Tổng quát về AI, Machine Learning, Deep Learning

AI

.
AI là viết tắt của Artificial Intelligence, dịch ra thành Trí tuệ nhân tạo. Trong lịch sử phát triển AI, các nhà nghiên cứu phân thành 4 hướng tiếp cận chính:

.

• Hành động như người (acting humanly)
• Suy nghĩ như người (thinking humanly)
• Suy nghĩ hợp lý (thinking rationally)
• Hành động hợp lý (acting rationally).

.
Trong đó, mức độ mô phỏng máy tính như người là khó nhất và đây cũng là mục tiêu mà các nhà khoa học đang hướng tới.
.

Xu hướng machine learning 2017

.
Có lẽ bạn đọc đã từng nghe đến câu chuyện Turing test. Đây là hướng phát triển AI hành động như người. Bài test này được Alan Turing đề xuất vào năm 1950, mục đích để kiểm tra hệ thống máy tính đã đạt đến khả năng thông minh hay chưa. Bài test gồm một người đặt câu hỏi, một người trả lời câu hỏi và một máy tính phản hồi câu hỏi. Nếu trong quá trình trao đổi mà người đặt câu hỏi không thể phân biệt được người hay máy trả lời các câu hỏi này thì máy được xem là thông minh. Đến nay thì hướng tiếp cận này đã đạt được một số thành quả nhất định như:

• Natural language processing: máy có khả năng đọc hiểu và giao tiếp bằng ngôn ngữ tự nhiên với người.
• Knowledge representation: máy có khả năng lưu trữ tri thức thông qua thị giác, thính giác, hay văn bản.
• Automated reasoning: máy có khả năng sử dụng tri thức đã lưu trữ để trả lời câu hỏi hay đưa ra kết luận hữu ích.
• Machine learning: máy có khả năng thích nghi với các điều kiện môi trường xung quanh để rút trích ra các nguyên lý từ tri thức thu nhận được phục vụ cho việc ra quyết định.
• Computer vision: máy có khả năng quan sát và xác định được các đối tượng xung quanh.
• Robotics: máy có khả năng tương tác với đối tượng và di chuyển trong môi trường xung quanh.

Suy nghĩ như người là một hướng tiếp cận khác thiên về khoa học nhận thức (cognitive science). Ngành này cần hẳn một thư viện để bạn đọc nghiên cứu. Vì để máy có thể suy nghĩ được như người thì bản thân ta phải hiểu được con người suy nghĩ như thế nào. Ta có ba cách để kiểm tra điều này:

• Quan sát quá trình suy nghĩ của mình.
• Quan sát hành động của một người.
• Quan sát hoạt động của não bộ.

Nếu ta có thể mô phỏng lại input-output tương tự như người thì đây là bằng chứng cho thấy máy có khả năng suy nghĩ như người ở góc độ nào đó. Các nhà nghiên cứu tin tưởng rằng khi kết hợp hai ngành này lại sẽ giúp chúng ta tiến đến mục tiêu AI nhanh chóng hơn.
.
Suy nghĩ như người thì khó quá nên ta có thể giới hạn bài toán lại chỉ cần suy nghĩ hợp lý là được. Hướng tiếp cận này gặp vài trắc trở. Thứ nhất, máy khó diễn đạt được tri thức từ thế giới không chính tắc (informal) sang ngôn ngữ chính tắc (formal) đặc biệt khi tri thức đó không chắc chắn 100% là đúng. Thứ hai, có sự khác biệt lớn giữa giải quyết bài toán trên lý thuyết và bài toán ngoài thực tế. Do trong thực tế cần rất nhiều dữ kiện để giải quyết vấn đề nên nhiêu đây cũng đủ khiến cho các hệ thống tính toán bị quá tải.
.

Khái quát hệ thống kiến thức về AI, Machine learning và deep learning

.

Cuối cùng là những con robot, là hướng tiếp cận hành động hợp lý. Robot hay còn gọi là agent, trong tiếng La Tinh có nghĩa làm gì đó. Các chương trình máy tính đều có khả năng làm gì đó nhưng agent được đòi hỏi nhiều hơn. Chúng phải có khả năng tự vận hành, thu nhận thông tin từ môi trường xung quanh, tồn tại được trong một thời gian dài, thích nghi với những thay đổi, đề xuất các mục tiêu và đạt được mục tiêu đó.
.
Machine learning và Deep learning
.
Như vậy, ta có thể thấy ML chỉ là một thành phần trong hướng tiếp cận hành động như người, và hướng tiếp cận này lại thuộc bốn hướng tiếp cận của AI. Để đạt được mục tiêu này, các nhà khoa học đã nghiên cứu ra nhiều giải thuật và các hướng giải quyết khác nhau.
.

• Supervised-learning: decision tree, k-NN, naive bayes, SVM, neural network, deep learning, …
• Unsupervised-learning: k-means, hierachical clustering
• Reinforcement learning: passive/acive/generalization.

.
Một lần nữa ta có thể thấy Deep learning chỉ là một phương pháp nằm trong hướng giải quyết học có giám sát của ML. Tuy nhiên deep learning gần đây được nhắc đến rất nhiều như một xu hướng thời thượng, câu hỏi được đặt ra là tại sao nó lại trở nên được chú ý đến như vậy? Lý do có thể nằm ở chỗ DL khai thác được Big Data cùng với độ chính xác cao trên tập dữ liệu ảnh và tín hiệu số có thể lên đến 95%. Thêm vào đó đây là một cách để kêu gọi vốn đầu tư cũng như kéo mọi người quan tâm nhiều hơn đến nghiên cứu. Ngoài ra, để áp dụng DL, bạn cần tiến hành nhiều thực nghiệm như tiền xử lý dữ liệu, lựa chọn số node, số layer, thiết kế mô hình CNN, RNN, LSTM, dùng nhiều loại activate function để so sánh hiệu suất, áp dụng tỉa node,… Do vậy đã có quá nhiều mẫu thiết kế khác nhau về DL apply vào các hội nghị AI nên ta đã dành cho DL những conference riêng để báo cáo khoa học. Nói như vậy không có nghĩa là DL giải quyết được mọi vấn đề.
.

.
Trong thực tế, DL khó vượt mặt các giải thuật cơ bản như Random forest, SVM, hay Monte Carlo estimation. Và gặp khó khăn trên các tập dữ liệu kiểu categories hay văn bản. Đặc biệt trong lĩnh vực Fintech, cụ thể là credit scoring. DL sẽ không cho ta thấy quá trình suy luận diễn ra như thế nào vì đây là black-box method, ta chỉ biết được input và ouput. Khi một khách hàng bị reject hồ sơ mở thẻ tín dụng, ta không biết được tại sao máy lại đưa ra kết luận như vậy. Điều này thật tai hại khi phải diễn giải được kết quả cho khách hàng. Lắm lúc người làm hồ sơ phải tra lại lý lịch từ đầu và có thể phải đưa ra những biện minh cho việc ra quyết định như vậy. Ngoài ra, quyền bí mật thông tin cá nhân bị xâm phạm hoàn toàn. DL cần rất nhiều thông tin ngoài những thông tin cơ bản như tên tuổi, địa chỉ nhà, … Làm sao có thể thu thập được các thông tin khác nếu khách hàng không cho phép. Hơn nữa đối với những bạn đang làm nghiên cứu thì xu hướng sẽ chọn làm DL, như vậy sẽ đánh mất khả năng cạnh tranh về ý tưởng của mình do trong cùng thời điểm đó ai cũng muốn làm về DL
.
Hy vọng qua bài viết này, bạn đọc đã hình dung rõ hơn giữa các khái niệm AI, ML và DL. Trong tương lai, khi muốn phát triển các hệ thống AI, bạn cần tự hỏi xem mình muốn đi theo hướng suy luận hay hành động, và đạt tới mức độ như người hay chỉ cần hợp lý là đủ rồi. Các hệ thống này đòi hỏi nhiều nỗ lực để hoàn thiện cùng với rủi ro cao phải chấp nhận thất bại. Nhưng nếu thành công trong sứ mệnh phục vụ nhân loại thì các bạn thật xứng đáng vì những gì mình bỏ ra.