Cách thức hoạt động của trí tuệ nhân tạo

Cách thức hoạt động của trí tuệ nhân tạo

AI là gì? Nếu nhận định rằng AI có thể tư duy, đưa ra quyết định một cách độc lập, thậm chí có thể biết nhận thức, thì điều này là không đúng. Hầu hết các hệ thống hiện có ngày nay chưa đến gần được với nhận định như vậy về AI. Thực tế, chúng đều hoạt động trong khuôn khổ các thuật toán đã được xác định trước.

Có những thuật toán rất tiên tiến, nhưng chúng vẫn chỉ là nền tảng để AI hoạt động dựa vào đó. Chưa thể có sự tự do, vượt ra ngoài nền tảng, khuôn khổ này, nhất là các dấu hiệu biểu hiện cho sự nhận thức. Đây chỉ là những chương trình có hiệu năng rất cao và có thuật toán tốt nhất trong lĩnh vực của chúng. Hệ thống AI vẫn đang tiếp tục được hoàn thiện. Nhưng ngay cả thực tế là AI hiện nay còn cách rất xa mới tiến tới sự hoàn hảo, thì nó vẫn có rất nhiều điểm chung với con người.

AI hoạt động như thế nào?

Trước hết, AI có thể thực hiện các nhiệm vụ của mình và tiếp nhận các kỹ năng mới nhờ học máy sâu (deep machine learning). Có thể định nghĩa học máy sâu bằng giải thích sau đây: Khác với các phương pháp truyền thống, thì khi tất cả các thông tin cần thiết đã được tải vào hệ thống, hệ thống sẽ phát triển độc lập bằng việc học các thông tin có sẵn nhờ các thuật toán học máy. Trong một số trờng hợp, hệ thống cũng có thể tìm kiếm thông tin một cách độc lập.

Ví dụ, để tạo một chương trình phát hiện gian lận, thuật toán học máy hoạt động phân loại danh sách các giao dịch ngân hàng và kết quả cuối cùng sẽ chỉ ra các giao dịch đó là hợp pháp hoặc bất hợp pháp. Mô hình học máy nghiên cứu các ví dụ và phát triển mối quan hệ thống kê giữa các giao dịch hợp pháp và gian lận. Sau đó, khi thuật toán học máy được cung cấp dữ liệu mới về giao dịch ngân hàng, nó sẽ phân loại giao dịch dựa trên tiêu chí mà nó đã suy ra nhờ các ví dụ trước.

Về nguyên tắc, càng được cung cấp nhiều dữ liệu thì thuật toán học máy càng thực hiện được chính xác công việc của nó. Học máy đặc biệt hữu ích trong việc giải quyết các bài toán mà trong đó các quy tắc không được xác định trước và không thể được biểu diễn trong hệ thống nhị phân. Đối với các hoạt động ngân hàng, có thể có một hệ thống tính toán nhị phân với đầu ra là: 0 - hoạt động hợp pháp và 1 - bất hợp pháp. Nhưng để đi đến kết luận này, hệ thống cần phân tích rất nhiều thông số mà nếu chỉ nhập bằng tay thì sẽ mất không dưới một năm. Dù sao, việc dự đoán tất cả các trường hợp cũng không thể thực hiện được. Và một hệ thống hoạt động trên cơ sở học máy sâu sẽ có thể tìm ra được một quy luật nào đó, ngay cả khi chưa gặp trường hợp như vậy trước đây.

Học máy sâu và mạng nơ-ron 

Trong khi các thuật toán huấn luyện máy cổ điển giải quyết được nhiều bài toán mà trong đó có rất nhiều thông tin dưới dạng cơ sở dữ liệu, thì chúng lại không xử lý được dữ liệu hình ảnh và âm thanh.

Ví dụ, Jeremy Howard – nhà nghiên cứu AI người Australia cho biết, việc tạo ra một mô hình dự đoán ung thư vú bằng phương pháp học máy cổ điển đòi hỏi nỗ lực của nhiều chuyên gia y tế, lập trình viên và các nhà toán học. Các nhà khoa học sẽ phải tạo ra nhiều thuật toán nhỏ hơn để học máy có thể xử lý các luồng thông tin: một hệ thống con riêng nghiên cứu về X-quang, một hệ thống riêng cho MRI, một hệ thống khác để giải thích các xét nghiệm máu,… Đối với mỗi loại phân tích sẽ cần một hệ thống riêng. Sau đó, tất cả sẽ được kết hợp thành một hệ thống lớn. Đây là một tiến trình xử lý không đơn giản và tiêu tốn tài nguyên. Các thuật toán học máy sâu giải quyết cùng một bài toán bằng cách sử dụng các mạng nơ-ron sâu, một kiểu kiến trúc phần mềm có ảnh hưởng từ bộ não con người (mặc dù mạng nơ-ron máy tính khác với nơ-ron sinh học, nhưng nguyên tắc hoạt động gần như giống nhau). Mạng nơ-ron máy tính là các liên kết của các “nơ-ron điện tử” có khả năng xử lý và phân loại thông tin. Chúng có thể được coi là các lớp và mỗi lớp chịu trách nhiệm về nhiệm vụ của mình, kết quả sẽ tạo thành một bức tranh tổng thể. Ví dụ, khi huấn luyện một mạng nơ-ron để xử lý hình ảnh của các đối tượng khác nhau, nó sẽ tìm cách trích xuất các đối tượng từ những hình ảnh này. Mỗi lớp của mạng nơ-ron sẽ phát hiện ra các đặc tính nhất định: hình dạng, màu sắc, sự xuất hiện của các đối tượng,…

Mạng nơ-ron là một bộ não nhân tạo?

Mặc dù có cấu trúc tương tự với mạng nơ-ron thần kinh của con người, nhưng mạng nơ-ron máy tính không có các dấu hiệu của hệ thống nơ-ron thần kinh trung ương như con người. Mạng nơ-ron máy tính về cơ bản là các chương trình phụ trợ. Trong khi đó, bộ não con người là hệ thống tổ chức cao nhất để tiến hành tính toán. Bộ não có thể được coi là một hệ thống máy tính độc lập. Các nhà khoa học đã đưa vào AI một số khía cạnh trong cấu trúc của não người dưới dạng số. Nhưng điều này cũng chỉ cho phép tăng tốc độ tính toán mà không mang lại cho máy móc khả năng nhận thức.

Mạng nơ-ron đã xuất hiện từ những năm 1950, ít nhất ở dưới dạng khái niệm. Tuy nhiên, chúng không được phát triển cho đến gần đây, bởi việc xây dựng những mạng này đòi hỏi khối lượng dữ liệu và sức mạnh tính toán khổng lồ. Trong những năm gần đây, các yếu tố này đã trở nên có sẵn, vì vậy mạng nơ-ron đã được chú ý hơn và ngày càng phát triển. Tuy nhiên hiện tại chưa có đủ công nghệ để cho ra đời các mạng nơ-ron nhân tạo đầy đủ thực sự.

Học sâu và mạng lưới nơ-ron được sử dụng để làm gì?

Hai công nghệ này đã giúp cho nhiều lĩnh vực đạt được những phát triển đáng kể, con người sử dụng chúng hàng ngày phục vụ cuộc sống mà đa phần không hiểu về cách thức hoạt động của chúng. Một số lĩnh vực sử dụng hai công nghệ này có thể kể đến như:

- Thị giác máy tính, khả năng phần mềm hiểu nội dung của hình ảnh và video: Đây là lĩnh vực mà học sâu đã đạt được nhiều tiến bộ lớn. Ví dụ, các thuật toán xử lý hình ảnh học sâu có thể phát hiện các loại ung thư, bệnh phổi, bệnh tim,… Chúng thực hiện điều này nhanh và hiệu quả hơn bác sĩ. Học sâu trong lĩnh vực này cũng được áp dụng trong nhiều ứng dụng được sử dụng hàng ngày. Apple Face ID và Google Photos sử dụng học sâu để nhận diện khuôn mặt và cải thiện chất lượng hình ảnh. Facebook sử dụng học sâu để tự động gắn thẻ ảnh tải lên,… Thị giác máy tính cũng giúp các doanh nghiệp tự động nhận diện và chặn các nội dung không phù hợp như hình ảnh bạo lực, nhạy cảm. Và học sâu cũng đóng vai trò rất quan trọng trong việc cho phép xe tự lái có thể hiểu những gì xung quanh chúng.

- Nhận dạng tiếng và giọng nói: Khi người dùng nói một lệnh cho ứng dụng trợ lý ảo Google Assistant, các thuật toán học sâu sẽ biến giọng nói thành các lệnh văn bản. Một số ứng dụng trực tuyến sử dụng học sâu để ghi lại nội dung trong các tệp âm thanh và video thành văn bản. Ngay cả khi sử dụng ứng dụng để nhận diện một bài hát, các thuật toán của mạng nơ-ron và học sâu cũng đóng vai trò trong đó.

- Công cụ tìm kiếm trên web: Khi người dùng muốn tìm kiếm thứ gì đó trong công cụ tìm kiếm, để yêu cầu của người dùng được xử lý rõ ràng và kết quả tìm kiếm chính xác hơn, các hãng cung cấp công cụ tìm kiếm đã kết nối các thuật toán mạng nơ-ron với công cụ của họ. Nhờ vậy mà sau khi hệ thống chuyển sang học máy và mạng nơ-ron, hiệu suất của công cụ tìm kiếm Google đã tăng lên nhiều lần.

Hạn chế của học sâu và mạng nơ-ron

Mặc dù mang lại lợi ích rất lớn, nhưng học sâu và mạng nơ-ron cũng tồn tại một số nhược điểm như sau:

- Phụ thuộc vào dữ liệu: Nhìn chung, các thuật toán học sâu đòi hỏi một số lượng rất lớn dữ liệu huấn luyện để hoàn thành chính xác các nhiệm vụ của chúng. Tuy nhiên hiện nay, đối với nhiều bài toán, lượng dữ liệu chất lượng là chưa đủ để tạo ra các mô hình xử lý.

- Không thể đoán trước: Mạng nơ-ron đang phát triển theo một cách khá lạ thường. Thông thường, các thuật toán diễn ra theo như đã quy định. Tuy nhiên đôi khi (ngay cả khi mạng nơ-ron thực hiện tốt nhiệm vụ của nó) nhưng người tạo ra chúng cũng khó có thể hiểu được các thuật toán hoạt động như thế nào. Việc thiếu khả năng dự đoán khiến việc loại bỏ và sửa lỗi trong các thuật toán của mạng nơ-ron trở nên vô cùng khó khăn.

- Sai lệch thuật toán: Dữ liệu huấn luyện càng tốt thì thuật toán học sâu thực hiện được càng chính xác. Vấn đề là dữ liệu huấn luyện thường tồn tại các lỗi, thiếu sót bị ẩn hoặc công khai, từ đó các thuật toán sẽ kế thừa những điều này. Ví dụ, thuật toán nhận dạng khuôn mặt được huấn luyện chủ yếu với ảnh của người da trắng sẽ hoạt động kém chính xác hơn đối với ảnh của những người có màu da khác.

- Thiếu tính khái quát hóa: Sử dụng các thuật toán học sâu để thực hiện các nhiệm vụ có mục tiêu xác định là rất tốt, tuy nhiên việc khái quát hóa kiến thức của chúng là khó khăn. Không giống như con người, mô hình học sâu được huấn luyện để chơi trò StarCraft sẽ không thể chơi một trò chơi tương tự khác như WarCraft. Học sâu thực hiện không tốt việc xử lý dữ liệu khác với các ví dụ nó được huấn luyện.

Tương lai của học sâu, mạng nơ-ron và AI

Rõ ràng, quá trình xử lý nhiệm vụ của học sâu và mạng nơ-ron vẫn chưa được hoàn thiện, nhiều nỗ lực đã được thực hiện để cải thiện các thuật toán học sâu. Học sâu là một phương pháp tiên tiến trong việc tạo ra AI. Nó đã trở nên ngày càng phổ biến trong những năm gần đây do sự phong phú của dữ liệu và sự tăng lên của sức mạnh tính toán. Đây là công nghệ cốt lõi cho nhiều ứng dụng mà con người sử dụng hàng ngày.

Tuy nhiên, liệu có thể đến một lúc nào đấy ý thức được sinh ra trên cơ sở của công nghệ này? Sẽ có hay không sự sống nhân tạo thực sự? Một số nhà khoa học nhận định rằng, tại thời điểm khi số lượng kết nối giữa các thành phần của mạng nơ-ron nhân tạo tiến tới tương đương với tỉ lệ giữa các tế bào thần kinh trong não người, thì điều tương tự có thể xảy ra. Tuy nhiên, nhận định này vẫn chỉ là một dự đoán. Để một AI thực sự có thể xuất hiện thì cần suy nghĩ lại về cách tiếp cận trong việc tạo ra các hệ thống dựa trên AI. Tất cả các ứng dụng AI hiện nay chỉ là chương trình phần mềm cho các nhiệm vụ trong một phạm vi hạn chế. 

Theo An toàn Thông tin