Cho đến bây giờ, chúng ta đã tìm hiểu về AI là gì và bây giờ chúng ta sẽ tìm hiểu trong chủ đề này về các tập hợp con khác nhau của AI. Sau đây là các tập hợp con phổ biến nhất của AI:
- Machine Learning
- Deep Learning
- Natural Language processing
- Expert System
- Robotics
- Machine Vision
- Speech Recognition
Lưu ý: Trong số tất cả những điều trên, Machine Learning đóng một vai trò quan trọng trong AI. Machine Learning và Deep Learning là những cách để đạt được AI trong cuộc sống thực.
Machine Learning
Máy học là một phần của AI cung cấp trí thông minh cho máy móc với khả năng tự động học hỏi với các trải nghiệm mà không cần được lập trình rõ ràng.
Nó chủ yếu quan tâm đến việc thiết kế và phát triển các thuật toán cho phép hệ thống học hỏi từ dữ liệu lịch sử.
Machine Learning dựa trên ý tưởng rằng máy móc có thể học hỏi từ dữ liệu trong quá khứ, xác định các mẫu và đưa ra quyết định bằng cách sử dụng các thuật toán.
Các thuật toán Machine Learning được thiết kế theo cách mà chúng có thể tự động học và cải thiện hiệu suất của mình.
Machine Learning giúp khám phá các mẫu trong dữ liệu.
Các bài viết liên quan:
Các loại máy học
Machine Learning có thể được chia nhỏ thành ba loại chính:
Supervised learning:
Học có giám sát là một loại Machine Learning trong đó máy học từ các tập dữ liệu đã biết (tập hợp các ví dụ đào tạo), sau đó dự đoán kết quả đầu ra. Tác nhân học tập có giám sát cần tìm ra hàm phù hợp với một tập mẫu nhất định.
Việc học thêm có giám sát có thể được phân loại thành hai loại thuật toán:
- Classifications
- Regression
Reinforcement learning:
Reinforcement learning là một kiểu học tập trong đó tác nhân AI được đào tạo bằng cách đưa ra một số lệnh và trên mỗi hành động, tác nhân sẽ nhận được phần thưởng là một phản hồi. Sử dụng những phản hồi này, tác nhân cải thiện hiệu suất của nó.
Phản hồi khen thưởng có thể là tích cực hoặc tiêu cực, có nghĩa là đối với mỗi hành động tốt, đại lý nhận được phần thưởng tích cực trong khi đối với hành động sai, nó sẽ nhận được phần thưởng tiêu cực.
Reinforcement learning có hai loại:
- Positive Reinforcement learning
- Negative Reinforcement learning
Unsupervised learning:
Học không giám sát được liên kết với việc học mà không có sự giám sát hoặc đào tạo. Trong Unsupervised learning, các thuật toán được huấn luyện với dữ liệu không được gắn nhãn cũng như không được phân loại. Trong Unsupervised learning, tác nhân cần học từ các mẫu không có giá trị đầu ra tương ứng.
Học không giám sát có thể được phân loại thành hai loại thuật toán:
- Clustering
- Association
Natural Language processing
Natural Language processing là một lĩnh vực con của khoa Machine Learning tính và trí tuệ nhân tạo. NLP cho phép một hệ thống máy tính hiểu và xử lý ngôn ngữ của con người như tiếng Anh.
NLP đóng một vai trò quan trọng trong AI vì nếu không có NLP, tác nhân AI không thể làm việc theo hướng dẫn của con người, nhưng với sự trợ giúp của NLP, chúng ta có thể hướng dẫn một hệ thống AI trên ngôn ngữ của chúng ta. Ngày nay, tất cả chúng ta đều xoay quanh AI và cũng như NLP, chúng ta có thể dễ dàng yêu cầu Siri, Google hoặc Cortana giúp chúng ta bằng ngôn ngữ của chúng ta.
Ứng dụng Natural Language processing cho phép người dùng giao tiếp trực tiếp với hệ thống bằng ngôn từ của họ.
Đầu vào và đầu ra của các ứng dụng NLP có thể ở hai dạng:
- Speech
- Text
Deep Learning
Deep Learning là một tập con của Machine Learning cung cấp khả năng máy móc thực hiện các tác vụ giống như con người mà không cần sự tham gia của con người. Nó cung cấp khả năng cho một tác nhân AI có thể bắt chước bộ não con người. Deep Learning có thể sử dụng cả học có giám sát và không giám sát để đào tạo tác nhân AI.
Deep Learning được thực hiện thông qua kiến trúc mạng thần kinh do đó còn được gọi là mạng thần kinh sâu.
Deep Learning là công nghệ chính đằng sau ô tô tự lái, Speech Recognition, nhận dạng hình ảnh, dịch máy tự động, v.v.
Thách thức chính đối với Deep Learning là nó đòi hỏi nhiều dữ liệu với nhiều sức mạnh tính toán.
Cách Deep Learning hoạt động:
Các thuật toán Deep Learning hoạt động trên mạng nơron sâu, vì vậy nó được gọi là Deep Learning. Các mạng nơ-ron sâu này được tạo thành từ nhiều lớp.
Lớp đầu tiên được gọi là lớp Đầu vào, lớp cuối cùng được gọi là lớp đầu ra và tất cả các lớp nằm giữa hai lớp này được gọi là lớp ẩn.
Trong mạng lưới thần kinh sâu, có nhiều lớp ẩn và mỗi lớp bao gồm các tế bào thần kinh. Các tế bào thần kinh này được kết nối trong mỗi lớp.
Lớp đầu vào nhận dữ liệu đầu vào và các nơ-ron truyền tín hiệu đầu vào đến các lớp bên trên của nó.
Các lớp ẩn thực hiện các phép toán trên đầu vào và dữ liệu đã thực hiện được chuyển tiếp đến lớp đầu ra.
Lớp đầu ra trả kết quả đầu ra cho người dùng.
Expert Systems
Expert Systems là một ứng dụng của trí tuệ nhân tạo. Trong trí tuệ nhân tạo, Expert Systems là các chương trình máy tính dựa vào việc thu thập kiến thức của các chuyên gia con người và lập trình kiến thức đó thành một hệ thống.
Expert Systems mô phỏng khả năng ra quyết định của các chuyên gia con người. Các hệ thống này được thiết kế để giải quyết vấn đề phức tạp thông qua các khối kiến thức chứ không phải mã thủ tục thông thường.
Xem thêm Machine Learning trong SEO -kỹ thuật tương lai 2021
Một trong những ví dụ về Expert Systems là Đề xuất về lỗi chính tả khi nhập vào hộp tìm kiếm của Google.
Sau đây là một số đặc điểm của Expert Systems:
- Hiệu suất cao
- Đáng tin cậy
- Phản hồi cao
- Có thể hiểu được
Robotics
Robotics là một nhánh của trí tuệ nhân tạo và kỹ thuật được sử dụng để thiết kế và sản xuất robot.
Robot là những cỗ máy được lập trình có thể thực hiện một loạt các hành động một cách tự động hoặc bán tự động.
AI có thể được áp dụng cho rô bốt để tạo ra rô bốt thông minh có thể thực hiện nhiệm vụ bằng trí thông minh của chúng. Các thuật toán AI là cần thiết để cho phép robot thực hiện các nhiệm vụ phức tạp hơn.
Ngày nay, AI và Machine Learning đang được ứng dụng trên robot để sản xuất robot thông minh cũng có thể tương tác xã hội như con người. Một trong những ví dụ điển hình về AI trong lĩnh vực robot là robot Sophia.
Machine Vision
Machine Vision là một ứng dụng của Machine Vision tính cho phép máy nhận dạng đối tượng.
Machine Vision nắm bắt và phân tích thông tin hình ảnh bằng cách sử dụng một hoặc nhiều máy quay video, hội thoại tương tự-kỹ thuật số và xử lý tín hiệu kỹ thuật số.
Hệ thống Machine Vision được lập trình để thực hiện các tác vụ được xác định trong phạm vi hẹp như đếm đối tượng, đọc số sê-ri, v.v.
Hệ thống máy tính không nhìn theo cách giống như mắt người có thể nhìn thấy, nhưng nó cũng không bị ràng buộc bởi những giới hạn của con người như nhìn xuyên tường.
Với sự trợ giúp của máy học và Machine Vision, tác nhân AI có thể nhìn xuyên tường.
Speech Recognition:
Speech Recognition là công nghệ cho phép máy hiểu ngôn ngữ nói và dịch sang định dạng máy có thể đọc được. Nó cũng có thể nói là Speech Recognition tự động và Speech Recognition máy tính. Đó là một cách nói chuyện với máy tính, và trên cơ sở lệnh đó, máy tính có thể thực hiện một nhiệm vụ cụ thể.
Có một số phần mềm Speech Recognition có lượng từ vựng và cụm từ hạn chế. Phần mềm này yêu cầu ngôn ngữ nói rõ ràng để hiểu và thực hiện nhiệm vụ cụ thể. Ngày nay, có nhiều phần mềm hoặc thiết bị khác nhau có chứa công nghệ Speech Recognition như Cortana, trợ lý ảo Google, Apple Siri, v.v.
Chúng ta cần đào tạo hệ thống Speech Recognition của mình để hiểu ngôn ngữ của chúng ta. Ngày trước, các hệ thống này chỉ được thiết kế để chuyển lời nói thành văn bản, nhưng hiện nay có nhiều thiết bị khác nhau có thể chuyển trực tiếp lời nói thành lệnh.
Hệ thống Speech Recognition có thể được sử dụng trong các lĩnh vực sau:
- Hệ thống điều khiển hoặc hệ thống định vị
- Ứng dụng công nghiệp
- Hệ thống quay số bằng giọng nói
Có hai loại Speech Recognition
- Speaker Dependent
- Speaker Independent
