Mọi người quan tâm nhiều đến Trí tuệ nhân tạo (AI), nhưng thường hướng AI về Máy học (machine learning), là các giải thuật và mô hình. AI là intelligent machine/agent, và dữ liệu là yếu tố quyết định độ thông minh, chứ không phải là giải thuật, mô hình.
No data, nothings.
Vậy AI là gì?
Qua 1 dịp trao đổi với sinh viên, tôi đưa ra khái niệm Trí Tuệ Nhân Tạo và Máy học với ví dụ tương ứng là nhận diện chó và mèo. Khi đó, ai cũng dễ dàng nhận diện đúng, tương ứng với âm thanh và hình ảnh. Câu hỏi thứ 2 là: dựa vào đâu để nhận ra được?
- A: Dựa vào các đặc điểm mắt, mũi, hình dạng, lông, màu lông, miệng, đuôi nên nhận ra được.
- B: Do mắt truyền hình ảnh vào não và não suy luận ra được, theo đó miệng phát ra theo suy luận, tay chỉ đúng con chó, con mèo.
- C: Từ bé đã được dạy phân biệt chó hoặc mèo với hình ảnh của nó, hình ảnh cứ lặp lại nên bản thân ghi nhớ. Khi được hỏi lại, ký ức được gợi lại và nhận ra được.
Khi đó, câu trả lời đúng của các bạn giúp các bạn học được một nửa khái niệm của Trí tuệ nhân tạo và Máy học. Các ý trên được tổng quát lại như sau:
A có cách nhận dạng từ hình dáng và các đặc điểm chi tiết (feature). Với các đặc điểm đó, từ nhỏ C đã được dạy đó là chó hoặc mèo, quá trình này được gọi là gán nhãn (label). Những cặp đặc điểm (feature), nhãn (label) được gọi là các mẫu (sample). Các mẫu này được lặp đi lặp lại như C phát biểu, tạo nên tập dữ liệu huấn luyện (training set). Vì quá trình lặp lại được C ghi nhớ vào não bộ: mã hoá, nhớ tạm thời, quá trình này hình thành nên ghi nhớ lâu dài, gọi là huấn luyện (Training).
Mắt nhận hình ảnh mới (cả A, B và C), não có khả năng hồi tưởng, so khớp các đặc điểm tương tự để suy luận ra đó là chó hoặc mèo, quá trình này là quá trình áp dụng, giống như AI được vận dụng vào các tình huống cụ thể: vì nhận ra được nên tay chỉ đúng hình và quyết định đâu là chó hoặc mèo, nhờ đó mà thích nghi được với môi trường sống.
Vậy đối với con người, quá trình nhận thức, suy luận, hành động được thích nghi bởi:
- Con người có ngũ quan để nhận thông tin từ môi trường vào não (sense).
- Có não bộ mã hoá, lưu trữ, hồi tưởng và suy luận (reason).
- Sau khi xử lý thông tin vào thì ra quyết định, dẫn đến những hành động tác động lên lại môi trường thông qua ngũ quan (act).
- Nhờ đó thích nghi, thích ứng với sự thay đổi của môi trường (adapt).
Vậy Trí tuệ nhân tạo là máy móc có khả năng bắt chước/mô phỏng các chức năng nhận thức, lập luận, hành động và thích ứng của con người; và nếu đề cập về máy móc công nghệ thì đó là chương trình, hệ thống có khả năng sense, reason, act, adapt.
Vậy Trí tuệ nhân tạo được trang bị gì?
- Sense: trang bị camera, sensors để tiếp nhận thông tin (sense) như con người.
- Reason: tính năng mã hoá dữ liệu, lưu trữ, truy xuất, suy luận thông qua các giải thuật, mô hình máy học được lập trình sẵn, sau này có khả năng tự lập trình.
- Act: có những hành động tác động lại, hiệu chỉnh, thay đổi môi trường. Ví dụ, trong nông nghiệp, nếu nhiệt độ quá cao sẽ quyết định kéo rèm chống nắng; hoặc độ pH, EC, ... mức thường cho phép trong nông nghiệp thì cần hiệu chỉnh phù hợp.
- Adapt: thích nghi bằng các hiệu chỉnh và tiếp nhận lại môi trường và lặp lại.
Vậy Máy học là gì?
Máy học là 1 phần trong Trí tuệ nhân tạo khi nhắc về AI. Máy học muốn học được cũng bắt nguồn từ tính chất của sự vật hiện tượng và được gán nhãn (khi dùng cho sự học có giám sát) hoặc không được gán nhãn (khi dùng cho sự học không giám sát) để làm tập dữ liệu huấn luyện. Vì tập dữ liệu này nhiều, lặp đi lặp lại mà hình thành các quy luật, để nhận ra được các quy luật đó cần phải có các giải thuật được gọi là máy học như mạng nơron hoặc luật kết hợp được dùng. Các quy luật đó là mô hình hoặc tập các luật được sử dụng trong suy luận kể trên.
Nếu để máy nhận ra mèo hay chó, cần tập dữ liệu nhiều hình ảnh mèo và chó và mã hoá hình ảnh đó thành các đặc điểm (feature), rồi gán nhãn là chó hoặc mèo. Sau đó, dùng một giải thuật có giám sát như mạng nơron để tìm ra quy luật (thể hiện bằng mô hình hay đa hàm). Để nhận dạng đúng, tấm ảnh mới sẽ được mã hoá thành các đặc điểm nhận dạng rồi đưa vào mô hình hay tập luật đã được huấn luyện trước đó. Nếu các đặc điểm gần hơn với các đặc điểm của vật thể nào, thì máy cho ra quyết định tấm hình chứa vật thể đó.
Nhưng không phải dữ liệu nào cũng có nhãn hay bài toán nào cũng cần gán nhãn. Ví dụ, mỗi lần đi chợ mua hàng là 1 giao dịch (transaction) và mua 1 món hàng. Vì việc đi mua hàng diễn ra thường xuyên, phát sinh nhiều giao dịch, nên đó là những việc lặp tuần hoàn.
Khi đó, khi khai thác quy luật "kết hợp món hàng": khách mua cafe sẽ thường chi tiêu thêm cho gói thuốc, hoặc khách mua tập hợp các món hàng hàng này sẽ có xu hướng tiêu dùng thêm một tập hợp món hàng khác. Nếu ứng dụng vào đời sống, có thể giới thiệu khách mua thêm những món khác mà khách có thể có nhu cầu nhưng chưa nhận ra.
Với cách này, chọn sự học không giám sát sử dụng giải thuật Luật kết hợp. Ở một khía cạnh khác, nếu muốn tìm hiểu về thông tin các nhóm khách hàng, trước tiên định nghĩa các tiêu chí của nhóm và sử dụng thuật toán phân loại (sự học có giám sát). Trường hợp không biết rõ các thông tin về nhóm, sử dụng các thuật toán phân cụm (sự học không giám sát).
Như thế nào để có thể làm việc với AI?
- Để có kiến thức 1 như đề cập, cần học về lập trình, lập trình nhúng, thiết bị sensors, IoT, thị giác máy tính.
- Để có kiến thức 2, cần học về ngôn ngữ lập trình, cơ sở dữ liệu, cấu trúc dữ liệu và giải thuật, máy học.
- Để có kiến thức 3 và 4, cần trau giồi thêm các nghiệp vụ từ các chuyên gia của các lĩnh vực khác để hiểu sâu kinh nghiệm chuyên ngành.
