deep learning

Deep Learning – Học sâu là một tập hợp con của Máy học trong Trí tuệ nhân tạo (AI) bao gồm một tập hợp các máy học nơi mạng nơ-ron nhân tạo, các thuật toán mô phỏng  bộ não con người, học hỏi từ một lượng lớn dữ liệu. Tương tự như cách chúng ta học hỏi từ kinh nghiệm, thuật toán học sâu sẽ thực hiện một nhiệm vụ nhiều lần, mỗi lần tinh chỉnh một chút để cải thiện kết quả. Bất kỳ vấn đề nào đòi hỏi sự tư duy để tìm ra lời giải học sâu đều có thể học cách giải quyết.

Mỗi ngày chúng ta tạo ra khoảng 2,6 nghìn tỷ byte dữ liệu. Đó là tài nguyên cho việc học sâu. Thuật toán học sâu đòi hỏi một lượng dữ liệu lớn để học hỏi, sự gia tăng việc tạo dữ liệu này là một trong những lý do mà khả năng học sâu đã phát triển trong những năm gần đây.

Deep learning tập trung giải quyết các vấn đề liên quan đến mạng thần kinh nhân tạo nhằm nâng cấp các công nghệ như nhận diện giọng nói, tầm nhìn máy tính và xử lý ngôn ngữ tự nhiên. Deep learning đang trở thành một trong những lĩnh vực hot nhất trong khoa học máy tính. Chỉ trong vài năm, deep learning đã thúc đẩy tiến bộ trong đa dạng các lĩnh vực như nhận thức sự vật (object perception), dịch tự động (machine translation), nhận diện giọng nói,… – những vấn đề từng rất khó khăn với các nhà nghiên cứu trí tuệ nhân tạo.

>>>Đọc thêm: Công nghệ 4.0 và những điều bạn cần biết

deep-learning

Machine và deep learning

Machine learning là chương trình chạy trên một mạng thần kinh nhân tạo, có khả năng huấn luyện máy tính “học” từ một lượng lớn dữ liệu được cung cấp để giải quyết những vấn đề cụ thể.

Chẳng hạn nếu muốn dạy máy tính cách băng qua đường, theo cách truyền thống bạn sẽ đưa cho nó một loạt quy tắc hướng dẫn cách nhìn trái phải hay đợi xe và người đi qua,… Thế nhưng nếu dùng machine learning, bạn sẽ cho máy tính xem 10.000 video quay cảnh người ta băng qua đường an toàn và 10.000 video quay cảnh ai đó bị xe đâm để nó tự học theo.

Phần khó nhất là làm sao cho máy tính hiểu và thẩm thấu được những video này ngay từ đầu. Qua nhiều thập kỷ, con người đã thử qua nhiều phương thức khác nhau, trong đó có cả cách “tặng thưởng” cho máy tính khi nó làm đúng (reinforcement learning), rồi so sánh chọn dần ra những cách tốt nhất.

Ngày nay, một phương pháp dạy máy tính mới đang nhanh chóng trở nên phổ biến là deep learning – một loại machine learning sử dụng nhiều lớp thần kinh nhân tạo để phân tích dữ liệu về nhiều chi tiết khác nhau.

Chẳng hạn nếu bạn dạy máy tính nhận diện hình ảnh một con mèo thì chúng ta sẽ lập trình ra nhiều lớp trong mạng thần kinh nhân tạo, mỗi lớp có khả năng xác định một đặc điểm cụ thể của con mèo như râu, vuốt, chân,… rồi cho máy xem hàng ngàn bức ảnh mèo (chỉ ra rằng “Đây là con mèo”) cùng hàng ngàn bức ảnh không phải mèo (chỉ ra rằng “đây không phải mèo”). Khi mạng thần kinh nhân tạo này xem hết các bức ảnh, các lớp node của nó sẽ dần nhận ra râu, vuốt, chân,…, biết lớp nào là quan trọng, lớp nào không. Nó cũng sẽ nhận ra rằng mèo luôn có chân nhưng những con vật không phải mèo cũng có chân nên khi cần xác định mèo, chúng sẽ tìm chân đi kèm những đặc điểm khác như vuốt hay râu.

deep learning

>>>Đọc thêm:Chiến dịch Marketing sử dụng học máy thu hút gen Z

Cuộc chơi deep learning

Năm 2011, Google khởi tạo dự án Google Brain với mục đích tạo ra một mạng thần kinh được huấn luyện bởi các thuật toán deep learning. Dự án này sau đó đã chứng minh được khả năng tiếp nhận được cả những khái niệm bậc cao của deep learning.

Năm ngoái, Facebook cũng thành lập AI Research Unit, đơn vị nghiên cứu về AI sử dụng deep learning vào việc tạo ra các giải pháp hiệu quả hơn giúp nhận diện khuôn mặt và sự vật trên 350 triệu bức ảnh và video được đăng tải lên Facebook mỗi ngày. Một ví dụ tiêu biểu khác về deep learning trong thực tế là khả năng nhận diện giọng nói của các trợ lý ảo Google Now và Siri.

Tương lai của deep learning

Deep learning đang ngày càng cho thấy một tương lai đầy hứa hẹn với ứng dụng vào điều khiển xe tự lái hay robot quản gia. Mặc dù các sản phẩm này vẫn còn nhiều hạn chế nhưng những thứ chúng làm được hiện nay thực sự rất khó tưởng tượng nổi chỉ vài năm trước đây; tốc độ nâng cấp cũng cao chưa từng thấy. Khả năng phân tích dữ liệu lớn và sử dụng deep learning vào các hệ thống máy tính có thể tự thích nghi với những gì chúng tiếp nhận mà không cần đến bàn tay lập trình của con người sẽ nhanh chóng mở đường cho nhiều đột phá trong tương lai. Những đột phá này có thể là việc thiết kế ra những trợ lý ảo, các hệ thống xe tự lái hay sử dụng vào thiết kế đồ họa, sáng tác nhạc, cho đến phát triển các nguyên liệu mới giúp robot thấu hiểu thế giới xung quanh hơn. Chính vì tính thương mại cao mà các công ty lớn, đặc biệt là Google, luôn ưu tiên các startup về robot và deep learning trong danh sách thâu tóm của mình.

>>>Đọc thêm: Trí tuệ nhân tạo và ứng dụng của nó trong doanh nghiệp hàng đầu thế giới 

Những ứng dụng của Deep Learning vào hoạt động sản xuất

  • Phát triển sản phẩm mới

Nếu bạn đã quen thuộc với các thực hành tốt nhất về thiết kế sản phẩm mới, bạn sẽ biết rằng việc loại bỏ độ phức tạp không có giá trị gia tăng là một yếu tố tạo ra lợi nhuận đáng kể, vì thời gian gia công chuyên gia quý giá được tiết kiệm cho gia công giá trị thay vì thiết lập các lãng phí (nhìn từ góc độ sản xuất).

Nếu được thiết kế và huấn luyện đúng cách, nhiệm vụ tạo sản phẩm mới hiệu quả này cũng có thể được giải quyết bằng Mạng Nơ-ron. Mạng Nơ-ron này sẽ có đầu vào như một tập hợp các số phần hiện có và thứ tự sử dụng các công cụ khác nhau để sản xuất các bộ phận.

Bằng cách cung cấp cho Mạng Nơ-ron rất nhiều ví dụ về các công cụ xử lý và đơn đặt hàng công việc cho các công cụ hiện có, nó có thể học hỏi từ chức năng ánh xạ chúng đến đầu ra.Theo cách đó, khi gặp một phần mới, Mạng Nơ-ron sẽ kiểm tra phần nào trong bộ dữ liệu hiện tại gần nhất với sản phẩm mới và sau đó thử bắt đầu với đơn hàng đó để sản xuất sản phẩm, thành phần mới.

>>>Đọc thêm:Trí tuệ nhân tạo của IBM có khả năng dự đoán chính xác 95% những nhân viên sẽ nghỉ việc

  • Lập kế hoạch sản xuất

Một cách mà Mạng lưới nơ-ron có thể được sử dụng trong lập lịch cửa hàng công việc là trước tiên đào tạo mạng bằng cách cung cấp nhiều kết hợp đầu vào khác nhau (thời gian thiết lập, thời hạn) và đầu ra (thứ tự xử lý cho mỗi máy).Các kết quả đầu ra này có thể được bắt nguồn theo nhiều cách, ví dụ bằng cách sử dụng phương pháp phỏng đoán kế hoạch Sản xuất theo công việc và nguồn lực (JSM).

Mạng nơ-ron có thể được dạy để tìm hiểu hàm phi tuyến tính cơ bản ánh xạ đầu ra tới đầu vào, không nhạy cảm với bất kỳ công thức phân tích nào.

Sau đó, đối với bất kỳ work order công việc mới nào và thời hạn hoàn thành có liên quan, sản lượng thực tế có thể được lấy từ chính Mạng nơ-ron, hệ thống Deep Learning sẽ tự đề xuất các lịch sản xuất phù hợp với hiện trạng của doanh nghiệp.

>>>Đọc thêm: Ông lớn ngành gia dụng Việt Nam Sunhouse bắt tay ITG triển khai giải pháp nhà máy thông minh

    ĐĂNG KÝ NHẬN THÊM BÀI VIẾT