Dạy máy tính tìm mẫu
Mục tiêu cuối cùng của việc học sâu là dạy cho máy tính cách đưa ra một tập hợp dữ liệu phi cấu trúc, để nhận ra các mẫu. Một ví dụ đơn giản về dữ liệu phi cấu trúc là hình ảnh của một cảnh trong thế giới thực, trong đó những thứ như bầu trời, cây cối và con người không được đánh dấu sẵn cho máy tính.
Một thuật toán được đào tạo bởi học sâu sẽ xác định các thành phần riêng lẻ đó. Nó sẽ cho bạn biết những điểm ảnh (pixel) nào trong hình ảnh tạo nên một người, một cái cây và là một phần của bầu trời.
Ở quy mô rộng hơn, khả năng nhận dạng mẫu này có thể được áp dụng cho nhiều thứ khác. Ví dụ, trong một chiếc xe tự lái, máy tính sẽ có thể nhận ra một biển hiệu dừng lại và sau đó kích hoạt chiếc xe dừng lại một cách thích hợp. Trong y học, một thuật toán học sâu sẽ có thể nhìn vào hình ảnh của các tế bào qua kính hiển vi và xác định xem đó có phải là tế bào ung thư không.
Học sâu đóng vai trò ngày càng lớn trong công nghệ hiện đại. Về mặt lý thuyết, nó có thể vượt quá khả năng của bộ não con người, vì chúng có các thuật toán nền tảng rộng lớn, được gọi là mạng lưới thần kinh.
Kết nối của mạng lưới thần kinh
Mạng lưới thần kinh được đặt tên như vậy vì về cơ bản chúng bắt chước hoạt động của các tế bào thần kinh trong não người. Các mạng này được tạo thành từ 3 lớp tế bào thần kinh kỹ thuật số: lớp đầu vào, lớp ẩn và lớp đầu ra.
Lớp đầu vào là một chuỗi các nơ-ron kỹ thuật số có thể nhìn thấy thông tin mà máy tính được cung cấp. Ví dụ, một tế bào thần kinh có thể phát sáng khi màu xanh lục hiện diện trong một hình ảnh, trong khi một tế bào khác có thể phát sáng khi có hình dạng cụ thể, một đặc tính cụ thể trong dữ liệu.
Lớp đầu ra cho máy tính biết phải làm gì để đáp ứng với dữ liệu đầu vào. Trong một chiếc xe tự lái, đây sẽ là những tế bào thần kinh kỹ thuật số cuối cùng bảo máy tính quyết định tăng tốc, phanh hoặc quay đầu.
“Phép thuật” của mạng lưới thần kinh nằm ở lớp ẩn. Lớp này lấy các nơ-ron thần kinh từ lớp đầu vào và chuyển hướng để các nơ-ron lớp đầu ra lấy được. Lớp ẩn bao gồm hàng ngàn hoặc hàng triệu nơ-ron riêng lẻ, mỗi hàng được kết nối với nhau trong mạng lưới.
Công nghệ của tương lai
Học sâu hiện đang nắm giữ tiềm năng rất lớn cho các công nghệ tự động mới. Xe tự lái có lẽ là ứng dụng nổi bật nhất của thuật toán học sâu, nhưng có nhiều ứng dụng hơn trong thế giới kinh doanh và hơn thế nữa.
Ví dụ, học sâu có thể có ý nghĩa lớn đối với ngành tài chính. Các ngân hàng có thể sử dụng học sâu để giúp bảo vệ tài khoản trực tuyến bằng cách dạy một mô hình để xác định xem nỗ lực đăng nhập mới nhất của bạn có giống với đăng nhập thông thường hay không. Hoặc, các ngân hàng có thể áp dụng các thuật toán học sâu để đối phó tốt hơn các hoạt động lừa đảo và rửa tiền.
Một tiềm năng đáng giá là ngân hàng và các nhà đầu tư có thể sử dụng học sâu để dự đoán khi nào giá cổ phiếu sắp tăng hay giảm.
Ứng dụng khác của công nghệ học sâu là nhận dạng khuôn mặt. Các thuật toán học sâu được đào tạo về hình ảnh khuôn mặt của bạn, sẽ cho phép phần mềm nhận dạng khuôn mặt bất kể bạn trông như thế nào vào một ngày nhất định. Điều đó sẽ khiến người khác không thể cố gắng xâm nhập tài khoản của bạn.
Học sâu cũng có thể giúp các nhà khoa học dự đoán động đất và các thảm họa thiên nhiên khác. Các mô hình học sâu có thể được huấn luyện về loại rung lắc nào xảy ra trước trận động đất trong quá khứ và sau đó phát báo động khi những mẫu tương tự được phát hiện trong tương lai.
Trong khi công nghệ học tập sâu tiếp tục được cải thiện, danh sách các ứng dụng tiềm năng ngày càng dài và ấn tượng hơn. Chúng ta có thể dạy cho máy tính nhận ra các mẫu, nhưng sự sáng tạo của con người sẽ rất cần thiết trong việc tìm ra cách tốt nhất để học sâu có thể làm việc cho xã hội.
HOÀNG THY - (baocantho.com.vn)
T/h: H.Phong (dongbang.vn)
