Sơ lược về trí tuệ nhân tạo và viễn cảnh ứng dụng

Nguồn : sách “Digital Transformation, survive and thrive in an Era of Mass Extinction”- tác giả :Thomas M. Siebel – NXB : Rosetta Books-Newyork-2019

Đến nay thì hầu như ai cũng biết “Bốn công nghệ số tiêu biểu thúc đẩy chuyển đổi số là trí tuệ nhân tạo, Internet vạn vật, dữ liệu lớn, điện toán đám mây. Ngoài ra, chuỗi khối cũng là một công nghệ số quan trọng của chuyển đổi số.” (trích từ “Cẩm nang Chuyển đổi số”  do Bộ Thông tin và Truyền thông (TT&TT) ấn hành 2020, phần “Cẩm nang cơ bản”).

Thomas M. Siebel, học giả công nghệ Hoa kỳ, một trong những giám đốc trong Học viện Hoover thuộc Đại học Standford, đồng thời là Chủ tịch kiêm CEO của C3IoT, công ty về nền tảng và phần mềm hướng tổ chức, áp dụng bốn công nghệ  số tiêu biểu nêu trên để phát triển các SaaS (Software as a Service : Phần mềm chuyên bán dịch vụ) cho IoT (Internet of Things), đã xuất bản cuốn sách “ Digital Transformation, survive and thrive in  an Era of Mass Extinction” vào năm 2019; tên cuốn sách có thể dịch sang tiếng Việt như là “ Chuyển đổi số, sống sót và phát triển trong một kỷ nguyên của sự sụp đổ đại trà”, cái tên gây không ít tò mò. Cuốn sách được bà Condaleezza Rice, nguyên là Ngoại trưởng Hoa kỳ, từng là Hiệu trưởng trường Đại học Stanford và hiện là Giáo sư danh dự về Kinh doanh và Kinh tế toàn cầu, giới thiệu với sự đánh giá rất cao. Ý niệm về Chuyển đổi số như là “sự sáng tạo phá hủy, mang tính tiến hóa” đề cập trong “Cẩm nang chuyển đổi số” của Bộ TT&TT có thể liên quan đến hoặc chia sẻ khái niệm và lý giải về “sụp đổ đại trà” trong sách đã nói của Thomas M. Siebel (“mass extinction” , sát nghĩa là “sự tuyệt chủng quy mô lớn”).

Sau đây, xin giới thiệu một phần nhỏ trong cuốn sách “Digital Transformation, survive and thrive in  an Era of Mass Extinction” của Thomas M. Siebel, giới thiệu chung về một trong bốn Công nghệ cốt lõi  (Siebel gọi là “Key technology-công nghệ chìa khóa”) của Chuyển đổi số, là “trí tuệ nhân tạo”.

Bìa sách “Digital Transformation, survive and thrive in  an Era of Mass Extinction” của Thomas M. Siebel.

TRÍ TUỆ NHÂN TẠO:

Công nghệ cốt lõi thứ ba chi phối công cuộc chuyển đổi số là trí tuệ nhân tạo (AI: Artificial Intelligence). AI là khoa học và công nghệ tạo ra những chiếc máy tính thông minh và những chương trình máy tính có khả năng học hỏi và giải bài toán theo cách mà thông thường cần đến trí tuệ của con người.

Các dạng bài toán được giải bởi AI kinh điển bao gồm bài xử lý ngôn ngữ tự nhiên và dịch thuật; nhận dạng hình ảnh và mẫu hình (ví dụ: xác định giấy tờ giả, dự đoán hư hỏng, hoặc dự đoán nguy cơ bộc phát của bệnh mạn tính); hỗ trợ ra quyết định (ví dụ như công nghệ xe tự động) và dự đoán tương lai. Số lượng và độ phức tạp của những ứng dụng AI đang tăng nhanh chóng. Chẳng hạn, AI đang được áp dụng vào các bài toán về chuỗi cung ứng có mức phức tạp cao như tối ưu hóa kho hàng; các bài toán về sản xuất như tối ưu hóa mặt bằng; các bài toán về quản trị vận tải như tối ưu hóa giờ chạy xe và độ sẵn sàng; và các bài toán về chăm sóc sức khỏe như dự đoán nguy cơ phụ thuộc thuốc, vv…

MÁY HỌC:

Máy học hay nhiều tài liệu dịch là “học máy” ( từ chữ “machine learning” thì sát nghĩa là “học máy”; tuy vậy, bản chất diễn tả máy tính+ giải thuật có khả năng học hỏi, nên “máy học”  thì thích hợp hơn)  là một nhánh rất rộng của AI, là 1 lớp các giải thuật có thể học hỏi từ các ví dụ và kinh nghiệm (đại diện bởi các tập hợp đầu vào/ đầu ra), hơn là dựa trên những quy tắc được mã hóa cứng hoặc định nghĩa trước, vốn là đặc trưng cho các giải thuật truyền thống. Một giải thuật là chuỗi tuần tự các lệnh mà một máy tính thực hiện để chuyển dữ liệu đầu vào thành dữ liệu đầu ra. Một ví dụ đơn giản là giải thuật để sắp xếp một danh sách số thành danh sách có thứ tự từ cao xuống thấp: đầu vào là một danh sách số bất kỳ, đầu ra là danh sách những số đó đã được sắp xếp đúng. Những lệnh để sắp xếp một danh sách như vậy có thể được định nghĩa với một tập hợp rất chính xác các quy tắc – một ví dụ về giải thuật truyền thống.

Các nhà khoa học máy tính đã tạo ra những giải thuật từ những ngày ban đầu của công nghệ tính toán. Tuy nhiên, dùng các cách tiếp cận truyền thống thì họ đã không thể phát triển những giải thuật hiệu quả để giải quyết một dải rộng những bài toán, từ chăm sóc sức khỏe, sản xuất, du hành không gian, logistics, chuỗi cung ứng, đến những dịch vụ tài chính. Trái với những quy tắc được định nghĩa chính xác theo các giải thuật truyền thống, các giải thuật máy học phân tích về mặt toán học sự thay đổi bất kỳ của dữ liệu (hình ảnh, chữ viết, âm thanh, chuỗi thời gian, vv…) và mối liên hệ giữa chúng nhằm tạo ra lời giải.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

H.1. Máy học và học sâu chi phối sự phục hưng của AI (hình thành từ 1950s).

Một ví dụ về máy học là một giải thuật phân tích một hình ảnh (đầu vào) và phân loại nó xem đó là hình một máy bay hay không phải máy bay (đầu ra). Giải thuật này hữu ích cho công việc kiểm soát không lưu và an toàn hàng không. Giải thuật được “dạy” bằng cách đưa cho nó hàng ngàn hoặc hàng triệu hình ảnh có gắn nhãn “máy bay” hoặc “khác máy bay”. Khi huấn luyện đủ, thuật đoán tự nó có thể phân tích một hình ảnh không gắn nhãn trước và suy ra với độ chính xác cao, đó có phải là một máy bay không. Một ví dụ khác là giải thuật trong lãnh vực chăm sóc sức khỏe để dự đoán khả năng xảy ra người nào đó sẽ bị ngừng tim, dựa trên các bản ghi y tế và những đầu vào khác như tuổi tác, giới tính, nghề nghiệp, địa lý, chế độ ăn uống, tập thể dục, sắc tộc, tiền sử gia đình, tiền sử bệnh, vv… của hàng trăm ngàn bệnh nhân đã từng bị suy tim và hàng triệu người không bị.

Sự xuất hiện của máy học kết hợp cùng với sức mạnh tính toán không giới hạn (của máy tính) đã dẫn đến một lớp hoàn toàn mới của giải thuật để giải quyết những bài toán chưa giải được trước đây. Hãy xem xét trường hợp đánh giá nguy cơ hư hỏng động cơ máy bay. Bằng cách đặc trưng hóa các ngỏ vào liên quan (thời gian bay, điều kiện bay, các bản ghi bảo dưỡng, nhiệt độ động cơ, áp lực dầu, vv…) và một số lượng đủ nhiều những trường hợp hỏng động cơ đã xảy ra (tức là ngỏ ra), có thể không chỉ dự đoán một động cơ nào đó có khả năng hư hỏng không, mà còn chẩn đoán được nguyên nhân của hỏng hóc. Tất cả những việc này thực hiện được mà không cần phải hiểu về khoa học vật liệu hoặc nhiệt động học, cái cần có chỉ là dữ liệu hữu ích và thật nhiều.

Kinh điển thì học máy cũng cần “công nghệ đặc trưng hóa” phạm vi rộng . (Ưu điểm trong “học sâu” như dưới đây sẽ đề cập, là giảm, và trong một số trường hợp, đã triệt tiêu yêu cầu này). Công nghệ đặc trưng hóa dữ liệu dựa trên dữ liệu trải nghiệm mà các nhà khoa học phối hợp với các chuyên gia theo từng lãnh vực để xác định dữ liệu (nào là) quan trọng và những tiêu biểu hay đặc trưng của dữ liệu (chẳng hạn, vi phân nhiệt độ động cơ, số giờ bay) tác động đến đầu ra (trong trường hợp này là khả năng hư hỏng động cơ). Phức tạp chính là chọn lọc cái nào là đặc trưng thực sự giữa hàng trăm đến hàng ngàn những “đặc trưng” tiềm năng. Giải thuật máy học được dạy bằng cách lặp qua hàng ngàn (thậm chí hàng triệu) các trường hợp quá khứ trong khi đồng thời hiệu chỉnh độ quan trọng tương đối (hay trọng số) của mỗi đặc trưng cho đến khi nó có thể suy ra được kết quả đầu ra (tức là khả năng hỏng động cơ) chính xác nhất có thể. Kết quả của một giải thuật được dạy là một tập hợp các trọng số có thể sử dụng để suy ra đầu ra phù hợp cho đầu vào bất kỳ. Trong trường hợp này, trong khi giải thuật xác định các trọng số, các nhà phân tích (người) xác định các đặc trưng. Trong cách tiếp cận “học sâu” thì giải thuật có thể xác định cả hai, vừa là các đặc trưng liên quan lẫn bộ trọng số, một cách trực tiếp từ dữ liệu.

Quá trình dạy hay huấn luyện là quá trình hao tốn thời gian và nặng nề cho phương tiện tính toán, trong khi suy luận thì nhẹ nhàng và nhanh chóng. Các tiến bộ trong việc thiết kế và sử dụng phần cứng tính toán đã giúp cải thiện hiệu quả của các ứng dụng máy học. Ví dụ: đơn vị  xử lý đồ họa (GPU: Graphic Processing Unit) được thiết kế để xử lý một tập hợp các bài huấn luyện song song, trong khi các mảng cổng lập trình được theo trường (FPGA: Field-Programmable Gate Array), được tối ưu hóa dành cho những suy luận nhẹ hơn. Những nền tảng điện toán đám mây tiên tiến ngày nay cung cấp tài nguyên tối ưu cho tính toán theo AI và AI làm đòn bẩy cho sự  đổi mới của các phần cứng này (GPU &FPGA).

Máy học có thể phân chia thành các cách tiếp cận “có giám sát” và “không có giám sát”. Trong cách học “có giám sát”, giải thuật được huấn luyện bằng dữ liệu có gắn nhãn, như trong ví dụ về hư hỏng động cơ máy bay. Cách tiếp cận này yêu cầu có sẵn số lượng rất lớn dữ liệu quá khứ để dạy cho một giải thuật máy học.

Nếu chỉ có một số lượng giới hạn các tình huống để dạy một mô hình máy  học, các kỹ thuật “không giám sát” có thể được áp dụng ở những trường hợp mà thuật giải máy học dò để tìm ra dữ liệu ngoại lai ( outlier : dữ liệu tách rời xa khỏi “trung bình” chung ). Giải thuật “không giám sát” hữu ích trong việc tìm ra những mẫu hình hoặc tập hợp dữ liệu có ý nghĩa trong một tập dữ liệu lớn. Ví dụ, nhà bán lẻ có thể sử dụng các giải thuật máy học không giám sát để phân tích theo nhóm dữ liệu khách hàng để khám phá ra bộ phận khách hàng mới đáng lưu tâm nhằm tiếp thị hoặc dùng cho mục đích phát triển sản phẩm.

HỌC SÂU:

Học sâu là một nhánh của máy học với tiềm năng rất to lớn. Như đã nói, hầu hết các tiếp cận máy học truyền thống đều liên quan đến công nghệ đặc trưng hóa phạm vi rộng mà công nghệ này yêu cầu sự tinh thông đáng kể về dữ liệu. Điều này có thể trở thành nút cổ chai, do đòi hỏi các nhà khoa học dữ liệu phải phân loại và gắn nhãn cho dữ liệu và huấn luyện mô hình (máy học). Trong học sâu, các đặc trưng quan trọng không được định ra trước bởi các nhà khoa học dữ liệu mà được chính giải thuật tự học lấy.

Đây là tiến bộ quan trọng, bởi trong khi công nghệ đặc trưng hóa có thể được dùng để giải những bài toán AI nhất định thì nó không khả thi với nhiều bài bài AI khác. Đối với nhiều nhiệm vụ, cực kỳ khó khăn hoặc là không thể nào để nhà khoa học dữ liệu xác định các đặc trưng nào nên tách xuất (từ những thuộc tính của tập dữ liệu). Ví dụ hãy xem xét bài toán nhận dạng hình ảnh, chẳng hạn tạo ra một giải thuật nhận dạng xe hơi, yêu cầu trọng yếu trong công nghệ lái tự động. Số lượng biến thể phản ánh một chiếc xe hơi xuất hiện là lớn vô hạn, nếu kể đến tất cả các khả năng về hình dạng, kích cỡ, màu, độ sáng, khoảng cách, phối cảnh,… Có lẽ không có nhà khoa học dữ liệu nào có thể tách xuất tất cả các đặc trưng liên quan để huấn luyện cho một giải thuật. Đối với những bài toán như vậy, học sâu sử dụng công nghệ “mạng nơ rôn”, một cách tiếp cận có nguồn cảm hứng từ mạng nơ rôn não người (nhưng thật sự mới chỉ có một ít điểm chung với cách vận hành của não người).

Học sâu cho phép máy tính xây dựng nên các khái niệm phức tạp vượt khỏi một mô hình phân cấp đơn giản của các khái niệm lồng nhau. Có thể nghĩ về mô hình này như một dãy tuần tự các chuỗi giải thuật: Mỗi lớp của mô hình phân cấp là một giải thuật thực hiện một phần của suy luận trong chuỗi, cho đến khi lớp cuối cùng cho ra kết quả. Trong trường hợp bài toán nhận dạng xe hơi, mạng nơ rôn được huấn luyện bằng cách cung cấp một lượng lớn hình ảnh (có và không có xe hơi trong đó). Mỗi lớp của mạng nơ rôn phân tích những bộ phận khác nhau của dữ liệu (hình ảnh) – xác định dần dần những khái niệm nổi bật như các cạnh, các góc, đường viền, các đường tròn, hình chữ nhật… đại diện cho bánh xe, thân xe, vv… và cuối cùng phát triển thành khái niệm về một chiếc xe hơi dựa trên phân cấp đó của các khái niệm lồng nhau. Một khi đã được huấn luyện, có thể đưa cho mạng nơ rôn một hình ảnh mà nó chưa từng thấy và nó sẽ xác định với một độ chính xác cao, đó có phải hình của một chiếc xe hơi hay không.

Huấn luyện

Dữ liệu đầu vào

Lớp thứ nhất

Lớp cao hơn

Lớp trên cùng

Đầu ra

Mạng nơ rôn cung cấp hang ngàn hình ảnh xe hơi có gắn nhãn

Đưa cho mạng nơ rôn đã được huấn luyện Hình một chiếc xe hơi không có nhãn

Những hình dạng đơn giản như cạnh, góc, đường viền …được nhận ra

Những cấu trúc phức tạp hơn như bánh xe, đèn lái… được nhận ra

Mạng nơ rôn hình thành khái niệm nổi bật hơn của một chiếc xe

Mạng nơ rôn đoán Đối tượng trông giống (xe) gì nhất .

  

H. 2. Cách thức mạng nơ rôn nhận dạng hình một chiếc xe hơi .

Học sâu có tiềm năng to lớn cho nhiều ứng dụng trong kinh doanh và quản lý nhà nước. Ngoài áp dụng giải bài toán về nhận dạng bằng máy tính điển hình như lái xe tự động và robot công xưởng, các mạng nơ rôn cũng còn có thể áp dụng vào các nhiệm vụ như nhận dạng tiếng nói trong các thiết bị thông minh (chẳng hạn ứng dụng Amazon Echo và Google Home), dịch vụ chăm sóc khách hàng tự động, phiên dịch trực tiếp, chẩn đoán y khoa, dự báo và tối ưu hóa khai thác dầu mỏ… Học sâu được quan tâm đặc biệt bởi nó có tiềm năng áp dụng cho mọi nhiệm vụ, từ dự đoán hư hỏng động cơ hay chẩn đoán tiểu đường đến xác định giấy tờ giả - với sự can thiệp của khoa học dữ liệu ít hơn xa so với các phương pháp máy học, do giảm rất nhiều hoặc triệt tiêu nhu cầu dùng công nghệ đặc trưng hóa.

AI là một lĩnh vực cực kỳ lý thú với khả năng vô tận và đang tiến bộ nhanh chóng. Một số lượng lớn những xúc tác làm tăng tốc AI, bao gồm sự giảm giá liên tục của thiết bị tính toán và lưu trữ cũng như sự cải tiến và đổi mới không ngừng phần cứng. Khi thiết bị máy tính trở nên mạnh và không đắt, AI có thể được áp dụng vào những tập hợp dữ liệu lớn chưa từng có và phức tạp hơn để giải quyết nhiều bài toán hơn và chi phối công nghệ hỗ trợ ra quyết định trong thời gian thực.

Không hề quá lời khi nói rằng AI sẽ thay đổi sâu sắc cách chúng ta làm việc và sống. Trong khi chúng ta còn trong những giai đoạn đầu sử dụng AI vào kinh doanh và quản lý nhà nước, cuộc đua trang bị AI đã bắt đầu. Các tổ chức có tầm nhìn xa đã cam kết một cách chủ động vào việc áp dụng AI xuyên suốt chuỗi giá trị của họ. Họ đang định vị chính họ để đi trước các đối thủ và phát triển, khi mà chuyển đổi số xác định tổ chức nào sẽ dẫn dắt và tổ chức nào sẽ rơi lại phía sau.

Các CEO và những lãnh đạo cao cấp thời nay nên suy nghĩ một cách chủ động về cách mà AI sẽ tác động vào viễn cảnh của tổ chức do họ điều hành và làm cách nào để nắm lấy những lợi thế của vận hội mới mà AI sẽ mở ra.


  • Hà Công Minh - TP. Phòng Điều Độ


Các Tin khác