Học sâu là gì?

Vào tháng 9 năm 2012, Alex Krizhevsky và Ilya Sutskever, hai nhà nghiên cứu AI của Đại học Toronto, đã làm nên lịch sử tại ImageNet, một cuộc thi phổ biến trong đó những người tham gia phát triển phần mềm có thể nhận ra các đối tượng trong một cơ sở dữ liệu lớn về hình ảnh kỹ thuật số. Krizhevsky và Sutskever, và người cố vấn của họ, nhà tiên phong AI Geoffrey Hinton, đã gửi một thuật toán dựa trên mạng lưới học tập sâu và thần kinh, một kỹ thuật trí tuệ nhân tạo mà cộng đồng AI xem với sự hoài nghi vì những thiếu sót trong quá khứ.

AlexNet, thuật toán học sâu được phát triển bởi các nhà nghiên cứu của U of T, đã có thể chiến thắng trong cuộc thi với tỷ lệ lỗi 15,3%, cao hơn 10,8% so với á quân. Theo một số tài khoản, sự kiện này đã kích hoạt cuộc cách mạng học tập sâu, tạo ra sự kiện quan tâm trong lĩnh vực này bởi nhiều tổ chức học thuật và thương mại.

Ngày nay, học sâu đã trở thành mấu chốt cho nhiều ứng dụng chúng ta sử dụng hàng ngày như hệ thống đề xuất nội dung, ứng dụng dịch thuật, trợ lý kỹ thuật số, chatbot và hệ thống nhận dạng khuôn mặt. Học sâu cũng đã giúp tạo ra những tiến bộ trong nhiều lĩnh vực đặc biệt như chăm sóc sức khỏe, giáo dục và xe tự lái.

Sự nổi tiếng của học tập sâu cũng đã dẫn đến sự nhầm lẫn và mơ hồ về những gì nó là và những gì nó có thể làm. Dưới đây là một phân tích ngắn gọn về việc học sâu và mạng lưới thần kinh là gì, những gì chúng có thể (và không có thể làm) và những điểm mạnh và giới hạn của chúng.

Học sâu là một tập hợp con của học máy, một lĩnh vực của AI thay đổi cách phát triển hành vi phần mềm. Các cách tiếp cận cổ điển để phát triển phần mềm, còn được gọi là AI giỏi kiểu cũ (Trí tuệ nhân tạo tượng trưng là thuật ngữ để tập hợp tất cả các phương pháp trong nghiên cứu trí tuệ nhân tạo dựa trên các biểu hiện "biểu tượng" của con người về các vấn đề, logic và tìm kiếm. AI biểu tượng là mô hình chi phối của nghiên cứu AI từ giữa những năm 1950 cho đến cuối những năm 1980. GOFAI), liên quan đến các lập trình viên mã hóa thủ công các quy tắc xác định hành vi của một ứng dụng.

Học tập có giám sát, không giám sát, củng cố và học tăng cường

Quá trình được mô tả ở trên được gọi là học tập có giám sát và hiện tại đây là cách chính để phát triển các thuật toán học sâu. Nó được gọi là giám sát vì mô hình AI được cung cấp đầy đủ các vấn đề (ví dụ: hình ảnh) và các giải pháp của chúng (ví dụ: nhãn hoặc mô tả liên quan của chúng) và được hướng dẫn để tìm ánh xạ chính xác giữa đầu vào và đầu ra. Học tập có giám sát được sử dụng trong các lĩnh vực như máy tính thị giác và nhận dạng giọng nói.

Học tập không giám sát, một loại mô hình học sâu khác, được sử dụng để giải quyết các vấn đề trong đó bạn có một loạt dữ liệu nhưng bạn không có đầu ra tương ứng để ánh xạ chúng. Trong trường hợp này, thuật toán học sâu phải kiểm tra dữ liệu đào tạo và tìm ra các mẫu hữu ích có thể đòi hỏi nhiều nỗ lực của con người.

Chẳng hạn, thuật toán học sâu có thể đi qua dữ liệu bán hàng trị giá 10 năm và cung cấp cho bạn các dự đoán hoặc đề xuất bán hàng về cách điều chỉnh giá hàng hóa của bạn để tối đa hóa doanh số. Chúng được gọi là phân tích dự báo và phân tích theo quy định và rất hữu ích trong nhiều lĩnh vực như dự báo thời tiết và đề xuất nội dung.

Học tập củng cố, một loại hình đào tạo mô hình học tập sâu khác, được nhiều người coi là chén thánh của trí thông minh nhân tạo (nghĩa là dựa trên những gì chúng ta biết ngay bây giờ). Trong học tập củng cố, một mô hình AI được cung cấp các quy tắc cơ bản của miền vấn đề và được để tự phát triển hành vi của nó mà không cần sự giám sát hoặc dữ liệu từ con người. 

Học tăng cường là một trong những phương pháp chính được sử dụng để phát triển các mô hình AI đã thành thạo các trò chơi nổi tiếng như cờ vua, cờ vây, bài xì phé và gần đây là StarCraft II. Các nhà khoa học cũng đã sử dụng học tăng