Trí tuệ nhân tạo, Machine Learning hoặc Khai thác dữ liệu?

Machine Learning có giống vơi AI? Theo Merriam Webster: Trí tuệ nhân tạo (AI) có thể được định nghĩa như sau: “Khả năng của một máy bắt chước hành vi của con người thông minh.”

Tuy nhiên, trong thực tế thì mục tiêu đằng sau việc áp dụng trí tuệ nhân tạo thường xuyên vượt ra ngoài việc nhân rộng tâm trí con người, thay vì sử dụng lý luận con người làm mô hình để tạo ra các dịch vụ thực hiện các nhiệm vụ không thể cho con người.

Machine learning

Machine Learning(ML) là nền tảng cho phép chúng tôi xây dựng những hệ thống thông minh như vậy. Một hệ thống có thể đưa ra quyết định riêng của mình, mà không được lập trình rõ ràng để làm như vậy. Ví dụ, một người có thể xem xét một trăm yêu cầu của khách hàng gửi đến và gắn cờ một số trong số họ có khả năng gây hại.

Điều tương tự cũng có thể đạt được bằng thuật toán Machine Learning, xem xét dữ liệu được con người gắn nhãn trước đó, học hỏi từ việc ra quyết định và sau đó có thể tự phân loại các yêu cầu gửi đến. Tuy nhiên, trong trường hợp hai phân tán là số lượng thông tin quan sát được: trong khi một con người có khả năng không thể nhận ra một cách hiệu quả các dị thường như vậy trong hàng nghìn điểm dữ liệu trong một khoảng thời gian hợp lý, một thuật toán có khả năng thực hiện nhiệm vụ tương tự cho hàng triệu yêu cầu, với giới hạn duy nhất là sự tiến bộ hiện tại về điện toán.

Bản thân Máy học có thể được chia thành hai môn chính khác nhau trong đào tạo và ứng dụng của họ: học tập có giám sát và không giám sát . Về cơ bản, trong học tập có giám sát, thuật toán được sử dụng để “đảo ngược kỹ” hàm f () cần thiết để dự đoán biến đầu ra Y dựa trên đầu vào x (f (x) = Y), thường được sử dụng cho các phép hồi quy và phân loại.

Ngược lại, trong dữ liệu đầu vào học tập không giám sát x là cụm hoặc các liên kết được thiết lập mà không xác định trước một biến đầu ra tương ứng Y. Học bán giám sát có thể được xem như là kết hợp giữa hai đặc biệt liên quan đến bảo mật ứng dụng, vì nó cho phép người dùng làm việc với sự kết hợp của dữ liệu được gắn nhãn và không dán nhãn, sử dụng thực tế rằng rất nhiều dữ liệu trong trường tương tự.

Machine learning và AI
Sự tiến bộ của AI trong kỷ nguyên số

Học tập sâu , đến lượt nó, chỉ đơn giản là một trong nhiều cách tiếp cận với Máy học có thể được áp dụng cho cả học tập được giám sát và không giám sát. Nó khác với các phương pháp khác trong đó các thuật toán này dựa trên cấu trúc sinh học của não. Trong thực tế, học sâu là một phiên bản của một nhóm các thuật toán được gọi là mạng nơron nhân tạo (NN).

Tại cốt lõi của họ, các mạng thần kinh sâu này chia các vấn đề thành các thành phần khác nhau sau đó được ghép lại với nhau, tương tự như cách bộ não của chúng ta hoạt động. Qua đó, các thuật toán học tập sâu thường đạt được kết quả tốt hơn trong một khung thời gian ngắn hơn, do số lượng các nút cần thiết để xử lý mọi thứ thấp hơn.

Vậy khai thác dữ liệu phù hợp với hình ảnh này như thế nào? Các nhà khoa học dữ liệu áp dụng các thuật toán khai thác để tự động tìm kiếm các tính năng và mẫu cụ thể trong các tập dữ liệu hoặc tổng hợp thông tin từ nhiều nguồn khác nhau. Tuy nhiên, trái ngược với Machine Learning, khai thác dữ liệu không tự học và áp dụng kiến ​​thức mà không có sự tương tác của con người. Nó không, tuy nhiên, phục vụ như là một tiền thân phổ biến cho nhiều ứng dụng thực tế của AI và Machine Learing.

Leave a Reply

Your email address will not be published. Required fields are marked *