Học máy – Học sâu và Mạng nơ ron nhân tạo

Ngày nay, trong kỷ nguyên số, máy tính là một phần không thể thiếu trong nghiên cứu khoa học cũng như trong đời sống hàng ngày. Tuy nhiên, do hệ thống máy tính dựa trên lý thuyết cổ điển (tập hợp, logic nhị phân), nên dù có khả năng tính toán lớn và độ chính xác cao, thì máy tính cũng chỉ có thể làm việc theo một chương trình gồm các thuật toán được viết sẵn bởi lập trình viên chứ chưa thể tự lập luận hay sáng tạo.

Trong khoảng vài năm trở lại đây chúng ta được nghe rất nhiều về cách mạng công nghiệp 4.0. Vậy điều gì đã làm lên sự đặc biệt? Hạt nhân cho sự bùng nổ này đến từ trí tuệ nhân tạo (Artificial Intelligence) hay cụ thể là học máy (Machine Learning).

Học máy – Machine learning

Là một phương pháp phân tích dữ liệu có thể tự động hóa phân tích và tìm ra các trích xuất đặc trưng của bộ dữ liệu. Học máy sử dụng các thuật toán trừu tượng để tự học từ dữ liệu, cho phép máy tính tìm thấy những thông tin có giá trị ẩn ở rất sâu mà không thể lập trình được bằng cách thông thường. Khi tiếp xúc với dữ liệu mới, học máy có thể thích ứng rất nhanh và độc lập.

Hình 1: Học máy và các lĩnh vực liên quan

Các thuật toán của Machine learning có thể kể đến là:

  • Linear Regression
  • Logistic Regresstion
  • Decision Tree and Random Forest
  • Naive Bayes
  • Support Vector Machines
  • K-Nearest Neighbors
  • Principal component analysis (PCA)
  • Neural Networks

❖ Học sâu – Deep learning

Là một ngành đặc biệt của học máy. Học sâu sử dụng mạng nơ ron nhân tạo (Artificial Neural Networks) để giải quyết các bài toán mà tính toán cứng chưa thể xử lý được như dữ liệu trừu tượng, dữ liệu mờ, dữ liệu không rõ ràng, … Với tính chất như vậy, học sâu thường được ứng dụng trong nhận diện hình ảnh, nhận diện giọng nói, xử lý ngôn ngữ tự nhiên hoặc dự đoán, dự báo.

Mạng nơ ron nhân tạo – Artificial Neural Networks

Mạng nơ ron nhân tạo (Artificial Neural Networks) là một mô hình xử lý thông tin, cấu thành từ các lớp nơ ron, được ra đời trên cơ sở mô phỏng hoạt động não bộ của sinh vật. Mạng nơ ron nhân tạo gắn kết nhiều nơ ron theo một mô hình nhất định, được trải qua huấn luyện để rút ra được kinh nghiệm, và sử dụng các kinh nghiệm đã có để xử lý các thông tin mới. Mạng nơ ron nhân tạo thường áp dụng vào giải các bài toán nhận dạng mẫu, hoặc dự đoán.

Hình dưới đây mô tả mối tương quan giữa các khái niệm trí tuệ nhân tạo, học máy và học sâu.

Hình 2: Artificial Intelligence – Machine learning – Deep learning

Ứng dụng của trí tuệ nhân tạo và học máy trong

thực tế

Một số ứng dụng thực tế tiêu biểu của học máy thuộc các lĩnh vực như thị giác máy tính, xử lý ngôn ngữ tự nhiên, dự đoán, dự báo, … có thể kể đến như sau:

  • Nhận diện đối tượng trong ảnh (Image Recognition)

Hình 3: API Vision của Microsoft

  • Tô màu cho ảnh (Automatically Colorize Black and White Photos)

Hình 4: Colorize Photos

  • Dịch máy (Translation API)

Hình 5: Translation API

  • Quản lý nội dung (Content Discovery)

Hình 6: Pinterest Content Discovery

  • Chatbot

 

Hình 7: Chatbot Army của Facebook

  • Quản lý thời gian

Hình 8: Công cụ Quản lý thời gian của Twitter

  • Google – Neural Networks

Hình 9: DeepMind network của Google

  • Phân tích kinh doanh trong thương mại điện tử

Hình 10: Edgecase – Improving Ecommerce Conversion Rates

  • Tìm kiếm bằng nhận dạng giọng nói

Hình 11: Deep Voice của Baidu

  • Smarter Sales

Hình 12: DeepGraph của HubSpot

  • Hệ thống chăm sóc sức khỏe

Hình 13: IBM – Better Healthcare

  • Hệ thống quản lý khách hàng (CRM) thông minh

Hình 14: Phần mềm Einstein của Salesforce

Từ nội dung khái quát trong bài viết, có thể khẳng định mối tương quan giữa trí tuệ nhân tạo, học máy và học sâu là nền tảng không thể thiếu trong cuộc cách mạng công nghiệp 4.0. Thành quả thực tế của học máy đã làm thay đổi nhận thức của con người về hệ thống máy tính ngày nay.

Tổng hợp từ nhiều nguồn – 2025

ThS. Bùi Duy Tân – K.CNTT