Phổ cập AI, Machine Learning và Deep Learning cho người không chuyên
Đặc trưng của trí tuệ con người là: học tập, suy luận, sáng tạo…
Trí tuệ Nhân tạo – Artificial Intelligent – AI – là làm cho máy móc có trí tuệ giống như con người. Hết.
Việc vận dụng trí tuệ nhân tạo theo những cách thức khác nhau tạo thành những nhánh ứng dụng khác nhau.
Nhắc lại, đó là các nhánh ứng dụng khác nhau, không phải công nghệ hay giải thuật khác nhau. Các ứng dụng đó bao gồm nhưng không giới hạn: học máy (machine learning), robot, xe tự hành, xử lý ngôn ngữ tự nhiên, nhận diện giọng nói, xử lý ảnh…
Lấy ví dụ xe tự hành, nhánh này phải kết hợp cả xử lý ngôn ngữ tự nhiên và nhận diện giọng nói để tạo thành lệnh điều khiển. Rồi dùng cả xử lý ảnh để nhận diện biển báo và vật cản. Và tất nhiên là phải có học máy để xử lý các tình huống trên đường. Vì thế các nhánh AI có sự chồng chéo lên nhau là bình thường.
Vậy làm sao để làm ra AI? Có 2 cách, một là dùng Rule-based (làm theo luật định nghĩa trước), hai là Learning (dạy cho nó học).
Cách 1, Rule-based, thật ra là cách cho máy móc mô phỏng trí tuệ của chuyên gia theo các tình huống đã xác định sẵn.
Chắc bạn đọc còn nhớ truyện “Chàng ngốc Làm theo vợ dặn”. Vợ dặn “ở đâu có đánh nhau thì phải vào can ngăn.”
Cô vợ giống như “chuyên gia” và chàng Ngốc chính là máy. Rule-Based chính là “ở đâu có đánh nhau thì phải vào can ngăn”.
Việc chuyển đổi trí tuệ của chuyên gia vào máy chỉ có thể hữu hạn, vì vậy sẽ không thể lường trước mọi tình huống.
Kết quả Ngốc bị lòi bụng vì can ngăn 2 con trâu húc nhau có thể xem như một hậu quả không mong đợi của phương án Rule-based.
Lưu ý, giới chuyên gia nhiều người cho rằng Rule-Based không được xem là AI nên lỡ gặp chuyên gia thì nên lựa lời mà chém.
Cách 2, Learning, là khả năng xử lý một vấn đề mới dựa trên những vấn đề cũ đã được học.
Learning được áp dụng bằng cách dạy cho máy học nên được gọi chung là machine learning.
Cách dạy máy gọi là train model, nôm na có thể hiểu:
Dữ liệu + Kết luận => Máy
(Tức là đưa dữ liệu và kết luận vào máy)
Sau khi dạy, thì sử dụng bằng cách:
Dữ liệu tương tự + Máy => Kết luận.
(Đưa dữ liệu tương tự vào máy thì sẽ có kết luận)
Cách máy học là những giải thuật tính toán phức tạp, trong đó có một giải thuật rất giống với cách mà con người tư duy, gọi là Deep Machine Learning. Cách này dùng một mạng lưới điểm tính toán giống như các neuron thần kinh siêu phức tạp tới mức chúng ta – những người bình thường không nên nhắc tới.
Có một điểm thú vị đó là việc máy tính nó học và suy nghĩ như thế nào thì người dạy nó cũng không biết, trong giới gọi là Blackbox.
Việc lựa chọn cách 1 hay 2 để giải quyết một bài toán cụ thể cũng không hề đơn giản. Cách 1 phù hợp với các bài toán đơn giản, ít thay đổi và tốn ít thời gian. Cách 2 thì giải quyết được bài toán lớn và phức tạp hơn, đổi lại thì tốn thời gian để xây dựng, đòi hỏi dữ liệu mẫu đủ lớn và chất lượng, lúc chạy cũng tốn nhiều tài nguyên.
Bản thân trong cách 2, việc lựa chọn giải thuật cũng rối rắm và nhức nách. Do Blackbox đã giải thích ở trên, do giới hạn của tài nguyên, tính chất bài toán cụ thể….một giải thuật đơn giản nhưng được tối ưu nhiều khi vẫn đem lại kết quả tốt hơn một giải thuật cao siêu.
Hy vọng đọc tới đây, các bạn hiểu và phân biệt được AI, Machine Learning và Deep Learning.
