Chương I : Deep Learning 1. Giới thiệu về Machine Learning. Là một lĩnh vực nghiên cứu khả năng cải thiện dữ liệu của máy tính dựa trên kho dữ liệu đã được cung cấp và đúc kết từ những kinh nghiệm chúng đã được học. Từ đó dự đoán hoặc đưa ra những quyết định mà không cần người dùng lập trình cụ thể.
Machine Learning còn được biết đến như một thuật toán để phân tích dữ liệu, học hỏi hay dự đoán một vấn đề có liên quan. 1 0 Minh họa về Deep Learnig (Nguồn Pinterest) Vậy mối quan hệ giữa Machine Learning và Deep Learning là gì? 2. Khái niệm Ta không thể không nhắc đến Deep Learning khi đang tìm hiểu sâu về Machine Learning. Deep Learning (Học sâu) là một nhánh của Machine Learning, có nguồn gốc từ toán học, khoa học máy tính và khoa học thần kinh.
Bên cạnh đó, Deep Learning còn được xem như là một kỹ thuật để thực hiện hóa Machine Learning. ở đó các máy tính sẽ học và cải thiện chính nó thông qua các thuật toán. 1 1 Biểu đồ của trí tuệ nhân tạo (Nguồn google) 1 Deep Learning được xây dựng dựa trên các khái niệm phức tạp hơn rất nhiều, chủ yếu hoạt động với các mạng nơ-ron nhân tạo để bắt chước khả năng tư duy và suy nghĩ của bộ não con người. Nguồn gốc 1950, với sự xuất hiện của Trí tuệ nhân tạo (AI) đã có hai tầm nhìn cạnh tranh về cách thức tạo ra trí tuệ nhân tạo: một bên dựa vào logic và các chương trình chi phối AI trong nhiều thập kỷ; một bên lại dựa vào việc học trự tiếp từ dữ liệu.
Vào thời kỳ máy tính còn chưa phát triển và việc lưu trữ dữ liệu quá đắt đỏ so với tiêu chuẩn hiện này thì logic là một biện pháp tối ưu để giải quyết vấn đề. Ngày nay năng lực máy tính nâng cao và khả năng lưu trữ dữ liệu lớn (big data) việc giải quyết vấn đề dựa trên thuật toán cũng trở nên phổ biết, vì chúng nhanh hơn, chính xác hơn và hiệu quả hơn. Mạng nơ-ron nhân tạo chính là động lực chính để phát triển Deep Learning. Các mạng nơ-ron sâu (DNN) bao gồm nhiều lớp nơ-ron khác nhau, có khả năng thực hiện các tính toán có độ phức tạp rất cao.
Deep Learning hiện đang phát triển rất nhanh và được xem là một trong những bước đột phá lớn nhất trong Machine Learning. Trong phần dưới đây, chúng ta sẽ làm rõ khái niệm Deep Learning là gì thông qua cơ chế hoạt động, ưu và nhược điểm của nó 1 2 Minh họa Deep Learning 2 c. Cách thức hoạt động. là một phương pháp của Machine Learning.
Mạng nơ-ron nhân tạo trong Deep Learning được xây dựng để mô phỏng khả năng tư duy của bộ não con người. Một mạng nơ-ron bao gồm nhiều lớp (layer) khác nhau, số lượng layer càng nhiều thì mạng sẽ càng “sâu”. Trong mỗi layer là các nút mạng (node) và được liên kết với những lớp liền kề khác. Mỗi kết nối giữa các node sẽ có một trọng số tương ứng, trọng số càng cao thì ảnh hưởng của kết nối này đến mạng nơ-ron càng lớn.
Mỗi nơ-ron sẽ có một hàm kích hoạt, về cơ bản thì có nhiệm vụ “chuẩn hoá” đầu ra từ nơ-ron này. Dữ liệu được người dùng đưa vào mạng nơ-ron sẽ đi qua tất cả layer và trả về kết quả ở layer cuối cùng, gọi là output layer. 1 3 Mô hình hoạt động của ML và DL (Nguồn google) Trong quá trình huấn luyện mô hình mạng nơ-ron, các trọng số sẽ được thay đổi và nhiệm vụ của mô hình là tìm ra bộ giá trị của trọng số sao cho phán đoán là tốt nhất. 3 Các hệ thống Deep Learning yêu cầu phần cứng phải rất mạnh để có thể xử lý được lượng dữ liệu lớn và thực hiện các phép tính phức tạp.
Nhiều mô hình Deep Learning có thể mất nhiều tuần, thậm chí nhiều tháng để triển khai trên những phần cứng tiên tiến nhất hiện nay. Nếu những em bé lớn lên từ việc học hỏi mọi thứ xung quanh chúng bằng đôi mắt tinh thường để từ đó đạt được những kỹ năng, sẵn sàng để điều hướng sang môi trường khác. Thì mạng lưới học sâu của Deep Learning được ví như vậy, chúng thu nhập những dữ liệu lớn, “học” cách phân tích các vật thể bằng hình ảnh (con người, động vật, xe cộ, … ) thông qua Thị giác máy tính (Computer Vision) để cải thiện khả năng nhận biết, dự đoán,. Sự khác nhau giữa Machine Learning và Deep Learning.
Machine Learning sử dụng những hướng dẫn đã được lập trình trước để cho phép máy tính nhận ra hình ảnh của vật thể. Trong khi đó deep learning nhận dạng vật thể một-cách-tự-động. Ưu điểm và nhược điểm của Deep Learning. Ưu điểm: Deep Learning là một bước ngoặt to lớn trong lĩnh vực trí tuệ nhân tạo, cho phép khác nhà khoa học dữ liệu xây dựng nhiều mô hình có độ chính xác rất cao trong lĩnh vực nhận dạng ảnh, xử lý ngôn ngữ tự nhiên, xử lý giọng nói,… Một số ưu điểm vượt trội của Deep Learning gồm có: Kiến trúc mạng nơ-ron linh hoạt, có thể dễ dàng thay đổi để phù hợp với nhiều vấn đề khác nhau.
Có khả năng giải quyết nhiều bài toán phức tạp với độ chính xác rất cao. Tính tự động hoá cao, có khả năng tự điều chỉnh và tự tối ưu. Có khả năng thực hiện tính toán song song, hiệu năng tốt, xử lý được lượng dữ liệu lớn.4 Minh họa Deep Learning (Nguồn google) Nhược điểm: Bên cạnh những ưu điểm, mặt khác, hiện nay Deep Learning vẫn còn nhiều khó khăn và hạn chế, chẳng hạn như: Cần có khối lượng dữ liệu rất lớn để tận dụng tối đa khả năng của Deep Learning. Chi phí tính toán cao vì phải xử lý nhiều mô hình phức tạp.
Chưa có nền tảng lý thuyết mạnh mẽ để lựa chọn các công cụ tối ưu cho Deep Learning. Sự phát triển của Deep Learning Học cách lái xe: Ví dụ điển hình nhất về mặt phát triển của Deep Learning không thể không kể đến các loại xe tự lái. Chẳng ai lại không mong muốn một chiếc xe thay thế mình di chuyển trên các đoạn đường xa gần, hay thậm chí hỗ trợ đỗ xe đúng nơi tại các địa điểm công cộng. Việc phát triển các loại xe tự lái cũng giúp giảm thiểu các tai nạn về lái xe khi sử dụng rượu bia hay ngủ gật.5 Hãng xe Tesla (Nguồn google) 5 Tuy nhiên, xe tự lái sẽ sớm phá hủy kế sinh nhai của hàng triệu tài xế xe tải và taxi, nhiều lĩnh vực kinh doanh liên quan cũng sẽ bị ảnh hương như bảo hiểm xe và cửa hàng phụ tùng.
Ta có thể thấy Tesla là một hãng xe minh chứng cho sự thành công trong công cuộc phát triển xe tự lái. Phân tích cảm xúc: Đây là lĩnh vực phân tích cảm xúc của con người thông qua việc xử lý ngôn ngữ tự nhiên, phân tích văn bản và thống kê. Các công ty có thể ứng dụng Deep Learning để hiểu và phán đoán cảm xúc của khách hàng dựa trên những đánh giá, bình luận, tweet,… từ đó đưa ra những chiến lược kinh doanh và marketing phù hợp với từng nhóm đối tượng.6 Minh họa Deep Learning trong vai trò phân tích cảm xúc (Nguồn google) 6 Học cách dịch: Deep Learning có thể tạo nên một sự thay đổi đột phá của ngành công nghệ trong việc dịch ngôn ngữ. Gần đây, phiên bản mới của Google Translate dựa vào Deep Learning thể hiện bước tiếc vượt bậc về chất lượng và dịch vụ giữa các ngôn ngữ tự nhiên.
Gần như việc dịch ngôn ngữ đã chuyển từ một cụm lộn xộn trở thành một câu mạch lạc dựa vào phương pháp tìm kiếm sự phụ thuộc thông của qua các câu của Deep Learning thay vì các phương pháp kết 1.7 Logo Google Translate (Nguồn google) hợp các từ có thể dịch cùng nhau trước đó. Trợ Lý Ảo: Trợ lý ảo đang được ứng dụng rất nhiều trong đời sống hàng ngày, trong đó phổ biến gồm có chatbot, giảng viên online, Google Assistant, Siri, Cortana,… Các trợ lý ảo được xây dựng dựa trên Deep Learning với các thuật toán nhận diện văn bản, xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói,… 1.8 Minh họa về trợ lý ảo 7 Mạng Xã Hội : Một số nền tảng mạng xã hội lớn như Twitter cũng ứng dụng các thuật toán Deep Learning để cải thiện các dịch vụ của mình. Cụ thể, những trang này sẽ phân tích một lượng lớn dữ liệu thông qua mạng nơ-ron nhân tạo để tìm hiểu về các tuỳ chọn của người dùng. Ngoài ra, Instagram cũng sử dụng Deep Learning để tránh các hành vi bạo lực trên không gian mạng, chặn các bình luận vi phạm, không phù hợp,… Facebook cũng không nằm ngoài danh sách các mạng xã hội ứng dụng Deep Learning vào sản phẩm của mình.
Các thuật toán mạng nơ-ron sâu được sử dụng để gợi ý trang, bạn bè, dịch vụ, nhân diện khuôn mặt,… 1.9 Minh họa về mạng xã hội Học cách lắng nghe: Tính năng nhận dạng giọng nói không phụ thuộc vào người nói không còn bị giới hạn như trước đây. Năm 2016, một nhóm nghiên cứu của Microsoft đã thông báo rằng Deep Learning với 120 tầng đã đạt hiệu suất như trình độ con người trong một bài kiểm tra tiêu chuẩn cho khả năng nhận dạng nhiều giọng nói.10 Minh họa việc phát triển nhận diện giọng nói của Deep Learning Học cách chuẩn đoán trong y học: Với các bệnh ngoài da, việc chuẩn đoán y học dựa trên hồ sơ của hàng triệu bệnh nhân sẽ trở nên chính xác hơn. Một nghiên cứu đã áp dụng Deeplearning vào 130.000 hình ảnh da liễu cho hơn 2.000 bệnh khác nhau – một dữ liệu lớn so với các dữ liệu trước đó. Chỉ ít lâu nữa người dung có thể sử dụng tính năng chuẩn đoán bệnh thông qua điện thoại và camera thay vì phải đến phải tới phòng khám, xếp hàng chờ đợi để được chuẩn đoán thương tổn.
Với các bệnh sâu bên trong như ung thư, đây là một vấn đề nhận dạng mẫu mà Deep Learning có thể làm khá tốt. Mạng lưới Deep Learning được huấn luyện dựa trên các tập hợp dữ liệu lớn có độ chính xác tương đối cao nhưng không thể sánh bằng so với các chuyên gia ở cùng bộ dữ liệu thử nghiệm. Tuy nhiên khi việc dự đoán của Deep Learning có thể kết hợp với các chuyên gia sẽ gần như chính xác tuyệt đối.11 Minh họa về sự phát triển của Deep Learning trong việc phát triển y học Học cách kiếm tiền: Hơn 75% số lượng giao dịch trên sàn chứng khoán New York được thực hiện một cách tự động. Giao dịch thuật toán trong quy mô thời gian dài hơn sẽ tính đến xu hướng dài hạn trên dữ liệu lớn.