và nhiễu của nó. Kết quả là, nó trông gần như hoàn hảo trên dữ liệu huấn luyện, nhưng hiệu suất lại giảm rõ rệt trên dữ liệu mới. Nó giống như một học sinh học vẹt các câu hỏi của những năm trước mà không hiểu môn học, rồi sau đó gặp khó khăn với một câu hỏi mới. Thu thập nhiều dữ liệu đa dạng hơn, không làm cho mô hình phức tạp hơn mức cần thiết và dừng huấn luyện khi hiệu suất trên dữ liệu xác thực bắt đầu giảm là những cách phổ biến để giảm thiểu tình trạng quá khớp.
Các câu hỏi thường gặp
AI và học máy có phải là một không?
Không. AI là một lĩnh vực rộng lớn bao gồm các hệ thống hành xử một cách thông minh; học máy là một trong những phương pháp phổ biến nhất trong đó.
Tôi cần gì để học về học máy?
Thống kê cơ bản, đại số tuyến tính và một ngôn ngữ lập trình (thường là Python) là một khởi đầu tốt. Có rất nhiều tài nguyên trực tuyến miễn phí sẵn có.
Nguồn và đọc thêm
- Google – Khóa học cấp tốc về Học máy (tập dữ liệu và quá khớp)
- Goodfellow, I., Bengio, Y. và Courville, A. (2016), Deep Learning, MIT Press
- Tài liệu scikit-learn – Kiểm chứng chéo: đánh giá hiệu suất của bộ ước lượng
Để lại bình luận
Địa chỉ email của bạn sẽ không được công khai. Các trường bắt buộc được đánh dấu *