AI thống kê

Trí tuệ nhân tạo thống kê (Statistical AI) là một nhánh cơ bản của trí tuệ nhân tạo, sử dụng các phương pháp từ thống kê và lý thuyết xác suất để cho phép máy móc học hỏi từ dữ liệu, xác định các mẫu hình, đưa ra dự đoán và ra quyết định trong điều kiện không chắc chắn. Khác với các phương pháp dựa trên các quy tắc được mã hóa cứng, Trí tuệ nhân tạo thống kê xây dựng các mô hình có thể xử lý dữ liệu mới, chưa từng thấy bằng cách khái quát hóa từ các ví dụ trong quá khứ. Phương pháp luận dựa trên dữ liệu này là nền tảng cho Học máy (ML) hiện đại và đã trở thành mô hình thống trị trong lĩnh vực AI.

Nguyên tắc cốt lõi

Cốt lõi của AI Thống kê xoay quanh ý tưởng học hỏi từ dữ liệu. Thay vì được lập trình rõ ràng cho một tác vụ, một mô hình thống kê được huấn luyện trên một tập dữ liệu . Trong quá trình huấn luyện mô hình , thuật toán điều chỉnh các tham số nội bộ của nó để giảm thiểu hàm mất mát , đo lường sự khác biệt giữa dự đoán của mô hình và giá trị thực tế. Quá trình này, thường đạt được thông qua các thuật toán tối ưu hóa như giảm dần độ dốc (gradient descent ), cho phép mô hình nắm bắt các mối quan hệ thống kê cơ bản trong dữ liệu. Các khái niệm chính bao gồm suy luận xác suất, liên quan đến việc định lượng sự không chắc chắn, và đánh giá mô hình, trong đó các số liệu như độ chính xác và điểm F1 được sử dụng để đánh giá hiệu suất. Cách tiếp cận này là trọng tâm của cả học có giám sát và không giám sát.

AI thống kê so với AI biểu tượng

AI thống kê thường được so sánh với AI tượng trưng , một phương pháp tiếp cận trí tuệ nhân tạo trước đó.

• Trí tuệ nhân tạo biểu tượng , còn được gọi là "Trí tuệ nhân tạo cổ điển tốt" (GOFAI), hoạt động trên các biểu diễn biểu tượng cấp cao của các vấn đề và sử dụng các quy tắc suy luận logic để xử lý chúng. Nó phù hợp nhất với các vấn đề được xác định rõ ràng, nơi kiến thức có thể được mã hóa rõ ràng, chẳng hạn như trong các hệ thống chuyên gia.
• Trí tuệ nhân tạo thống kê (AI) vượt trội trong việc giải quyết các vấn đề mà các quy tắc chưa được biết hoặc quá phức tạp để định nghĩa một cách rõ ràng. Nó học các quy tắc này một cách ngầm định từ dữ liệu. Một ví dụ là việc phân biệt mèo với chó; thay vì định nghĩa "mèo" bằng các quy tắc logic, một mô hình thống kê học các mẫu từ hàng nghìn hình ảnh được gắn nhãn.

Trong khi Trí tuệ nhân tạo tượng trưng chiếm ưu thế trong những ngày đầu nghiên cứu về AI, thì sự sẵn có của dữ liệu lớn và các tài nguyên điện toán mạnh mẽ như GPU đã biến Trí tuệ nhân tạo thống kê, đặc biệt là Học sâu , trở thành động lực thúc đẩy hầu hết các đột phá về AI hiện đại.

Ứng dụng và Ví dụ

AI thống kê thúc đẩy sự tiến bộ trong nhiều lĩnh vực. Sau đây là hai ví dụ nổi bật:

• Thị giác máy tính (CV) : Học thống kê là nền tảng của thị giác máy tính. Các mô hình như Mạng nơ-ron tích chập (CNN) sử dụng tối ưu hóa thống kê để học các tính năng phân cấp từ các điểm ảnh. Điều này cho phép các tác vụ như:

  • Phát hiện đối tượng : Xác định và định vị đối tượng trong hình ảnh hoặc video, được sử dụng bởi các mô hình như Ultralytics YOLO cho các ứng dụng từ xe tự hành ( công nghệ của Waymo là một ví dụ điển hình) đến quản lý hàng tồn kho do AI điều khiển . Đánh giá hiệu suất thường liên quan đến các số liệu như Độ chính xác trung bình (mAP) .
  • Phân tích hình ảnh y tế : Hỗ trợ các bác sĩ X-quang phát hiện bất thường trong các hình ảnh chụp X-quang hoặc MRI, đóng góp đáng kể vào AI trong chăm sóc sức khỏe và cải thiện độ chính xác của chẩn đoán. Các nguồn tài liệu như Tạp chí Học máy cho Chẩn đoán hình ảnh Y sinh giới thiệu những tiến bộ trong lĩnh vực này.

• Xử lý ngôn ngữ tự nhiên (NLP) : Các mô hình thống kê phân tích các mẫu ngôn ngữ trong lượng lớn dữ liệu văn bản. Điều này hỗ trợ các ứng dụng như:

  • Phân tích cảm xúc : Xác định tông điệu cảm xúc ẩn sau văn bản, được sử dụng cho nghiên cứu thị trường hoặc theo dõi mạng xã hội. Các kỹ thuật NLP cốt lõi của Stanford chủ yếu dựa vào phân phối thống kê của từ và cụm từ.
  • Dịch máy : Tự động dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác, như được thấy trong các công cụ như Google Dịch . Các hệ thống này học các mối tương quan thống kê giữa các ngôn ngữ từ các tập hợp dữ liệu song song lớn, một khái niệm nền tảng được giải thích trong các tài nguyên như Tuyển tập ACL .

Trí tuệ nhân tạo thống kê hỗ trợ nhiều công cụ và khuôn khổ được các nhà phát triển sử dụng, bao gồm các thư viện như PyTorch và TensorFlow , và các nền tảng như Ultralytics HUB giúp đơn giản hóa quá trình đào tạo và triển khai mô hình cho các tác vụ AI thị giác.