Deep Learning là một nhánh của Machine Learning, giúp đào tạo máy tính/máy móc bắt chước hành vi nhận thức hoặc trí thông minh của con người. Deep Learning liên quan đến Mạng thần kinh nhân tạo (Artificial Neural Network – ANN) – các thuật toán mô phỏng cấu trúc và chức năng của bộ não người.

Trước đây, do hạn chế về khả năng tính toán, các công việc trên còn gặp nhiều khó khăn, tuy nhiên, hiện nay, với những phát triển vượt bậc của phân tích dữ liệu lớn (big data analytics), các mạng thần kinh nhân tạo mở rộng và phức tạp hơn, máy tính có thể quan sát, học hỏi và phản ứng với các tình huống phức tạp nhanh hơn con người. Deep Learning cũng hỗ trợ phân loại hình ảnh, dịch thuật và nhận dạng giọng nói.

Sự phát triển của Deep Learning

Người ta cho rằng Deep Learning ra đời vào nửa đầu thế kỷ 21, nhưng thực ra, công nghệ này đã được sử dụng từ những năm 1940.

Hầu hết tất cả chúng ta không biết đến sự thật này, bởi vì thời đó Deep Learning còn nhiều hạn chế, và vào nửa đầu thế kỷ 21, công nghệ này mới được hồi sinh.

Có ba làn sóng chính:

  • Điều khiển học (cybernetics): 1940–1960
  • Thuyết kết nối (connectionism): 1980–1990
  • Deep Learning: từ 2006

Điều khiển học và Thuyết kết nối không được biết đến nhiều do còn nhiều hạn chế và chỉ trích, tuy nhiên, chính hai làn sóng này là nhân tố góp phần đưa lĩnh vực tự động hoá phát triển như ngày nay, một số thuật toán ra đời trong thời gian đó cũng đang được sử dụng rộng rãi hiện nay trong các mô hình Machine Learning và Deep Learning.

Năm 2006, làn sóng thứ ba nổi lên với những đột phá mạnh mẽ. Trong đó, nổi bật nhất là các giải pháp công nghệ giúp huấn luyện các mạng lưới Deep Network được phát triển bởi Geoffrey Hinton. Điều này cho phép các nhà nghiên cứu trên khắp thế giới huấn luyện Mạng lưới thần kinh sâu hơn, đưa thuật ngữ Deep Learning (học sâu) trở nên phổ biến.

Tại sao Deep Learning tiến bộ hơn công nghệ Machine Learning truyền thống?

Machine Learning là một bộ các thuật toán phân tích và học hỏi từ dữ liệu, từ đó áp dụng những gì học được để đưa ra quyết định. Machine Learning đòi hỏi chuyên môn về miền, chuyên gia vận hành, và chỉ có thể thực hiện các nhiệm vụ đã được xây dựng sẵn, không hơn không kém.

Deep Learning là một nhánh của Machine Learning, có khả năng và tính linh hoạt vượt trội hơn Machine Learning. Nhờ có nhiều lớp thần kinh nhân tạo hơn Machine Learning, Deep Learning sẽ có khả năng tự học và nhận diện nhiều vấn đề có cấp độ phức tạp hơn nhiều. Deep Learning cho phép máy tính tự động hiểu, xử lý và học từ dữ liệu để thực thi nhiệm vụ được giao, cũng như cách đánh giá giúp tăng tính hiệu quả.

Khả năng giải quyết vấn đề trong Deep Learning

Deep Learning cho phép máy móc học nhanh chóng, cặn kẽ và áp dụng chính xác hơn ngay cả khi sử dụng bộ dữ liệu khổng lồ và phức tạp. Càng học nhiều, các thuật toán Deep Learning càng thực hiện được nhiều nhiệm vụ. Deep Learning không chia vấn đề thành các phần nhỏ và giải quyết chúng, mà giải quyết vấn đề từ đầu đến cuối.

Một số ứng dụng chính của Deep Learning:

Xe tự lái: Deep Learning là công nghệ cốt lõi đưa xe tự lái vào môi trường thực tế. Hệ thống tự lái được cung cấp một triệu bộ dữ liệu để xây dựng mô hình, huấn luyện máy móc và kiểm tra kết quả trong một môi trường an toàn. Các thuật toán Deep Learning được kiểm tra và triển khai định kỳ để đảm bảo an toàn và tiếp xúc với nhiều kịch bản khác nhau. Dữ liệu từ máy ảnh, cảm biến, bản đồ giúp tạo ra các mô hình nhỏ gọn và tiên tiến, giúp điều hướng giao thông, xác định đường đi, biển báo, tuyến đường dành cho người đi bộ và các yếu tố trong thời gian thực như lưu lượng giao thông và tắc đường.

Y tế: Deep Learning giúp xác định và chẩn đoán các bệnh cả thông thường và hiếm gặp, như ung thư giai đoạn đầu và các bệnh di truyền khác. Deep Learning và Machine Learning đều góp phần cho ra đời công nghệ đột phá mang tên Computer Vision (Thị giác máy tính). Một trong những ứng dụng được săn đón nhất của Machine Learning trong y tế là phân tích hình ảnh chiếu chụp X quang.

Trợ lý Ảo bằng giọng nói: Ứng dụng phổ biến nhất của Deep Learning là trợ lý ảo như Alexa, Siri, trợ lý Google. Tương tác với người dùng giúp các trợ lý này tìm hiểu thêm về giọng nói và ngữ điệu của nhiều vùng miền, từ đó cung cấp cho người dùng trải nghiệm tương tác chân thật như con người. Bằng cách đánh giá ngôn ngữ tự nhiên của con người, Trợ lý Ảo giọng nói có thể hiểu và thực hiện mệnh lệnh của người dùng. Trợ lý Ảo cũng có khả năng dịch, ghi chú và đặt lịch hẹn.

Phát hiện gian lận: Trong lĩnh vực tài chính ngân hàng, Deep Learning có thể phát hiện gian lận trong các giao dịch tiền kỹ thuật số, tiền ảo. Bộ tạo tự động trong Keras và Tensorflow đang được phát triển để phát hiện các vụ gian lận thẻ tín dụng, giúp các tổ chức tài chính tiết kiệm chi phí thu hồi và bảo hiểm lên đến hàng tỷ đô la. Ngăn chặn và phát hiện gian lận được thực hiện dựa trên xác định các mẫu trong giao dịch và điểm tín dụng của khách hàng, xác định hành vi bất thường và ngoại lệ. Các kỹ thuật Machine Learning Phân loại – hồi quy và mạng lưới thần kinh được sử dụng để phát hiện gian lận.

Trong khi Machine Learning chủ yếu được sử dụng để phát hiện các trường hợp gian lận có sự cân nhắc của con người, thì Deep Learning lại cố gắng giảm thiểu sự tham gia của con người và tăng cường sử dụng máy móc. Machine learning cho phép tạo ra các thuật toán có thể xử lý các bộ dữ liệu lớn với nhiều biến số, giúp tìm ra các mối tương quan ẩn này giữa hành vi của người dùng và khả năng của các hành động gian lận. Hơn nữa, Machine Learning cũng tăng cường tự động hoá và xử lý dữ liệu nhanh hơn. Ví dụ như, thuật toán thông minh dành cho phân tích hành vi, giúp quá trình xác minh trở nên nhanh gọn hơn.

Theo Becoming Human

Tin liên quan: