Deep learning nói riêng hay trí tuệ nhân tạo nói chung thực sự có rất nhiều ứng dụng tuyệt vời, nhưng chúng ta hiện mới chỉ đang ở giai đoạn đầu phát triển nó nên những hạn chế là không thể tránh khỏi. Để hiểu thêm vè khái niệm Deep learning và ứng dụng của nó trong tương lại mời bạn theo dõi bài viết dưới đây nhé!

Deep Learning là gì?

Deep Learning là một ví dụ rõ nét về vấn đề này: Nó liên quan đến – nhưng không thể thay thế cho nhau – phạm trù rộng hơn của Machine Learning. Điều này làm trầm trọng thêm khả năng cho những hiểu lầm thường thấy. Trên thực tế, có một sự tương đồng với những cô búp bê Nga ở đây: Deep Learning nằm bên trong Machine Learning, Machine Learning lại nằm trong Trí tuệ nhân tạo / AI.

Trí thông minh nhân tạo về cơ bản là khi máy móc thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người. Lĩnh vực trí tuệ nhân tạo bao gồm Machine Learning, trong đó máy móc có thể học hỏi bằng kinh nghiệm và có được các kỹ năng mà không cần sự tham gia của con người, ông Bill Brock, phó giáp đốc kỹ thuật tại Very,  giải thích. Deep Learning là một nhánh của Machine Learning, trong đó mạng lưới thần kinh – thuật toán lấy cảm hứng từ bộ não con người – học từ một lượng lớn dữ liệu.

Deep Learning so với Machine Learning

Chúng ta hãy giảm bớt sự nhầm lẫn tiềm ẩn bằng cách đưa ra một định nghĩa rõ ràng về Deep Learning và nó khác với Machine Learning như thế nào.

Trong nghiên cứu sâu, thuật toán được cung cấp dữ liệu thô và tự quyết định những tính năng có liên quan.

Deep Learning là một nhánh của Machine Learning sử dụng mạng lưới thần kinh với nhiều lớp. Một mạng lưới thần kinh sâu phân tích dữ liệu với các biểu diễn đã học tương tự như cách một người nhìn vào một vấn đề, theo ông Bro Brock. Trong Machine Learning truyền thống, thuật toán được cung cấp một tập hợp các tính năng có liên quan để phân tích. Tuy nhiên, trong nghiên cứu sâu, thuật toán được cung cấp dữ liệu thô và tự quyết định các tính năng có liên quan. Mạng Deep Learning thường sẽ cải thiện khi bạn tăng lượng dữ liệu được sử dụng để đào tạo chúng.

Deep Learning về bản chất là một nhánh của AI cố gắng bắt chước cách thức hoạt động của bộ não con người. Điều này đáng ghi nhớ – không có ý định chơi chữ – khi giải thích hoặc truyền giáo Deep Learning cho người khác, đặc biệt nếu họ không có nền tảng kỹ thuật.

Giống như con người học hỏi từ kinh nghiệm, một thuật toán Deep Learning có thể thực hiện một nhiệm vụ nhiều lần, mỗi lần điều chỉnh nó để cải thiện kết quả, theo Bro Brock nói. Thuật ngữ “Deep Learning” dùng để chỉ các mạng lưới thần kinh có nhiều lớp cho phép học tập. Deep Learning có thể giải quyết bất kỳ vấn đề nào cần ‘suy nghĩ’ để tìm ra.

Làm thế nào mà Deep Learning được sử dụng?

Đối với nhiều nhiệm vụ, để nhận biết và tạo hình ảnh, lời nói và ngôn ngữ và kết hợp với học tăng cường để phù hợp với hiệu suất của con người trong các trò chơi từ cổ đại, như Go, đến hiện đại, như Dota 2 và Quake III.

Hệ thống học tập sâu là một nền tảng của các dịch vụ trực tuyến hiện đại. Các hệ thống như vậy được Amazon sử dụng để hiểu những gì bạn nói – cả lời nói và ngôn ngữ bạn sử dụng – với trợ lý ảo Alexa hoặc Google để dịch văn bản khi bạn truy cập trang web tiếng nước ngoài.

Mỗi tìm kiếm của Google sử dụng nhiều hệ thống Machine Learning, để hiểu ngôn ngữ trong truy vấn của bạn thông qua việc cá nhân hóa kết quả của bạn, vì vậy những người đam mê câu cá tìm kiếm “bass” không bị ngập trong kết quả về guitar.

Nhưng ngoài những biểu hiện rất rõ ràng về máy móc và học tập sâu, các hệ thống như vậy đang bắt đầu tìm thấy một ứng dụng trong mọi ngành công nghiệp. Những ứng dụng này bao gồm: tầm nhìn máy tính cho xe không người lái, máy bay không người lái và robot giao hàng; nhận dạng và tổng hợp ngôn ngữ và ngôn ngữ cho chatbot và robot dịch vụ; nhận dạng khuôn mặt để giám sát ở các nước như Trung Quốc; giúp các bác sĩ X quang chọn ra các khối u trong tia X, giúp các nhà nghiên cứu phát hiện ra các chuỗi di truyền liên quan đến các bệnh và xác định các phân tử có thể dẫn đến các loại thuốc hiệu quả hơn trong chăm sóc sức khỏe; cho phép bảo trì dự đoán về cơ sở hạ tầng bằng cách phân tích dữ liệu cảm biến IoT; củng cố tầm nhìn máy tính giúp siêu thị Amazon Go không thu tiền có thể cung cấp phiên âm và dịch thuật chính xác hợp lý cho các cuộc họp kinh doanh – danh sách này vẫn tiếp tục.

Cửa hàng Amazon Go dựa vào nhận dạng hình ảnh được hỗ trợ bằng cách tìm hiểu sâu để phát hiện những gì người mua hàng mua.

Khi nào thì bạn nên sử dụng Deep Learning

Khi dữ liệu của bạn phần lớn không có cấu trúc và bạn có rất nhiều dữ liệu.

Các thuật toán Deep Learning có thể lấy dữ liệu lộn xộn và không có nhãn rộng rãi – chẳng hạn như video, hình ảnh, bản ghi âm thanh và văn bản – và áp đặt đủ thứ tự cho dữ liệu đó để đưa ra dự đoán hữu ích, xây dựng hệ thống phân cấp các tính năng tạo nên con chó hoặc con mèo một hình ảnh hoặc âm thanh tạo thành một từ trong lời nói.

Một số ứng dụng khác của deep learning

Hệ thống gợi ý trên các nền tảng

Các nền tảng lớn hiện nay như Facebook, Amazon, Netflix,… đều có hệ thống gợi ý (recommend) rất mạnh giúp tăng đáng kể độ tương tác của người dùng. Cụ thể là chúng dựa trên các dữ liệu người dùng phát sinh ra khi dùng để gợi ý thêm những sản phẩm họ sẽ thích (trên các nền tảng mua sắm), những bộ phim họ sẽ muốn xem (vd. như trên Netflix), gợi ý các bài quảng cáo/được tài trợ (trên Facebook) hay các khóa học người học quan tâm (trên các nền tảng học online).

Nhận diện hình ảnh

Mục tiêu của công nghệ nhận diện ảnh là nhận biết và xác định các đối tượng trong ảnh cũng như hiểu được nội dung và ngữ cảnh trong đó. Ví dụ trên cho thấy dịch vụ nhận diện và xác định khuôn mặt của AlchemyVision có khả năng phân biệt hai khuôn mặt tương tự nhau giữa nam diễn viên Will Ferrell và tay trống của Red Hot Chili Peppers, Chad Smith. Công nghệ nhận diện hình ảnh cũng được đưa vào Facebook để gợi ý người dùng tag mặt bạn bè hay ứng dụng vào khoa học tội phạm và điều tra.

Phát hiện các loại bệnh hiếm gặp

Gần đây, trí tuệ nhân tạo Watson của IBM đã phát hiện ra một loại bệnh mà các bác sĩ đã bó tay không thể tìm ra ở một nữ bệnh nhân. Bằng cách so sánh bộ gen của người phụ nữ này với hơn 20 triệu kết quả nghiên cứu bệnh khác, Watson đã đưa ra kết quả là một chứng leukemia cực kỳ hiếm gặp chỉ trong 10 phút.

Mặt hạn chế của deep learning

Ưu việt là vậy nhưng deep learning không phải là không có những giới hạn nhất định.

Thứ nhất, deep learning luôn đòi hỏi một lượng dữ liệu đầu vào khổng lồ để máy tính học hỏi. Quy trình này mất nhiều thời gian và sức mạnh xử lý mà chỉ có các server cỡ lớn mới làm được. Nếu không có đủ dữ liệu đầu vào, hay có đủ dữ liệu nhưng không đủ sức mạnh để xử lý, thì mọi thứ không thể diễn ra đúng như ý định, kết quả máy tính đưa ra do đó cũng không chính xác.

Thứ hai, deep learning vẫn chưa thể nhận biết được những thứ phức tạp. hay tương tự nhau. Lý do là vì hiện chưa có kĩ thuật nào đủ tốt để trí tuệ nhân tạo có thể rút ra những kết luận đó một cách logic bởi chúng chưa có được khả năng nhận biết như con người. Ví dụ như trường hợp một mạng thần kinh được yêu cầu tạo ra các hình ảnh về quả tạ 2 đầu sau khi xem loạt ảnh mẫu. Bức hình lẽ ra sẽ khá hoàn hảo nếu không chi tiết cánh tay người thừa thãi bởi máy tính vẫn chưa hiểu rằng dù có hay đi cùng hình ảnh quả tạ thì cánh tay cũng không phải là một phần của quả tạ.

Chưa hết, những công cụ trí tuệ nhân tạo thể hiện tốt hiện nay như Siri hay Cortana đều sử dụng nhiều mánh khóe để tránh né những câu hỏi khó và khiến bạn có cảm giác như đang nói chuyện với người thật vì chúng sử dụng các câu nói đùa, câu trích dẫn, các biểu hiện cảm xúc,…được set sẵn để làm bạn phân tâm và không còn chú ý đến câu hỏi ban đầu bạn đặt ra nữa.

Trên đây là những thông tin liên quan đến deep learning do dean2020.edu.vn đã tổng hợp và chia sẻ đến các bạn. Hy vọng rằng với những chia sẻ trên đây sẽ đem đến cho các bạn những kiến thức bổ ích nhé!