Máy học là gì?

Mặc dù thuật ngữ máy học và trí tuệ nhân tạo (AI) thường được dùng thay thế cho nhau, nhưng chúng không giống nhau. Máy học là một trong nhiều nhánh của AI. Mặc dù máy học là AI nhưng không phải tất cả các hoạt động AI đều có thể được gọi là máy học.

Trí tuệ nhân tạo là thuật ngữ bao trùm cho các chiến lược và kỹ thuật khác nhau được sử dụng để biến các cỗ máy trở nên giống người hơn. AI bao gồm tất cả mọi thứ từ trợ lý thông minh như Alexa, chatbot và trình tạo hình ảnh đến robot hút bụi và xe ô tô tự lái. 

Ngược lại, các mô hình máy học thực hiện các tác vụ phân tích dữ liệu cụ thể hơn – như phân loại tài liệu, ghi nhãn hình ảnh hoặc dự đoán lịch bảo trì thiết bị tại nhà máy. Công nghệ máy học chủ yếu dựa trên toán học và thống kê, trong khi các loại AI khác sẽ phức tạp hơn.

Tìm hiểu thêm về máy học so với trí tuệ nhân tạo

Ý tưởng chính đằng sau công nghệ máy học là mối quan hệ toán học sẵn có giữa bất kỳ cách kết hợp dữ liệu đầu vào và kết quả nào. Mô hình máy học không biết trước mối quan hệ này nhưng có thể đoán nếu được cung cấp đủ ví dụ về tập dữ liệu đầu vào-đầu ra. Điều này có nghĩa là tất cả các thuật toán máy học đều được xây dựng dựa trên hàm toán học có thể chỉnh sửa. Nguyên tắc cốt lõi có thể được hiểu như sau:

1. Chúng ta “đào tạo” thuật toán bằng cách cho nó những cách kết hợp dữ liệu đầu vào/kết quả (i,o) - (2,10), (5,19) và (9,31)
2. Thuật toán tính toán mối quan hệ giữa đầu vào và kết quả là: o=3*i+4
3. Sau đó, chúng ta nhập dữ liệu đầu vào là 7 và yêu cầu thuật toán dự đoán kết quả. Thuật toán có thể tự động xác định kết quả là 25.

Mặc dù đây là cách hiểu cơ bản, máy học tập trung vào nguyên tắc rằng các hệ thống máy tính có thể kết nối về mặt toán học tất cả các điểm dữ liệu, miễn là những hệ thống này có đủ dữ liệu và năng lực điện toán để xử lý. Do vậy, độ chính xác của kết quả có mối tương quan trực tiếp với cường độ dữ liệu đầu vào. Các giai đoạn máy học được liệt kê dưới đây.

Tiền xử lý dữ liệu

Dữ liệu thô được làm sạch và chuyển đổi để đào tạo một mô hình máy học. Giai đoạn này liên quan đến các tác vụ như xử lý các giá trị bị thiếu, chuẩn hóa dữ liệu theo quy mô chung hoặc mã hóa dữ liệu văn bản thành các định dạng số. Dữ liệu cũng có thể được tăng cường hoặc thao tác để cải thiện khả năng của mô hình trong việc xử lý trường hợp sử dụng cụ thể. Quá trình tiền xử lý đảm bảo dữ liệu được nạp vào mô hình có liên quan và được cấu trúc phù hợp.

Đào tạo mô hình

Dữ liệu đã tiền xử lý được sử dụng để đào tạo thuật toán máy học. Thuật toán cố gắng liên tục xác định mối tương quan về mặt toán học giữa đầu vào và đầu ra dự kiến từ dữ liệu đào tạo. Mô hình học các kiểu mẫu và mối quan hệ trong dữ liệu, gói gọn kiến thức này trong các tham số của mô hình. Mô hình điều chỉnh các tham số để giảm thiểu sự khác biệt giữa các dự đoán của mô hình và kết quả thực tế biết được trong dữ liệu đào tạo.

Đánh giá mô hình

Mục tiêu là đảm bảo mô hình có thể khái quát hóa ngoài tập dữ liệu đào tạo. Một tập dữ liệu riêng biệt được gọi là tập xác thực được sử dụng cho mục đích này. Đầu ra của mô hình được đo bằng cách sử dụng các chỉ số và điểm chuẩn khác nhau. Ví dụ: hãy xem xét một mô hình được đào tạo để nhận dạng hình ảnh của các loại trái cây như táo và chuối được để trong giỏ. Quá trình đánh giá sẽ kiểm tra xem mô hình có thể nhận dạng chính xác cùng loại trái cây từ hình ảnh thể hiện các loại trái cây được đặt trên bàn hoặc trong tay của ai đó hay không.

Tối ưu hóa

Tối ưu hóa liên quan đến việc tinh chỉnh mô hình để cải thiện hiệu năng của mô hình. Tùy thuộc vào loại mô hình, các nhà khoa học dữ liệu có thể cấu hình lại các quy trình học tập hoặc thực hiện kỹ thuật lấy dữ liệu đặc trưng, tạo ra các đặc trưng đầu vào mới từ dữ liệu hiện có. Mục tiêu là nâng cao độ chính xác, hiệu quả và khả năng khái quát hóa tốt cho dữ liệu mới của mô hình.

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 này 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 sản xuất 3M sử dụng máy học để đổi mới 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 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 máy học để tự động hóa và tùy chỉnh biện 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 cho phép các nhà đầu tư xác định cơ hội mới bằng cách phân tích diễn biến 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. Ví dụ: NerdWallet, một công ty tài chính cá nhân, sử dụng máy học để so sánh các sản phẩm tài chính như thẻ tín dụng, ngân hàng và các khoản vay.

Bán lẻ

Ngành 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 thiểu 40% chi phí cơ sở hạ tầng bằng cách sử dụng mô hình máy học để xác định hàng tồn kho bị lưu trữ sai vị trí. Việc này giúp họ thực hiện lời hứa của Amazon rằng một sản phẩm sẽ luôn có sẵn 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 sử dụng máy học để lưu trữ thư viện phương tiện của mình. Các công cụ máy học tự động gắn thẻ, mô tả và sắp xếp nội dung đa phương tiện, cho phép biên kịch và họa sĩ diễn hoạt của Disney nhanh chóng tìm kiếm và làm quen với các nhân vật của Disney.

Thị giác máy tính

Thị giác máy tính là một công nghệ tự động nhận biết và mô tả hình ảnh một cách chính xác và hiệu quả. Ngày nay, các hệ thống máy tính có thể truy cập nhiều hình ảnh và video từ điện thoại thông minh, camera giao thông, hệ thống an ninh và các thiết bị khác. Ứng dụng thị giác máy tính sử dụng máy học để xử lý những dữ liệu này một cách chính xác nhằm xác định đối tượng và nhận diện khuôn mặt, cũng như phân loại, đề xuất, giám sát và phát hiện.

Ví dụ: CampSite là một nền tảng phần mềm hàng đầu cho các trại hè. Các trại của họ tải lên hàng nghìn hình ảnh hàng ngày để kết nối cha mẹ với trải nghiệm trại của con họ. Việc tìm kiếm hình ảnh của con cái tham gia trại đã trở thành một công việc tốn thời gian và gây khó chịu đối với cha mẹ. CampSite sử dụng máy học để tự động xác định hình ảnh và thông báo cho phụ huynh khi ảnh mới của con họ được tải lên.

Nếu kết quả của một hệ thống có thể dự đoán được, hệ thống đó được coi là có tính tất định. Hầu hết các ứng dụng phần mềm sẽ phản hồi một cách có dự đoán với hành động của người dùng, vậy nên bạn có thể nói: “Nếu người dùng làm việc A, anh ta sẽ nhận được kết quả B.” Tuy nhiên, thuật toán máy học học hỏi thông qua việc quan sát và rút kinh nghiệm. Do vậy, về bản chất, chúng mang tính xác suất. Câu trên giờ chuyển thành: “Nếu người dùng làm việc A, có X% xác suất việc B sẽ xảy ra.”

Trong máy học, tính tất định là một chiến lược được sử dụng khi áp dụng các phương pháp học được mô tả ở trên. Bất kỳ phương pháp đào tạo nào dù có giám sát, không có giám sát hay phương pháp khác đều có thể mang tính tất định, tùy thuộc vào kết quả mong muốn của doanh nghiệp. Câu hỏi nghiên cứu, quyết định về truy xuất dữ liệu, cấu trúc và lưu trữ sẽ quyết định việc chiến lược tất định hay không tất định sẽ được áp dụng.

Cách tiếp cận tất định so với cách tiếp cận xác suất

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.

Những thách thức trong việc triển khai công nghệ máy học được liệt kê dưới đây.

Chất lượng dữ liệu

Hiệu năng của mô hình máy học phụ thuộc vào chất lượng dữ liệu được sử dụng để đào tạo. Các vấn đề như thiếu giá trị, mục nhập dữ liệu không nhất quán và nhiễu có thể làm giảm đáng kể độ chính xác của mô hình. Ngoài ra, việc thiếu một tập dữ liệu đủ lớn có thể ngăn mô hình học tập hiệu quả. Việc đảm bảo tính toàn vẹn dữ liệu và tăng quy mô thu thập dữ liệu mà không ảnh hưởng đến chất lượng là những thách thức đang diễn ra.

Chưa khớp và quá khớp

Tình trạng quá khớp xảy ra khi mô hình máy học có thể học được các chi tiết và nhiễu trong dữ liệu đào tạo đến mức nó tác động tiêu cực đến hiệu năng của mô hình đối với dữ liệu mới. Mô hình nắm bắt các kiểu mẫu không khái quát hóa được cho các tập dữ liệu khác. Mặt khác, tình trạng chưa khớp xảy ra khi một mô hình không thể học được kiểu mẫu cơ bản của dữ liệu, dẫn đến hiệu năng kém trên cả dữ liệu đào tạo và kiểm thử. Việc cân bằng độ phức tạp của mô hình và khả năng khái quát hóa của mô hình là một thách thức quan trọng.

Thiên lệch

Dữ liệu có thể bị mất cân bằng trong nhiều ứng dụng thực tế, tức là một số lớp xuất hiện thường xuyên hơn đáng kể so với các lớp khác. Sự mất cân bằng này có thể gây thiên lệch quá trình đào tạo, khiến mô hình hoạt động tốt trên lớp đa số trong khi không dự đoán chính xác lớp thiểu số. Ví dụ: nếu dữ liệu lịch sử ưu tiên một nhân khẩu học nhất định, các thuật toán máy học được sử dụng trong các ứng dụng nguồn nhân lực có thể tiếp tục ưu tiên các nhân khẩu học đó. Các kỹ thuật, như lấy mẫu lại dữ liệu, sử dụng các chỉ số đánh giá khác nhau hoặc áp dụng các thuật toán phát hiện bất thường, có thể giảm thiểu vấn đề này ở một mức độ nào đó.

Khả năng giải thích của mô hình

Khi các mô hình máy học, đặc biệt là các mô hình học sâu, trở nên phức tạp hơn, các quyết định của chúng trở nên khó diễn giải hơn. Việc phát triển các phương pháp để giúp các mô hình trở nên dễ hiểu hơn mà không làm giảm hiệu năng là một thách thức quan trọng. Điều này ảnh hưởng đến khả năng sử dụng, độ tin cậy và các cân nhắc đạo đức của việc triển khai các hệ thống máy học.

Khả năng điều chỉnh quy mô

Các mô hình máy học, đặc biệt là những mô hình liên quan đến tập dữ liệu lớn hoặc các thuật toán phức tạp như học sâu, đòi hỏi tài nguyên điện toán đáng kể. Việc đào tạo các mô hình này có thể tốn thời gian và tốn kém. Việc tối ưu hóa các thuật toán để giảm nhu cầu điện toán liên quan đến những thách thức trong thiết kế thuật toán. Các dịch vụ dựa trên đám mây AWS có thể hỗ trợ triển khai tiết kiệm chi phí trên quy mô lớn.

AWS cung cấp máy học cho mọi nhà phát triển, nhà khoa học dữ liệu và người dùng doanh nghiệp. Dịch vụ Máy học AWS cung cấp cơ sở hạ tầng có năng suất cao, tiết kiệm chi phí và có thể mở rộng quy mô để đáp ứng nhu cầu của doanh nghiệp.

• Mới bắt đầu? Tìm hiểu máy học với các thiết bị giáo dục thực hành của chúng tôi như AWS DeepRacer và AWS DeepComposer.
• Bạn đã có kho lưu trữ dữ liệu? Sử dụng Amazon SageMaker Ground Truth cho quy trình công việc ghi nhãn dữ liệu tích hợp hỗ trợ video, hình ảnh và văn bản.
• Đã có hệ thống Máy học? Sử dụng Amazon SageMaker Clarify đểphát hiện sai lệch và Đào tạo mô hình Amazon SageMaker để theo dõi và tối ưu hóa hiệu suất.
• Bạn muốn triển khai học sâu? Sử dụng Đào tạo mô hình Amazon SageMaker để tự động đào tạo các mô hình học sâu lớn. 

Bắt đầu sử dụng công nghệ máy học trên AWS bằng cách tạo tài khoản miễn phí ngay hôm nay!