Các công nghệ tiên tiến “AI” thời buổi này không thể gì đấy ma thuật như cách chúng ta cảm nhận từ thời điểm cách đây vài ba năm. Các thuật toán rất có thể hiểu được video, Tấm hình, tiếng nói và văn bản, dịch giữa các ngữ điệu với độ đúng mực kỳ lạ, lái xe, chơi game show đoạn Clip, tìm được bệnh ung thư & thậm chí là “người” tinh nhuệ trong các cuộc chơi kế hoạch phức hợp. Các mốc mới nâng tầm được vượt mặt gần như mỗi ngày. Các chương trình khoa học máy tính xách tay bị ngập lụt với những sinh viên mong muốn trở thành Chuyên Viên AI và các Công Ty không còn thuê đủ người lập trình AI. Hình như thời buổi của trí tuệ nhân tạo đã sự thật đến. Trên thực tế, thuật toán AI thời nay không gì khác ngoài thuật toán học máy cổ điển. Ngay cả các khối hệ thống vượt trội nhất cũng mang tính chất “nghệ sỹ” hơn là khoa học, chúng yên cầu một lạng lớn tài liệu được sắp xếp cẩn trọng mà theo đó rất có thể thừa hưởng những nhận định (bias) có ý nghĩa, phần lớn không thể khái quát hóa ngoài khoanh vùng chúng đã được giảng dạy, là các cái “hộp đen” (black box) mà đến cả người tạo thành nó cũng không hiểu biết hết.

trong 1 nửa thập kỷ kể từ khi sự trổi dậy của học tập sâu xâm nhập vào nhận thức của công chúng với các kỳ công bứt phá, nó có vẻ như đã làm mờ đi tất cả các nỗ lực cố gắng quan trọng trước đó, AI đã đi đến để giữ lấy chiến công như trong thần thoại. Các viện nghiên cứu và phân tích tổ chức các Hội Nghị “hệ thống thông minh”, tài liệu quảng cáo tiếp thị trình làng giải pháp AI cho mọi vấn đề, giới truyền thông không ngừng nghỉ công bố quá trình cách tân và phát triển mới về tính chất ưu việt của ai, ngoài ra là những lo lắng chung về cuộc cách mạng AI. Không có tuần nào trôi qua mà không có một dữ liệu học thuật hoặc nội dung bài viết phân tích nào khắc ghi bước đột phá trong thuật toán hay ứng dụng trong AI. Các công ty lớn tiến hành kế hoạch sửa chữa thay thế dần cơ sở hạ tầng cho những thuật toán Lúc Này của họ bằng các khối hệ thống học hành sâu mới.

>>> Xem thêm: X11DPL-I

có vẻ như tương lai là đây!

trẻ trung và tràn đầy năng lượng & hiệu năng cao như những hệ thống học tập sâu giờ đây, chúng vẫn chỉ làm nghĩa vụ trích xuất các mẫu hình. Một hệ thống Tấm hình laptop có thể lấy một tập các ảnh về mèo và “học” cách để nhận ra con mèo. &Ldquo;Học tập chuyển giao” có thể được dùng để dạy cho nó để nhận ra chó với một bộ hình ảnh nhỏ thêm hơn cho sự luyện tập. Mặc dù vậy, thuật toán phía bên dưới không thể nhận thức gì về những gì nó đang nhìn thấy, nó chỉ đơn thuần làm công việc phân rã Hình ảnh thành các màu sắc, mẫu hình và khuôn dạng riêng biệt & liên kết các tín hiệu trực quan chi tiết cụ thể với nhãn dạng text. Nó không còn khái quát hóa từ những gì nó thấy để tự động hóa lan rộng vốn từ vựng của chính mình sang động vật có vú mới hoặc hiểu khái niệm “lông thú” hoặc “bàn chân” ngay cả khi nó kết hợp một hình dạng mặt phẳng cụ thể và bốn hình dạng phân bổ hình chữ nhật với Hình ảnh đã nhận thức thấy.

Việc thiếu năng lực chuyên môn nhận thức là Vì Sao mà thuật toán AI dễ bị đánh lừa. Thực hiện vài biến đổi 1 cách tinh ý cho Hình ảnh là chúng ta có thể đơn giản tạo Tấm hình của 1 chú chó xuất hiện dưới dạng Tấm hình của xe buýt hoặc một biển báo Stop được trả về dưới dạng tạp âm. Đó là Tại Sao các thuật toán dễ bị xáo trộn bởi tài liệu nguồn vào bị bóp méo bởi các nhận định và đánh giá sai, mù quáng “học hỏi” tất cả các nhận định và đánh giá và sai lạc của con người mà chúng ta chuyển sang AI để vượt lên chính chúng ta. Dù vậy, dưới hình thức AI chúng ta cũng có thể ghi chép và giải quyết và khắc phục các đánh giá và nhận định sai nếu chúng ta đủ phát minh để xem thấy chúng.

vấn đề lớn hơn là sự việc tạo ra các loại hình học tập sâu ngày này mang tính nghệ sỹ hơn rất nhiều so với khoa học. Trái ngược với nhận thức phổ cập, việc xây đắp mạng nơron không đơn giản dễ dàng như việc nhấn vào nút “Xây dựng mô hình” và chỉ khối hệ thống đến một bộ hình ảnh được dán nhãn chú thích. Có không ít quyết định được thực hiện & các thông số rất cần phải kiểm soát và điều chỉnh. Từ cách dữ liệu nguồn vào được chuẩn bị, cân bằng & sắp xếp, đến sự việc thiết kế loại hình & các phần tử dựa vào việc kiểm soát và điều chỉnh mô hình đó, thi công mô hình học tập sâu hiện đại là việc lai tạo giữa thí nghiệm cường độ cao & kinh nghiệm tốt & hướng các quy trình tới những điểm bắt đầu .

vấn đề trở nên tồi tệ hơn khi các bộ công cụ và thuật toán căn cơ đang đi quá nhanh đến hơn cả tuy nó mang về công dụng rất chất lượng hồi tháng này nhưng hoàn toàn có thể hoàn toàn thất bại vào thời điểm tháng tiếp đến với bản phát hành mới. Các cách & thuật toán được kiến nghị biến đổi với vận tốc chóng mặt. Hãy tập trung một đội nhóm gồm mười chuyên gia dày dặn và bạn có thể nhận được mười cách tiếp cận rất là khác nhau! Ngay cả những lúc tìm kiếm các ý kiến về AI các nhà lãnh đạo hoàn toàn có thể nhận được những khuyến nghị khó hiểu & mâu thuẫn nhau khi các Chuyên Viên đụng độ với các cách cực tốt của riêng họ. Trong lúc đó, các vườn ươm AI trình làng các tài liệu phụ thuộc vào cách tiếp cận mà các Công Ty chiếm dụng nó đã công khai ngưng bổ trợ và bắt đầu vô hiệu khỏi các software framework của mình.

>>> Xem thêm: X10DRL-i

Tóm lại, lĩnh vực này đang tiến rất nhanh đến cả ngay cả các Doanh Nghiệp tiên phong cũng không còn đuổi kịp. Trạng thái non trẻ và tập trung nghiên cứu là chính của ai đồng nghĩa tương quan với lĩnh vực này vẫn còn đó đang được “phát minh” ngay cả khi nó đang được đưa vào phục vụ Thương Mại.

Các thuật toán AI đang ban đầu đặt ra những ra quyết định mang ý nghĩa sống còn cho chúng ta ngay cả những lúc người tạo nó cũng không hề giải thích hết Lý Do chúng đưa ra các quyết định đó, hoặc thậm chí là không chắc là sai chỗ nào.

Sự thông dụng của ai đã làm cho việc tạo loại hình có thể trở nên đơn giản và dễ dàng, nhưng vẫn còn đó không dễ để tạo ra các loại hình tốt.

Việc thi công một loại hình học tập sâu cơ bản trên một gốc rễ như TensorFlow khá đơn giản. Thư việc code mẫu & các hướng dẫn nhiều chủng loại hỗ trợ cho một lập trình viên có năng lực không thiếu thốn rất có thể xây đắp một loại hình cơ bản một cách nhanh chóng. Vấn đề là vẫn tồn tại một khoảng cách xa, tính theo cấp số nhân, giữa mô hình “hello world” cơ bản này và độ đúng mực thiết yếu của 1 khối hệ thống dành cho môi trường xung quanh production. Ở cấp độ tốt nhất, kỹ năng ít quan trọng bằng kinh nghiệm trong công việc quyết định chọn những phần tử (component) & thông số nào tương xứng cho tập tài liệu nào & điểm cần ứng dụng.

Các Công Ty điện toán đám mây đang giải quyết vấn đề đó bằng cách cung ứng thư viện các loại hình có sẵn hoàn toàn có thể được sử dụng ngay lập tức, cung ứng độ chính xác cực tốt & tiếp tục được update. Được chấp nhận năng lực chuyên môn tùy biến các mô hình này, các công cụ như AutoML bổ trợ tốt cho sự học tập chuyển nhượng bàn giao (transfer learning) để cho phép người dùng phi kỹ thuật chóng vánh kiến thiết mô hình cho từng người sử dụng cụ thể chi tiết mà không nhất thiết phải hiểu bất kỳ nguyên tắc deep learning bên dưới nào. Đối với các quý khách hàng có đội ngũ deep learning của riêng họ, các thư viện của các mô hình và thành phần dựng sẵn rất có thể được dùng theo dạnh plug-n-play để kiến tạo các khối hệ thống dựng sẵn tốt nhất.

Tổng kết lại, lui lại một bước thoát ra khỏi sự la hét và cường hóa, xây đắp một pipeline cho lĩnh vực deep learning tân tiến cũng không khác biệt nhiều so với sự xây đắp khối hệ thống machine learning truyền thống. Làm sạch tài liệu, sẵn sàng và sắp xếp mẫu (sample), lựa chọn thuật toán và kiểm soát và điều chỉnh tham số là tất cả các “công thức nấu nướng” của machine learning, điều đã có từ lâu trước cuộc cách mạng về deep learning. Các phương pháp học tập sâu có chức năng giành được độ chính xác cao hơn nhiều đối với những phương pháp tiếp cận trước đó, nhưng ở đầu cuối chúng chỉ đơn giản là các hệ thống khai quật mẫu. Chúng xác định & mã hóa các mẫu căn bản, thay vì khái quát hóa từ các yếu tố đầu vào của chúng, thành một loại hình trừu tượng của nhân loại xung quanh.

cho đến thời điểm hiện tại, các hệ thống deep learning thời nay ít “AI” hơn so với những bộ máy trích xuất mẫu hình. Cũng tương tự bất cứ khối hệ thống machine learning nào, chúng hoàn toàn có thể xác định các mẫu hình bên phía trong dữ liệu giảng dạy & áp dụng các mẫu hình đó cho những tài liệu trong tương lai. Chúng không hề lý giải về tài liệu nguồn vào hoặc khái quát hóa để trừu tượng hóa ở tại mức cao hơn nữa, mà ở đó được chấp nhận chúng hiểu rõ hơn về tài liệu. Kết luận, trong khi chúng hoàn toàn có thể triển khai những tác dụng ấn tượng, hệ thống deep learning vẫn còn đó rất hạn chế, sự “mong manh dễ vỡ” hoàn toàn có thể biểu thị ra theo các cách rất bất ngờ đột ngột.

Xét cho cùng, “AI” của cuộc cách mạng deep learning ngày này vẫn chỉ là machine learning của hàng thập kỷ trước, chứ Chưa hẳn sự “ảo diệu” nào hơn.

>>> Xem thêm: Card X520-DA2