Machine Learning là gì? Khám phá công nghệ giúp máy tính học từ dữ liệu

Vì sao một ứng dụng có thể gợi ý nội dung phù hợp với sở thích của bạn? Làm thế nào máy tính nhận diện được hình ảnh hoặc hỗ trợ dự báo nhu cầu mua sắm? Đằng sau nhiều khả năng ấy là Machine Learning – học máy, một lĩnh vực quan trọng của trí tuệ nhân tạo.

Khi dữ liệu ngày càng hiện diện trong học tập, công việc và đời sống, hiểu về Machine Learning giúp người học tiếp cận công nghệ chủ động hơn, đồng thời nhận ra những bài toán có thể giải quyết bằng dữ liệu.

Machine Learning là gì?

Machine Learning, hay học máy, là lĩnh vực thuộc trí tuệ nhân tạo, trong đó các mô hình được huấn luyện bằng dữ liệu để thực hiện những nhiệm vụ như dự đoán, phân loại hoặc tạo nội dung. Thay vì chỉ dựa vào các quy tắc do con người viết sẵn, mô hình điều chỉnh các tham số trong quá trình học để thực hiện nhiệm vụ được giao.

Có thể hình dung qua một ví dụ trong xưởng thực hành ô tô: người kỹ thuật viên muốn xây dựng công cụ hỗ trợ nhận biết một số tình trạng hoạt động của động cơ. Dữ liệu đầu vào có thể gồm nhiệt độ, tốc độ quay và độ rung; thông tin đối chiếu là tình trạng động cơ đã được kiểm tra.

Từ những ví dụ đó, mô hình học mối liên hệ giữa tín hiệu đo được và tình trạng tương ứng. Khi nhận dữ liệu mới, hệ thống đưa ra dự đoán để người kỹ thuật viên tham khảo. Đây là tình huống minh họa; muốn sử dụng thực tế, công cụ phải được kiểm chứng với thiết bị và điều kiện vận hành cụ thể.

Phân biệt Machine Learning, AI và dữ liệu lớn

Ba khái niệm này thường xuất hiện cùng nhau nhưng có vai trò khác nhau:

• Trí tuệ nhân tạo – AI: lĩnh vực rộng, bao gồm nhiều cách xây dựng hệ thống thực hiện những nhiệm vụ đòi hỏi năng lực thông minh.
• Machine Learning: một hướng tiếp cận trong AI, sử dụng dữ liệu để huấn luyện mô hình.
• Dữ liệu lớn – Big Data: gắn với những tập dữ liệu có quy mô, tốc độ phát sinh hoặc mức độ đa dạng đặt ra yêu cầu cao về xử lý và khai thác.

Học máy có thể hỗ trợ khai thác giá trị từ dữ liệu lớn. Tuy nhiên, một dự án học máy không nhất thiết phải bắt đầu với lượng dữ liệu khổng lồ; điều cần xem xét là dữ liệu có phù hợp với bài toán hay không.

Ba cách học phổ biến của máy tính

Học có giám sát: Mô hình học từ dữ liệu có đáp án mẫu, còn gọi là nhãn. Chẳng hạn, dữ liệu giao dịch đã được xác định là bình thường hoặc gian lận có thể được dùng để huấn luyện hệ thống phân loại giao dịch mới. Hai dạng nhiệm vụ quen thuộc là phân loại và dự đoán giá trị số.

Học không giám sát: Mô hình tìm kiếm cấu trúc hoặc những nhóm tương đồng trong dữ liệu chưa có nhãn. Ví dụ, một đơn vị có thể phân nhóm khách hàng theo đặc điểm mua sắm để tìm hiểu nhu cầu của từng nhóm.

Học tăng cường: Một tác nhân học cách lựa chọn hành động thông qua tương tác với môi trường và tín hiệu phần thưởng. Cách tiếp cận này được sử dụng trong những bài toán như trò chơi hoặc điều khiển.

Điều gì quyết định một mô hình học máy có hữu ích?

Một điểm cốt lõi là khả năng tổng quát hóa: mô hình cần làm việc hiệu quả với dữ liệu chưa từng gặp, thay vì chỉ cho kết quả tốt trên những ví dụ đã học.

Nếu mô hình quá bám vào dữ liệu huấn luyện, kết quả khi sử dụng thực tế có thể suy giảm. Vì vậy, chuẩn bị dữ liệu và đánh giá trên dữ liệu tách biệt là những nội dung quan trọng khi xây dựng hệ thống học máy.

Với người mới bắt đầu, có thể đặt ra ba câu hỏi trước mỗi dự án:

• Bài toán cần giải quyết cụ thể là gì?
• Dữ liệu hiện có phản ánh được bài toán đến mức nào?
• Kết quả sẽ được đánh giá và sử dụng ra sao?

Chẳng hạn, với công cụ hỗ trợ nhận biết tình trạng động cơ, chỉ báo cáo một tỷ lệ dự đoán đúng là chưa đủ. Người xây dựng còn cần xem mô hình thường nhầm ở tình trạng nào và sai sót đó ảnh hưởng thế nào đến quyết định kiểm tra.

Sinh viên có thể bắt đầu từ đâu?

Một hướng thực hành là lựa chọn bài toán nhỏ, có mục tiêu rõ ràng: phân loại văn bản, phân nhóm dữ liệu hoặc dự đoán một đại lượng từ dữ liệu mẫu.

Người học có thể đi theo trình tự: xác định vấn đề, tìm hiểu dữ liệu, xây dựng mô hình cơ bản, đánh giá kết quả và giải thích những trường hợp dự đoán sai. Trong quá trình đó, kiến thức lập trình, xác suất – thống kê và chuyên môn của lĩnh vực ứng dụng sẽ hỗ trợ lẫn nhau.

Đối với sinh viên kỹ thuật, một đề tài đáng thử nghiệm là sử dụng dữ liệu cảm biến để khảo sát tình trạng hoạt động của thiết bị. Với sinh viên kinh tế, có thể bắt đầu bằng bài toán phân tích đặc điểm mua sắm từ bộ dữ liệu thực hành.

Giá trị của việc học Machine Learning nằm ở năng lực biến một vấn đề thực tiễn thành bài toán dữ liệu, kiểm chứng lời giải và hiểu rõ giới hạn của kết quả. Đó cũng là nền tảng để người học từng bước tham gia phát triển các ứng dụng công nghệ có ích cho công việc và cộng đồng.

Nguồn tham khảo: Bài “Machine Learning là gì?” trên ML Book VN và tài liệu nhập môn học máy của Google for Developers.