machine learning là gì

Nếu bạn đang hỏi “machine learning（học máy）” là gì, câu trả lời đơn giản nhất là thế này: học máy là một cách để máy tính học các mẫu (pattern) từ dữ liệu và sử dụng những mẫu đó để đưa ra dự đoán, gợi ý hoặc quyết định. Thay vì tự viết từng quy tắc bằng tay, con người đưa cho hệ thống các ví dụ, và hệ thống sẽ học từ chúng.

Bảng thuật ngữ của NIST định nghĩa học máy là các hệ thống máy tính có khả năng thích nghi và học từ dữ liệu để nâng cao độ chính xác. Nghe có vẻ mang tính kỹ thuật, nhưng ý tưởng thường ngày thì rất quen thuộc: hệ thống được thấy càng nhiều ví dụ hữu ích, thì càng có thể nhận ra các mẫu tốt hơn.

học máy là gì theo cách đơn giản

Học máy là một nhánh của trí tuệ nhân tạo. IBM, Google Cloud, Microsoft Azure và AWS đều giải thích theo cách tương tự: học máy sử dụng dữ liệu và thuật toán để huấn luyện các hệ thống có thể đưa ra dự đoán hoặc tìm ra các mẫu mà không cần được lập trình rõ ràng cho từng trường hợp.

Hãy tưởng tượng bạn dạy một đứa trẻ nhận biết chó. Bạn không liệt kê mọi hình dạng tai có thể có, độ dài đuôi và màu lông. Bạn đưa ra các ví dụ. Theo thời gian, đứa trẻ sẽ học được mẫu. Học máy cũng hoạt động tương tự về tinh thần đó, nhưng với dữ liệu, toán học và thuật toán.

Học máy hoạt động như thế nào

Hầu hết các dự án học máy đều theo một quy trình cơ bản: thu thập dữ liệu, chuẩn bị dữ liệu, huấn luyện mô hình, kiểm thử, rồi sử dụng mô hình đó cho các dữ liệu đầu vào mới. Hướng dẫn của AWS về xây dựng một ứng dụng học máy mô tả quy trình này như một tiến trình lặp lại: xác định vấn đề, chuẩn bị dữ liệu, tạo các đặc trưng hữu ích, huấn luyện mô hình, đánh giá và sử dụng để đưa ra dự đoán.

Bộ lọc thư rác (spam) là một ví dụ đơn giản. Hệ thống học từ các email được gắn nhãn “spam” và “not spam”. Trong giai đoạn huấn luyện, nó nhận ra các mẫu: liên kết đáng ngờ, các cụm từ lặp lại, hành vi của người gửi hoặc cách định dạng. Trong giai đoạn suy luận, nó áp dụng những gì đã học vào một email mới và dự đoán email đó có phải là thư rác hay không.

Từ quan trọng là “dự đoán (predicts)”. Học máy không hiểu thế giới như một con người. Nó tìm ra các mẫu thống kê. Điều này có thể rất mạnh mẽ, nhưng đồng thời cũng có nghĩa là chất lượng dữ liệu quan trọng vô cùng.

Các loại học máy phổ biến

Học máy không phải là một phương pháp duy nhất. Nó bao gồm một số cách tiếp cận chính:

Stanford CS229 dạy học máy thông qua các chủ đề cốt lõi như học có giám sát, học không giám sát, mạng nơ-ron và học tăng cường. Machine Learning Crash Course của Google cũng rất hữu ích cho người mới bắt đầu vì nó giải thích các khái niệm bằng các ví dụ thực tiễn. Với những ai muốn tài liệu hướng dẫn thực hành, hướng dẫn sử dụng scikit-learn và những kiến thức nền tảng về học máy của TensorFlow là các tài liệu kỹ thuật tham khảo vững chắc.

Học máy vs AI vs Học sâu

Người ta thường nhầm lẫn AI, học máy và học sâu. Chúng có liên quan với nhau, nhưng không giống nhau.

Trí tuệ nhân tạo là lĩnh vực rộng lớn: xây dựng các hệ thống có thể thực hiện những tác vụ gắn với trí tuệ của con người, như suy luận, ngôn ngữ, tri giác, học tập hay ra quyết định. Học máy là một cách để xây dựng các hệ thống AI. Học sâu là một kiểu học máy sử dụng mạng nơ-ron với nhiều lớp.

Vì vậy, mối quan hệ là đơn giản: AI là nhóm lớn. Học máy nằm trong AI. Học sâu nằm trong học máy.

Một chiếc máy tính làm theo các quy tắc cố định, nên không phải là học máy. Một hệ thống gợi ý cải thiện nhờ học từ hành vi người dùng là học máy. Một mô hình ngôn ngữ lớn sử dụng các mạng nơ-ron sâu là học sâu.

Các ví dụ thực tế về học máy

Học máy đã là một phần của đời sống thường ngày. Các dịch vụ phát trực tuyến dùng nó để đề xuất video. Các ngân hàng dùng nó để phát hiện các giao dịch bất thường. Dịch vụ email dùng nó để lọc spam. Công cụ dịch thuật dùng nó để chuyển đổi ngôn ngữ. Công cụ tìm kiếm dùng nó để hiểu mức độ liên quan và tín hiệu xếp hạng.

Trong y tế, FDA duy trì danh sách các thiết bị y tế có hỗ trợ AI, trong đó nhiều thiết bị sử dụng kỹ thuật AI hoặc học máy cho chẩn đoán hình ảnh, chẩn đoán hoặc hỗ trợ lâm sàng. Đây là một lời nhắc tốt rằng học máy có thể hữu ích, nhưng các hệ thống có mức độ rủi ro cao cần được thử nghiệm và giám sát.

Khoa học cũng là một ví dụ mạnh mẽ khác. AlphaFold sử dụng AI để dự đoán cấu trúc protein, giúp các nhà nghiên cứu nghiên cứu sinh học hiệu quả hơn. Nó cho thấy học máy không chỉ dành cho quảng cáo, ứng dụng và bảng điều khiển; nó còn có thể hỗ trợ khám phá khoa học.

Vì sao chất lượng dữ liệu lại quan trọng

Một mô hình học máy chỉ tốt bằng dữ liệu và các giả định đứng sau nó. Nếu dữ liệu huấn luyện bị thiếu, thiên lệch, lỗi thời hoặc được gắn nhãn kém, mô hình có thể học sai các mẫu hình.

例如，一个用有偏的过往招聘数据训练出来的招聘模型可能会重复这些模式。一个主要在单一人群上训练的医疗模型在另一人群上可能表现更差。一个推荐模型也可能变得过于狭窄，并不断向用户展示更多相同的内容。

良好的机器学习工作包括数据清理、测试、验证、监控以及人工审查。这也意味着要提出一些令人不安的问题：数据中体现了谁？谁被遗漏了？如果模型出错会发生什么？

用 Pi 进行可视化的机器学习解释

机器学习可能会让人感觉抽象，因为重要的工作往往是看不见的：数据准备、模型训练、评估、部署以及反馈循环。可视化解释能帮助人们看清这个过程。

使用 Pi，你可以把机器学习概念变成一份演示文稿：从数据到模型的工作流、监督学习与非监督学习的对比、展示模型准确率的图表，或用图标来解释训练与推理。Pi 还可以定制主题、颜色、版式、图标、图表，以及由 AI 生成的可视化内容，这让向学生、客户、创始人或内部团队呈现技术想法变得更容易。

风险与负责任的使用

机器学习系统可能会出错。它们可能放大偏见、暴露私人信息、造成不公平的结果，或者变得难以解释。这就是为什么负责任的人工智能很重要。

《NIST AI 风险管理框架》为组织提供了一种思考可信 AI 风险的方法。OECD AI 原则强调以人为本的价值、公平性、透明度、稳健性、安全性以及问责制。

对初学者来说，重点很简单：机器学习不应只用准确率来评判。它还应从公平性、安全性、隐私、可解释性以及真实世界的影响来评判。

结论

机器学习是教计算机从数据中学习模式，并将这些模式应用到新的情境中的做法。它是现代 AI 的主要驱动力之一，从推荐与欺诈检测到医疗工具和科学研究。

这个概念很简单，但实践需要谨慎。好的机器学习需要好的数据、清晰的目标、测试、监控以及负责任的使用。最好的模型不仅仅要聪明。它们要有用、可靠，并且适合那些受其影响的人群。

常见问题解答（FAQ）

Q：什么是机器学习？

A：机器学习是人工智能的一个分支，在这里计算机从数据中学习模式，并使用这些模式来做出预测、推荐或决策。

Q：机器学习和人工智能是一样的吗？

A：不是。AI 是更广泛的领域。机器学习是构建 AI 系统所使用的方法之一。深度学习是机器学习中的一个更小类别。

Q：机器学习有哪些常见例子？

A：常见例子包括推荐系统、垃圾邮件过滤器、欺诈检测、语音识别、图像分类、翻译工具，以及一些医疗 AI 系统。

H: Bạn có cần biết lập trình để học machine learning không?

T: Bạn có thể hiểu các ý tưởng cơ bản mà không cần lập trình, nhưng việc xây dựng các mô hình machine learning thực sự thường đòi hỏi kỹ năng lập trình, thống kê, xử lý dữ liệu và kiểm thử.