Hệ thống không dễ nhận thêm dữ liệu mới
Các thuật toán học máy (Machine Learning- ML) ngày càng được nhiều công ty sử dụng. “Chúng tôi được biết là Facebook phát triển công nghệ nhận dạng khuôn mặt; Google tìm kiếm các bức ảnh tương tự như bức ảnh cho trước.
Còn Uber có khả năng phân tích giao thông trong thành phố và tìm các lộ trình nhanh nhất” - TS Jakub Tomczak, chuyên gia về thuật toán học máy, cho biết.
Ông giải thích, rằng ML, cùng với sự phát triển của Internet vạn vật, sẽ thâm nhập vào mọi lĩnh vực của cuộc sống. Mọi người cần quan tâm đến những khả năng mà các thuật toán mang lại.
Được hỏi về các mối lo ngại liên quan đến phát triển trí tuệ nhân tạo, TS Tomczak nói rằng, trong nhiều bộ phim khoa học viễn tưởng, trí tuệ nhân tạo thoát ra khỏi sự kiểm soát của con người; hệ thống tự phức tạp hóa và tự đưa ra quyết định mà con người không biết.
“Tuy nhiên, trong thực tế còn rất lâu chúng ta mới đạt tới tình trạng đó” – TS Jakub Tomczak khẳng định.
 |
| Tiến sĩ Jakub Tomczak. |
Thách thức đặt ra hiện nay là làm sao để, chẳng hạn, hệ thống trí tuệ nhân tạo “tự hoàn thiện” trực tuyến. Như vậy, chúng ta sẽ đưa ra các tập hợp dữ liệu mới để trí tuệ nhân tạo tự hoàn thiện mình.
“Đó là thứ mà động vật, thậm chí côn trùng, có khả năng thực hiện tốt hơn các thuật toán của chúng ta” – chuyên gia tin học Tomczak khẳng định.
Nhà nghiên cứu giải thích, để mô hình, chẳng hạn như, nhận diện được khuôn mặt, cần phải cung cấp cho nó các dữ liệu quan sát để trên cơ sở đó mô hình lấy được tri thức. Tuy nhiên, khi chúng ta muốn hệ thống “nhận thêm” các dữ liệu mới, thì không phải là chuyện dễ.
Hiện nay, việc “hướng dẫn” mô hình bằng các dữ liệu mới khiến cho một phần “kiến thức” của mô hình bị mất đi, vì thế giải pháp tiêu chuẩn là học lại từ đầu trên tập hợp dữ liệu lớn hơn” – nhà nghiên cứu giải thích. Ông nói thêm: “Đối với con người, việc học suốt đời như vậy là kỹ năng tự nhiên. Nhưng trong học máy, việc này không dễ đạt được”.
Trí tuệ nhân tạo phải “hiểu thực tế”
Giáo sư Tomczak cho rằng, hướng tiếp theo trong các công trình phát triển trí tuệ nhân tạo là làm sao để mô hình “hiểu thực tế” (chẳng hạn, qua sử dụng các mô hình sản sinh). Vì vậy, chẳng hạn, nếu hệ thống được học nhận diện khuôn mặt, nó sẽ phải tạo ra cho mình “ý tưởng” chung về các đối tượng mà nó nhận biết.
Như vậy, hệ thống phải học cách nhận biết khuôn mặt và phân biệt khuôn mặt với những thứ khác.
“Hiện giờ, nếu cung cấp cho hệ thống đã học nhận dạng khuôn mặt một bức ảnh chụp mặt con thỏ, thì hệ thống có thể trả lời, chẳng hạn, rằng đó là thứ giống khuôn mặt đàn ông hơn là khuôn mặt phụ nữ” – ông Tomczak nói.
Tuy nhiên, đây không phải là câu trả lời mong muốn. Người sử dụng, trước hết, cần biết một đối tượng cho trước có thuộc nhóm các đối tượng mà hệ thống được học hay không. Trong trường hợp này, câu trả lời mong đợi là: “Đó không phải là khuôn mặt người”.
 |
| Hệ thống phải học cách nhận biết khuôn mặt. |
Cách tiếp cận như vậy có ý nghĩa quan trọng, chẳng hạn, trong ứng dụng y khoa, các chương trình điện toán giúp bác sĩ nhận biết sự thay đổi của bệnh ung thư trên bức ảnh cho trước.
Bác sĩ không chỉ muốn biết hệ thống có nhận ra sự thay đổi của bệnh ung thư hay không, mà còn phải biết tại sao hệ thống đưa ra quyết định này mà không phải là quyết định khác.
“Vì vậy, cả bác sĩ lẫn hệ thống đều phải hiểu thực tế. Điều này là cần thiết để biết được quyết định đưa ra có đáng tin cậy hay không” – TS Tomczak nói.
Theo TS Tomczak, bước tiến lớn sẽ là thi hành 2 giải pháp trong 1 hệ thống: Hiểu thực tế và khả năng tự huấn luyện. “Giả sử, chúng ta cài đặt mô hình như vậy trong robot.
Nhờ vậy, robot – được học trong phòng thí nghiệm và sau đó được đưa vào căn phòng có những đồ đạc khác nhau, sẽ có khả năng phân biệt đồ đạc” – ông nói.
Robot sẽ phân biệt các đối tượng mà nó biết hoặc không biết. Robot cũng có khả năng tự học cách di chuyển trong môi trường mới mà không quên những gì đã lĩnh hội trước đó.
“Nếu trong vòng 10 năm tới, chúng ta có thể thi hành những giải pháp như vậy, thì chúng ta sẽ tiệm cận việc tạo ra trí tuệ nhân tạo” – TS Tomczak cho biết như vậy.
