Những công nghệ cơ bản của Machine Learning

Những năm gần đây trí tuệ nhân tạo AI hay học máy Machine learning nổi lên như một minh chứng của cuộc cách mạng công nghiệp lần thứ tư. Ở những bài chia sẻ trước BKAII đã giới thiệu đến các bạn khái niệm cũng như một số thông tin liên quan về Machine learning hôm nay chúng ta sẽ tiếp tục tìm hiểu về những công nghệ cơ bản của xu hướng này nhé!

Có thể nói Machine learning là một tập con của AI, nó chính là một linh vực nhỏ của Khoa học máy tính. Với những nghiên cứu mới khả năng tính toán của máy tính được nâng lên một tầm cao mới với lượng dữ liệu khổng lồ được thu thập, machine learning dần tiến thêm và sau đó là sự ra đời của Deep Learning.

Ý tưởng về học máy đã xuất hiện từ những năm 50, 60 thế kỉ trước sau khi chúng ta có được các máy tự động. Với học máy các nhà khoa học muốn máy móc có thể tự học hỏi thêm kiến thức để thông minh hơn, phù hợp với điều kiện hoàn cảnh mới. Máy móc vốn là một thiết bị do chúng ta tạo ra để thực hiện công việc, hoàn thiện quy trình sản xuất để nâng cao năng suất, thay thế con người trong môi trường làm việc nguy hiểm. Máy móc giờ đây được cải tiến để có thể tự mình làm việc một cách thông minh. Học máy là một xu hướng được chú trọng để thay đổi ngành công nghiệp sản xuất.

Hiện nay có 4 công nghệ cơ bản của Machine Learning ta có thể kể đến.

Học có giám sát

Đây là trường hợp các máy tự học trên cơ sở các ví dụ. Điều này giống như các học trò nhận được từ khóa cho bài thử nghiệm và được yêu cầu tìm lời giải. Dữ liệu đầu vào được sử dụng để tìm các mối liên quan nhằm giải quyết một vấn đề cụ thể. Nếu xác lập thành công một mô hình, thì mô hình đó được sử dụng trong các trường hợp tương tự. 

Với công nghệ dạng này ta có thể kể đến một số vì dụ như: phát hiện quá tải, nhận dạng giọng nói, văn bản, hình ảnh,…

Học nửa giám sát

Với công nghệ này máy móc sẽ nhận được cả dữ liệu đầu vào được gán nhãn và dữ liệu đầu vào không được gán nhãn. Kiểu học máy này được dùng khi một tổ chức có quá nhiều dữ liệu hoặc có quá nhiều sự khác biệt của các thông tin đến mức không thể sắp xếp câu trả lời cho mỗi thông tin đòi hỏi hệ thống tự đề xuất câu trả lời và tạo ra những mô hình chung.

Ta có thể kể đến một vài ví dụ ứng dụng dạng này đó chính là việc phân loại các web hay nhận dạng giọng nói, hình ảnh

Học không giám sát

Học không giám sát liên quan đến những dữ liệu có nguồn gốc không rõ ràng, xác thực so với loại đầu tiên. Trong trường hợp này, máy móc không có “chìa khóa" trả lời và buộc phải tự phân tích dữ liệu, tìm kiếm mô hình và tìm mối tương quan có liên quan để đưa ra đáp án. Nhìn tổng thể, học hỏi không giám sát cũng giống như nghe một buổi phát sóng radio của nước ngoài mà bạn không hiểu người ta đang nói ngôn ngữ gì. Bạn cũng không có bất cứ một quyển từ điển nào trong tay hay một người trợ giúp bên cạnh để giúp bạn hiểu được phần nào những gì mình đang nghe.

Cách học máy này tương đối giống với cách hoạt động của bộ não con người. Bộ não rút ra kết luận trên cơ sở quan sát tự phát và trực giác cùng với sự gia tăng các tệp dữ liệu, kết luận đầu ra sẽ trở nên ngày càng chính xác hơn.

Học tăng cường

Với phương pháp này máy móc nhận được bộ thao tác và những quy định được phép từ trước. Hoạt động trong khuôn khổ đó, máy móc tiến hành phân tích và quan sát kết quả các thao tác để tự cập nhật và đưa ra những kết quả ngày càng tốt hơn.

Máy móc có thể học được nhiều thứ nhưng không phải là tất cả. Công nghệ này tuy mang lại những đột phá nhưng vẫn tồn tại một số hạn chế.