Trong bài viết này
Từ được đánh dấu có giải thích. Di chuột hoặc chạm để xem, hay mở từ điển AI.
Một cửa hàng muốn xếp lịch giao hàng, dự đoán số bánh cần nướng và nhận diện bánh bị cháy qua ảnh. Cả ba việc có thể xuất hiện trong một sản phẩm mang nhãn AI. Nhưng giải pháp bên trong không nhất thiết giống nhau. Đây là tình huống minh họa để đặt các thuật ngữ vào đúng chỗ.
AI là tên của một lĩnh vực rộng
Với lịch giao hàng, bạn có thể mô tả giờ nhận hàng, sức chứa xe và thời gian di chuyển, rồi dùng thuật toán tìm kiếm để tìm phương án phù hợp. Hệ thống giải một bài toán lập kế hoạch mà không cần học từ các lịch cũ.
AI bao gồm nhiều hướng xây dựng hệ thống có khả năng nhận biết, suy luận hoặc quyết định. Vì vậy, thấy chữ AI chưa đủ để kết luận sản phẩm có mô hình ngôn ngữ, có mạng nơ-ron hay tự học liên tục. Bạn cần hỏi hệ thống nhận gì, trả gì và tạo kết quả bằng cách nào.
Ngay cả một sản phẩm có AI vẫn chứa nhiều phần mềm thông thường: biểu mẫu nhập địa chỉ, phép tính tổng tiền, cơ sở dữ liệu và quy tắc phân quyền. Không cần gọi mọi thành phần là AI để giải thích giá trị của sản phẩm.
Học máy tìm quy luật từ dữ liệu
Để dự đoán số bánh, chủ cửa hàng thu thập ngày trong tuần, thời tiết và lượng bán. Một mô hình học mối liên hệ giữa các đầu vào với lượng bán đã biết, rồi đưa ra dự đoán cho ngày mới. Đây là học máy, một nhóm phương pháp trong AI.
Bài nhập môn của Google mô tả học máy là huấn luyện mô hình từ dữ liệu để dự đoán hoặc tạo nội dung. Khác biệt thực dụng nằm ở chỗ một phần hành vi được rút ra từ ví dụ, thay vì người lập trình viết toàn bộ quy tắc.
Trong tình huống cửa hàng, mô hình có thể học sai nếu dữ liệu chỉ có ngày thường, còn hôm cần dự đoán lại là lễ hội. Việc học được một quan hệ trong quá khứ không bảo đảm quan hệ ấy còn đúng trong điều kiện mới.
Mô hình nhận ví dụ đã gán nhãn, tạo dự đoán, đo sai lệch rồi điều chỉnh tham số. Khả năng áp dụng cần được kiểm tra trên dữ liệu chưa dùng để học.
↔ Vuốt ngang để xem toàn bộ sơ đồ.
01 / Ví dụ có nhãn
Các phản hồi về quán cà phê đi kèm nhãn đúng: đồ uống, phục vụ hoặc không gian.
02 / Tạo dự đoán
Mô hình dùng tham số hiện tại để dự đoán chủ đề của phản hồi.
03 / Đo sai lệch
So dự đoán với nhãn đúng. Hàm mất mát biểu diễn mức sai lệch cần giảm.
04 / Điều chỉnh
Thuật toán cập nhật tham số và lặp lại trên dữ liệu học. Sau đó đánh giá bằng các ví dụ được giữ riêng.
Minh họa giản lược cho học máy có giám sát. Một lần điều chỉnh không bảo đảm dự đoán tiếp theo sẽ đúng.
Học sâu là một cách làm học máy
Ảnh bánh chứa rất nhiều điểm ảnh. Một mạng nơ-ron nhiều lớp có thể học các biểu diễn hữu ích cho việc phân biệt bánh đạt yêu cầu với bánh cháy. Học sâu, hay deep learning, dùng các mạng như vậy. Thuật ngữ của Google mô tả mô hình sâu bằng sự hiện diện của nhiều lớp ẩn.
Hãy hình dung mỗi lớp biến đổi biểu diễn nhận được để lớp sau sử dụng. Đây là cách giải thích cấu trúc tính toán, không phải khẳng định mạng suy nghĩ giống não người. Cũng không nên gán cố định mỗi lớp cho một ý nghĩa như “màu”, “cạnh” hay “bánh” trong mọi mô hình.
Ba tên gọi nằm ở các phạm vi khác nhau: học sâu thuộc học máy, học máy thuộc AI. Chúng không phải ba mức điểm thông minh. Một mô hình đơn giản vẫn có thể là lựa chọn tốt hơn cho bảng dữ liệu nhỏ và yêu cầu dễ giải thích.
Những cách hiểu dễ dẫn tới chọn sai
“Dữ liệu ít thì cứ dùng mô hình lớn” bỏ qua chất lượng ví dụ. “Học sâu luôn chính xác hơn” bỏ qua nhiệm vụ và cách đánh giá. “Có chatbot là có toàn bộ hệ thống AI” bỏ qua việc truy xuất dữ liệu và kiểm soát hành động.
Với cửa hàng, hãy thử quy tắc lấy trung bình cùng thứ trong các tuần trước làm mốc dự đoán. Giải pháp phức tạp hơn phải chứng minh ích lợi so với mốc này trên dữ liệu chưa dùng để chọn mô hình. Nếu chưa có phép so sánh, bạn mới có một ý tưởng, chưa có bằng chứng cải thiện.
Bài tập: viết bản đồ cho một công việc
Chọn việc quản lý một câu lạc bộ. Viết ba nhiệm vụ: xếp lịch phòng, dự đoán số người đến và đọc nội dung từ ảnh áp phích. Với mỗi nhiệm vụ, ghi đầu vào, đầu ra và một cách giải quyết khả thi.
Tự kiểm bằng ba câu: bạn có phân biệt quy tắc viết sẵn với học từ ví dụ không; có giải thích vì sao cần hoặc chưa cần học sâu không; có nêu được một trường hợp giải pháp sẽ sai không? Đọc tiếp dữ liệu và nhãn để hiểu phần nguyên liệu của quá trình học.