Học máy (ML)

Học máy (ML) là một nhánh của trí tuệ nhân tạo (AI) , cung cấp cho máy tính khả năng học mà không cần lập trình cụ thể. Được định nghĩa lần đầu bởi những người tiên phong như Arthur Samuel , các thuật toán ML sử dụng dữ liệu lịch sử để xác định các mẫu hình, đưa ra dự đoán và cải thiện hiệu suất theo thời gian khi chúng tiếp xúc với nhiều thông tin hơn. Thay vì dựa vào nhà phát triển để viết mã tĩnh cho một tác vụ, một mô hình ML tự học logic của chính nó trực tiếp từ dữ liệu mà nó được đào tạo. Khả năng thích ứng này khiến ML trở thành động lực thúc đẩy nhiều công nghệ tinh vi nhất hiện nay.

Phân biệt ML với các thuật ngữ liên quan

Hiểu về ML cũng có nghĩa là biết nó liên quan như thế nào đến các khái niệm quan trọng khác trong lĩnh vực này:

• Trí tuệ nhân tạo (AI) : AI là khái niệm rộng về việc tạo ra những cỗ máy có khả năng hành xử thông minh. Học máy (ML) là cách tiếp cận nổi bật và thành công nhất để đạt được AI. Trong khi AI là mục tiêu bao quát, thì ML là phương pháp thực tế cho phép hệ thống học hỏi và thích nghi.
• Học sâu (DL) : Học sâu là một lĩnh vực chuyên biệt của ML, sử dụng các mạng nơ-ron (NN) phức tạp, nhiều lớp, thường được gọi là mạng nơ-ron sâu. DL đã tạo nên những đột phá lớn trong việc xử lý dữ liệu phức tạp như hình ảnh, âm thanh và văn bản, đồng thời hỗ trợ hầu hết các mô hình thị giác tiên tiến.
• Khai thác dữ liệu : Mặc dù cả hai lĩnh vực đều phân tích dữ liệu, nhưng mục tiêu của chúng lại khác nhau. Khai thác dữ liệu, theo định nghĩa của các công ty hàng đầu trong ngành như SAS , tập trung vào việc khám phá các mẫu hình chưa từng được biết đến trước đây trong các tập dữ liệu lớn để tạo ra thông tin chi tiết phục vụ con người. Ngược lại, ML sử dụng các mẫu hình để xây dựng các mô hình dự đoán có khả năng tự động đưa ra quyết định dựa trên dữ liệu mới, chưa được biết đến.

Các loại máy học

Các mô hình ML thường được phân loại dựa trên cách chúng học từ dữ liệu:

• Học có giám sát : Loại phổ biến nhất, trong đó mô hình học từ dữ liệu được gắn nhãn bao gồm các cặp đầu vào-đầu ra. Mục tiêu là học một hàm ánh xạ có thể dự đoán đầu ra cho các đầu vào mới. Phân loại ảnh và phát hiện thư rác là những ví dụ điển hình.
• Học không giám sát : Mô hình được cung cấp dữ liệu chưa được gắn nhãn và phải tự tìm ra các mẫu hoặc cấu trúc nội tại, chẳng hạn như nhóm các điểm dữ liệu thành các cụm. Phát hiện bất thường và phân khúc khách hàng là những trường hợp sử dụng phổ biến.
• Học tăng cường : Một tác nhân học bằng cách tương tác với môi trường. Nó nhận được phần thưởng cho các hành động mong muốn và hình phạt cho các hành động không mong muốn, với mục tiêu tối đa hóa phần thưởng tích lũy. Phương pháp này được sử dụng rộng rãi trong robot học và các trò chơi chiến lược.

Sự liên quan trong AI và thị giác máy tính

Học máy là trụ cột nền tảng của AI hiện đại và đặc biệt mang tính đột phá trong lĩnh vực Thị giác Máy tính (CV) . Các tác vụ như Phát hiện Đối tượng , Phân đoạn Ảnh và Ước tính Tư thế phụ thuộc rất nhiều vào các mô hình ML để diễn giải và hiểu thông tin trực quan. Các mô hình tiên tiến như Ultralytics YOLO tận dụng các kỹ thuật ML, đặc biệt là Học sâu, để đạt được độ chính xác và tốc độ cao trong các ứng dụng thời gian thực.

Sau đây là hai ví dụ về ML đang hoạt động:

1. Phân tích hình ảnh y tế : Trong AI dành cho chăm sóc sức khỏe , các mô hình ML được đào tạo trên các tập dữ liệu như tập dữ liệu U não có thể phân tích ảnh chụp MRI hoặc CT để phát hiện và phác thảo các bất thường tiềm ẩn. Điều này hỗ trợ các bác sĩ X quang bằng cách làm nổi bật các khu vực đáng lo ngại, dẫn đến chẩn đoán nhanh hơn và chính xác hơn. Các tổ chức như Viện Chẩn đoán Hình ảnh và Kỹ thuật Sinh học Quốc gia (NIBIB) đang tích cực khám phá các ứng dụng này.
2. Xe tự hành : Xe tự lái sử dụng một bộ mô hình học máy (ML) để xử lý dữ liệu từ camera, LiDAR và radar theo thời gian thực. Trong AI dành cho ô tô , các mô hình này được sử dụng để phát hiện và phân loại các vật thể như xe khác, người đi bộ và biển báo giao thông, cho phép xe di chuyển an toàn trong môi trường xung quanh. Các nền tảng công nghệ như DRIVE của NVIDIA được xây dựng dựa trên các khả năng ML mạnh mẽ.

Công cụ và Khung

Việc phát triển và triển khai các mô hình ML được hỗ trợ bởi một hệ sinh thái công cụ phong phú. Các framework như PyTorch (truy cập trang web chính thức của PyTorch ) và TensorFlow (truy cập trang chủ TensorFlow ) cung cấp các nền tảng thiết yếu để tạo ra mạng nơ-ron.

Các nền tảng như Ultralytics HUB cung cấp môi trường tích hợp giúp hợp lý hóa toàn bộ quy trình làm việc, từ quản lý tập dữ liệu và đào tạo các mô hình tùy chỉnh đến triển khai và giám sát mô hình thông qua MLOps . Việc tạo ra một mô hình hiệu quả thường đòi hỏi việc tinh chỉnh siêu tham số cẩn thận và hiểu biết sâu sắc về các chỉ số hiệu suất .