Trí tuệ nhân tạo và Học máy là những công nghệ đi đầu trong lĩnh vực được gọi là 4 thế giớith Cuộc cách mạng công nghiệp. Kể từ thuở sơ khai loài người, con người đã nỗ lực cải thiện cách chúng ta sống và làm việc hiệu quả. Lúc đầu con người chỉ dựa vào lao động chân tay đơn giản và sự khéo léo. Chúng tôi tin rằng đây là cách con người tạo ra những thứ như Kim tự tháp, Vạn lý trường thành của Trung Quốc và Stonehenge. Sau đó là cuộc cách mạng công nghiệp đầu tiên, đã giới thiệu cơ giới hóa, hơi nước và năng lượng nước và mang lại những tiến bộ trong sản xuất, du lịch và đô thị hóa. Cuộc cách mạng thứ hai được khơi mào bởi những phát minh về sản xuất hàng loạt và điện năng. Sự ra đời của công nghệ điện tử và kỹ thuật số đã đánh dấu cuộc cách mạng lần thứ ba và những thứ như máy tính và internet. Ngày nay, chúng ta đang bước vào một kỷ nguyên mới được kích hoạt bởi những tiến bộ lớn và ứng dụng thực tế của Trí tuệ nhân tạo và Máy học.
MAN vs. MÁY
Trí tuệ nhân tạo nhằm mục đích giúp con người hoạt động hiệu quả hơn bằng cách giảm đáng kể thời gian, tiền bạc và sự thông minh của con người cần thiết để thực hiện các công việc hàng ngày. Tóm lại, máy tính đang được cung cấp khả năng tự học để chúng có thể dự đoán chính xác kết quả, xác định các mẫu và tự động điều chỉnh, dựa trên cả thông tin trong quá khứ và hiện tại. Máy móc bắt đầu trở nên hiệu quả hơn và thông minh hơn như loài người trong một số trường hợp.
Tiềm năng của việc máy tính trở nên thông minh như (hoặc thậm chí thông minh hơn) con người trong việc thực hiện các nhiệm vụ nhất định làm dấy lên cuộc tranh luận về “con người so với máy móc”. Bất kể niềm tin của mỗi người là gì, một điều mà tất cả chúng ta có thể đồng ý là con người có thứ mà máy tính có thể sẽ không bao giờ có: cảm xúc, trực giác và cảm giác ruột.
Khi mọi người tranh luận về chủ đề trí tuệ nhân tạo, họ thường tranh luận về việc loại máy học hoặc thuật toán nào là tốt nhất. Các thuật toán học máy thường được phân loại thành 3 loại, không được giám sát mà không có kiến thức trước về nhãn (dữ liệu được gắn nhãn), được giám sát bằng một số kiến thức về nhãn (dữ liệu được gắn nhãn) và củng cố, nằm giữa hai loại. Có nhiều thuật toán cụ thể hơn của các danh mục này, chẳng hạn như KNN, K-means, Cây quyết định, SVM, Mạng thần kinh nhân tạo, Q-learning, v.v. Vậy, cái nào tốt hơn? Vâng, giống như bất cứ điều gì trong cuộc sống, mọi thứ đều có ưu và khuyết điểm, và khi nói đến học máy, tôi có xu hướng không tranh luận về chính mô hình, mà chuyển hướng cuộc trò chuyện sang chất lượng của dữ liệu. Mô hình học máy chạy trên nền dữ liệu và không có số lượng và chất lượng dữ liệu cũng như loại dữ liệu thích hợp, mô hình học máy có thể trở nên vô dụng cho dù nó có tốt đến đâu về mặt lý thuyết. Điều này không làm giảm tác động của việc lựa chọn các thuật toán học máy phù hợp. Dữ liệu và các thuật toán phải bổ sung cho nhau để giải quyết các trường hợp sử dụng cụ thể.
DỮ LIỆU LÀ THÔNG SỐ
At sao điện tử chúng tôi bắt đầu công ty của mình với sứ mệnh ưu tiên là thu thập dữ liệu - rất nhiều dữ liệu - và quan trọng hơn, ngay loại dữ liệu để giải quyết vấn đề phát hiện vi phạm. Sau khi dữ liệu được thu thập, chúng tôi sẽ làm sạch nó bằng cách thực hiện khử trùng lặp, chuẩn hóa và một số việc khác. Tiếp theo, chúng tôi tương quan dữ liệu với các bit thông tin khác, chẳng hạn như thông tin tình báo về mối đe dọa, việc xử lý tải xuống tệp, vị trí địa lý của địa chỉ IP, v.v. Sự bổ sung này mang lại bối cảnh tốt hơn cho toàn bộ tập dữ liệu. Kết quả của quá trình này mang lại dữ liệu sạch được làm giàu với ngữ cảnh. Chỉ sau khi hoàn thành những tác vụ quan trọng này, chúng ta mới thực hiện học máy.
AI CÓ GIỚI HẠN VS HOÀN THIỆN DỮ LIỆU
Hãy xem xét kỹ hơn một ví dụ về cách các ngân hàng thực hiện phát hiện gian lận thẻ tín dụng. Nếu khách hàng thường chỉ sử dụng thẻ tín dụng của họ ở San Jose, California, nhưng đến Tokyo, Nhật Bản lần đầu tiên và cố gắng sử dụng thẻ này, một số ngân hàng sẽ gắn cờ đó là bất thường và hủy kích hoạt thẻ tín dụng. Điều này thường khiến khách hàng lúng túng và thất vọng khi người bán cho họ biết thẻ bị từ chối. Mặc dù điều này thực sự có thể là một bất thường "máy học", nó có thể không đảm bảo việc hủy kích hoạt thẻ tín dụng, vì đây có thể là cách sử dụng hợp pháp của thẻ.
Căn nguyên của vấn đề trên thường xuất hiện vì bản thân dữ liệu là số ít (chỉ vị trí sử dụng thẻ) và thiếu ngữ cảnh, như thời gian thẻ được sử dụng lần cuối, nơi sử dụng hoặc cách sử dụng thẻ. Nếu một hệ thống tương quan với các bit thông tin khác như thời gian, vị trí, khoảng cách giữa các vị trí, danh tiếng của một vị trí hoặc cách nó được sử dụng (ví dụ: thiết bị đầu cuối thẻ hoặc trang web) thì thuật toán máy học có thể xác định tốt hơn gian lận thực tế.
Lấy một ví dụ khác về một thẻ được sử dụng ở San Jose, California, lúc 4:00 chiều theo giờ PST, nhưng sau đó được sử dụng lại ở một thành phố nhỏ ở Ukraine lúc 5:00 giờ chiều theo giờ PST cùng ngày. Xác suất đây là gian lận sẽ cao hơn nhiều so với ví dụ trước. Các phần dữ liệu tương quan để đi đến kết luận như thế này, sẽ là thời gian nó sẽ mất để đi du lịch khoảng cách đến Ukraine sau khi sử dụng nó trong San Jose, và việc sử dụng hoặc thẻ ở một thành phố nhỏ (danh tiếng thành phố nhỏ không có uy tín) ở Ukraine.
ĐÓNG NHẬN XÉT
Điều này minh họa cách Trí tuệ nhân tạo có thể rất hữu ích trong việc hoàn thành các nhiệm vụ lặp đi lặp lại liên quan đến nhiều dữ liệu mà con người cảm thấy mệt mỏi khi thực hiện và phân tích dữ liệu đó để giải quyết vấn đề. Nhưng liệu công nghệ có thay thế con người? Tôi có xu hướng nghĩ là không. AI có thể giúp bạn giải quyết các công việc lặp đi lặp lại hơn 90%, nhưng 10% + nỗ lực sẽ luôn cần thiết để đưa ra quyết định cuối cùng cho một vấn đề. Hơn nữa, cũng như những tiến bộ khác về hiệu quả, chúng ta có thể tái sử dụng thời gian giải phóng của mình để thực hiện nhiều công việc hơn trước. Một thuật toán học máy có tốt hơn một thuật toán khác không? Tôi tin rằng câu trả lời nằm ở sự hiểu biết về vấn đề mà người ta đang cố gắng giải quyết và tôi cũng tin rằng chất lượng của dữ liệu cũng quan trọng như chính thuật toán.
John Peterson
Quản lý dòng sản phẩm SVP
sao điện tử
