Máy tính không tiếp quản nhưng họ ngày càng thông minh hơn
Trong điều kiện đơn giản nhất, máy học (ML) là lập trình của máy (máy tính) để nó có thể thực hiện nhiệm vụ được yêu cầu bằng cách sử dụng và phân tích dữ liệu (thông tin) để thực hiện nhiệm vụ đó một cách độc lập, mà không có đầu vào cụ thể bổ sung từ nhà phát triển con người.
Học máy 101
Thuật ngữ “học máy” được đặt ra trong các phòng thí nghiệm của IBM vào năm 1959 bởi Arthur Samuel, người tiên phong trong trí tuệ nhân tạo (AI) và chơi game trên máy tính. Máy học, kết quả là, là một nhánh của Trí tuệ nhân tạo. Tiền đề của Samuel là lật ngược mô hình tính toán thời gian lộn ngược và ngừng cho máy tính những thứ học hỏi.
Thay vào đó, anh muốn các máy tính bắt đầu tự mình tìm ra mọi thứ, mà không cần con người phải nhập vào ngay cả thông tin nhỏ nhất. Sau đó, ông nghĩ, máy tính sẽ không chỉ thực hiện nhiệm vụ mà cuối cùng có thể quyết định nhiệm vụ nào cần thực hiện và khi nào. Tại sao? Vì vậy, các máy tính có thể giảm số lượng công việc con người cần thiết để thực hiện trong bất kỳ khu vực nhất định nào.
Cách hoạt động của máy học
Máy học hoạt động thông qua việc sử dụng các thuật toán và dữ liệu. Thuật toán là tập hợp các hướng dẫn hoặc hướng dẫn cho máy tính hoặc chương trình biết cách thực hiện tác vụ. Các thuật toán được sử dụng trong ML thu thập dữ liệu, nhận dạng các mẫu và sử dụng phân tích dữ liệu đó để điều chỉnh các chương trình và chức năng của riêng nó để hoàn thành các tác vụ.
Thuật toán ML sử dụng các bộ quy tắc, cây quyết định, mô hình đồ họa, xử lý ngôn ngữ tự nhiên và mạng thần kinh (để đặt tên một vài) để tự động hóa dữ liệu xử lý để đưa ra quyết định và thực hiện các tác vụ. Mặc dù ML có thể là một chủ đề phức tạp, Máy tính có thể dạy của Google cung cấp một bản trình diễn thực hành đơn giản về cách ML hoạt động.
Hình thức học máy mạnh nhất hiện nay, được gọi là học sâu , xây dựng một cấu trúc toán học phức tạp được gọi là mạng nơ-ron, dựa trên số lượng lớn dữ liệu. Mạng nơron là tập hợp các thuật toán trong ML và AI được mô hình hoá theo cách tế bào thần kinh trong não người và thông tin về quá trình hệ thần kinh.
Trí tuệ nhân tạo so với học máy so với khai thác dữ liệu
Để hiểu rõ nhất mối quan hệ giữa AI, ML và khai thác dữ liệu, bạn nên nghĩ đến một tập hợp các ô có kích thước khác nhau. AI là chiếc ô lớn nhất. Các ô ML là một kích thước nhỏ hơn và phù hợp với bên dưới ô AI. Các ô khai thác dữ liệu là nhỏ nhất và phù hợp bên dưới ô ML.
- AI là một nhánh của khoa học máy tính nhằm mục đích lập trình các máy tính để thực hiện các nhiệm vụ theo cách “thông minh” và “giống người” hơn, sử dụng các kỹ thuật lập luận và ra quyết định theo mô phỏng của con người.
- ML là một loại máy tính trong AI tập trung vào các máy lập trình (máy tính) để tìm hiểu (thu thập dữ liệu hoặc ví dụ cần thiết) để đưa ra các quyết định thông minh, theo hướng dữ liệu theo cách tự động hơn.
- Khai thác dữ liệu sử dụng số liệu thống kê, ML, AI và cơ sở dữ liệu khổng lồ về thông tin để tìm mẫu, cung cấp thông tin chi tiết, tạo phân loại, xác định vấn đề và phân tích dữ liệu chi tiết.
Những gì máy học có thể làm (và đã có)
Năng lực cho các máy tính để phân tích một lượng thông tin khổng lồ trong các phân số của một giây làm cho ML hữu ích trong một số ngành công nghiệp mà thời gian và độ chính xác là rất cần thiết.
- Y học: công nghệ ML đang được thực hiện trong một loạt các giải pháp cho lĩnh vực y tế, bao gồm giúp các bác sĩ cấp cứu có chẩn đoán nhanh hơn những bệnh nhân có triệu chứng bất thường. Bác sĩ có thể nhập một danh sách các triệu chứng của bệnh nhân vào chương trình và sử dụng ML, chương trình có thể quét hàng tỷ tỷ thông tin từ tài liệu y học và internet để trả về danh sách các chẩn đoán tiềm năng và được khuyến cáo thử nghiệm hoặc điều trị trong thời gian kỷ lục.
- Giáo dục: ML được sử dụng để tạo ra các công cụ giáo dục phù hợp với nhu cầu học tập của học sinh, chẳng hạn như trợ lý học tập ảo và sách giáo khoa điện tử tương tác hơn. Những công cụ này sử dụng ML để khám phá những khái niệm và kỹ năng mà học sinh hiểu được bằng cách sử dụng các bài tập ngắn và bài tập thực hành. Sau đó, các công cụ cung cấp video ngắn, ví dụ bổ sung và tài liệu cơ bản để giúp học sinh tìm hiểu các kỹ năng hoặc khái niệm cần thiết.
- Ô tô: ML cũng là một thành phần quan trọng trong lĩnh vực mới nổi của xe ô tô tự lái (còn được gọi là xe ô tô không có tài xế hoặc xe hơi tự lái). Phần mềm vận hành xe tự lái sử dụng ML trong cả thử nghiệm đường thực tế và mô phỏng để phát hiện tình trạng đường (chẳng hạn như đường băng) hoặc xác định các chướng ngại vật trên đường và tìm hiểu các nhiệm vụ lái xe phù hợp để điều hướng an toàn.
Bạn có thể đã gặp ML nhiều lần mà không nhận ra nó. Một số ứng dụng phổ biến hơn của công nghệ ML bao gồm nhận dạng giọng nói thực tế ( Bixby của Samsung , Siri của Apple và nhiều chương trình trò chuyện văn bản hiện đang chuẩn trên PC), lọc spam cho email của bạn, tạo tin tức, phát hiện gian lận, cá nhân hóa đề xuất mua sắm và cung cấp kết quả tìm kiếm web hiệu quả hơn.
ML thậm chí còn tham gia vào nguồn cấp dữ liệu Facebook của bạn. Khi bạn thích hoặc nhấp vào bài đăng của bạn bè thường xuyên, các thuật toán và ML đằng sau hậu trường "tìm hiểu" từ hành động của bạn theo thời gian để ưu tiên một số người bạn hoặc trang nhất định trong Newsfeed của bạn.
Học máy không thể làm gì
Tuy nhiên, có những giới hạn đối với những gì ML có thể làm. Ví dụ, việc sử dụng công nghệ ML trong các ngành công nghiệp khác nhau đòi hỏi một số lượng đáng kể phát triển và lập trình bởi con người để chuyên một chương trình hoặc hệ thống cho các loại nhiệm vụ theo yêu cầu của ngành công nghiệp đó. Ví dụ, trong ví dụ y khoa của chúng tôi ở trên, chương trình ML được sử dụng trong phòng cấp cứu được phát triển đặc biệt cho y học của con người. Hiện tại, không thể thực hiện chương trình chính xác đó và trực tiếp triển khai chương trình đó tại một trung tâm cấp cứu thú y. Quá trình chuyển đổi như vậy đòi hỏi chuyên môn hóa và phát triển rộng rãi bởi các lập trình viên của con người để tạo ra một phiên bản có khả năng thực hiện nhiệm vụ này cho thú y hoặc thú y.
Nó cũng đòi hỏi một số lượng khổng lồ dữ liệu và ví dụ để "tìm hiểu" thông tin cần thiết để đưa ra quyết định và thực hiện các nhiệm vụ. Các chương trình ML cũng rất theo nghĩa đen trong việc giải thích dữ liệu và đấu tranh với biểu tượng và cũng có một số loại mối quan hệ trong kết quả dữ liệu, chẳng hạn như nguyên nhân và hiệu quả.
Tuy nhiên, những tiến bộ liên tục, làm cho ML trở thành một công nghệ cốt lõi tạo ra các máy tính thông minh hơn mỗi ngày.