How does artificial intelligence learn? - Briana Brownell

Translator: Pham Phuong Anh Reviewer: Thu Ha Tran

Today, artificial intelligence helps doctors diagnose patients,

Ngày nay,

trí tuệ nhân tạo đang giúp đỡ các bác sĩ trong việc chẩn đoán bệnh cho bệnh nhân,

pilots fly commercial aircraft, and city planners predict traffic.

giúp các phi công thực hiện các chuyến bay thương mại,

và giúp các nhà quy hoạch thành phố dự đoán giao thông.

But no matter what these AIs are doing, the computer scientists who designed them

Nhưng cho dù những AI này đang làm gì,

các nhà khoa học đã thiết kế chúng

likely don’t know exactly how they’re doing it.

có thể không biết chính xác họ đang làm như thế nào.

This is because artificial intelligence is often self-taught,

Điều này là do tính tự học của trí tuệ nhân tạo,

working off a simple set of instructions

khi chúng thực hiện một tập hợp các hướng dẫn đơn giản

to create a unique array of rules and strategies.

để tạo một chuỗi độc nhất bao gồm các quy tắc và chiến lược.

So how exactly does a machine learn?

Vậy chính xác thì máy tính học như thế nào?

There are many different ways to build self-teaching programs.

Có nhiều cách khác nhau để xây dựng các chương trình tự học.

But they all rely on the three basic types of machine learning:

Nhưng tất cả đều dựa vào ba loại học máy cơ bản:

unsupervised learning, supervised learning, and reinforcement learning.

học không giám sát, học có giám sát, và học tăng cường.

To see these in action,

Để thấy được sự hoạt động của từng loại,

let’s imagine researchers are trying to pull information

hãy tưởng tượng các nhà nghiên cứu đang cố gắng lấy thông tin

from a set of medical data containing thousands of patient profiles.

từ một tập hợp dữ liệu y tế có chứa hàng ngàn hồ sơ bệnh nhân.

First up, unsupervised learning.

Trước hết, về học không giám sát.

This approach would be ideal for analyzing all the profiles

Cách tiếp cận này sẽ là lý tưởng để phân tích tất cả các cấu hình

to find general similarities and useful patterns.

để tìm các điểm tương đồng và các mẫu hữu ích.

Maybe certain patients have similar disease presentations,

Một số bệnh nhân có thể có biểu hiện bệnh giống nhau,

or perhaps a treatment produces specific sets of side effects.

hoặc phương pháp điều trị có thể tạo ra các bộ tác dụng phụ cụ thể.

This broad pattern-seeking approach can be used to identify similarities

Cách tiếp cận tìm kiếm mẫu trên diện rộng này

có thể được sử dụng để xác định các điểm tương đồng

between patient profiles and find emerging patterns,

giữa các hồ sơ bệnh nhân và tìm các mẫu mới nổi,

tất cả được thực hiện không có sự hướng dẫn của con người.

all without human guidance.

But let's imagine doctors are looking for something more specific.

Nhưng hãy tưởng tượng rằng

các bác sĩ đang tìm kiếm cái gì đó cụ thể hơn.

These physicians want to create an algorithm

Các bác sĩ muốn tạo một thuật toán để chẩn đoán một tình trạng cụ thể.

for diagnosing a particular condition.

They begin by collecting two sets of data—

Họ bắt đầu bằng cách thu thập hai bộ dữ liệu—

medical images and test results from both healthy patients

hình ảnh y tế và kết quả xét nghiệm

từ cả những bệnh nhân khỏe mạnh và những người được chẩn đoán mắc bệnh.

and those diagnosed with the condition.

Then, they input this data into a program

Sau đó, họ nhập dữ liệu này vào một chương trình

designed to identify features shared by the sick patients

được thiết kế để xác định các tính năng chia sẻ của người bệnh

but not the healthy patients.

nhưng không phải các bệnh nhân khoẻ mạnh.

Based on how frequently it sees certain features,

Dựa trên tần suất xuất hiện của một số tính năng nhất định,

the program will assign values to those features’ diagnostic significance,

chương trình sẽ gán giá trị cho những ý nghĩa chẩn đoán của các tính năng,

generating an algorithm for diagnosing future patients.

nhằm tạo ra một thuật toán để chẩn đoán bệnh nhân trong tương lai.

However, unlike unsupervised learning,

Tuy nhiên, khác với học không giám sát,

doctors and computer scientists have an active role in what happens next.

các bác sĩ và nhà khoa học đóng vai trò tích cực trong những gì sắp xảy ra.

Doctors will make the final diagnosis

Các bác sĩ sẽ đưa ra chẩn đoán cuối cùng

and check the accuracy of the algorithm’s prediction.

và kiểm tra độ chính xác của dự đoán bằng thuật toán.

Then computer scientists can use the updated datasets

Sau đó, các nhà khoa học có thể sử dụng bộ dữ liệu được cập nhật

to adjust the program’s parameters and improve its accuracy.

để điều chỉnh các thông số chương trình và cải thiện độ chính xác của nó.

This hands-on approach is called supervised learning.

Phương pháp thực hành này được gọi là học có giám sát.

Now, let’s say these doctors want to design another algorithm

Bây giờ, giả sử các bác sĩ muốn thiết kế một thuật toán khác

to recommend treatment plans.

để đề xuất kế hoạch điều trị.

Since these plans will be implemented in stages,

Vì những kế hoạch này sẽ được thực hiện theo từng giai đoạn,

and they may change depending on each individual's response to treatments,

và chúng có thể thay đổi theo phản ứng của từng cá nhân

với phương pháp điều trị của họ,

the doctors decide to use reinforcement learning.

các bác sĩ quyết định sử dụng học tăng cường.

This program uses an iterative approach to gather feedback

Chương trình này sử dụng phương pháp lặp lại

about which medications, dosages and treatments are most effective.

để thu thập phản hồi về loại thuốc, liều lượng

và các phương pháp điều trị có hiệu quả nhất.

Then, it compares that data against each patient’s profile

Sau đó, nó so sánh dữ liệu đó đối chiếu với hồ sơ của bệnh nhân

to create their unique, optimal treatment plan.

để đưa ra kế hoạch điều trị.

Khi các phương pháp điều trị có tiến triển

As the treatments progress and the program receives more feedback,

và chương trình nhận được nhiều phản hồi hơn,

it can constantly update the plan for each patient.

nó có thể liên tục cập nhật kế hoạch cho từng bệnh nhân.

Không có kỹ thuật nào trong ba kỹ thuật kể trên thông minh hơn hẳn.

None of these three techniques are inherently smarter than any other.

Trong khi một số yêu cầu nhiều hoặc ít hơn sự can thiệp của con người,

While some require more or less human intervention,

they all have their own strengths and weaknesses

tất cả chúng đều có thế mạnh và điểm yếu riêng,

which makes them best suited for certain tasks.

điều đó khiến chúng phù hợp nhất với các nhiệm vụ nhất định.

However, by using them together,

Tuy nhiên, bằng cách sử dụng chúng cùng nhau,

researchers can build complex AI systems,

các nhà nghiên cứu có thể xây dựng các hệ thống AI phức tạp,

where individual programs can supervise and teach each other.

nơi các chương trình riêng lẻ có thể giám sát và dạy lẫn nhau.

For example, when our unsupervised learning program

Ví dụ như, khi chương trình học không giám sát

finds groups of patients that are similar,

tìm kiếm những nhóm bệnh nhân giống nhau

it could send that data to a connected supervised learning program.

nó có thể gửi dữ liệu để kết nối đến chương trình học giám sát.

That program could then incorporate this information into its predictions.

Chương trình này sau đó kết hợp thông tin vào dự đoán của nó

Or perhaps dozens of reinforcement learning programs

hoặc có lẽ là hàng tá sự củng cố của chương trình học

might simulate potential patient outcomes

có thể mô phỏng kết quả tiềm năng

to collect feedback about different treatment plans.

để thu thập phản hồi về các kế hoạch điều trị khác nhau.

There are numerous ways to create these machine-learning systems,

Có khá nhiều cách để tạo hệ thống máy móc học

and perhaps the most promising models

và có lẽ mô hình nhiều triển vọng nhất

are those that mimic the relationship between neurons in the brain.

là người có khả năng bắt chước mối quan hệ giữa tế bào thần kinh não.

These artificial neural networks can use millions of connections

Các trí tuệ nơ-ron nhân tạo này có thể sử dụng hàng triệu kết nối

to tackle difficult tasks like image recognition, speech recognition,

để giải quyết các nhiệm vụ khó khăn như nhận dạng hình ảnh, nhận dạng giọng nói,

and even language translation.

và thậm chí là dịch nhiều ngôn ngữ.

However, the more self-directed these models become,

Tuy nhiên, khi những mô hình này càng trở nên tự định hướng,

the harder it is for computer scientists

càng khó hơn cho các nhà khoa học máy tính

to determine how these self-taught algorithms arrive at their solution.

để xác định cách tự học thuật toán và đưa ra những giải pháp.

Researchers are already looking at ways to make machine learning more transparent.

Các nhà nghiên cứu đang tìm cách để việc học máy trở nên minh bạch hơn.

But as AI becomes more involved in our everyday lives,

Nhưng khi AI tham gia nhiều hơn vào cuộc sống của chúng ta,

these enigmatic decisions have increasingly large impacts

những quyết định bí ẩn này có tác động ngày càng lớn

on our work, health, and safety.

tới công việc, sức khỏe và sự an toàn của chúng ta.

So as machines continue learning to investigate, negotiate and communicate,

Vì vậy, khi máy móc tiếp tục học để điều tra, thương lượng và giao tiếp,

we must also consider how to teach them to teach each other to operate ethically.

chúng ta cũng phải xem xét cách dạy chúng để chúng dạy nhau hoạt động có đạo đức.