Mục lục[Ẩn giấu][Chỉ]
Bây giờ chúng ta có thể tính toán độ rộng của không gian và độ phức tạp nhỏ của các hạt hạ nguyên tử nhờ máy tính.
Máy tính đánh bại con người khi đếm và tính toán, cũng như tuân theo các quy trình có / không hợp lý, nhờ các electron di chuyển với tốc độ ánh sáng qua mạch của nó.
Tuy nhiên, chúng ta không thường thấy chúng là “thông minh” vì trong quá khứ, máy tính không thể thực hiện bất cứ điều gì nếu không được con người dạy (lập trình).
Học máy, bao gồm học sâu và trí tuệ nhân tạo, đã trở thành một từ thông dụng trong các tiêu đề khoa học và công nghệ.
Học máy dường như có mặt ở khắp mọi nơi, nhưng nhiều người sử dụng từ này sẽ gặp khó khăn trong việc xác định đầy đủ nó là gì, nó làm gì và nó được sử dụng cho mục đích gì tốt nhất.
Bài viết này tìm cách làm rõ việc học máy đồng thời cung cấp các ví dụ cụ thể trong thế giới thực về cách hoạt động của công nghệ để minh họa tại sao nó lại có lợi như vậy.
Sau đó, chúng ta sẽ xem xét các phương pháp học máy khác nhau và xem chúng được sử dụng như thế nào để giải quyết các thách thức kinh doanh.
Cuối cùng, chúng tôi sẽ tham khảo quả cầu pha lê của mình để biết một số dự đoán nhanh về tương lai của học máy.
Học máy là gì?
Học máy là một bộ môn của khoa học máy tính cho phép máy tính suy ra các mẫu từ dữ liệu mà không cần được dạy rõ ràng các mẫu đó là gì.
Những kết luận này thường dựa trên việc sử dụng các thuật toán để tự động đánh giá các tính năng thống kê của dữ liệu và phát triển các mô hình toán học để mô tả mối quan hệ giữa các giá trị khác nhau.
Ngược lại điều này với máy tính cổ điển, dựa trên các hệ thống xác định, trong đó chúng tôi cung cấp cho máy tính một cách rõ ràng một bộ quy tắc phải tuân theo để nó thực hiện một nhiệm vụ nhất định.
Cách lập trình máy tính này được gọi là lập trình dựa trên quy tắc. Học máy khác và tốt hơn lập trình dựa trên quy tắc ở chỗ nó có thể tự suy ra các quy tắc này.
Giả sử bạn là giám đốc ngân hàng, người muốn xác định xem hồ sơ vay có bị thất bại đối với khoản vay của họ hay không.
Trong một phương pháp dựa trên quy tắc, giám đốc ngân hàng (hoặc các chuyên gia khác) sẽ thông báo rõ ràng cho máy tính rằng nếu điểm tín dụng của ứng viên dưới một mức nhất định, đơn đăng ký sẽ bị từ chối.
Tuy nhiên, một chương trình máy học sẽ chỉ đơn giản là phân tích dữ liệu trước đó về xếp hạng tín dụng của khách hàng và kết quả cho vay và xác định ngưỡng này nên là của riêng mình.
Máy học từ dữ liệu trước đó và tạo ra các quy tắc của riêng nó theo cách này. Tất nhiên, đây chỉ là phần sơ lược về học máy; các mô hình học máy trong thế giới thực phức tạp hơn đáng kể so với ngưỡng cơ bản.
Tuy nhiên, đó là một minh chứng xuất sắc về tiềm năng của học máy.
Làm thế nào để một máy học?
Để giữ mọi thứ đơn giản, máy móc “học” bằng cách phát hiện các mẫu trong dữ liệu có thể so sánh được. Hãy coi dữ liệu là thông tin mà bạn thu thập được từ thế giới bên ngoài. Máy càng được cung cấp nhiều dữ liệu thì máy càng trở nên “thông minh hơn”.
Tuy nhiên, không phải tất cả dữ liệu đều giống nhau. Giả sử bạn là một tên cướp biển với mục đích sống là khám phá sự giàu có bị chôn vùi trên đảo. Bạn sẽ muốn có một lượng kiến thức đáng kể để định vị giải thưởng.
Kiến thức này, giống như dữ liệu, có thể đưa bạn đi theo cách đúng hoặc sai.
Thông tin / dữ liệu thu được càng lớn thì càng ít mơ hồ và ngược lại. Do đó, điều quan trọng là phải xem xét loại dữ liệu mà bạn đang cung cấp cho máy tính của mình để rút kinh nghiệm.
Tuy nhiên, khi một lượng dữ liệu đáng kể được cung cấp, máy tính có thể đưa ra dự đoán. Máy móc có thể đoán trước được tương lai miễn là nó không đi chệch hướng nhiều so với quá khứ.
Máy móc “học” bằng cách phân tích dữ liệu lịch sử để xác định điều gì có thể xảy ra.
Nếu dữ liệu cũ giống với dữ liệu mới, thì những điều bạn có thể nói về dữ liệu trước đó có khả năng áp dụng cho dữ liệu mới. Nó như thể bạn đang nhìn lại để nhìn về phía trước.
Các loại máy học là gì?
Các thuật toán cho học máy thường được phân loại thành ba loại rộng (mặc dù các lược đồ phân loại khác cũng được sử dụng):
- Học có giám sát
- Học tập không giám sát
- Học tăng cường
Học có giám sát
Học máy được giám sát đề cập đến các kỹ thuật trong đó mô hình học máy được cung cấp một tập hợp dữ liệu có nhãn rõ ràng cho số lượng quan tâm (số lượng này thường được gọi là phản hồi hoặc mục tiêu).
Để đào tạo các mô hình AI, học bán giám sát sử dụng kết hợp dữ liệu được gắn nhãn và không được gắn nhãn.
Nếu bạn đang làm việc với dữ liệu chưa được gắn nhãn, bạn sẽ cần thực hiện một số thao tác gắn nhãn dữ liệu.
Dán nhãn là quá trình dán nhãn các mẫu để hỗ trợ đào tạo máy học người mẫu. Việc dán nhãn chủ yếu do con người thực hiện, việc này có thể tốn kém và mất thời gian. Tuy nhiên, có những kỹ thuật để tự động hóa quy trình ghi nhãn.
Tình huống đăng ký khoản vay mà chúng ta đã thảo luận trước đây là một minh họa tuyệt vời cho việc học có giám sát. Chúng tôi có dữ liệu lịch sử về xếp hạng tín dụng của những người đăng ký khoản vay trước đây (và có thể cả mức thu nhập, độ tuổi, v.v.) cũng như các nhãn cụ thể cho chúng tôi biết liệu người được đề cập có vỡ nợ hay không đối với khoản vay của họ.
Hồi quy và phân loại là hai tập con của các kỹ thuật học có giám sát.
- phân loại - Nó sử dụng một thuật toán để phân loại dữ liệu một cách chính xác. Bộ lọc thư rác là một ví dụ. “Spam” có thể là một danh mục chủ quan — ranh giới giữa liên lạc spam và không phải spam rất mờ - và thuật toán bộ lọc spam liên tục tự tinh chỉnh tùy thuộc vào phản hồi của bạn (có nghĩa là email mà con người đánh dấu là spam).
- Hồi quy - Nó rất hữu ích trong việc lĩnh hội mối liên hệ giữa các biến phụ thuộc và độc lập. Mô hình hồi quy có thể dự báo các giá trị số dựa trên một số nguồn dữ liệu, chẳng hạn như ước tính doanh thu bán hàng cho một công ty nhất định. Hồi quy tuyến tính, hồi quy logistic và hồi quy đa thức là một số kỹ thuật hồi quy nổi bật.
Học tập không giám sát
Trong học tập không giám sát, chúng tôi được cung cấp dữ liệu không được gắn nhãn và chỉ đang tìm kiếm các mẫu. Giả sử bạn là Amazon. Chúng tôi có thể tìm thấy bất kỳ cụm (nhóm người tiêu dùng tương tự) nào dựa trên lịch sử mua hàng của khách hàng không?
Ngay cả khi chúng tôi không có dữ liệu rõ ràng, thuyết phục về sở thích của một người, trong trường hợp này, chỉ cần biết rằng một nhóm người tiêu dùng cụ thể mua hàng hóa tương đương cho phép chúng tôi đưa ra đề xuất mua dựa trên những gì các cá nhân khác trong nhóm cũng đã mua.
Băng chuyền “bạn cũng có thể quan tâm” của Amazon được cung cấp bởi các công nghệ tương tự.
Học không giám sát có thể nhóm dữ liệu thông qua phân cụm hoặc liên kết, tùy thuộc vào những gì bạn muốn nhóm lại với nhau.
- Clustering - Những nỗ lực học tập không được giám sát để vượt qua thử thách này bằng cách tìm kiếm các mẫu trong dữ liệu. Nếu có một cụm hoặc nhóm tương tự, thuật toán sẽ phân loại chúng theo một cách nhất định. Việc cố gắng phân loại khách hàng dựa trên lịch sử mua hàng trước đó là một ví dụ về điều này.
- Hiệp hội - Học tập không giám sát cố gắng giải quyết thách thức này bằng cách cố gắng hiểu các quy tắc và ý nghĩa cơ bản của các nhóm khác nhau. Một ví dụ thường gặp về vấn đề liên kết là xác định mối liên hệ giữa việc mua hàng của khách hàng. Các cửa hàng có thể quan tâm đến việc biết những hàng hóa đã được mua cùng nhau và có thể sử dụng thông tin này để sắp xếp vị trí của các sản phẩm này để dễ dàng truy cập.
Học tăng cường
Học củng cố là một kỹ thuật để dạy các mô hình học máy để đưa ra một loạt các quyết định theo định hướng mục tiêu trong một bối cảnh tương tác. Các trường hợp sử dụng chơi game được đề cập ở trên là minh họa tuyệt vời cho điều này.
Bạn không cần phải nhập vào AlphaZero hàng nghìn ván cờ trước đó, mỗi ván cờ đều có gắn nhãn nước đi “tốt” hoặc “kém”. Đơn giản chỉ cần dạy nó các quy tắc của trò chơi và mục tiêu, sau đó để nó thử các hành động ngẫu nhiên.
Sự củng cố tích cực được đưa ra cho các hoạt động đưa chương trình đến gần hơn với mục tiêu (chẳng hạn như phát triển một vị thế cầm đồ vững chắc). Khi các hành vi có tác động ngược lại (chẳng hạn như thay đổi nhà vua sớm), chúng sẽ được củng cố tiêu cực.
Phần mềm cuối cùng có thể làm chủ trò chơi bằng cách sử dụng phương pháp này.
Học tăng cường được sử dụng rộng rãi trong chế tạo rô bốt để dạy rô bốt thực hiện các hành động phức tạp và khó chế tạo. Đôi khi nó được sử dụng cùng với cơ sở hạ tầng đường bộ, chẳng hạn như tín hiệu giao thông, để cải thiện lưu lượng giao thông.
Có thể làm gì với học máy?
Việc sử dụng máy học trong xã hội và công nghiệp đang dẫn đến những tiến bộ trong nhiều nỗ lực của con người.
Trong cuộc sống hàng ngày của chúng ta, máy học hiện kiểm soát các thuật toán tìm kiếm và hình ảnh của Google, cho phép chúng ta đối sánh chính xác hơn với thông tin chúng ta cần khi chúng ta cần.
Ví dụ, trong y học, máy học đang được áp dụng vào dữ liệu di truyền để giúp các bác sĩ hiểu và dự đoán cách ung thư lây lan, cho phép phát triển các liệu pháp điều trị hiệu quả hơn.
Dữ liệu từ không gian sâu đang được thu thập ở đây trên Trái đất thông qua kính thiên văn vô tuyến khổng lồ - và sau khi được phân tích bằng máy học, nó đang giúp chúng ta làm sáng tỏ những bí ẩn của các lỗ đen.
Máy học trong bán lẻ liên kết người mua với những thứ họ muốn mua trực tuyến và cũng giúp nhân viên cửa hàng điều chỉnh dịch vụ mà họ cung cấp cho khách hàng trong thế giới truyền thống.
Máy học được sử dụng trong cuộc chiến chống khủng bố và chủ nghĩa cực đoan để dự đoán hành vi của những kẻ muốn làm tổn thương người vô tội.
Xử lý ngôn ngữ tự nhiên (NLP) đề cập đến quá trình cho phép máy tính hiểu và giao tiếp với chúng ta bằng ngôn ngữ của con người thông qua máy học, và nó dẫn đến những đột phá trong công nghệ dịch thuật cũng như các thiết bị điều khiển bằng giọng nói mà chúng ta ngày càng sử dụng hàng ngày, chẳng hạn như Alexa, Google dot, Siri và trợ lý Google.
Không cần bàn cãi, học máy đang chứng minh rằng nó là một công nghệ chuyển đổi.
Những con robot có khả năng làm việc bên cạnh chúng ta và thúc đẩy sự độc đáo cũng như trí tưởng tượng của chúng ta với logic không lỗi lầm và tốc độ siêu phàm của chúng không còn là điều tưởng tượng khoa học viễn tưởng nữa - chúng đang trở thành hiện thực trong nhiều lĩnh vực.
Các trường hợp sử dụng Máy học
1. An ninh mạng
Khi các mạng ngày càng phức tạp hơn, các chuyên gia an ninh mạng đã làm việc không mệt mỏi để thích ứng với phạm vi ngày càng mở rộng của các mối đe dọa bảo mật.
Đối phó với phần mềm độc hại đang phát triển nhanh chóng và các chiến thuật tấn công là đủ thách thức, nhưng sự gia tăng của các thiết bị Internet of Things (IoT) đã làm thay đổi cơ bản môi trường an ninh mạng.
Các cuộc tấn công có thể xảy ra bất cứ lúc nào và ở bất cứ đâu.
Rất may, các thuật toán học máy đã cho phép các hoạt động an ninh mạng bắt kịp với những phát triển nhanh chóng này.
Phân tích dự đoán cho phép phát hiện và giảm thiểu các cuộc tấn công nhanh hơn, trong khi học máy có thể phân tích hoạt động của bạn bên trong mạng để phát hiện các điểm bất thường và điểm yếu trong các cơ chế bảo mật hiện có.
2. Tự động hóa dịch vụ khách hàng
Việc quản lý ngày càng nhiều các địa chỉ liên hệ với khách hàng trực tuyến đã làm căng thẳng nhiều tổ chức.
Họ chỉ đơn giản là không có đủ nhân viên dịch vụ khách hàng để xử lý khối lượng yêu cầu mà họ nhận được và cách tiếp cận truyền thống của việc thuê ngoài gặp vấn đề trung tâm liên lạc là không thể chấp nhận được đối với nhiều khách hàng ngày nay.
Chatbots và các hệ thống tự động khác hiện có thể giải quyết những nhu cầu này nhờ những tiến bộ trong kỹ thuật máy học. Các công ty có thể giải phóng nhân sự để thực hiện nhiều công việc hỗ trợ khách hàng cấp cao hơn bằng cách tự động hóa các hoạt động thông thường và có mức độ ưu tiên thấp.
Khi được sử dụng đúng cách, máy học trong kinh doanh có thể giúp hợp lý hóa việc giải quyết vấn đề và cung cấp cho người tiêu dùng loại hình hỗ trợ hữu ích giúp họ trở thành nhà vô địch thương hiệu tận tâm.
3. Thông tin
Tránh sai sót và quan niệm sai lầm là điều quan trọng trong bất kỳ loại hình giao tiếp nào, nhưng còn hơn thế nữa trong giao tiếp kinh doanh ngày nay.
Những lỗi ngữ pháp đơn giản, giọng điệu không chính xác hoặc dịch sai có thể gây ra nhiều khó khăn trong việc liên hệ qua email, đánh giá của khách hàng, hội nghị truyền hình, hoặc tài liệu dựa trên văn bản dưới nhiều hình thức.
Các hệ thống máy học có khả năng giao tiếp tiên tiến vượt xa những ngày đầu của Clippy của Microsoft.
Những ví dụ về máy học này đã giúp các cá nhân giao tiếp đơn giản và chính xác bằng cách sử dụng xử lý ngôn ngữ tự nhiên, dịch ngôn ngữ thời gian thực và nhận dạng giọng nói.
Trong khi nhiều cá nhân không thích khả năng tự động thu thập thông tin, họ cũng đánh giá cao việc được bảo vệ khỏi những sai lầm đáng xấu hổ và giọng điệu không phù hợp.
4. Nhận dạng đối tượng
Mặc dù công nghệ thu thập và giải thích dữ liệu đã ra đời được một thời gian, nhưng việc dạy các hệ thống máy tính hiểu những gì chúng đang xem đã được chứng minh là một nhiệm vụ khó khăn.
Khả năng nhận dạng đối tượng đang được thêm vào ngày càng nhiều thiết bị nhờ các ứng dụng học máy.
Ví dụ, một chiếc ô tô tự lái sẽ nhận ra một chiếc ô tô khác khi nó nhìn thấy chiếc ô tô đó, ngay cả khi các nhà lập trình không cung cấp cho nó một ví dụ chính xác về chiếc ô tô đó để làm tài liệu tham khảo.
Công nghệ này hiện đang được sử dụng trong các doanh nghiệp bán lẻ để giúp đẩy nhanh quá trình thanh toán. Máy ảnh nhận dạng các sản phẩm trong xe hàng của người tiêu dùng và có thể tự động lập hóa đơn vào tài khoản của họ khi họ rời cửa hàng.
5. Tiếp thị kỹ thuật số
Phần lớn hoạt động tiếp thị ngày nay được thực hiện trực tuyến, sử dụng nhiều nền tảng kỹ thuật số và chương trình phần mềm.
Khi doanh nghiệp thu thập thông tin về người tiêu dùng và hành vi mua hàng của họ, các nhóm tiếp thị có thể sử dụng thông tin đó để xây dựng bức tranh chi tiết về đối tượng mục tiêu của họ và khám phá xem những người nào có xu hướng tìm kiếm sản phẩm và dịch vụ của họ hơn.
Các thuật toán học máy hỗ trợ các nhà tiếp thị hiểu tất cả dữ liệu đó, khám phá các mẫu và thuộc tính quan trọng cho phép họ phân loại chặt chẽ các khả năng.
Công nghệ tương tự cho phép tự động hóa tiếp thị kỹ thuật số lớn. Hệ thống quảng cáo có thể được thiết lập để khám phá động những người tiêu dùng tiềm năng mới và cung cấp nội dung tiếp thị có liên quan cho họ vào thời điểm và địa điểm thích hợp.
Tương lai của Học máy
Máy học chắc chắn đang trở nên phổ biến khi ngày càng có nhiều doanh nghiệp và tổ chức lớn sử dụng công nghệ để giải quyết những thách thức cụ thể hoặc thúc đẩy sự đổi mới.
Sự đầu tư liên tục này thể hiện sự hiểu biết rằng máy học đang tạo ra ROI, đặc biệt là thông qua một số trường hợp sử dụng được thiết lập và tái tạo được đề cập ở trên.
Xét cho cùng, nếu công nghệ đủ tốt cho Netflix, Facebook, Amazon, Google Maps, v.v., rất có thể nó cũng có thể giúp công ty của bạn tận dụng tối đa dữ liệu của mình.
Như mới học máy các mô hình được phát triển và ra mắt, chúng ta sẽ chứng kiến sự gia tăng số lượng các ứng dụng sẽ được sử dụng trong các ngành công nghiệp.
Điều này đã xảy ra với nhận dạng khuôn mặt, từng là một chức năng mới trên iPhone của bạn nhưng hiện đang được triển khai trong nhiều chương trình và ứng dụng, đặc biệt là những chương trình và ứng dụng liên quan đến an ninh công cộng.
Chìa khóa đối với hầu hết các tổ chức đang cố gắng bắt đầu với học máy là nhìn qua những tầm nhìn tương lai tươi sáng và khám phá những thách thức kinh doanh thực sự mà công nghệ có thể giúp bạn.
Kết luận
Trong thời đại hậu công nghiệp hóa, các nhà khoa học và chuyên gia đã cố gắng tạo ra một chiếc máy tính hoạt động giống con người hơn.
Máy tư duy là đóng góp quan trọng nhất của AI cho nhân loại; sự xuất hiện phi thường của cỗ máy tự hành này đã nhanh chóng thay đổi các quy định hoạt động của công ty.
Các phương tiện tự lái, trợ lý tự động, nhân viên sản xuất tự hành và thành phố thông minh gần đây đã chứng minh khả năng tồn tại của máy móc thông minh. Cuộc cách mạng học máy và tương lai của học máy sẽ còn tồn tại với chúng ta trong một thời gian dài.
Bình luận