Neural Network (NN)

Mạng nơ-ron (NN) là một model tính toán cốt lõi của Trí tuệ nhân tạo (AI), được thiết kế để nhận dạng mẫu, diễn giải dữ liệu cảm biến và phân cụm thông tin. Lấy cảm hứng từ cấu trúc sinh học của bộ não con người, các mạng này bao gồm những nút được kết nối với nhau, hay còn gọi là "nơ-ron", được tổ chức thành các layer. Trong khi não sinh học sử dụng tín hiệu hóa học để giao tiếp qua các khớp thần kinh, mạng nơ-ron kỹ thuật số sử dụng các phép toán để truyền thông tin. Các hệ thống này là công nghệ nền tảng đằng sau Học máy (ML) hiện đại, cho phép máy tính giải quyết những vấn đề phức tạp như nhận diện khuôn mặt, dịch ngôn ngữ và điều khiển phương tiện tự hành mà không cần được lập trình rõ ràng cho từng quy tắc cụ thể.

Mạng nơ-ron và Deep Learning#

Mặc dù hai thuật ngữ này thường được sử dụng thay thế cho nhau, điều quan trọng là phải phân biệt giữa mạng nơ-ron cơ bản và Deep Learning (DL). Điểm khác biệt chính nằm ở độ sâu và mức độ phức tạp. Một mạng nơ-ron tiêu chuẩn hoặc "nông" có thể chỉ có một hoặc hai layer ẩn giữa đầu vào và đầu ra. Ngược lại, Deep Learning sử dụng các mạng nơ-ron "sâu" với hàng chục hoặc thậm chí hàng trăm layer. Độ sâu này cho phép trích xuất đặc trưng diễn ra tự động, giúp model hiểu các mẫu phân cấp—các cạnh đơn giản trở thành hình dạng, rồi hình dạng trở thành những đối tượng có thể nhận dạng. Để tìm hiểu sâu hơn về kỹ thuật, MIT News giải thích về Deep Learning và quá trình phát triển của lĩnh vực này từ các mạng cơ bản.

Cách mạng nơ-ron học#

Quá trình "học" trong một mạng nơ-ron bao gồm việc điều chỉnh các tham số bên trong để giảm thiểu sai số. Dữ liệu đi vào qua layer đầu vào, truyền qua một hoặc nhiều layer ẩn nơi các phép tính được thực hiện, rồi đi ra qua layer đầu ra dưới dạng một dự đoán.

• Trọng số và độ lệch: Mỗi kết nối giữa các nơ-ron có một "trọng số" quyết định độ mạnh của tín hiệu. Trong quá trình huấn luyện, mạng điều chỉnh các trọng số này dựa trên dữ liệu huấn luyện.
• Hàm kích hoạt: Để quyết định một nơ-ron có nên "phát tín hiệu" hoặc kích hoạt hay không, mạng sử dụng một Hàm kích hoạt như ReLU hoặc Sigmoid. Điều này tạo ra tính phi tuyến, cho phép mạng học các ranh giới phức tạp.
• Lan truyền ngược: Khi mạng đưa ra một dự đoán, mạng so sánh kết quả với đáp án đúng thực tế. Nếu có sai số, một thuật toán gọi là Lan truyền ngược sẽ gửi tín hiệu ngược qua mạng để tinh chỉnh các trọng số, cải thiện độ chính xác theo thời gian.
• Tối ưu hóa: Các thuật toán như Hạ gradient ngẫu nhiên (SGD) giúp tìm tập hợp trọng số tối ưu để giảm thiểu hàm mất mát. Bạn có thể đọc thêm về các thuật toán tối ưu hóa trên AWS.

Các ứng dụng trong thực tế#

Mạng nơ-ron là động lực đằng sau nhiều công nghệ định hình thời đại hiện đại.

1. Thị giác máy tính: Trong lĩnh vực Thị giác máy tính (CV), các mạng chuyên biệt có tên gọi Mạng nơ-ron tích chập (CNNs) được sử dụng để phân tích dữ liệu hình ảnh. Các model tiên tiến như Ultralytics YOLO26 sử dụng các kiến trúc mạng nơ-ron sâu để phát hiện đối tượng theo thời gian thực. Các hệ thống này đóng vai trò quan trọng trong AI trong nông nghiệp, nơi chúng theo dõi tình trạng cây trồng, cũng như trong các hệ thống an ninh để phát hiện bất thường.

2. Xử lý ngôn ngữ tự nhiên: Đối với các tác vụ liên quan đến văn bản, các kiến trúc như Mạng nơ-ron hồi quy (RNNs) và Transformers đã cách mạng hóa cách máy móc hiểu ngôn ngữ con người. Các mạng này vận hành các công cụ dịch máy và trợ lý ảo. Bạn có thể thấy tác động của những công nghệ này trong AI trong y tế, nơi chúng hỗ trợ chuyển biên ghi chú y tế và phân tích hồ sơ bệnh nhân.

3. Phân tích dự đoán: Doanh nghiệp sử dụng mạng nơ-ron để phân tích chuỗi thời gian nhằm dự báo giá cổ phiếu hoặc nhu cầu tồn kho. IBM cung cấp một tổng quan hữu ích về mạng nơ-ron trong phân tích kinh doanh.

Triển khai thực tế#

Các thư viện phần mềm hiện đại giúp việc triển khai mạng nơ-ron trở nên dễ tiếp cận mà không cần tự viết các phép toán từ đầu. Các công cụ như Ultralytics Platform cho phép người dùng dễ dàng huấn luyện các mạng này trên những dataset tùy chỉnh. Đoạn mã Python sau đây minh họa cách tải một mạng nơ-ron được huấn luyện trước, cụ thể là model YOLO26 hiện đại nhất, và chạy inference trên một hình ảnh bằng package ultralytics.

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Thách thức và các yếu tố cần cân nhắc#

Mặc dù mạnh mẽ, mạng nơ-ron cũng đặt ra những thách thức cụ thể. Chúng thường yêu cầu lượng lớn dữ liệu được gán nhãn cho Học có giám sát. Nếu không có đủ tính đa dạng của dữ liệu, mạng dễ bị Quá khớp, trong đó mạng ghi nhớ các ví dụ huấn luyện thay vì học cách tổng quát hóa. Ngoài ra, các mạng nơ-ron sâu thường được gọi là "hộp đen" vì việc diễn giải chính xác cách chúng đi đến một quyết định cụ thể có thể khó khăn, thúc đẩy nghiên cứu về AI có thể giải thích (XAI). Các tổ chức như Hiệp hội Tiêu chuẩn IEEE đang tích cực xây dựng các tiêu chuẩn để bảo đảm những mạng mạnh mẽ này được sử dụng một cách có đạo đức và an toàn.