Học máy

Công nghệ máy học (MLT) là thuật ngữ được dùng để mô tả cho đa dạng kiểu công nghệ trí tuệ nhân tạo (AI) trong đó một chương trình máy tính có khả năng sửa đổi bản thân nó. Việc tự sửa đổi này có thể lấy dạng tự cải tiến, hay phát hiệu lỗi, và được thực hiện theo đa dạng cách. Các nhà khoa học máy học quan tâm tới câu hỏi “Làm sao chúng ta có thể lập trình cho cái máy tự động học và cải thiện qua kinh nghiệm?” Để làm điều đó họ phát triển các thuật toán đặc biệt dựa trên các nguyên lí thống kê và tính toán để đề cập tới các quá trình học tập mà đặc trưng cho bản chất nền tảng của kinh nghiệm trong học tập. Về căn bản có hai cách tiếp cận chính: học có giám sát và không giám sát.

Học có giám sát trong công nghệ máy học bao gồm một tập được lựa chọn các dữ liệu và qui tắc mà chương trình phần mềm phải theo để thu được hình mẫu đúng. Chương trình phải thao tác dữ liệu vào để khớp các hình mẫu được cho bởi người lập trình và làm điều chỉnh như được người lập trình chỉ đạo. Học không giám sát, phần mềm được cho một tập dữ liệu, hình mẫu, nhưng làm điều chỉnh mà không có chỉ đạo. Chương trình này về bản chất học bằng thử và sai, không có can thiệp của con người.

Image: Internet

Tổ hợp của các thuật toán học có giám sát và không giám sát có thể được dùng để cải tiến khả năng của chương trình AI để cho máy có thể học nhanh hơn và có khả năng đi tới các kết quả đúng. Từ những thuật toán này, có thể phát triển phần mềm cho vận hành máy móc và có khả năng tự sửa khi nó phạm sai lầm. Các sản phẩm phần mềm này bây giờ được dùng trong nhiều cơ xưởng và được xây dựng trong các máy nhỏ để thực hiện tốt hơn và chính xác hơn. Ứng dụng khác của phần mềm này được dùng để nhận diện tiếng nói con người như các chỉ lệnh. Chẳng hạn phần mềm nhận dạng tiếng nói trong điện thoại di động. Người ta mong đợi rằng trong vài năm tới với công nghệ nhận dạng tiếng nói, mọi người có thể nói cho máy tính mà không phải dùng bàn phím hay chuột.

Bên cạnh các thuật toán máy học có giám sát và không giám sát, máy cũng có thể học bằng việc củng cố. Phương pháp này bắt đầu bằng việc để máy quan sát một ví dụ về cách nhiệm vụ được thực hiện và để nó lặp lại từng bước. Học củng cố cung cấp các phản hồi tích cực và tiêu cực cho chương trình khi nó học, cho phép nó cải tiến hiệu năng và tự sửa nó. Kĩ thuật này được dùng phần lớn trong công nghiệp robotics.

Ngày nay máy học là phần then chốt của lĩnh vực trí tuệ nhân tạo với nhiều ứng dụng hữu ích. Chẳng hạn các kĩ thuật máy học được dùng để dự đoán các bệnh nhân y học nào sẽ đáp ứng với cách điều trị nào bằng việc phân tích cơ sở dữ liệu các hồ sơ y tế. Các thuật toán máy học được áp dụng cho robots và tạo khả năng cho chúng học cách di chuyển quanh chướng ngại dựa trên kinh nghiệm chúng thu được từ các cảm biến. Các thuật toán học máy được dùng trong trợ giúp máy tính cho khám phá khoa học mà có tổ hợp các giả thuyết khoa học với dữ liệu thực nghiệm để tự động tạo ra các giả thuyết khoa học cải tiến hơn mà khớp với dữ liệu được quan sát. Chẳng hạn trung tâm gọi điện thoại dùng nhận dạng tiếng nói, thao tác khai phá dữ liệu để tìm thông tin, và giảm khối lượng thời gian cần để cải tiến chương trình máy tính. Chức năng bản chất của những chương trình này là tìm ra cách thức để giảm bớt nhu cầu tham gia của con người, qua các hoạt động được tăng lên của máy móc.

Câu hỏi thường được hỏi là: “Máy có thể thay thế cho con người không?” Câu trả lời đúng là: “Máy có thể làm công việc của con người hiệu quả, hiệu lực và chính xác hơn nhưng nó vẫn cần con người lập trình cho nó. Nó sẽ học để sửa những sai lầm của nó và nghĩ tới cách tiếp cận tốt nhất để giải quyết vấn đề nhưng nó vẫn phải được lập trình bởi con người. Không có các thuật toán máy học dựng sẵn, máy không thể hoạt động được. Khi nhiều robots được xây dựng, khi các máy thông minh hơn được dùng thì nhu cầu về người phần mềm, người có thể thiết kế và lập trình cho thuật toán máy học cũng tăng lên đáng kể.

English version

Full article: Machine learning

Tác phẩm, tác giả, nguồn

  • Tác phẩm: Xu hướng công nghệ
  • Biên tập: Kipkis.com
  • Nguồn: Blog của giáo sư John Vu, Carnegie Mellon University
"Like" us to know more!