Bạn đã hiểu hết về trí thông minh nhân tạo?

Trí tuệ nhân tạo là tương lai. Trí tuệ nhân tạo là khoa học viễn tưởng. Trí tuệ nhân tạo đã là một phần trong cuộc sống hàng ngày của chúng ta. Tất cả những tuyên bố đó là đúng, nó chỉ phụ thuộc vào định hướng của AI mà bạn đang đề cập đến. Ví dụ, khi chương trình AlphaGo của Google DeepMind đánh bại Master Lee Se-dol của Hàn Quốc trong việc chơi cờ vào đầu năm nay, các thuật ngữ AI, Machine Learning và Deep Learning đã được sử dụng trên phương tiện truyền thông để mô tả cách DeepMind giành chiến thắng. Và cả ba đều là một phần lý do tại sao AlphaGo chiến thắng Lee Se-Dol. Nhưng chúng không phải là những thứ giống nhau. Cách dễ nhất để nghĩ về mối quan hệ của chúng là hình dung chúng như những vòng tròn đồng tâm với AI - ý tưởng xuất hiện đầu tiên - lớn nhất, sau đó là Machine Learning - nảy nở sau đó, và cuối cùng là Deep Learning - thúc đẩy sự bùng nổ AI ngày nay - phù hợp với cả hai.

Từ Bust đến Boom

AI là một phần trong trí tưởng tượng của các nhà khoa học và mô phỏng trong các phòng thí nghiệm nghiên cứu kể từ khi một số nhà khoa học máy tính tập hợp xung quanh thuật ngữ tại Hội nghị Dartmouth năm 1956 và khai sinh ra lĩnh vực AI. Trong những thập kỷ kể từ đó, AI thay phiên được coi là chìa khóa cho tương lai tươi sáng nhất của nền văn minh của chúng ta.  Trong vài năm qua, AI đã bùng nổ và đặc biệt là từ năm 2015. Phần lớn phải làm với sự sẵn có rộng rãi của GPU giúp xử lý song song nhanh hơn, rẻ hơn và mạnh mẽ hơn. Nó cũng phải thực hiện đồng thời một đến hai cú lưu trữ vô hạn thực tế và một luồng dữ liệu của mỗi dải (toàn bộ chuyển động Big Data) - hình ảnh, văn bản, giao dịch, dữ liệu ánh xạ, bạn đặt tên cho nó. Hãy cùng xem các nhà khoa học máy tính đã chuyển từ một thứ gì đó như thế nào - cho đến năm 2012 - đến một sự bùng nổ đã giải phóng các ứng dụng được sử dụng bởi hàng trăm triệu người mỗi ngày.

Artificial Intelligence (AI) - Trí tuệ con người được mô phỏng bởi máy móc

Theo King me: “Các chương trình máy tính chơi cờ là một trong những ví dụ sớm nhất về trí tuệ nhân tạo, khuấy động làn sóng đầu thập niên 1950.” Quay trở lại vào mùa hè năm 56 của hội nghị, giấc mơ của những người tiên phong AI đó là chế tạo những cỗ máy phức tạp - được kích hoạt bởi các máy tính mới nổi - sở hữu những đặc điểm giống nhau của trí thông minh con người. Đây là khái niệm mà các nhà khoa học nghĩ về như General AI, một cỗ máy tuyệt vời có tất cả các giác quan của con người (thậm chí nhiều hơn). Bạn đã xem những cỗ máy này rất nhiều trong phim như The Terminator. Những cỗ máy AI nói chung vẫn tồn tại trong các bộ phim và tiểu thuyết khoa học viễn tưởng vì lý do chính đáng; chúng ta không thể kéo nó ra, ít nhất là chưa. Những gì chúng ta có thể làm rơi vào khái niệm về AI Narrow AI. Các công nghệ có khả năng thực hiện các nhiệm vụ cụ thể cũng như tốt hơn là con người chúng ta có thể. Ví dụ về AI hẹp là những thứ như phân loại hình ảnh trên một dịch vụ như Pinterest và nhận dạng khuôn mặt trên Facebook. Đó là những ví dụ về AI hẹp trong thực tế. Những công nghệ này thể hiện một số khía cạnh của trí tuệ con người. Nhưng bằng cách nào? Trí thông minh đó đến từ đâu? Điều đó đưa chúng ta đến vòng tròn tiếp theo, Machine Learning.

Machine Learning -  Cách tiếp cận để đạt được Artificial Intelligence

Chế độ bỏ qua thư rác: Machine Learning giúp hộp thư đến của bạn (tương đối) không có thư rác. Machine Learning ở mức cơ bản nhất là thực hành sử dụng các thuật toán để phân tích dữ liệu, học từ nó và sau đó đưa ra quyết định hoặc dự đoán về một cái gì đó trên thế giới. Vì vậy, thay vì các phần mềm mã hóa thủ công thường xuyên với một bộ hướng dẫn cụ thể để hoàn thành một nhiệm vụ cụ thể, máy được đào tạo bằng cách sử dụng một lượng lớn dữ liệu và thuật toán cho phép nó học cách thực hiện nhiệm vụ. Machine Learning xuất phát trực tiếp từ suy nghĩ của AI ban đầu, và các phương pháp tiếp cận thuật toán trong nhiều năm bao gồm decision tree learning, lập trình logic quy nạp, phân cụm , học tập củng cố và mạng Bayes.

Như chúng ta đã biết, không ai đạt được mục tiêu cuối cùng của AI thông thường, và thậm chí AI hẹp cũng chủ yếu nằm ngoài tầm với các phương pháp Machine Learning ban đầu. Hóa ra, một trong những lĩnh vực ứng dụng tốt nhất cho Machine Learning trong nhiều năm là thị giác máy tính , mặc dù nó vẫn đòi hỏi rất nhiều mã hóa tay để hoàn thành công việc. Mọi người sẽ đi vào và viết các trình phân loại được mã hóa bằng tay như các bộ lọc phát hiện cạnh để chương trình có thể xác định nơi một đối tượng bắt đầu và dừng lại; phát hiện hình dạng để xác định nếu nó có tám mặt; một trình phân loại để nhận ra các chữ cái STOP .Từ tất cả các trình phân loại được mã hóa bằng tay, họ sẽ phát triển các thuật toán để hiểu ý nghĩa của hình ảnh và tìm hiểu thông tin để xác định xem đó có phải là dấu hiệu dừng hay không.

Deep Learning - Một kỹ thuật để thực hiện Machine Learning

Herding cats: Chọn hình ảnh của mèo ra khỏi video YouTube là một trong những minh chứng đột phá đầu tiên về Deep Learning. Một cách tiếp cận thuật toán khác từ Machine Learning ban đầu, mạng lưới thần kinh nhân tạo đã đến và chủ yếu đi qua nhiều thập kỷ. Mạng lưới thần kinh được lấy cảm hứng từ sự hiểu biết của chúng ta về sinh học của bộ não của chúng ta - tất cả những mối liên kết giữa các tế bào thần kinh. Nhưng, không giống như một bộ não sinh học nơi bất kỳ tế bào thần kinh nào cũng có thể kết nối với bất kỳ tế bào thần kinh nào khác trong một khoảng cách vật lý nhất định, các mạng lưới thần kinh nhân tạo này có các lớp, kết nối và hướng truyền dữ liệu riêng biệt. Ví dụ, bạn có thể chụp ảnh, cắt nó thành một bó được nhập vào lớp đầu tiên của mạng lưới thần kinh. Trong lớp tế bào thần kinh riêng lẻ lớp đầu tiên, sau đó chuyển dữ liệu sang lớp thứ hai. Lớp tế bào thần kinh thứ hai thực hiện nhiệm vụ của mình, và cứ thế, cho đến khi lớp cuối cùng và đầu ra cuối cùng được tạo ra. Mỗi nơ-ron gán một trọng số cho đầu vào của nó - nó đúng hay không chính xác so với nhiệm vụ đang được thực hiện. Đầu ra cuối cùng sau đó được xác định bởi tổng các trọng số đó. Vì vậy, hãy nghĩ về ví dụ biển báo STOP. Các thuộc tính của hình ảnh biển báo bị băm nhỏ và các tế bào thần kinh được kiểm tra bởi các tế bào thần kinh hình dạng bát giác, màu đỏ của động cơ lửa, chữ cái đặc biệt, kích thước biển báo giao thông và chuyển động của nó hoặc thiếu. Nhiệm vụ của mạng lưới thần kinh là kết luận liệu đây có phải là dấu hiệu dừng hay không. Nó xuất hiện với một vectơ xác suất, thực sự là một phỏng đoán có tính giáo dục cao, dựa trên trọng số. Trong ví dụ đó, hệ thống có thể tin tưởng 86% hình ảnh là biển báo STOP, 7% tự tin là biển báo giới hạn tốc độ và 5% đó là con diều bị mắc kẹt trong cây, v.v. - và kiến ​​trúc mạng sau đó nói với mạng thần kinh dù đúng hay không. Ngày nay, nhận dạng hình ảnh bằng máy móc được đào tạo thông qua Deep Learning trong một số tình huống tốt hơn so với con người, từ mèo đến nhận dạng các chỉ số ung thư trong máu và khối u trong quét MRI. AlphaGo của Google đã học trò chơi và được đào tạo cho trận đấu của mình - nó đã điều chỉnh mạng lưới thần kinh của mình - bằng cách chơi với chính nó nhiều lần.

Nhờ Deep Learning, AI có tương lai tươi sáng

Deep Learning đã cho phép nhiều ứng dụng thực tế của Machine Learning và bằng cách mở rộng toàn bộ lĩnh vực AI. Deep Learning phá vỡ các nhiệm vụ theo cách làm cho tất cả các loại hỗ trợ máy móc dường như có thể, thậm chí có khả năng. Xe không người lái, chăm sóc y tế dự phòng tốt hơn, thậm chí đề xuất phim tốt hơn, tất cả đều ở đây hôm nay hoặc trong ngày mai. AI là hiện tại và tương lai. Với sự giúp đỡ của Deep learning, AI thậm chí có thể có được trạng thái khoa học viễn tưởng mà chúng ta đã tưởng tượng từ lâu.