ANTS
 04/12/2015

Google Phác Họa Qui Trình Máy Học (Machine Learning) – Phần 2

Google Phác Họa Qui Trình Máy Học (Machine Learning) – Phần 2

Thuật toán Gradient – tối ưu hóa thông số cho hệ thống Machine Learning

Nhiều người rất thắc mắc về thuật toán đã giúp hệ thống Machine Learning thực hiện các điều chỉnh rất nhỏ đối với các thông số để cải tiến mô hình như mô tả ở trên. Corrado nhấn mạnh rằng phần quan trọng nhất của hầu hết các thuật toán Machine learning liên quan đến khái niệm tối ưu hóa Gradient (Gradient learning). Nghĩa là bắt đầu từ một điểm được dự đoán là điểm tối ưu, hệ thống tiến hành “thử và sai”, thực hiện từng bước điều chỉnh ngày càng nhỏ, lặp đi lặp lại cho đến khi đạt được kết quả đúng nhất.

Cũng tương tự như việc leo xuống một sườn núi dốc đứng, bạn không thể nhảy cóc hay chạy nhanh vì nguy cơ té ngã rất cao. Thay vào đó cẩn thận từng bước một sẽ giúp bạn đến đích an toàn.

blog_201512_google-phac-hoa-qui-trinh-hoc-may-machine-learning-phan-2_gradient

Tóm lại, dù vấn đề trong thực tế có phức tạp đến đâu thì nó cũng có thể được giải quyết bởi các thuật toán Machine learning bởi sau cùng mọi thứ đều được qui về khía cạnh toán học thuần túy. Quan trọng nhất là khả năng của máy tính có đủ sức thực hiện các bước tối ưu hóa lặp đi lặp lại trong một thời gian dài hay không.

Điều đáng mừng là hiện nay hệ thống xử lý máy tính ngày một phát triển nhanh chóng, biến những thuật toán vài năm trước đây được cho là ‘bất khả thi’ trở thành các ứng dụng thực tế.

Nhận dạng vật thể

Ví dụ về kết quả học tập ở phần trước chỉ là một ứng dụng đơn giản của Machine learning. Về cơ bản, một hệ thống Machine learning thường được sử dụng cho các công việc phức tạp hơn. Ví dụ như nhận dạng vật thể thông qua các bức tranh.

Máy tính không thể quan sát theo cách con người nhìn mọi thứ xung quanh mình. Vậy làm thế nào chúng có thể nhận dạng vật thể – như cách mà ứng dụng Google Photos chọn ra rất nhiều vật thể chính xác từ trong các bức ảnh của người dùng? Tất cả là nhờ quá trình Machine learning.

Ví dụ như bạn muốn máy tính nhận dạng chú mèo trong bức ảnh. Đầu tiên, bạn xây dựng một mô hình gồm các yếu tố giúp nhận dạng một con mèo, gồm màu sắc hình dáng và một số tính năng khác. Sau đó bạn đưa ra một tập huấn luyện gồm các bức tranh để xem mô hình khớp như thế nào với thực tế, và liệu có thực sự nhận dạng đúng được con mèo trong các bức tranh này hay không. Cơ chế Learner sau đó sẽ thực hiện các điều chỉnh, và vòng lặp ‘huấn luyện’ sẽ tiếp tục cho đến khi nào hệ thống học được cách nhận dạng chính xác.

Bên dưới là hình ảnh mô phỏng cách nhìn của máy tính đối với bức ảnh một chú mèo nằm trên thảm. Hệ thống trí tuệ nhân tạo mô phỏng hệ thần kinh của con người này được Google ra mắt với tên gọi DeepDream.

blog_201512_google-phac-hoa-qui-trinh-hoc-may-machine-learning-phan-2_cat identify

 

Nó có thể tự định nghĩa các khái niệm thông qua hàng nghìn bức ảnh dữ liệu đầu vào. Sau đó sử dụng các định nghĩa này để tự nhận biết, ví dụ như đâu là ngôi nhà, đâu là một chú chó trong một bức ảnh. Hệ thống này vẫn chưa thực sự hoàn thiện, khiến cho những hình ảnh mà nó tạo ra theo định nghĩa của mình chưa rõ ràng và lẫn lộn.

Thực tế quá trình nhận dạng mèo, hay bất cứ vật thể nào khác khá phức tạp bởi có vô vàn thông số liên quan được sử dụng cho mô hình, và Google vẫn đang trong quá trình cải tiến.

Nhận dạng sự kiện

Hãy thử tưởng tượng phức tạp hơn một chút, thay vì nhận dạng vật thể, bạn muốn máy tính nhận dạng được các sự kiện. Google giải thích rằng bạn cần phải giúp bổ sung vào hệ thống máy tính một số nguyên tắc nhận thức cơ bản và một vài lời hướng dẫn giúp qui trình Machine learning hiểu được cách các vật thể khác nhau tác động và góp phần tạo nên một sự kiện.

blog_201512_google-phac-hoa-qui-trinh-hoc-may-machine-learning-phan-2_event identify.

Ở ví dụ trên, hệ thống Machine learning thấy được 1 cậu bé, 1 giỏ đồ và 1 quả trứng. Nhưng thứ con người nhận thấy từ các thông tin trên chính là “hoạt động tìm trứng phục sinh của một bé trai”.

Vậy làm thế nào Machine learning có thể nhận biết được sự kiện thông qua các hình ảnh như não bộ con người ở trên. Tại sự kiện Machine Learning 101, Google không đi vào chi tiết vấn đề này. Chính xác hơn là gần như không đề cập trong suốt buổi thảo luận chính thức và chỉ có một ít được tiết lộ qua buổi trò chuyện lúc nghỉ giải lao.

Cũng dễ hiểu vì các thông tin này là chìa khóa tạo nên thành công cho bộ máy tìm kiếm khổng lồ Google. Nhưng ít nhất chúng ta đã có được cái nhìn cơ bản về cách Machine learning hoạt động, và có quyền hy vọng nhiều hơn nữa về một tương lai mày máy tính có thể giúp con người xử lý vô vàn các vấn đề phức tạp với mức độ chính xác cao nhất và thời gian nhanh nhất có thể.

(Theo www.marketingland.com)

Related Posts