chương 1 cũng sẽ khái quát các mô hình học máy, học sâu cũng như các thuật toán huấn luyện học máy và bộ thư viện Tensorflow.1 Tổng quan về học máy Mạng vạn vật kết nối- Internet of Things (IoT) là một hệ sinh thái vô cùng lớn, bao hàm nhiều mô hình, nhiều thiết bị cũng như cách thức tiếp cận và xây dựng đa dạng, tạo thành một hệ sinh thái phức tạp. Thiết kế một hệ thống hay một sản phẩm IoT phải đặt trong bối cảnh chung của hệ sinh thái IoT đó, tương tự như vậy, nhận dạng đối tượng bằng công nghệ xử lý ảnh cũng là một phần của chuyên nghành thị giác máy tính, đây cũng là một chuyên nghành phức tạp và có mức độ liên thông liên kết khá chặt chẽ. Học máy hay máy học (Machine learning) là một thuật ngữ đề cập đến các chương trình máy tính có khả năng học hỏi về cách hoàn thành các nhiệm vụ và cách cải thiện hiệu suất theo thời gian. Học máy là một lĩnh vực của trí tuệ nhân tạo AI liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải quyết những vấn đề cụ thể.
Trong machine learning, các máy tính không cần phải được lập trình một cách rõ ràng nhưng có thể tự thay đổi và cải thiện các thuật toán của chúng.1Sự hình thành và phát triển của học máy Hiện nay những định nghĩa về học máy vẫn chưa rõ ràng và cũ thể nhưng có thể hiểu rằng nó là các kỹ thuật giúp cho máy tính có thể tự học mà không cần phải cài đặt các luật quyết định. Thường một chương trình máy tính cần các quy tắc, luật lệ để có thể thực thi được một tác vụ nào đó như dán nhãn cho các email là thư rác nếu nội dung email có chứa từ khoá “quảng cáo”. Nhưng với học máy, các máy tính có thể tự động nhận biết và phân lại các thư rác mà không cần chỉ trước bất kỳ quy tắc nào cả. Những định nghĩa về học máy khá trừu tượng nhưng có thể hiểu đơn giản là nó giúp cho máy tính có được cảm quan và suy nghĩ được như con người.
Ở mức khái niệm học máy có thể hiểu là phương pháp vẽ các đường thể hiện mối quan hệ của tập dữ liệu. Ví dụ như đường ngăn cách hai loại dữ liệu cho nhãn khác nhau, đường thể hiện xu hướng của giá nhà phụ thuộc vào diện tích và vị trí hay các đường phân cụm dữ 4 liệu. Quá trình con người nhận thấy sự quan trọng của học máy thì chỉ những năm gần đây, nhưng lịch sử của học máy đã được đặt những viên gạch đầu tiên từ rất lâu. Ngay từ những năm 1950, nhà bác học Alan Turning đã nghĩ đến việc xác định trí thông minh của máy tính và so sánh với trí thông minh của con người, vì vậy ông đã nghiên cứu và tạo ra Phép thử Turning (Turing Test) xem máy tính có khả năng đánh lừa người kiểm tra rằng nó là một con người không.1: Mô hình phép thử Turning Trong hơn 70 năm, lĩnh vực học máy nói riêng và trí tuệ nhân tạo nói chung đã đạt được rất nhiều bước ngoặt nổi bật và thu hút rất nhiều nhà khoa học trên thế giới quan tâm và nghiên cứu.
Trí tuệ nhân tạo được coi là một nhân tố lớn trong cách mạng công nghiệp lần thứ 4 của thế giới. Nhân tố này đang được áp dụng rộng rãi trong rất nhiều lĩnh vực như: Nông nghiệp, công nghiệp, y tế, xã hội,…. và không chỉ dành cho các nhà khoa học, tổ chức hay công ty lớn mà mọi người đều có thể áp dụng trong các bài toán có thể gặp trong cuộc sống. Trí tuệ nhân tạo được ứng dụng trên những phương tiện vận tải tự lái, điển hình là ô tô.
Sự ứng dụng này góp phần mang lại lợi ích kinh tế cao hơn nhờ khả năng cắt giảm chi phí cũng như hạn chế những tai nạn nguy hiểm đến tính mạng. Nghành vận tải mà cụ thể là xe tự lái áp dụng rất nhiều để xây dựng các trợ lý ảo trên ô tô cũng như xây dựng các chế độ tự lái cho chiếc xe công nghệ. Trí tuệ nhân tạo được ứng dụng để xây dựng những quy trình sản xuất tối ưu hơn. Công nghệ AI có khả năng phân tích cao, làm cơ sở định hướng cho việc ra quyết định trong sản xuất.2: Xe tự lái Tesla model X Sự ra đời của trí tuệ nhân tạo giúp tạo ra những thay đổi lớn trong lĩnh vực giáo dục.
Các hoạt động giáo dục như chấm điểm hay dạy kèm học sinh có thể được tự động hóa nhờ công nghệ AI. Nhiều trò chơi, phần mềm giáo dục ra đời đáp ứng nhu cầu cụ thể của từng học sinh, giúp học sinh cải thiện tình hình học tập theo tốc độ riêng của mình. Trí tuệ nhân tạo còn có thể chỉ ra những vấn đề mà các khóa học cần phải cải thiện. Chẳng hạn như khi nhiều học sinh được phát hiện là gửi đáp án sai cho bài tập, hệ thống sẽ thông báo cho giáo viên đồng thời gửi thông điệp đến học sinh để chỉnh sửa đáp án phù hợp.
Công nghệ AI còn có khả năng theo dõi sự tiến bộ của học sinh và thông báo đến giáo viên khi phát hiện ra vấn đề đối với kết quả học tập của học sinh. Năm Sự kiện 1990 Machine Learning đã dịch chuyển từ cách tiếp cận hướng kiến thức (knowledge-driven) sang cách tiếp cận hướng dữ liệu (data- driven). Các nhà khoa học bắt đầu tạo ra các chương trình cho máy tính để phân tích một lượng lớn dữ liệu và rút ra các kết luận - hay là "học" từ các kết quả đó. 1997 Deep Blue máy tính chơi cờ vua của hãng IBM đã đánh bại nhà vô địch cờ vua thế giới.
2006 Geoffrey Hinton đã đưa ra một thuật ngữ "deep learning" để giải thích các thuật toán mới cho phép máy tính "nhìn thấy" và phân biệt các đối tượng và văn bản trong các hình ảnh và video. 2010 Microsoft Kinect có thể theo dõi 20 hành vi của con người ở một 6 tốc độ 30 lần mỗi giây, cho phép con người tương tác với máy tính thông qua các hành động và cử chỉ 2012 X Lab của Google phát triển một thuật toán machine learning có khả năng tự động duyệt qua các video trên YouTube để xác định xem video nào có chứa những con mèo.000 nhà nghiên cứu AI và Robotics, được sự ủng hộ bởi những nhà khoa học nổi tiếng như Stephen Hawking, Elon Musk và Steve Wozniak (và nhiều người khác), đã ký vào một bức thư ngỏ để cảnh báo về sự nguy hiểm của vũ khí tự động trong việc lựa chọn và tham gia vào các mục tiêu mà không có sự can thiệp của con người. 2016 Thuật toán trí tuệ nhân tạo của Google đã đánh bại nhà vô địch trò chơi Cờ Vây, được cho là trò chơi phức tạp nhất thế giới (khó hơn trò chơi cờ vua rất nhiều). Thuật toán AlphaGo được phát triển bởi Google DeepMind đã giành chiến thắng 4/5 trước nhà vô địch Cờ Vây.
2019 Ứng dụng làm giả hình ảnh và video deepfake sử dụng trí tuệ nhân tạo bị Mỹ xếp vào một trong năm ứng dụng gây mất an ninh toàn cầu. 2020 Xe tự hành cấp độ 5 của Tesla ra mắt Bảng 1.1: Một số mốc quan trọng của học máy 1.2 Các mô hình học máy và học sâu Mô hình học máy là một biểu hiện của một thuật toán quét qua hàng núi dữ liệu để tìm ra các mẫu hình hoặc đưa ra dự đoán. Được cung cấp dữ liệu, các mô hình học máy là “động cơ” toán học của trí tuệ nhân tạo. Về cơ bản, một mô hình là một biểu diễn toán học của các đối tượng và mối quan hệ của chúng với nhau.
Các đối tượng có thể là bất cứ thứ gì, từ “lượt thích” trên một bài đăng trên mạng xã hội cho đến các phân tử trong một thí nghiệm ở phòng lab. Không có ràng buộc nào đối với các đối tượng có thể trở thành các ‘feature’ trong mô hình học máy, không có giới hạn đối với việc sử dụng AI. Để phân loại các mô hình học máy chúng ta căn cứ vào một số cơ sở nhất định như bản chất của đầu vào dữ liệu, bản chất của chính vấn đề mà mô hình giải quyết, bản chất của thuật toán sử dụng, bản chất của giải pháp hoặc bản chất của dữ liệu đầu ra.1 Mô hình học có giám sát Supervised learing hay học có giám sát là thuật toán dự đoán đầu ra (outcome) của một dữ liệu mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước. Cặp dữ liệu này còn được gọi là (data, label) hay là dữ liệu, nhãn.
Thuật toán học có giám sát là một trong nhóm những thuật toán phổ biến khi sử dụng học máy và trí tuệ nhân tạo nói chung. Có thể hiểu ở mức khái niệm rằng là khi chúng ta có một nhóm các tập hợp biến đầu vào X = { x1, x2,…, xN } và tập hợp nhãn tương ứng Y = { y1, y2,…, yN } trong đó xi, yi là các vector. Các cặp dữ liệu xi, yi ∈ X∗ Y được gọi là tập huấn luyện. Từ tập huấn luyện này, mô hình cần tìm được một hàm ánh xạ từ giá trị của tập X sang tập Y.
Với mục tiêu tìm hàm xấy xỉ ƒ tốt nhất có thể để khi có tập giá trị x mới hàm ƒcó thể tính toán được nhãn một cách tương ứng bằng hàm đã xây dựng được từ tập mẫu ban đầu. Thuật toán học có giám sát chia làm hai loại chính là phân loại (Classification) và hồi quy (Regression).3: Mô tả luồng hoạt động của học có giám sát Phân loại (Classification): một bài toán được gọi là phân loại nếu các nhãn của dữ liệu đầu vào được chia thành một số hữu hạn các nhóm theo các nhãn. Công việc phân loại tiến hành của mô hình học máy sẽ tiến hành học dựa vào tập dữ liệu có sẵn từ đó sau khi chúng ta đưa dữ liệu mới, nó có thể chỉ ra cho chúng ta dữ liệu ấy có thể là một trong các loại nhãn đã được khai báo trong tập dữ liệu mẫu và ngoài ra có thể cho biết một phần từ không nằm trong số nhãn đó. Nếu có nhiều loại khác nhau cùng chưa nằm trong danh sách tập mẫu thì chương trình học vẫn chỉ có thể chỉ ra tất cả các loại ấy nằm chung một nhóm nhãn không nằm trong danh sách các nhãn đã được đưa vào để huấn luyện.
Trong thực tế, các ngân hàng sử dụng nó để phân loại khách hàng.
