Máy học là gì?

Hãy cùng tìm hiểu về ứng dụng máy học trong một số ngành chính:

Sản xuất

Máy học có thể hỗ trợ bảo trì dự đoán, kiểm soát chất lượng và nghiên cứu đổi mới trong lĩnh vực sản xuất. Công nghệ máy học cũng giúp các công ty cải thiện giải pháp hậu cần, bao gồm quản lý tài sản, chuỗi cung ứng và kho hàng. Ví dụ: gã khổng lồ 3M trong ngành sản xuất sử dụng AWS Machine Learning để cải tiến giấy nhám. Thuật toán máy học giúp các nhà nghiên cứu của 3M phân tích những thay đổi nhỏ về hình dạng, kích thước và định hướng có thể cải thiện khả năng mài mòn và độ bền ra sao. Những gợi ý này cung cấp thông tin cho quá trình sản xuất.

Chăm sóc sức khỏe và khoa học đời sống

Sự phát triển như vũ bão của cảm biến và thiết bị có thể đeo được đã tạo ra một lượng lớn dữ liệu về sức khỏe. Các chương trình máy học có thể phân tích thông tin này và hỗ trợ bác sĩ chẩn đoán và điều trị trong thời gian thực. Các nhà nghiên cứu máy học đang phát triển giải pháp phát hiện khối u ung thư và chẩn đoán những bệnh về mắt, tác động đáng kể tới kết quả chăm sóc sức khỏe con người. Ví dụ: Cambia Health Solutions sử dụng AWS Machine Learning để hỗ trợ các công ty khởi nghiệp về chăm sóc sức khỏe, giúp họ tự động hóa và điều chỉnh phương pháp điều trị cho phụ nữ mang thai.

Dịch vụ tài chính

Các dự án máy học về tài chính giúp cải thiện khả năng phân tích rủi ro và quy định. Công nghệ máy học có thể giúp các nhà đầu tư xác định cơ hội mới bằng cách phân tích hoạt động của thị trường chứng khoán, đánh giá các quỹ phòng hộ hoặc hiệu chỉnh danh mục tài chính. Thêm vào đó, công nghệ máy học có thể giúp xác định các khách hàng vay nợ có rủi ro cao và giảm bớt dấu hiệu của hành vi lừa đảo.  Công ty dẫn đầu trong lĩnh vực phần mềm tài chính Intuit sử dụng hệ thống AWS Machine Learning, Amazon Textract, để thực hiện hoạt động quản lý tài chính được cá nhân hóa tốt hơn và giúp người dùng cuối cải thiện tình hình tài chính của họ.

Bán lẻ

Nhà bán lẻ có thể sử dụng máy học để cải thiện dịch vụ khách hàng, quản lý hàng tồn kho, bán hàng gia tăng và tiếp thị đa kênh. Ví dụ: Amazon Fulfillment (AFT) giảm được 40% chi phí cơ sở hạ tầng bằng cách sử dụng mô hình máy học để xác định hàng tồn đặt sai chỗ. Việc này giúp họ thực hiện lời hứa của Amazon rằng một sản phẩm sẽ luôn được cung cấp cho khách hàng và được giao đúng hẹn, mặc dù công ty phải xử lý hàng triệu chuyến hàng trên toàn cầu mỗi năm.

Truyền thông và giải trí

Các công ty giải trí tìm đến máy học để hiểu rõ hơn đối tượng mục tiêu của họ đồng thời cung cấp nội dung chân thực, được cá nhân hóa và theo nhu cầu của khách hàng. Thuật toán máy học được triển khai để giúp thiết kế trailer và các dạng quảng cáo khác, từ đó đề xuất nội dung được cá nhân hóa cho người tiêu dùng và thậm chí là hợp lý hóa quy trình sản xuất. 

Ví dụ: Disney đang sử dụng AWS Deep Learning để lưu trữ thư viện nội dung đa phương tiện của họ. Công cụ AWS Machine Learning tự động gắn thẻ, mô tả và sắp xếp nội dung đa phương tiện, cho phép biên kịch và họa sĩ hoạt hình nhanh chóng tìm kiếm và làm quen với các nhân vật của Disney.

Các thuật toán có thể được phân loại theo 4 cách học tùy thuộc vào loại dữ liệu đầu vào và kết quả kỳ vọng.

1. Máy học có giám sát
2. Máy học không có giám sát
3. Máy học nửa giám sát
4. Máy học tăng cường

1. Máy học có giám sát

Các nhà khoa học dữ liệu cung cấp cho thuật toán dữ liệu đào tạo được gắn nhãn và xác định để đánh giá mối tương quan. Dữ liệu mẫu chỉ định cả đầu vào và kết quả của thuật toán. Ví dụ: Hình ảnh những chữ số viết tay được chú thích để chỉ ra số tương ứng với hình ảnh đó. Một hệ thống học có giám sát có thể nhận ra các cụm điểm ảnh và hình dạng liên quan tới mỗi số, nếu được cung cấp đủ ví dụ. Cuối cùng, hệ thống sẽ nhận ra các chữ số viết tay, có thể phân biệt giữa số 9 và 4 hoặc 6 và 8 một cách đáng tin cậy. 

Ưu điểm của học có giám sát là tính đơn giản và thiết kế dễ dàng. Cách học này rất hữu ích khi dự đoán một số lượng kết quả có giới hạn, phân loại dữ liệu hoặc kết hợp các kết quả thu được từ 2 thuật toán máy học khác. Tuy nhiên, việc gắn nhãn hàng triệu tập dữ liệu không có nhãn lại là thách thức. Hãy cùng tìm hiểu kỹ hơn nội dung này:

Gắn nhãn dữ liệu là gì?

Gắn nhãn dữ liệu là quá trình phân loại dữ liệu đầu vào với giá trị kết quả được xác định tương ứng. Dữ liệu đào tạo được gắn nhãn là bắt buộc đối với cách học có giám sát. Ví dụ: hàng triệu hình ảnh táo và chuối sẽ cần được gắn thẻ bằng từ “táo” hoặc “chuối.” Sau đó, ứng dụng máy học có thể sử dụng dữ liệu đào tạo này để đoán tên loại hoa quả khi được cung cấp hình ảnh. Tuy nhiên, việc gắn nhãn hàng triệu dữ liệu mới có thể là một nhiệm vụ khó khăn và tốn nhiều thời gian. Các dịch vụ tìm kiếm nguồn lực từ đám đông như Amazon Mechanical Turk có thể vượt qua giới hạn này của thuật toán học có giám sát ở một mức độ nào đó. Những dịch vụ này cung cấp khả năng tiếp cận nguồn lao động giá rẻ rải rác khắp toàn cầu, giúp giảm bớt thách thức trong việc thu thập dữ liệu.

2. Máy học không có giám sát

Thuật toán học không có giám sát được đào tạo dựa trên dữ liệu không gắn nhãn. Các thuật toán này quét dữ liệu mới, cố gắng thiết lập kết nối có ý nghĩa giữa dữ liệu đầu vào và kết quả định sẵn. Chúng có thể phát hiện khuôn mẫu và phân loại dữ liệu. Ví dụ: thuật toán không có giám sát có thể nhóm các bài viết từ nhiều trang tin tức khác nhau theo các mục phổ biến như thể thao, hình sự, v.v. Chúng có thể dùng phương thức xử lý ngôn ngữ tự nhiên để thấu hiểu ý nghĩa và cảm xúc trong bài viết. Trong ngành bán lẻ, học không có giám sát có thể tìm khuôn mẫu trong các đơn mua hàng của khách và cung cấp kết quả phân tích dữ liệu, chẳng hạn như khách hàng có khả năng cao sẽ mua bánh mì nếu đã mua bơ.

Học không có giám sát rất hữu ích trong việc phát hiện khuôn mẫu và sự bất thường, cũng như tự động nhóm dữ liệu theo các hạng mục. Vì dữ liệu đào tạo không cần gắn nhãn nên việc thiết lập học không giám sát rất dễ dàng. Các thuật toán này cũng có thể được sử dụng để làm sạch và xử lý dữ liệu nhằm tự động dựng mô hình chuyên sâu hơn. Giới hạn của phương pháp này là thuật toán không thể đưa ra dự đoán chính xác. Thêm vào đó, phương pháp này không thể tự tách biệt một số loại kết quả dữ liệu cụ thể.

3. Máy học nửa giám sát

Đúng như tên gọi của mình, phương pháp này kết hợp cả học có giám sát lẫn không có giám sát. Kỹ thuật này dựa vào một lượng nhỏ dữ liệu được gắn nhãn và một lượng lớn dữ liệu không gắn nhãn để đào tạo các hệ thống. Đầu tiên, dữ liệu được gắn nhãn được sử dụng để đào tạo một phần thuật toán máy học. Sau đó, thuật toán đã được đào tạo một phần sẽ tự mình gắn nhãn cho dữ liệu chưa được gắn nhãn. Quá trình này được gọi là giả gắn nhãn. Mô hình sau đó được đào tạo lại bằng hỗn hợp dữ liệu kết quả mà không được lập trình cụ thể.

Ưu điểm của phương pháp này là bạn không cần một lượng lớn dữ liệu được gắn nhãn. Phương pháp này rất hữu ích khi làm việc với loại dữ liệu như các tài liệu dài và tốn quá nhiều thời gian để có người đọc và gắn nhãn.

4. Học tăng cường

Học tăng cường là phương pháp có giá trị thưởng được gắn với các bước khác nhau mà thuật toán phải trải qua. Mục tiêu của mô hình là tích lũy nhiều điểm thưởng hết mức có thể và cuối cùng sẽ đạt được mục tiêu cuối. Hầu hết các ứng dụng thực tiễn của học tăng cường trong thập niên vừa qua nằm trong lĩnh vực trò chơi điện tử. Các thuật toán học tăng cường tiên tiến đã đạt được những kết quả ấn tượng trong các trò chơi cổ điển và hiện đại, thường có kết quả vượt xa đối thủ con người của chúng. 

Mặc dù phương pháp này hoạt động tốt nhất trong môi trường dữ liệu không chắc chắn và phức tạp, nó hiếm khi được triển khai trong bối cảnh kinh doanh. Phương pháp này không hiệu quả trong các tác vụ được xác định rõ và thiên kiến của nhà phát triển có thể ảnh hưởng tới kết quả. Vì nhà khoa học dữ liệu là người thiết kế phần thưởng, họ có thể tác động tới kết quả.

Cách tiếp cận tất định tập trung vào độ chính xác và khối lượng dữ liệu thu thập được, vậy nên hiệu quả sẽ được ưu tiên so với tính không chắc chắn. Mặt khác, quy trình không tất định (hay xác suất) được thiết kế để quản lý yếu tố xác suất. Các công cụ có sẵn được tích hợp vào thuật toán máy học để giúp định lượng, xác định và đo lường tính không chắc chắn trong quá trình học và quan sát.

Hãy cùng tìm hiểu những việc máy học có thể và không thể làm được:

Ưu điểm của mô hình máy học:

• Có thể xác định xu hướng và khuôn mẫu dữ liệu mà con người có thể bỏ qua.
• Có thể làm việc mà không cần con người can thiệp sau khi thiết lập. Ví dụ: máy học trong phần mềm an ninh mạng có thể liên tục giám sát và xác định điểm bất thường trong lưu lượng mạng mà không cần dữ liệu đầu vào từ quản trị viên.
• Kết quả của máy học có thể chính xác hơn theo thời gian.
• Có thể xử lý nhiều định dạng dữ liệu trong môi trường dữ liệu linh hoạt, khối lượng lớn và phức tạp.

Nhược điểm của mô hình máy học:

• Quá trình đào tạo ban đầu tốn kém và cần nhiều thời gian. Khó có thể triển khai nếu không có đủ dữ liệu.
• Là quy trình nặng về điện toán yêu cầu đầu tư lớn lúc đầu nếu phần cứng được thiết lập ngay trong tổ chức.
• Diễn giải chính xác kết quả và loại bỏ tính không chắc chắn mà không có chuyên gia hỗ trợ có thể là thách thức lớn.