Machine Learning là gì? AI, Machine learning, deep learning khác nhau thế nào? Ứng dụng của machine learning trong đời sống là gì? Trong tương lai nó sẽ làm được những gì? Hãy cùng tìm hiểu kỹ hơn về thuật ngữ này qua bài viết sau đây nhé.
Machine learning là gì?
Trước tiên, bạn cần biết đến một khái niệm liên quan: Artificial Intelligence (viết tắt: AI – Trí tuệ nhân tạo). Trí tuệ nhân tạo được biết đến là một ngành của khoa học máy tính, nghiên cứu về khả năng tự động hóa các hành vi thông minh.
Hiểu một cách đơn giản, AI là trí tuệ nhân bản của con người được thực hiện trên máy móc. Nói cách khác, máy móc có thể tư duy, suy nghĩ hay học hỏi… giống như trí tuệ con người. Thậm chí chúng còn có khả năng xử lý hệ thống dữ liệu ở quy mô lớn hơn, khoa học và nhanh hơn so với con người.
Machine Learning là một nhánh con trong lĩnh vực Trí tuệ nhân tạo, cung cấp cho hệ thống khả năng tự động học hỏi và cải thiện thông qua kinh nghiệm mà không cần phải lập trình rõ ràng. Nhiệm vụ cốt lõi của Machine Learning chính là tập trung phát triển các chương trình máy tính có khả năng truy cập dữ liệu để sử dụng trong việc tự học.
“Machine learning là một nhánh của trí tuệ nhân tạo (AI) cung cấp cho máy khả năng tự động học hỏi từ dữ liệu và kinh nghiệm trong quá khứ để xác định các mẫu và đưa ra dự đoán với sự can thiệp tối thiểu của con người.”
Machine learning engineer là gì?
Machine learning engineer là kỹ sư máy học là người nghiên cứu, xây dựng và thiết kế các hệ thống trí tuệ nhân tạo để tự động hóa các mô hình dự đoán.
Các kỹ sư máy học có nền tảng vững chắc về khoa học máy tính, toán học và thống kê, đồng thời họ thường đóng vai trò là cầu nối giữa các nhà khoa học dữ liệu tập trung vào công việc thống kê và xây dựng mô hình cũng như xây dựng hệ thống máy học và AI.
Sự khác biệt giữa AI, machine learing và deep learning
Trí tuệ nhân tạo AI là khái niệm tạo ra những cỗ máy thông minh.
Machine learning là một nhánh của trí tuệ nhân tạo giúp xây dựng các ứng dụng dựa trên AI.
Deep Learning là một nhánh của machine learning sử dụng khối lượng dữ liệu khổng lồ và các thuật toán phức tạp để train model.
Ứng dụng của Machine Learning
Thuật ngữ Machine Learning nghe có vẻ mang tầm vĩ mô, nhưng trên thực tế bạn có thể bắt gặp nó hàng ngày. Dưới đây là một vài ứng dụng phổ biến của Machine Learning:
Xử lý hình ảnh
Machine Learning có thể xử lý hình ảnh (Image Processing) bằng cách phân tích thông tin từ hình ảnh hoặc thực hiện một số phép biến đổi. Điển hình như:
Nhận diện khuôn mặt để gắn thẻ hình ảnh: Machine Learning cung cấp một thuật toán tự động có thể phát hiện khuôn mặt của bạn (hoặc bạn bè) trên những bức ảnh đăng tải lên mạng xã hội. Thông qua đó, nó có thể gợi ý cho bạn gắn thẻ ảnh chính mình và bạn bè dễ dàng, nhanh chóng hơn. Về bản chất, thuật toán này được hình thành từ những bức ảnh mà bạn đã tự gắn thẻ cho mình trước đây.
Số hóa dữ liệu bằng cách nhận dạng ký tự: Một thuật toán trên Machine Learning cho phép chuyển dữ liệu trên văn bản, giấy tờ thành dữ liệu số hóa nhờ nhận dạng ký tự.
Cảnh báo cho hệ thống tự động trên ô tô: Một ứng dụng khác trong xử lý hình ảnh của Machine Learning chính là phát hiện các biển báo bên đường hay các chướng ngại vật thông qua camera. Từ đó chúng sẽ đưa ra cảnh báo cho người cầm lái (hoặc đưa ra thông báo cho hệ thống ô tô tự lái) để hạn chế rủi ro trong khi di chuyển.
Phân tích văn bản
Ứng dụng phân tích văn bản của Machine Learning là gì? Đó là thực hiện phân loại hoặc trích xuất thông tin từ các văn bản đích như tài liệu, email, các đoạn chat, Facebook… Cụ thể như sau:
Lọc spam: Ở đây, bộ lọc spam trên Machine Learning sẽ tiến hành phân tích tiêu đề lẫn nội dung email để phân loại email spam và email không phải spam.
Phân tích tình thái ngữ nghĩa: Là khả năng phân loại một ý kiến là tích cực, trung tính hay tiêu cực dựa vào nội dung văn bản của người viết.
Trích xuất thông tin: Là khả năng trích xuất các thông tin hữu ích trong văn bản như số liệu, tên người, địa chỉ, từ khóa…
Khai thác dữ liệu
Khai thác dữ liệu là quá trình tìm ra những thông tin có giá trị hoặc đưa ra dự đoán từ nguồn dữ liệu. Sau đây là những ứng dụng cụ thể trong mảng này:
Phát hiện thông tin bất thường: Thuật toán của Machine Learning có khả năng phát hiện ra các điểm bất bình thường, ví dụ như gian lận thẻ tín dụng. Đúc rút từ các giao dịch thông thường của một người dùng, hệ thống có thể phát hiện ra một giao dịch khả nghi nếu nó chứa những thao thác bất thường.
Nhận diện quy luật: Là khả năng phát hiện và đúc kết các sự kiện mang tính quy luật như thói quen, lịch trình… Ứng dụng này được sử dụng phổ biến nhất trong lĩnh vực thương mại điện tử. Chẳng hạn, thuật toán Machine Learning có thể hỗ trợ người bán khám phá ra các thói quen mua sắm của khách hàng. Thông tin này rất hữu ích trong việc tiếp thị sản phẩm đến khách hàng tiềm năng.
Dự đoán: Dựa trên các cột giá trị trong hệ thống dữ liệu, Machine Learning có thể xâu chuỗi chúng và đưa ra dự đoán về dữ liệu mới. Chẳng hạn hệ thống có thể dự đoán giá của một căn hộ dựa trên các dữ liệu về giá bạn đã cung cấp trước đó.
Robot và trò chơi điện tử
Khi bàn về ứng dụng của Machine Learning, chúng ta không thể không nhắc đến hai lĩnh vực lớn, đó là: Robot và trò chơi điện tử. Vậy ứng dụng trong lĩnh vực này của Machine Learning là gì?
Hãy tưởng tượng bạn tham gia một trò game hành động, trong đó nhân vật game cần di chuyển, săn quái vật và vượt qua các chướng ngại được bày binh bố trận. Thế nhưng bạn không có nhiều thời gian để tự mình chơi toàn bộ trò này. Machine Learning có thể học và giải quyết các nhiệm vụ trong game thay bạn.
Nói về ứng dụng trong robot, gần đây nhất, cỗ máy Alpha Go (do Google DeepMind chế tạo) đã đánh bại kỳ thủ cờ vây số 1 thế giới. Đây được xem là bước tiến đáng kể trong ngành nghiên cứu Machine Learning, bởi vì cờ vây là một trò chơi trí tuệ có không gian trạng thái cực kỳ lớn.
Một số thuật toán cơ bản của Machine Learning
Đến đây chắc hẳn bạn đọc đã hiểu Machine Learning là gì rồi phải không? Vấn đề là làm thế nào Machine Learning có được những khả năng tuyệt diệu đó? Câu trả lời nằm ở các thuật toán của nó.
Thuật toán vec-tơ
Thuật toán vec-tơ (Support Vector Machines) là thuật toán xây dựng một siêu mặt phẳng trong không gian đa chiều. Thuật toán này dùng để phân biệt các đối tượng thuộc các lớp khác nhau sao cho giữa chúng đạt khoảng cách cực đại. Tuy rằng ý tưởng của thuật toán khá đơn giản nhưng khi triển khai lại rất phức tạp và mang tính hiệu quả cao.
Thuật toán mô hình xác suất
Thuật toán mô hình xác suất (Probabilistic Models) là thuật toán được xây dựng dựa trên phân bố xác suất. Trong đó thuật toán phổ biến nhất là phân loại Naive Bayes. Ưu thế của mô hình xác suất chính là tính chất đơn giản mà hiệu quả.
Thuật toán học sâu
Thuật toán học sâu (Deep learning) đang dẫn đầu xu hướng trong Machine Learning. Thuật toán học sâu được xây dựng dựa trên các mô hình mạng nơ ron nhân tạo (Artificial Neural Networks). Chúng có cách tiếp cận kết nối và sử dụng ý tưởng được mô phỏng như bộ não con người trong khi làm việc. Hiện nay thuật toán học sâu liên tục được nghiên cứu phát triển với các cấu trúc mới sâu hơn.
Bài viết trên là một bức tranh tổng thể về khái niệm Machine Learning là gì, ứng dụng và các thuật toán cấu trúc nên nó. Nhìn chung Machine Learning là một lĩnh vực mới mẻ của Trí tuệ nhân tạo và có tiềm năng phát triển phát triển mạnh mẽ trong tương lai. Hiểu được Machine Learning và biết cách ứng dụng sẽ giúp bạn làm chủ được thế giới số.
Pha Lê
