Học sâu (Deep Learning – DL) cố gắng bắt chước bộ não con người – mặc dù không phù hợp với khả năng của nó – cho phép các hệ thống phân cụm dữ liệu và đưa ra dự đoán với độ chính xác đáng kinh ngạc.
DEEP LEARNING – HỌC SÂU
Học sâu là gì?
Học sâu là một tập con của học máy , về cơ bản là một mạng nơ-ron có ba lớp trở lên. Những mạng lưới thần kinh này cố gắng mô phỏng hành vi của não người – mặc dù không phù hợp với khả năng của nó – cho phép nó “học” từ một lượng lớn dữ liệu. Mặc dù mạng nơ-ron với một lớp duy nhất vẫn có thể đưa ra các dự đoán gần đúng, nhưng các lớp ẩn bổ sung có thể giúp tối ưu hóa và tinh chỉnh để có độ chính xác.
Học sâu thúc đẩy nhiều ứng dụng và dịch vụ trí tuệ nhân tạo (AI) nhằm cải thiện tự động hóa, thực hiện các tác vụ phân tích và vật lý mà không cần sự can thiệp của con người. Công nghệ học sâu nằm sau các sản phẩm và dịch vụ hàng ngày (chẳng hạn như trợ lý kỹ thuật số, điều khiển từ xa hỗ trợ giọng nói và phát hiện gian lận thẻ tín dụng) cũng như các công nghệ mới nổi (chẳng hạn như ô tô tự lái).
Học sâu so với học máy
Nếu học sâu là một tập hợp con của học máy, chúng khác nhau như thế nào? Học sâu phân biệt chính nó với học máy cổ điển bởi loại dữ liệu mà nó hoạt động và các phương pháp mà nó học.
Các thuật toán học máy tận dụng dữ liệu có cấu trúc, được gắn nhãn để đưa ra dự đoán — nghĩa là các tính năng cụ thể được xác định từ dữ liệu đầu vào cho mô hình và được tổ chức thành các bảng. Điều này không nhất thiết có nghĩa là nó không sử dụng dữ liệu phi cấu trúc; nó chỉ có nghĩa là nếu có, nó thường trải qua một số xử lý trước để tổ chức nó thành một định dạng có cấu trúc.

Học sâu loại bỏ một số quá trình xử lý trước dữ liệu thường liên quan đến học máy. Các thuật toán này có thể nhập và xử lý dữ liệu phi cấu trúc, như văn bản và hình ảnh, đồng thời nó tự động hóa việc trích xuất tính năng, loại bỏ một số phụ thuộc vào các chuyên gia con người. Ví dụ: giả sử chúng tôi có một bộ ảnh về các vật nuôi khác nhau và chúng tôi muốn phân loại theo “mèo”, “chó”, “hamster”, v.v. Các thuật toán học sâu có thể xác định đặc điểm nào (ví dụ như tai) là quan trọng nhất để phân biệt từng loài động vật với loài khác. Trong học máy, hệ thống phân cấp các tính năng này được thiết lập theo cách thủ công bởi một chuyên gia con người.
Sau đó, thông qua các quá trình giảm độ dốc và lan truyền ngược, thuật toán học sâu tự điều chỉnh và phù hợp với độ chính xác, cho phép nó đưa ra dự đoán về một bức ảnh động vật mới với độ chính xác cao hơn.
Các mô hình học máy và học sâu cũng có khả năng thực hiện các kiểu học khác nhau, thường được phân loại là học có giám sát, học không giám sát và học tăng cường. Học tập có giám sát sử dụng các tập dữ liệu được gắn nhãn để phân loại hoặc đưa ra dự đoán; điều này đòi hỏi sự can thiệp của con người để gắn nhãn dữ liệu đầu vào một cách chính xác. Ngược lại, học không giám sát không yêu cầu các tập dữ liệu được gắn nhãn và thay vào đó, nó phát hiện các mẫu trong dữ liệu, gom chúng lại theo bất kỳ đặc điểm phân biệt nào. Học tập củng cố là một quá trình trong đó một mô hình học cách trở nên chính xác hơn để thực hiện một hành động trong môi trường dựa trên phản hồi nhằm tối đa hóa phần thưởng.
Cách học sâu hoạt động
Mạng nơ-ron học sâu, hoặc mạng nơ-ron nhân tạo, cố gắng bắt chước não người thông qua sự kết hợp của dữ liệu đầu vào, trọng số và độ chệch. Các yếu tố này làm việc cùng nhau để nhận ra, phân loại và mô tả chính xác các đối tượng trong dữ liệu.
Mạng nơ-ron sâu bao gồm nhiều lớp nút được kết nối với nhau, mỗi lớp xây dựng dựa trên lớp trước đó để tinh chỉnh và tối ưu hóa dự đoán hoặc phân loại. Quá trình tính toán thông qua mạng này được gọi là quá trình truyền chuyển tiếp. Các lớp đầu vào và đầu ra của mạng nơ-ron sâu được gọi là các lớp khả kiến . Lớp đầu vào là nơi mô hình học sâu nhập dữ liệu để xử lý và lớp đầu ra là nơi đưa ra dự đoán hoặc phân loại cuối cùng.
Một quy trình khác được gọi là backpropagation sử dụng các thuật toán, như gradient descent, để tính toán sai số trong các dự đoán và sau đó điều chỉnh trọng số và độ chệch của hàm bằng cách di chuyển ngược lại qua các lớp trong nỗ lực đào tạo mô hình. Cùng với nhau, lan truyền chuyển tiếp và lan truyền ngược cho phép mạng nơ-ron đưa ra dự đoán và sửa bất kỳ lỗi nào cho phù hợp. Theo thời gian, thuật toán dần trở nên chính xác hơn.
Ở trên mô tả loại mạng nơ-ron sâu đơn giản nhất bằng các thuật ngữ đơn giản nhất. Tuy nhiên, các thuật toán học sâu vô cùng phức tạp và có nhiều loại mạng nơ-ron khác nhau để giải quyết các vấn đề hoặc tập dữ liệu cụ thể. Ví dụ,
- Mạng nơ-ron chuyển đổi (CNN), được sử dụng chủ yếu trong các ứng dụng phân loại hình ảnh và thị giác máy tính, có thể phát hiện các tính năng và mẫu trong hình ảnh, cho phép thực hiện các tác vụ, chẳng hạn như phát hiện hoặc nhận dạng đối tượng. Vào năm 2015, lần đầu tiên một CNN đã đánh giá cao con người trong thử thách nhận dạng vật thể.
- Mạng nơ-ron tuần hoàn (RNN) thường được sử dụng trong các ứng dụng nhận dạng giọng nói và ngôn ngữ tự nhiên vì nó tận dụng dữ liệu tuần tự hoặc chuỗi thời gian.
Ứng dụng học sâu
Các ứng dụng học sâu trong thế giới thực là một phần trong cuộc sống hàng ngày của chúng ta, nhưng trong hầu hết các trường hợp, chúng được tích hợp tốt vào các sản phẩm và dịch vụ đến mức người dùng không biết về quá trình xử lý dữ liệu phức tạp đang diễn ra trong nền. Một số ví dụ này bao gồm:
Thực thi pháp luật
Các thuật toán học sâu có thể phân tích và học hỏi từ dữ liệu giao dịch để xác định các mẫu nguy hiểm cho thấy có thể có hoạt động gian lận hoặc tội phạm. Nhận dạng giọng nói, thị giác máy tính và các ứng dụng học sâu khác có thể cải thiện hiệu quả và hiệu quả của phân tích điều tra bằng cách trích xuất các mẫu và bằng chứng từ các bản ghi âm và video, hình ảnh và tài liệu, giúp cơ quan thực thi pháp luật phân tích lượng lớn dữ liệu nhanh chóng và chính xác hơn.
Các dịch vụ tài chính
Các tổ chức tài chính thường xuyên sử dụng phân tích dự đoán để thúc đẩy giao dịch cổ phiếu theo thuật toán, đánh giá rủi ro kinh doanh để phê duyệt khoản vay, phát hiện gian lận và giúp quản lý danh mục đầu tư và tín dụng cho khách hàng.
Dịch vụ khách hàng
Nhiều tổ chức kết hợp công nghệ học sâu vào quy trình dịch vụ khách hàng của họ. Chatbots —được sử dụng trong nhiều ứng dụng, dịch vụ và cổng dịch vụ khách hàng — là một dạng AI đơn giản. Chatbots truyền thống sử dụng ngôn ngữ tự nhiên và thậm chí cả nhận dạng trực quan, thường được tìm thấy trong các menu giống như trung tâm cuộc gọi. Tuy nhiên, các giải pháp chatbot phức tạp hơn cố gắng xác định, thông qua việc tìm hiểu, nếu có nhiều câu trả lời cho các câu hỏi không rõ ràng. Dựa trên những phản hồi mà nó nhận được, chatbot sau đó sẽ cố gắng trả lời những câu hỏi này trực tiếp hoặc định tuyến cuộc trò chuyện tới người dùng.
Các trợ lý ảo như Siri của Apple, Amazon Alexa hoặc Google Assistant mở rộng ý tưởng về một chatbot bằng cách bật chức năng nhận dạng giọng nói. Điều này tạo ra một phương pháp mới để thu hút người dùng theo cách được cá nhân hóa.
Chăm sóc sức khỏe
Ngành công nghiệp chăm sóc sức khỏe đã được hưởng lợi rất nhiều từ khả năng học sâu kể từ khi số hóa hồ sơ và hình ảnh của bệnh viện. Các ứng dụng nhận dạng hình ảnh có thể hỗ trợ các chuyên gia hình ảnh y tế và bác sĩ X quang, giúp họ phân tích và đánh giá nhiều hình ảnh hơn trong thời gian ngắn hơn.
Pingback: [Thêm] Trí tuệ nhân tạo là gì ? Artificial Intelligence (AI) - Phân tích nghiệp vụ
Pingback: Dịch vụ chạy thuê MÁY HỌC Machine Learning theo nhu cầu doanh nghiệp - Phân tích nghiệp vụ