Học sâu là gì?

Học sâu tạo sinh là học sâu tập trung vào việc tạo ra đầu ra mới từ đầu vào đã học. Theo truyền thống, học sâu tập trung vào việc xác định mối quan hệ giữa dữ liệu. Các mô hình học sâu được đào tạo với lượng lớn dữ liệu để nhận ra các kiểu mẫu trong tập dữ liệu.

Học sâu tạo sinh bổ sung khả năng tạo vào khả năng nhận dạng kiểu mẫu. Các mô hình như vậy tìm kiếm các kiểu mẫu dữ liệu và sau đó tạo ra các kiểu mẫu độc đáo của riêng chúng. Ví dụ: chúng có thể phân tích văn bản trong nhiều cuốn sách và sau đó sử dụng thông tin để tạo các câu và đoạn văn mới không có trong sách gốc.

Học sâu tạo sinh là cơ sở của AI tạo sinh và mô hình nền tảng hiện đại. Các mô hình này sử dụng các công nghệ học sâu trên quy mô lớn, được đào tạo trên dữ liệu khổng lồ, để thực hiện các tác vụ phức tạp như trả lời câu hỏi, tạo hình ảnh từ văn bản và viết nội dung.

Xem video giới thiệu về các mô hình nền tảng

Mô hình học sâu có một số trường hợp sử dụng trong lĩnh vực ô tô, hàng không vũ trụ, sản xuất, điện tử, nghiên cứu y học và nhiều lĩnh vực khác.

• Xe tự hành sử dụng các mô hình học sâu để phát hiện đối tượng.
• Hệ thống quốc phòng sử dụng mô hình học sâu để gắn cờ các khu vực được quan tâm trong ảnh vệ tinh.
• Phân tích hình ảnh y khoa sử dụng công nghệ học sâu để phát hiện các tế bào ung thư trong chẩn đoán y tế.
• Các nhà máy sử dụng ứng dụng học sâu để phát hiện con người hoặc vật thể khi những đối tượng này đang nằm trong khoảng cách không an toàn với máy móc.

Bạn có thể nhóm các trường hợp sử dụng công nghệ học sâu khác nhau này thành năm loại chính: thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên (NLP), công cụ đề xuất và AI tạo sinh.

Tầm nhìn máy tính

Thị giác máy tính tự động trích xuất thông tin và thông tin chuyên sâu từ hình ảnh và video. Các kỹ thuật học sâu để hiểu hình ảnh theo cách giống như con người. Thị giác máy tính được ứng dụng trong nhiều trường hợp, chẳng hạn như:

• Kiểm duyệt nội dung để tự động loại bỏ nội dung không an toàn hoặc không phù hợp khỏi kho lưu trữ hình ảnh và video
• Nhận diện khuôn mặt để xác định khuôn mặt cũng như các đặc điểm như mở mắt, đeo kính và để râu
• Phân loại hình ảnh để xác định logo thương hiệu, quần áo, đồ bảo hộ và các chi tiết hình ảnh khác

Nhận dạng giọng nói

Các mô hình học sâu có thể phân tích giọng nói con người, bất kể mẫu giọng, cao độ, tông, ngôn ngữ và giọng vùng miền khác nhau. Các trợ lý ảo như Amazon Alexa, phần mềm chuyển văn bản thành giọng nói và chuyển giọng nói thành văn bản sử dụng tính năng nhận dạng giọng nói để thực hiện các tác vụ sau:

• Hỗ trợ các nhân viên trực tổng đài và tự động phân loại cuộc gọi.
• Chuyển đổi các cuộc trò chuyện về y khoa thành văn bản trong thời gian thực.
• Tạo phụ đề chính xác cho video và bản ghi âm cuộc họp để mở rộng phạm vi tiếp cận nội dung.
• Chuyển đổi tập lệnh thành câu lệnh để hỗ trợ giọng nói thông minh.

Kỹ thuật xử lý ngôn ngữ tự nhiên

Máy tính sử dụng các thuật toán học sâu để thu thập thông tin chuyên sâu và ý nghĩa từ dữ liệu văn bản và tài liệu. Khả năng xử lý văn bản tự nhiên, do con người tạo ra này có một số trường hợp sử dụng, bao gồm:

• Tổng đài viên ảo và chatbot tự động
• Tự động tóm tắt tài liệu hoặc bài viết tin tức
• Phân tích nghiệp vụ thông minh các tài liệu dài, chẳng hạn như các email và biểu mẫu
• Lập chỉ mục các cụm từ quan trọng thể hiện cảm xúc, chẳng hạn như những bình luận tích cực và tiêu cực trên mạng xã hội

Công cụ đề xuất

Ứng dụng có thể sử dụng các phương pháp học sâu để theo dõi hoạt động của người dùng và phát triển các đề xuất cá nhân hóa. Các phương pháp này có thể phân tích hành vi của người dùng và giúp họ khám phá các sản phẩm hoặc dịch vụ mới. Ví dụ:

• Đề xuất video và nội dung được cá nhân hóa.
• Đề xuất các sản phẩm và dịch vụ tùy chỉnh.
• Lọc kết quả tìm kiếm để làm nổi bật nội dung có liên quan dựa trên địa điểm và hành vi của người dùng

AI tạo sinh

Các ứng dụng AI tạo sinh có thể tạo nội dung mới và giao tiếp với người dùng cuối một cách tinh tế hơn. Chúng có thể hỗ trợ tự động hóa các quy trình làm việc phức tạp, tìm kiếm ý tưởng và tìm kiếm kiến thức thông minh. Ví dụ: với các công cụ AI tạo sinh như Amazon Q dành cho doanh nghiệp và Nhà phát triển Amazon Q, người dùng có thể

• Đặt câu hỏi bằng ngôn ngữ tự nhiên và nhận câu trả lời tóm tắt từ nhiều nguồn kiến thức nội bộ.
• Nhận đề xuất mã và quét mã tự động và các bản nâng cấp.
• Tạo tài liệu mới, email và nội dung tiếp thị khác nhanh chóng hơn.

Mô hình học sâu là các mạng nơ-ron được thiết kế theo bộ não con người. Một bộ não con người chứa hàng triệu nơ-ron sinh học được kết nối với nhau, làm việc cùng nhau để tìm hiểu và xử lý thông tin. Tương tự, các nơ-ron nhân tạo là những mô-đun phần mềm được gọi là nút, sử dụng các phép toán để xử lý dữ liệu. Các mạng nơ-ron học sâu, hay mạng nơ-ron nhân tạo, được tạo thành từ nhiều lớp nơ-ron nhân tạo hoạt động cùng nhau để giải quyết các vấn đề phức tạp.

Một mạng nơ-ron chuyên sâu có các thành phần sau.

Lớp đầu vào

Một mạng nơ-ron nhân tạo sẽ có một số nút để nhập dữ liệu đầu vào. Các nút này tạo nên lớp đầu vào của hệ thống.

Lớp ẩn

Lớp đầu vào xử lý và chuyển dữ liệu đến các lớp sâu hơn trong mạng nơ-ron. Các lớp ẩn này xử lý thông tin ở các cấp độ khác nhau, thích ứng với hành vi của mình khi nhận được thông tin mới. Các mạng học sâu có hàng trăm lớp ẩn có thể được dùng để phân tích một vấn đề từ nhiều góc độ khác nhau.

Ví dụ: nếu bạn phải phân loại hình ảnh của một loài vật chưa xác định, bạn sẽ cần so sánh hình ảnh này với các loài vật đã biết. Chẳng hạn, bạn sẽ quan sát hình dáng của cặp mắt, đôi tai, kích thước, số chi và kiểu mẫu lông của loài vật đó. Bạn sẽ cố gắng xác định các hình mẫu, chẳng hạn như sau:

• Loài vật có móng guốc nên nó có thể là bò hoặc hươu.
• Loài vật có mắt mèo nên nó có thể là con mèo hoang.

Các lớp ẩn trong mạng nơ-ron chuyên sâu hoạt động theo cùng một cách. Nếu một thuật toán học sâu cố gắng phân loại một hình ảnh động vật, mỗi lớp ẩn của thuật toán này sẽ xử lý một đặc điểm khác nhau của con vật và cố gắng phân loại chính xác đặc điểm đó.

Lớp đầu ra

Lớp đầu ra bao gồm các nút xuất dữ liệu. Các mô hình học sâu xuất ra đáp án "có" hoặc "không" chỉ có hai nút trong lớp đầu ra. Mặt khác, các mô hình xuất ra nhiều đáp án hơn sẽ có nhiều nút hơn. AI tạo sinh có một lớp đầu ra tinh vi để tạo ra dữ liệu mới phù hợp với các kiểu mẫu trong tập dữ liệu đào tạo.

Học sâu là một lĩnh vực con của máy học. Các thuật toán học sâu xuất hiện nhằm nỗ lực cải thiện hiệu quả của các kỹ thuật máy học truyền thống. Các phương pháp máy học truyền thống đòi hỏi công sức đáng kể để đào tạo phần mềm. Chẳng hạn, để nhận dạng hình ảnh động vật, bạn cần phải thực hiện như sau:

• Dán nhãn hàng trăm nghìn hình ảnh động vật theo cách thủ công.
• Cho các thuật toán máy học xử lý những hình ảnh đó.
• Kiểm thử các thuật toán này trên một tập hình ảnh không xác định.
• Xác định lý do cho việc có một số kết quả không chính xác.
• Cải thiện tập dữ liệu bằng cách dán nhãn các hình ảnh mới nhằm giúp kết quả thêm chính xác.

Quy trình này được gọi là học có giám sát. Trong quy trình học có giám sát, độ chính xác của kết quả chỉ cải thiện khi bạn có một tập dữ liệu đủ đa dạng và phong phú. Ví dụ: thuật toán có thể xác định chính xác mèo đen nhưng không phải mèo trắng do tập dữ liệu đào tạo có chứa nhiều hình ảnh mèo đen hơn. Trong trường hợp đó, bạn sẽ cần phải dán nhãn thêm hình ảnh mèo trắng và đào tạo các mô hình máy học một lần nữa.

So với máy học truyền thống, mạng học sâu có những lợi ích sau. 

Xử lý hiệu quả dữ liệu phi cấu trúc 

Các phương pháp máy học nhận thấy rất khó để xử lý dữ liệu phi cấu trúc, ví dụ như các tài liệu văn bản, do tập dữ liệu đào tạo có thể có tính biến động vô hạn. Mặt khác, các mô hình học sâu có thể hiểu rõ dữ liệu phi cấu trúc và đưa ra các nhận xét chung mà không cần trích xuất tính năng thủ công. Chẳng hạn, một mạng nơ-ron có thể nhận ra hai câu đầu vào khác nhau có cùng một ý nghĩa:

• Bạn có thể chỉ cho tôi cách thanh toán không?
• Tôi có thể chuyển tiền bằng cách nào? 

Khám phá những mối quan hệ và mẫu ẩn

Ứng dụng học sâu có thể phân tích sâu hơn một lượng lớn dữ liệu và hé lộ nhiều thông tin chuyên sâu mới có thể chưa được đào tạo. Ví dụ: giả sử một mô hình học sâu được đào tạo để phân tích giao dịch mua của người tiêu dùng. Mô hình này chỉ có dữ liệu cho các mặt hàng bạn đã mua. Tuy nhiên, mạng nơ-ron nhân tạo có thể đề xuất các mặt hàng mới mà bạn chưa từng mua bằng cách so sánh các hình mẫu mua của bạn với nhiều khách hàng tương tự khác.

Học không giám sát

Các mô hình học sâu có thể học hỏi và cải thiện dần theo thời gian dựa trên hành vi của người dùng. Những mô hình này không yêu cầu các tập dữ liệu được dán nhãn phải có tính biến động cao. Ví dụ, một mạng nơ-ron tự động chỉnh sửa hoặc đề xuất từ ngữ bằng cách phân tích hành vi đánh máy của bạn. Giả sử mô hình đó được đào tạo bằng tiếng Anh và có thể kiểm tra ngữ pháp tiếng Anh. Tuy nhiên, nếu bạn thường xuyên gõ các từ không phải tiếng Anh, chẳng hạn như danke, mạng nơ-ron sẽ tự động học hỏi và chỉnh sửa cả những từ này.

Xử lý dữ liệu dễ biến động

Các tập dữ liệu dễ biến động có tính biến động cao. Các khoản trả nợ ngân hàng là một ví dụ. Mạng nơ-ron học sâu cũng có thể phân loại và sắp xếp dữ liệu đó, chẳng hạn như bằng cách phân tích các giao dịch tài chính và gắn cờ một số giao dịch đó để tiến hành phát hiện gian lận.

Các dịch vụ AI và học sâu của AWS khai thác sức mạnh của điện toán đám mây để bạn có thể xây dựng và điều chỉnh quy mô làn sóng đổi mới AI tiếp theo. Đổi mới trải nghiệm của khách hàng với các dịch vụ được xây dựng cho mục đích nhất định, cơ sở hạ tầng AI, công nghệ học sâu và các giải pháp AI tạo sinh toàn diện nhất. Ví dụ:

• Amazon SageMaker cung cấp cơ sở hạ tầng, công cụ và quy trình làm việc được quản lý toàn phần để phát triển công nghệ máy học và học sâu.
• Amazon Bedrock cung cấp một API duy nhất để truy cập và sử dụng các mô hình nền tảng hiệu năng cao khác nhau từ các công ty AI hàng đầu.

Bạn cũng có thể sử dụng cơ sở hạ tầng AI của AWS để truy cập điện toán, kho lưu trữ và khả năng kết nối mạng toàn diện, an toàn và có tỷ lệ giá/hiệu năng tốt để xây dựng bất kỳ ứng dụng AI nào. Bắt đầu sử dụng công nghệ AI học sâu trên AWS bằng cách tạo tài khoản AWS miễn phí ngay hôm nay!