học máy là gì

Nếu bạn đang hỏi học máy là gì, câu trả lời đơn giản nhất là: học máy là cách để máy tính học các mẫu từ dữ liệu và sử dụng những mẫu đó để đưa ra dự đoán, đề xuất hoặc quyết định. Thay vì tự tay viết từng quy tắc, con người cung cấp cho hệ thống các ví dụ, và hệ thống học từ chúng.

Bảng thuật ngữ của NIST định nghĩa học máy là các hệ thống máy tính thích nghi và học từ dữ liệu để cải thiện độ chính xác. Nghe có vẻ kỹ thuật, nhưng ý tưởng thường ngày thì quen thuộc: hệ thống càng thấy nhiều ví dụ hữu ích, nó càng có thể nhận diện 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 việc dạy một đứa trẻ nhận biết chó. Bạn không liệt kê mọi hình dạng tai, độ dài đuôi và màu lông có thể có. Bạn đưa ra các ví dụ. Theo thời gian, đứa trẻ học được mẫu. Học máy hoạt động theo tinh thần tương tự, nhưng với dữ liệu, toán học và thuật toán.

Học Máy Hoạt Động Như Thế Nào

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

Bộ lọc thư rác là một ví dụ đơn giản. Hệ thống học từ các email được gắn nhãn “thư rác” và “không phải thư rác”. Trong quá trình huấn luyện, nó nhận thấy các mẫu: liên kết đáng ngờ, cụm từ lặp lại, hành vi của người gửi hoặc định dạng. Trong quá trình suy luận, nó áp dụng những gì đã học vào một email mới và dự đoán liệu đó có phải thư rác hay không.

Từ quan trọng là “dự đoán”. Học máy không hiểu thế giới như con người. Nó tìm các mẫu thống kê. Điều đó có thể rất mạnh mẽ, nhưng cũng có nghĩa là chất lượng dữ liệu cực kỳ quan trọng.

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 giảng 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. Khóa học Cấp tốc về Học máy của Google cũng hữu ích cho người mới bắt đầu vì giải thích các khái niệm bằng những ví dụ thực tế. Với những người muốn có tài liệu thực hành, hướng dẫn người dùng scikit-learn và kiến thức cơ bản về học máy TensorFlow là các tài liệu tham khảo kỹ thuật đáng tin cậy.

Học Máy So Với AI So Với Học Sâu

Mọi người thường nhầm lẫn giữa AI, học máy và học sâu. Chúng có liên quan, nhưng không giống hệt nhau.

Trí tuệ nhân tạo là lĩnh vực rộng lớn: xây dựng các hệ thống có thể thực hiện những nhiệm vụ gắn với trí thông minh của con người, như suy luận, ngôn ngữ, nhận thức, học hỏi hoặc ra quyết định. Học máy là một cách để xây dựng hệ thống AI. Học sâu là một loại học máy sử dụng các mạng nơ-ron có nhiều lớp.

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

Máy tính bỏ túi tuân theo các quy tắc cố định, nên không phải là học máy. Một hệ thống đề xuất cải thiện bằng cách học từ hành vi người dùng là học máy. Một mô hình ngôn ngữ lớn sử dụng mạng nơ-ron sâu là học sâu.

Các Ví Dụ Thực Tế Về Học Máy

Học máy đã là một phần của cuộc sống thường ngày. Dịch vụ phát trực tuyến sử dụng nó để đề xuất video. Ngân hàng sử dụng nó để phát hiện các giao dịch bất thường. Dịch vụ email sử dụng nó để lọc thư rác. Công cụ dịch sử dụng nó để chuyển đổi ngôn ngữ. Công cụ tìm kiếm sử dụng nó để hiểu mức độ liên quan và các tín hiệu xếp hạng.

Trong lĩnh vực chăm sóc sức khỏe, FDA duy trì danh sách thiết bị y tế hỗ trợ bởi 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 lời nhắc nhở hữu ích rằng học máy có thể hữu ích, nhưng các hệ thống có mức độ rủi ro cao cần được kiểm thử và giám sát.

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

Vì Sao Chất Lượng Dữ Liệu Quan Trọng

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

Ví dụ, một mô hình tuyển dụng được huấn luyện dựa trên dữ liệu tuyển dụng quá khứ có thiên lệch có thể lặp lại các mẫu đó. Một mô hình y tế được huấn luyện chủ yếu trên một nhóm dân số có thể hoạt động kém hơn với nhóm khác. Một mô hình đề xuất có thể trở nên quá hẹp và tiếp tục hiển thị cho người dùng nhiều hơn cùng một loại nội dung.

Công việc học máy tốt bao gồm làm sạch dữ liệu, kiểm thử, xác thực, giám sát và đánh giá của con người. Điều đó cũng có nghĩa là đặt ra những câu hỏi khó chịu: Ai được đại diện trong dữ liệu? Ai bị thiếu? Điều gì xảy ra nếu mô hình sai?

Giải Thích Trực Quan Về Học Máy Với Pi

Học máy có thể mang lại cảm giác trừu tượng vì công việc quan trọng thường vô hình: chuẩn bị dữ liệu, huấn luyện mô hình, đánh giá, triển khai và các vòng phản hồi. Giải thích trực quan giúp mọi người nhìn thấy quy trình.

Với Pi, bạn có thể biến các khái niệm học máy thành một bài thuyết trình: quy trình từ dữ liệu đến mô hình, so sánh học có giám sát và học không giám sát, biểu đồ thể hiện độ chính xác của mô hình hoặc giải thích bằng biểu tượng về huấn luyện và suy luận. Pi cũng có thể tùy chỉnh chủ đề, màu sắc, bố cục, biểu tượng, biểu đồ và hình ảnh do AI tạo, giúp các ý tưởng kỹ thuật dễ trình bày hơn cho học sinh, khách hàng, nhà sáng lập hoặc nhóm nội bộ.

Rủi Ro Và Sử Dụng Có Trách Nhiệm

Các hệ thống học máy có thể mắc lỗi. Chúng có thể khuếch đại thiên lệch, làm lộ thông tin riêng tư, tạo ra kết quả không công bằng hoặc trở nên khó giải thích. Đó là lý do AI có trách nhiệm rất quan trọng.

Khung Quản lý Rủi ro AI của NIST cung cấp cho các tổ chức một cách để suy nghĩ về các rủi ro của AI đáng tin cậy. Các Nguyên tắc AI của OECD nhấn mạnh các giá trị lấy con người làm trung tâm, tính công bằng, tính minh bạch, tính vững chắc, an toàn và trách nhiệm giải trình.

Đối với người mới bắt đầu, điểm chính rất đơn giản: học máy không nên chỉ được đánh giá bằng độ chính xác. Nó cũng nên được đánh giá bằng tính công bằng, an toàn, quyền riêng tư, khả năng giải thích và tác động trong thế giới thực.

Kết Luận

Học máy là việc dạy máy tính học các mẫu từ dữ liệu và áp dụng những mẫu đó vào các tình huống mới. Đây là một trong những động lực chính đằng sau AI hiện đại, từ đề xuất và phát hiện gian lận đến công cụ y tế và nghiên cứu khoa học.

Khái niệm thì đơn giản, nhưng thực hành đòi hỏi sự cẩn trọng. Học máy tốt cần dữ liệu tốt, mục tiêu rõ ràng, kiểm thử, giám sát và sử dụng có trách nhiệm. Những mô hình tốt nhất không chỉ thông minh. Chúng còn hữu ích, đáng tin cậy và phù hợp với những người bị ảnh hưởng bởi chúng.

Câu Hỏi Thường Gặp (FAQ)

H: Học máy là gì?

Đ: Học máy là một nhánh của AI, trong đó máy tính học các mẫu từ dữ liệu và sử dụng những mẫu đó để đưa ra dự đoán, đề xuất hoặc quyết định.

H: Học máy có giống với trí tuệ nhân tạo không?

Đ: Không. AI là lĩnh vực rộng hơn. Học máy là một phương pháp được sử dụng để xây dựng các hệ thống AI. Học sâu là một danh mục nhỏ hơn bên trong học máy.

H: Những ví dụ phổ biến về học máy là gì?

Đ: Các ví dụ phổ biến gồm hệ thống đề xuất, bộ lọc thư rác, phát hiện gian lận, nhận dạng giọng nói, phân loại hình ảnh, công cụ dịch và một số hệ thống AI y tế.

H: Có cần biết lập trình để học máy không?

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