Perceptron và mạng thần kinh: Các nguyên lý cơ bản của thị giác máy tính

Trong vài thập kỷ qua, các neural networks đã trở thành nền tảng của nhiều đổi mới trí tuệ nhân tạo (AI) quan trọng. Neural networks là các mô hình tính toán mô phỏng các chức năng phức tạp của bộ não con người. Chúng giúp máy móc học hỏi từ data và nhận diện các mẫu để đưa ra quyết định sáng suốt. Nhờ đó, chúng thúc đẩy các lĩnh vực con của AI như computer vision và deep learning trong các ngành như healthcare, finance và self-driving cars.

Hiểu cách thức hoạt động của một neural network có thể giúp bạn có cái nhìn rõ hơn về "black box" chính là AI, giúp làm rõ cách công nghệ tiên tiến được tích hợp vào daily lives của chúng ta. Trong bài viết này, chúng ta sẽ khám phá neural networks là gì, cách chúng hoạt động và sự tiến hóa của chúng qua các năm. Chúng ta cũng sẽ xem xét vai trò của chúng trong computer vision applications. Hãy cùng bắt đầu nhé!

Perceptron trong AI là gì?#

Trước khi thảo luận chi tiết về neural networks, hãy cùng xem xét perceptron. Chúng là loại neural network cơ bản nhất và là nền tảng để xây dựng các models phức tạp hơn.

Perceptron là một thuật toán machine learning tuyến tính được sử dụng cho supervised learning (học từ labeled training data). Nó còn được gọi là mạng neural đơn tầng và thường được dùng cho các tác vụ phân loại nhị phân nhằm phân biệt giữa hai lớp dữ liệu. Nếu bạn đang cố gắng hình dung về một perceptron, bạn có thể coi nó như một neuron nhân tạo đơn lẻ.

Fig 1. A perceptron is a single artificial neuron.

Hiểu cách thức hoạt động của perceptron#

Một perceptron có thể nhận nhiều đầu vào, kết hợp chúng với các trọng số, quyết định xem chúng thuộc danh mục nào và đóng vai trò là một bộ ra quyết định đơn giản. Nó bao gồm bốn parameters chính: giá trị đầu vào (còn gọi là các nút), weights and biases, tổng ròng và một hàm kích hoạt.

Cách thức hoạt động như sau:

• Inputs and weights: Giả sử bạn có nhiều thông tin (inputs), và mỗi thông tin có một trọng số thể hiện mức độ quan trọng của nó. Thêm vào đó, bias giúp perceptron linh hoạt hơn trong việc đưa ra quyết định.
• Tính tổng có trọng số: Perceptron nhân từng đầu vào với trọng số tương ứng, sau đó cộng tất cả lại, bao gồm cả bias, để thu được một tổng có trọng số.
• Ra quyết định: Sau đó, perceptron sử dụng hàm kích hoạt để xác định đầu ra cuối cùng. Nó lấy tổng có trọng số và quyết định xem perceptron có kích hoạt hay không. Trong trường hợp đơn giản nhất, hàm kích hoạt là hàm bước, cho đầu ra là một nếu tổng có trọng số vượt quá một ngưỡng nhất định và bằng không nếu không đạt. Như vậy, đầu vào có trọng số được chuyển đổi thành quyết định có hoặc không.
• Learning and improving: Nếu perceptron mắc lỗi, nó sẽ điều chỉnh các trọng số để cố gắng cải thiện vào lần sau. Quá trình này helps the model learn từ những sai lầm của nó.

Hình 2. Tổng quan về Perceptron. nguồn: indiantechwarrior.com

Vai trò của perceptron trong thị giác máy tính#

Perceptrons đóng vai trò quan trọng trong việc giúp chúng ta hiểu các basics of computer vision. Chúng là nền tảng của advanced neural networks. Không giống như perceptrons, neural networks không bị giới hạn trong một tầng đơn lẻ. Chúng được cấu thành từ nhiều tầng các perceptron liên kết với nhau, cho phép chúng học các mẫu phi tuyến tính phức tạp. Neural networks có thể xử lý các tác vụ nâng cao hơn và tạo ra cả đầu ra nhị phân lẫn liên tục. Ví dụ, neural networks có thể được sử dụng cho các advanced computer vision tasks như instance segmentation và pose estimation.

Sự phát triển của công nghệ thị giác máy tính từ mạng thần kinh#

Lịch sử của mạng thần kinh đã kéo dài nhiều thập kỷ và đầy ắp các nghiên cứu cũng như khám phá thú vị. Hãy cùng xem xét kỹ hơn một số cột mốc quan trọng này.

Dưới đây là cái nhìn nhanh về các cột mốc đầu tiên:

• Thập niên 1940: Warren McCulloch và Walter Pitts đã phát triển một mạch đơn giản để mô phỏng cách não bộ hoạt động.
• 1958: Rosenblatt giới thiệu perceptron.
• 1970s: Paul Werbos đã đưa ra khái niệm lan truyền ngược (backpropagation - một phương pháp huấn luyện giúp neural network học bằng cách giảm thiểu sự khác biệt giữa đầu ra dự đoán và thực tế). Backpropagation đã giúp cho việc train các mạng neural nhiều tầng trở nên khả thi và mở đường cho deep learning.
• Thập niên 1980: Các nhà nghiên cứu như Geoffrey Hinton và Yann LeCun đã nghiên cứu về chủ nghĩa kết nối (connectionism), tìm hiểu cách các mạng lưới gồm những đơn vị liên kết tạo nên các tiến trình nhận thức. Công trình của họ đã đặt nền móng cho các mạng thần kinh hiện đại.
• Thập niên 1990: Jürgen Schmidhuber và Sepp Hochreiter đề xuất mạng bộ nhớ ngắn hạn dài hạn (LSTM), trở thành yếu tố thiết yếu cho các tác vụ liên quan đến dự đoán trình tự.

Fig 3. The Evolution of Neural Networks.

Bước sang thế kỷ 21, nghiên cứu về mạng thần kinh bùng nổ, dẫn đến những tiến bộ lớn hơn nữa. Trong những năm 2000, công trình của Hinton về máy Boltzmann hạn chế - một loại mạng thần kinh tìm kiếm các mẫu trong dữ liệu - đã đóng vai trò then chốt trong việc thúc đẩy học sâu. Nó giúp việc huấn luyện các mạng sâu trở nên dễ dàng hơn, giải quyết các thách thức với các mô hình phức tạp và làm cho học sâu trở nên thiết thực và hiệu quả hơn.

Sau đó, vào những năm 2010, nghiên cứu đã tăng tốc nhanh chóng nhờ sự trỗi dậy của big data và parallel computing. Một điểm sáng trong thời kỳ này là chiến thắng của AlexNet trong cuộc thi ImageNet (2012). AlexNet, một convolutional neural network sâu, là một bước đột phá lớn vì nó cho thấy sức mạnh của deep learning đối với các computer vision tasks, chẳng hạn như accurately recognizing images. Nó đã góp phần châm ngòi cho sự phát triển bùng nổ của AI trong lĩnh vực nhận diện hình ảnh.

Ngày nay, neural networks đang tiến hóa với các đổi mới mới như transformers, vốn xuất sắc trong việc hiểu các chuỗi, và graph neural networks, hoạt động tốt với các mối quan hệ phức tạp trong dữ liệu. Các kỹ thuật như transfer learning - sử dụng một mô hình được huấn luyện trên một tác vụ cho tác vụ khác - và self-supervised learning, nơi các mô hình học without needing labeled data, cũng đang mở rộng khả năng của neural networks.

Hiểu về mạng thần kinh: Những kiến thức cơ bản#

Bây giờ chúng ta đã nắm được các nền tảng, hãy cùng tìm hiểu chính xác neural network là gì. Neural networks là một loại mô hình machine learning sử dụng các nút hoặc neuron được liên kết với nhau theo cấu trúc phân tầng giống như bộ não con người. Các nút hoặc neuron này xử lý và học hỏi từ dữ liệu, giúp chúng thực hiện các tác vụ như pattern recognition. Ngoài ra, neural networks có tính thích ứng, vì vậy chúng có thể học hỏi từ những sai lầm và cải thiện theo thời gian. Điều này mang lại cho chúng khả năng giải quyết các vấn đề phức tạp, chẳng hạn như facial recognition, một cách chính xác hơn.

Fig 4. A Neural Network.

Neural networks được cấu thành từ nhiều bộ xử lý hoạt động song song, được tổ chức thành các tầng. Chúng bao gồm một tầng đầu vào, một tầng đầu ra và một số tầng ẩn ở giữa. Tầng đầu vào nhận dữ liệu thô, tương tự như cách các dây thần kinh optic của chúng ta tiếp nhận thông tin thị giác.

Sau đó, mỗi tầng chuyển đầu ra của mình sang tầng tiếp theo thay vì làm việc trực tiếp với đầu vào ban đầu, giống như cách các neuron trong não truyền tín hiệu từ cái này sang cái khác. Tầng cuối cùng tạo ra đầu ra của mạng. Sử dụng quá trình này, một artificial neural network (ANN) có thể học cách thực hiện các computer vision tasks như image classification.

Một ứng dụng công nghiệp của mạng thần kinh trong thị giác máy tính#

Sau khi đã hiểu mạng thần kinh là gì và cách chúng hoạt động, hãy cùng xem xét một ứng dụng cho thấy tiềm năng của mạng thần kinh trong thị giác máy tính.

Kiểm tra đường dây điện trong ngành năng lượng#

Neural networks form the basis of computer vision models like Ultralytics YOLO11 and can be used to visually inspect power lines using drones. The utilities industry faces logistical challenges when it comes to inspecting and maintaining their extensive networks of power lines. These lines often stretch across everything from busy urban areas to remote, rugged landscapes. Traditionally, these inspections were carried out by a ground crew. While effective, these manual methods are costly, time-consuming, and can expose workers to environmental and electrical hazards. Research shows that utility line work is among the ten most hazardous jobs in America, with an annual fatality rate of 30 to 50 workers per 100,000.

Tuy nhiên, drone inspection technology có thể làm cho aerial inspections trở thành một lựa chọn thiết thực và tiết kiệm chi phí hơn. Công nghệ tiên tiến cho phép drone bay các quãng đường dài hơn mà không cần thay pin thường xuyên trong quá trình kiểm tra. Nhiều drone hiện nay được tích hợp AI, có tính năng tránh chướng ngại vật tự động và khả năng phát hiện lỗi tốt hơn. Các tính năng này cho phép chúng kiểm tra các khu vực đông đúc với nhiều đường dây điện và capture high-quality images từ khoảng cách xa hơn. Nhiều quốc gia đang áp dụng việc sử dụng drone và computer vision cho các tác vụ kiểm tra đường dây điện. Ví dụ, ở Estonia, 100% tất cả các cuộc kiểm tra đường dây điện được thực hiện bởi các drone như vậy.

Hình 5. Một kỹ thuật viên sử dụng drone và các công cụ AI để kiểm tra đường dây điện (ảnh bên trái) và drone mà anh ấy đang vận hành (ảnh bên phải) (suasnews).

Các điểm chính cần lưu ý#

Mạng thần kinh đã trải qua một chặng đường dài từ nghiên cứu đến ứng dụng và trở thành một phần quan trọng của những tiến bộ công nghệ hiện đại. Chúng cho phép máy móc học hỏi, nhận dạng các mẫu và đưa ra quyết định sáng suốt dựa trên những gì đã học. Từ y tế, tài chính đến các phương tiện tự hành và sản xuất, các mạng này đang thúc đẩy đổi mới và chuyển đổi các ngành công nghiệp. Khi chúng ta tiếp tục khám phá và tinh chỉnh các mô hình mạng thần kinh, tiềm năng của chúng trong việc định nghĩa lại nhiều khía cạnh hơn nữa trong cuộc sống hàng ngày và hoạt động kinh doanh của chúng ta trở nên rõ ràng hơn bao giờ hết.

Để khám phá thêm, hãy truy cập GitHub repository của chúng tôi và tương tác với community của chúng tôi. Khám phá các ứng dụng AI trong manufacturing và agriculture trên các trang giải pháp của chúng tôi. 🚀