AI là điện mới
Như với tất cả các xu hướng công nghệ mới nổi, một số yếu tố của trí tuệ nhân tạo được đưa ra, một số yếu tố đi trước thời đại và một số thậm chí tạo ra sự sợ hãi. Tuy nhiên, vẫn còn một số sự thật bên dưới sự cường điệu. Những tiến bộ trong AI có lợi cho ngành năng lượng nhưng cũng đi kèm với những hạn chế và mối quan tâm thực tế.
Hiện tại, AI, Machine Learning và các đối tác khác của chúng như Học Sâu (Deep learning), Học tăng cường (Reinforcement learning), v.v., đã chứng kiến sự bao phủ rộng rãi trong nhiều ngành công nghiệp.
Nhưng tất cả những điều này có nghĩa là gì? AI là một thuật ngữ rộng và phạm vi của nó khác nhau, nhưng ý tưởng thì đơn giản - trí thông minh thích ứng được hiển thị độc lập bởi một máy, trong đó hành vi không nhất thiết phải được xác định trước mà thích nghi với dữ liệu đầu vào.
Học máy là việc sử dụng số liệu thống kê để cung cấp cho máy tính khả năng học hỏi từ dữ liệu. Sự khác biệt này là chìa khóa vì những tiến bộ nhanh chóng trong Học máy đã dẫn đến sự quan tâm đồng bộ đến AI trên toàn thế giới. Nhóm cải tiến ban đầu nằm trong các thuật toán cơ bản và kiến trúc dữ liệu, nhưng các cải tiến chính hiện tại chỉ là hai: dữ liệu và tính toán.
Sự phát triển trong dữ liệu được thúc đẩy bởi sự phổ biến của điện thoại thông minh và cải tiến về cảm biến, được hỗ trợ bởi những đột phá mang tính cách mạng trong truyền thông dữ liệu và công nghệ lưu trữ dữ liệu. Điều này đã làm cho nhiều bộ dữ liệu có sẵn hơn bao giờ hết, cho phép xem xét kỹ lưỡng, cho phép dự đoán chính xác hơn được thực hiện.
Các phát triển được thấy trong tính toán có thể được quy cho sự gia tăng mạnh mẽ về sức mạnh xử lý, cho phép các thuật toán giải quyết đồng thời nhiều tham số và thực hiện cùng lúc / song hành một lượng tính toán thay vì theo trình tự, điều này khiến tiết kiệm rất nhiều thời gian.
AI / ML được sử dụng để làm gì?
Hầu hết các phương thức Học máy đều phù hợp để giải quyết hai vấn đề chính: dự đoán và phân loại. Các vấn đề về dự đoán bao gồm 'tôi có thể dự đoán khi nào thiết bị này sẽ hỏng không?' (Nếu vậy, tôi có thể triển khai bảo trì trước khi thất bại để đảm bảo nhà máy không ngừng hoạt động, đồng thời tiết kiệm chi phí bảo trì không cần thiết).
Các vấn đề về phân loại bao gồm 'khách hàng này có khác với khách hàng khác không, dựa trên dữ liệu tôi có từ họ?' (Nếu vậy, tôi có thể nghiên cứu thêm về sự khác biệt và có thể triển khai một chương trình tiếp thị mới để giữ lại chúng). Yêu cầu chính để kích hoạt các dự đoán Học máy này là nhu cầu về các bộ dữ liệu sạch và hữu ích. Vì lý do này, phương pháp Học máy đã được chứng minh tiềm năng nhất gần đây là Học sâu Deep Learning, một loại mô hình có thể trích xuất các mẫu và chuỗi phức tạp trong bộ dữ liệu.
Nói tóm lại, ý tưởng cốt lõi của các phương thức Học máy là, nếu có sẵn dữ liệu và sức mạnh tính toán, máy tính có thể tăng cường và thậm chí tự động hóa việc ra quyết định bằng cách tạo ra một số hệ thống chuyên gia.
Bây giờ hãy cẩn thận
Mặc dù có nhiều mặt tích cực, AI cũng đi kèm với nhiều cảnh báo. Điều gì xảy ra nếu có một khối lượng dữ liệu thấp có sẵn cho mô hình ML để học hỏi? Nó có thể là bối cảnh giữa hai nhiệm vụ tương tự và chuyển học tập từ cái này sang cái khác không? Làm thế nào các hệ thống AI có thể được bảo vệ chống lại dữ liệu sai (có thể được giới thiệu độc hại)?
Vì một số mô hình này thực chất là hộp đen, người dùng mô hình không có thể hiểu tại sao hay liệu mô hình lại có hành động để đem lại kết quả cụ thể? Các hệ thống AI sẽ học cách thông đồng hoặc vượt qua các vòng vây quy định? Mô hình có thể đưa ra quyết định đúng đắn khi nó phải đối mặt với một môi trường không lường trước mới? Hiện tại, AI / ML kết hợp với phân tích tốt hơn, cải thiện cảm biến và robot có thể giúp tự động hóa hoàn toàn các vấn đề được định hướng nhỏ và chúng ta tập trung vào các vấn đề không có cấu trúc của ngày mai. Như Andrew Ng đặt ngắn gọn: AI là dòng điện mới - cho phép chúng tôi làm được nhiều hơn.
