Ông Đào Trung Thành, CTO tại MVV Group, tác giả bài viết.

Andrew Ng., từng là Chief Scientist Officer của Baidu và Co- creator của Google Brain, đã nói: “ A.I (Artificial Intelligence) is new electricity. Trí tuệ nhân tạo là nguồn điện mới với ý rằng cuộc cách mạng công nghiệp lần thứ 4 hiện nay có A.I là động lực dẫn dắt.Lĩnh vực A.I không mới, nó có hàng chục năm nay và mặc dù đi sâu vào nó là rất phức tạp vì được coi là một ngành mũi nhọn.Quốc gia nào sớm nắm bắt và tận dụng nó sẽ chiếm ưu thế trong thế kỷ 21 này.Tuy nhiên, những khái niệm của nó lại tỏ ra dễ nắm bắt bằng common sense (lý trí thông thường). Tôi không định múa rìu qua mắt thợ nhưng thiết tưởng việc giải thích ”A.I như cơm bình dân” cho nhiều người bình thường là điều cần thiết và không quá khỏ để nắm bắt.

Sự tiến hóa của mô hình nhận dạng

Hầu hết mọi người dường như hơi sợ sệt hoặc bối rối bởi thuật ngữ Machine Learning (ML- máy học hoặc học máy). Nó là cái gì?Nó đi đến đâu?Tôi có thể kiếm tiền từ nó không?Tất cả câu hỏi đều hợp lệ, đúng đắn.Sự thật là bạn đã học các mô hình ML trong nhiều năm nay và có lẽ không nhận ra nó.Bạn có sử dụng iPhone hoặc ảnh trên Flick, Instagram?Hoặc sử dụng Facebook?Bạn biết cách tag một friend hay một nhóm khuôn mặt vào một hình ảnh được đăng trên Facebook hoặc được yêu cầu xác định (identify) những ảnh này. Vâng, bằng cách gắn thẻ (tag) cho những ảnh đó, bạn đang đào tạo (train) một mô hình nhận dạng khuôn mặt (face recognition) để xác định khuôn mặt mới. Xin chúc mừng bạn, và giờ đây bạn có thể nói rằng mình đã có kinh nghiệm đào tạo mô hình học máy!

1. Lợi ích của ML là nó có thể dự đoán

Nếu bạn chỉ gắn thẻ khuôn mặt bạn bè của bạn trong ảnh, bạn không sử dụng mô hình học máy. Nếu bạn tải lên một bức ảnh mới vàđột nhiên nó cho bạn biết những người trong tấm ảnh là ai, đó bạn đang thực tập ML. Toàn bộ quá trình ML làđể dựđoán những điều dựa trên các mẫu và các yếu tố khác mà nóđãđược đào tạo. Nó có thể là bất cứ thứ gì; Giá nhàđất dựa trên mã bưu điện và số phòng ngủ, khả năng bị trễ chuyến bay dựa trên thời gian trong năm và thời tiết, gắn thẻ các đồ vật hoặc người trong ảnh, khuyến cáo một bộ phim nên xem hoăc gợi ý mua hàng dựa trên những lần xem hay mua trước đó, vv

2. ML cần được đào tạo (train)

Bạn phải nói cho một mô hình ML những gì nó tìm cách dựđoán.Hãy suy nghĩ về cách một đứa trẻ học hỏi.Lần đầu tiên đứa trẻ nhìn thấy quả chuối, nó không biết đó là gì.Sau đó bạn nói với nóđó là một quả chuối. Lần tiếp theo nó nhìn thấy một quả khác (không phải là quả chuối bạn chỉ ra cho nó và vì bạn đãăn) nó sẽ xác định đó là một quả chuối. ML cũng hoạt động theo cách tương tự. Bạn cho nó thấy nhiều hình ảnh của một quả chuối càng nhiều càng tốt, nói với nóđây là những quả chuối, và sau đó thử nó (test) với một hình ảnh của một quả chuối mà nó không được đào tạo (train).Đây là một sựđơn giản hóa hơn một chút bởi vì tôi đang bỏ ra những phần phức tạp khác như nói với ML những gì không phải là một quả chuối, và cho thấy những khía cạnh khác nhau của chuối, màu sắc khác nhau, hình ảnh từ góc độ khác nhau. Ta gọi những khía cạnh này là những feature trong ML.

3. Độ chính xác 80% được coi là thành công

Chúng ta không phải ở thời điểm đột phá trong công nghệ màởđó nền tảng ML sẽđạt được độ chính xác 100% với việc xác định những quả chuối trong hình ảnh. Nhưng đó cũng được rồi. Ngay cả con người không phải lúc nào cũng đoán chính xác 100%. Quy tắc bất thành văn trong ngành ML là mô hình cóđộ chính xác từ 80% là thành công. Nếu bạn nghĩđến việc xác định 800.000 hình ảnh một cách chính xác trong bộ sưu tập của mình, trong khi không đoán chính xác 200.000 thì bạn vẫn tiết kiệm được 80% thời gian, vẫn chính xác 8/10 trường hợp. Điều đó là rất lớn dưới góc độ giá trị. Nếu chúng ta có thể vẫy cây đũa thần và tăng năng suất của bạn lên đến 80% dựđoán chính xác như vậy, bạn sẽ cho tôi rất nhiều tiền.

Gần đây bằng những phương pháp ML tiên tiến Google đã huấn luyện nền tảng ML của họđể dựđoán những hình ảnh chẩn đoán ung thư tốt hơn là bác sĩ bình thường.

4. ML khác với AI, Deep Learning, hoặc Neuron Network (mạng thần kinh )

Mọi người có xu hướng sử dụng lẫn lộn những thuật ngữ này một cách tình cờ.Thực tế, những khái niệm này khá gần và liên quan đến nhau nhưng để nghe giống như một chuyên gia, hãy tìm hiểu sự khác biệt.

AI (Artificial Intelligence) - Trí tuệ nhân tạo có nghĩa là một máy tính có khả năng thực hiện những tác vụ cụ thể tốt bằng hoặc tốt hơn con người . Nó cũng có thể có nghĩa là một robot đưa ra quyết định dựa trên rất nhiều đầu vào (input), trông không giống như Terminator hay C3PO.

ML (Machine Learning)- Học máy là một phương pháp đểđạt được AI. Nó có nghĩa là thực hiện một dự báo (predict) về một cái gìđó dựa trên việc đào tạo (train) từ các bộ dữ liệu được phân loại.Có rất nhiều cách khác nhau mà một nền tảng ML có thể triển khai những dữ liệu để dựđoán mọi thứ.

NL (Neuron Network Learning) - Học máy dùng mạng thần kinh là một trong những cách mà một mô hình học máy có thể dựđoán nhiều thứ. Mạng nơron hoạt động giống như bộ não của bạn, bằng cách điều chỉnh thông qua rất nhiều dữ liệu đào tạo để hiểu một quả chuối là thế nào. Bạn tạo ra các lớp của các nút (node) rất sâu (deep).Đây cũng là khái niệm của deep learning: học sâu, sử dụng mô hình mạng thần kinh có nhiều lớp.

5. Vẫn còn một chặng đường phía trước để AI có nhận thức

Vì A.I hiện dựa vào các thuật toán của ML. Như tôi tường giải nó vẫn phải cung cấp những dữ liệu để train và các logic để thực hiện. Một trí tuệ nhân tạo phổ quát ( Artificial general intelligence ) vẫn còn một chặng đường dài phía trước. Dù những khoảng cách này sẽđược nhanh chóng rút ngắn theo như tiên đoán của nhà tương lai học Ray Kurzwei vào khoảng năm 2035 sẽ có AGI, một mức độ trí tuệ nhân tạo có khả năng tương đương hoặc hơn con người.

Tác giả bài viết: Ông Đào Trung Thành, CTO tại MVV Group.

Ông Đào Trung Thành hiện đang là Huấn luyện viên học phần Quản trị Tri thức trong Kỷ nguyên Số, thuộc chương trình huấn luyện Quản trị Kinh doanh Thông minh - iCEO. Bao gồm 10 học phần tóm gọn tất cả những kiến thức cần thiết nhất về quản trị doanh nghiệp trong thời đại số, chương trình sẽ mang đến những thay đổi thực sự cho doanh nghiệp của bạn. Tìm hiểu thêm về chương trình tại ĐÂY.

Ông Đào Trung Thành, CTO tại MVV Group, tác giả bài viết.

Andrew Ng., từng là Chief Scientist Officer của Baidu và Co- creator của Google Brain, đã nói: “ A.I (Artificial Intelligence) is new electricity. Trí tuệ nhân tạo là nguồn điện mới với ý rằng cuộc cách mạng công nghiệp lần thứ 4 hiện nay có A.I là động lực dẫn dắt.Lĩnh vực A.I không mới, nó có hàng chục năm nay và mặc dù đi sâu vào nó là rất phức tạp vì được coi là một ngành mũi nhọn.Quốc gia nào sớm nắm bắt và tận dụng nó sẽ chiếm ưu thế trong thế kỷ 21 này.Tuy nhiên, những khái niệm của nó lại tỏ ra dễ nắm bắt bằng common sense (lý trí thông thường). Tôi không định múa rìu qua mắt thợ nhưng thiết tưởng việc giải thích ”A.I như cơm bình dân” cho nhiều người bình thường là điều cần thiết và không quá khỏ để nắm bắt.

Sự tiến hóa của mô hình nhận dạng

Hầu hết mọi người dường như hơi sợ sệt hoặc bối rối bởi thuật ngữ Machine Learning (ML- máy học hoặc học máy). Nó là cái gì?Nó đi đến đâu?Tôi có thể kiếm tiền từ nó không?Tất cả câu hỏi đều hợp lệ, đúng đắn.Sự thật là bạn đã học các mô hình ML trong nhiều năm nay và có lẽ không nhận ra nó.Bạn có sử dụng iPhone hoặc ảnh trên Flick, Instagram?Hoặc sử dụng Facebook?Bạn biết cách tag một friend hay một nhóm khuôn mặt vào một hình ảnh được đăng trên Facebook hoặc được yêu cầu xác định (identify) những ảnh này. Vâng, bằng cách gắn thẻ (tag) cho những ảnh đó, bạn đang đào tạo (train) một mô hình nhận dạng khuôn mặt (face recognition) để xác định khuôn mặt mới. Xin chúc mừng bạn, và giờ đây bạn có thể nói rằng mình đã có kinh nghiệm đào tạo mô hình học máy!

1. Lợi ích của ML là nó có thể dự đoán

Nếu bạn chỉ gắn thẻ khuôn mặt bạn bè của bạn trong ảnh, bạn không sử dụng mô hình học máy. Nếu bạn tải lên một bức ảnh mới vàđột nhiên nó cho bạn biết những người trong tấm ảnh là ai, đó bạn đang thực tập ML. Toàn bộ quá trình ML làđể dựđoán những điều dựa trên các mẫu và các yếu tố khác mà nóđãđược đào tạo. Nó có thể là bất cứ thứ gì; Giá nhàđất dựa trên mã bưu điện và số phòng ngủ, khả năng bị trễ chuyến bay dựa trên thời gian trong năm và thời tiết, gắn thẻ các đồ vật hoặc người trong ảnh, khuyến cáo một bộ phim nên xem hoăc gợi ý mua hàng dựa trên những lần xem hay mua trước đó, vv

2. ML cần được đào tạo (train)

Bạn phải nói cho một mô hình ML những gì nó tìm cách dựđoán.Hãy suy nghĩ về cách một đứa trẻ học hỏi.Lần đầu tiên đứa trẻ nhìn thấy quả chuối, nó không biết đó là gì.Sau đó bạn nói với nóđó là một quả chuối. Lần tiếp theo nó nhìn thấy một quả khác (không phải là quả chuối bạn chỉ ra cho nó và vì bạn đãăn) nó sẽ xác định đó là một quả chuối. ML cũng hoạt động theo cách tương tự. Bạn cho nó thấy nhiều hình ảnh của một quả chuối càng nhiều càng tốt, nói với nóđây là những quả chuối, và sau đó thử nó (test) với một hình ảnh của một quả chuối mà nó không được đào tạo (train).Đây là một sựđơn giản hóa hơn một chút bởi vì tôi đang bỏ ra những phần phức tạp khác như nói với ML những gì không phải là một quả chuối, và cho thấy những khía cạnh khác nhau của chuối, màu sắc khác nhau, hình ảnh từ góc độ khác nhau. Ta gọi những khía cạnh này là những feature trong ML.

3. Độ chính xác 80% được coi là thành công

Chúng ta không phải ở thời điểm đột phá trong công nghệ màởđó nền tảng ML sẽđạt được độ chính xác 100% với việc xác định những quả chuối trong hình ảnh. Nhưng đó cũng được rồi. Ngay cả con người không phải lúc nào cũng đoán chính xác 100%. Quy tắc bất thành văn trong ngành ML là mô hình cóđộ chính xác từ 80% là thành công. Nếu bạn nghĩđến việc xác định 800.000 hình ảnh một cách chính xác trong bộ sưu tập của mình, trong khi không đoán chính xác 200.000 thì bạn vẫn tiết kiệm được 80% thời gian, vẫn chính xác 8/10 trường hợp. Điều đó là rất lớn dưới góc độ giá trị. Nếu chúng ta có thể vẫy cây đũa thần và tăng năng suất của bạn lên đến 80% dựđoán chính xác như vậy, bạn sẽ cho tôi rất nhiều tiền.

Gần đây bằng những phương pháp ML tiên tiến Google đã huấn luyện nền tảng ML của họđể dựđoán những hình ảnh chẩn đoán ung thư tốt hơn là bác sĩ bình thường.

4. ML khác với AI, Deep Learning, hoặc Neuron Network (mạng thần kinh )

Mọi người có xu hướng sử dụng lẫn lộn những thuật ngữ này một cách tình cờ.Thực tế, những khái niệm này khá gần và liên quan đến nhau nhưng để nghe giống như một chuyên gia, hãy tìm hiểu sự khác biệt.

AI (Artificial Intelligence) - Trí tuệ nhân tạo có nghĩa là một máy tính có khả năng thực hiện những tác vụ cụ thể tốt bằng hoặc tốt hơn con người . Nó cũng có thể có nghĩa là một robot đưa ra quyết định dựa trên rất nhiều đầu vào (input), trông không giống như Terminator hay C3PO.

ML (Machine Learning)- Học máy là một phương pháp đểđạt được AI. Nó có nghĩa là thực hiện một dự báo (predict) về một cái gìđó dựa trên việc đào tạo (train) từ các bộ dữ liệu được phân loại.Có rất nhiều cách khác nhau mà một nền tảng ML có thể triển khai những dữ liệu để dựđoán mọi thứ.

NL (Neuron Network Learning) - Học máy dùng mạng thần kinh là một trong những cách mà một mô hình học máy có thể dựđoán nhiều thứ. Mạng nơron hoạt động giống như bộ não của bạn, bằng cách điều chỉnh thông qua rất nhiều dữ liệu đào tạo để hiểu một quả chuối là thế nào. Bạn tạo ra các lớp của các nút (node) rất sâu (deep).Đây cũng là khái niệm của deep learning: học sâu, sử dụng mô hình mạng thần kinh có nhiều lớp.

5. Vẫn còn một chặng đường phía trước để AI có nhận thức

Vì A.I hiện dựa vào các thuật toán của ML. Như tôi tường giải nó vẫn phải cung cấp những dữ liệu để train và các logic để thực hiện. Một trí tuệ nhân tạo phổ quát ( Artificial general intelligence ) vẫn còn một chặng đường dài phía trước. Dù những khoảng cách này sẽđược nhanh chóng rút ngắn theo như tiên đoán của nhà tương lai học Ray Kurzwei vào khoảng năm 2035 sẽ có AGI, một mức độ trí tuệ nhân tạo có khả năng tương đương hoặc hơn con người.

Tác giả bài viết: Ông Đào Trung Thành, CTO tại MVV Group.

Ông Đào Trung Thành hiện đang là Huấn luyện viên học phần Quản trị Tri thức trong Kỷ nguyên Số, thuộc chương trình huấn luyện Quản trị Kinh doanh Thông minh - iCEO. Bao gồm 10 học phần tóm gọn tất cả những kiến thức cần thiết nhất về quản trị doanh nghiệp trong thời đại số, chương trình sẽ mang đến những thay đổi thực sự cho doanh nghiệp của bạn. Tìm hiểu thêm về chương trình tại ĐÂY.