Science Made Simple: Học máy là gì?

Học máy là quá trình sử dụng máy tính để phát hiện các mẫu trong bộ dữ liệu khổng lồ và sau đó đưa ra dự đoán dựa trên những gì máy tính học được từ các mẫu đó. Điều này làm cho học máy trở thành một loại trí tuệ nhân tạo cụ thể và hẹp. Trí tuệ nhân tạo hoàn chỉnh liên quan đến máy móc có thể thực hiện các khả năng mà chúng ta liên kết với trí óc của con người và động vật thông minh, chẳng hạn như nhận thức, học hỏi và giải quyết vấn đề.

Tất cả học máy đều dựa trên các thuật toán. Nói chung, thuật toán là tập hợp các lệnh cụ thể mà máy tính sử dụng để giải quyết vấn đề. Trong học máy, các thuật toán là các quy tắc về cách phân tích dữ liệu bằng cách sử dụng số liệu thống kê. Hệ thống học máy sử dụng các quy tắc này để xác định mối quan hệ giữa đầu vào dữ liệu và đầu ra mong muốn – thường là các dự đoán. Để bắt đầu, các nhà khoa học cung cấp cho hệ thống máy học một tập hợp dữ liệu đào tạo. Các hệ thống áp dụng các thuật toán của họ vào dữ liệu này để tự đào tạo cách phân tích các đầu vào tương tự mà chúng nhận được trong tương lai.

Một lĩnh vực mà máy học cho thấy nhiều hứa hẹn là phát hiện ung thư trong hình ảnh chụp cắt lớp vi tính (CT). Đầu tiên, các nhà nghiên cứu tập hợp càng nhiều hình ảnh CT càng tốt để sử dụng làm dữ liệu đào tạo. Một số hình ảnh cho thấy mô có tế bào ung thư và một số cho thấy các mô khỏe mạnh. Các nhà nghiên cứu cũng thu thập thông tin về những gì cần tìm trong một hình ảnh để xác định bệnh ung thư. Ví dụ, điều này có thể bao gồm ranh giới của các khối u ung thư trông như thế nào. Tiếp theo, họ tạo ra các quy tắc về mối quan hệ giữa dữ liệu trong hình ảnh và những gì bác sĩ biết về việc xác định ung thư. Sau đó, họ cung cấp các quy tắc này và dữ liệu đào tạo cho hệ thống học máy. Hệ thống sử dụng các quy tắc và dữ liệu đào tạo để tự dạy cách nhận biết mô ung thư. Cuối cùng, hệ thống nhận được hình ảnh CT mới của bệnh nhân. Sử dụng những gì đã học, hệ thống quyết định hình ảnh nào cho thấy dấu hiệu của bệnh ung thư, nhanh hơn bất kỳ hình ảnh nào mà con người có thể làm được. Các bác sĩ có thể sử dụng các dự đoán của hệ thống để giúp đưa ra quyết định liệu một bệnh nhân có bị ung thư hay không và cách điều trị bệnh.

Cách thiết lập dữ liệu đào tạo chia hệ thống học máy thành hai loại lớn: có giám sát và không được giám sát. Nếu dữ liệu đào tạo được gắn nhãn, hệ thống được giám sát. Dữ liệu được gắn nhãn cho hệ thống biết dữ liệu là gì. Ví dụ, hình ảnh CT có thể được gắn nhãn để chỉ ra các tổn thương hoặc khối u ung thư bên cạnh các mô khỏe mạnh. Về cơ bản, điều này có nghĩa là hệ thống học máy học theo ví dụ. Việc gắn nhãn dữ liệu có thể rất tốn thời gian đối với lượng lớn dữ liệu cần thiết cho tập dữ liệu đào tạo.

Nếu dữ liệu đào tạo không được gắn nhãn, hệ thống học máy không được giám sát. Trong ví dụ về quét ung thư, một hệ thống học máy không được giám sát sẽ được cung cấp một số lượng lớn các bản chụp CT và thông tin về các loại khối u, sau đó tự học những gì cần tìm để nhận biết ung thư. Điều này giúp con người không cần phải gắn nhãn dữ liệu được sử dụng trong quá trình đào tạo. Nhược điểm của việc học không có giám sát là kết quả có thể không chính xác vì thiếu nhãn rõ ràng.

Một số hệ thống học máy có thể cải thiện khả năng của chúng dựa trên phản hồi nhận được về các dự đoán. Chúng được gọi là hệ thống học máy tăng cường. Ví dụ, hệ thống có thể cho biết kết quả của các xét nghiệm khác của bác sĩ về việc bệnh nhân có bị ung thư hay không. Sau đó, hệ thống có thể điều chỉnh các thuật toán của mình để đưa ra các dự đoán chính xác hơn trong tương lai.

Thông tin nhanh

• Siêu máy tính mới nhất của DOE — Summit tại Phòng thí nghiệm Quốc gia Oak Ridge — có kiến trúc đặc biệt phù hợp cho các ứng dụng trí tuệ nhân tạo.
• Máy học cho phép các nhà khoa học phân tích số lượng dữ liệu mà trước đây không thể truy cập được.
• Các nhà nghiên cứu do DOE tài trợ đã sử dụng công nghệ máy học để phát triển khả năng sàng lọc ung thư mới, hiểu rõ hơn về các đặc tính của nước và tự điều hành các thí nghiệm.
• Máy học được cung cấp thông tin về vật lý sử dụng mạng nơ-ron sâu có thể được đào tạo để kết hợp các định luật vật lý cụ thể nhằm giải quyết các nhiệm vụ học tập có giám sát và các vấn đề khoa học.
• Các thuật toán học máy không phải là một viên đạn bạc. Sự phát triển của các hệ thống học máy dễ bị ảnh hưởng bởi lỗi và thành kiến của con người và đòi hỏi thiết kế cẩn thận giống như kỹ thuật phần mềm.

Văn phòng Khoa học DOE: Đóng góp cho Học máy

Văn phòng Khoa học của Bộ Năng lượng hỗ trợ nghiên cứu về học máy thông qua chương trình Nghiên cứu Máy tính Khoa học Tiên tiến (ASCR). ASCR có một danh mục quản lý dữ liệu, phân tích dữ liệu, công nghệ máy tính và nghiên cứu liên quan, tất cả đều đóng góp vào học máy và trí tuệ nhân tạo. Là một phần của danh mục đầu tư này, DOE sở hữu một số siêu máy tính có năng lực nhất thế giới.

Toàn bộ Văn phòng Khoa học DOE cam kết sử dụng máy học để hỗ trợ nghiên cứu khoa học. Khoa học phụ thuộc vào dữ liệu lớn và các cơ sở sử dụng của Office of Science như máy gia tốc hạt và nguồn sáng tia X tạo ra hàng núi dữ liệu. Sử dụng máy học, các nhà nghiên cứu đang xác định các mẫu hoặc thiết kế trong dữ liệu từ những cơ sở này mà con người khó hoặc không thể phát hiện ra, với tốc độ nhanh hơn hàng trăm đến hàng nghìn lần so với các kỹ thuật phân tích dữ liệu truyền thống.

Theo Scitechdaily