Machine learning là gì? Ứng dụng của machine learning trong đời sống hiện nay

Machine learning là thuật ngữ không còn xa lạ, nhất là trong giai đoạn chuyển đổi số đang lan rộng và mạnh mẽ trên mọi phương tiện của đời sống.

Vậy machine learning là gì và có ứng dụng thực tiễn như thế nào?

1. Khái niệm machine learning

Machine learning được hiểu đơn giản là công nghệ học máy, là một lĩnh vực con của công nghệ AI (Trí tuệ nhân tạo), liên quan đến việc nghiên cứu và xây dựng các kỹ thuật cho phép hệ thống “học” tự động thông qua các dữ liệu, từ đó có thể giải quyết những vấn đề được đưa ra. Các thuật toán trong phương pháp machine learning là các chương trình máy tính có khả năng học để hoàn thành các nhiệm vụ đưa ra và giúp cải thiện hiệu suất theo thời gian.

Máy tính có thể thích nghi với các điều kiện môi trường xung quanh để tự đúc rút ra các nguyên lý từ các tri thức thu nhận được, nhằm phục vụ cho việc ra quyết định trong tương lai. Một số sản phẩm nổi bật của phương pháp học máy có thể kể tới như: cảnh báo giao thông trên Google Maps, tính năng Deepface trên Facebook,… Các máy được học cách phân loại thư điện tử theo mục, phát hiện thư rác (spam) và tự động xếp các thư vào các mục tương ứng.

2. Cách thức hoạt động của machine learning

Thuật toán trong Machine learning được hướng dẫn để có thể sử dụng một bộ dữ liệu đào tạo có sẵn, từ đó tạo ra một mô hình dựa trên nguyên mẫu. Thuật toán khi được tiếp nhận những dữ liệu mới sẽ có thể đưa ra dự đoán phân tích dựa trên nguyên mẫu được xây dựng trước đó.

Những phân tích của máy được đánh giá dựa trên độ chính xác. Sau khi độ chính xác được công nhận là tốt thì máy sẽ tiến hành triển khai. Ngược lại, nếu độ chính xác không đạt yêu cầu, thuật toán sẽ được học lại thêm nhiều lần với bộ dữ liệu hướng dẫn mới hơn.

3. Các phương pháp học trong machine learning

3.1. Phương pháp học có giám sát (Supervised Learning)

Đây là kỹ thuật học máy sử dụng cho các bài toán có sự phân lớp (Classification). Thuật toán được lựa chọn khi xây dựng bộ phân lớp này thường là: Máy vector hỗ trợ (Support Vector Machine – SVM); Cây quyết định (Decision Tree – DT); sử dụng mạng nơron (Neural Network – Net); dựa trên vector trọng tâm (Centroid– based vector); và tuyến tính bình phương nhỏ nhất (Linear Least Square Fit – LLSF).

3.2. Phương pháp học không giám sát (Unsupervised Learning)

Đây là kỹ thuật học máy dùng cho các bài toán phân cụm, gom cụm (Clustering). Có rất nhiều thuật toán học không giám sát đã xuất hiện và được phát triển nhằm phục vụ khai thác hiệu quả nguồn dữ liệu chưa được gán nhãn. Việc lựa chọn thuật toán tuỳ thuộc vào dữ liệu và mục đích sử dụng của từng dạng bài toán. Trong đó, các thuật toán được sử dụng thường xuyên là: k-means, HAC (Hierarchical Agglomerative Clustering), SOM (Self-Organizing Map), DBSCAN, FCM,…

3.3. Phương pháp học bán giám sát (Semi-Supervised Learning)

Đây là một lớp của kỹ thuật học máy, sử dụng cả 2 dạng dữ liệu đã gán nhãn và chưa gán nhãn để hướng dẫn – điển hình như một lượng nhỏ dữ liệu có gán nhãn cùng với lượng lớn dữ liệu chưa gán nhãn. Các thuật toán thường xuyên được sử dụng có thể kể tới: thuật toán Cực đại kỳ vọng (EM – Expectation Maximization), SVM truyền dẫn (TSVM – Transductive Support Vector Machine), Self-training, Co-training và các phương pháp dựa trên đồ thị (graph-based).

4. Các ứng dụng machine learning trong thực tiễn

4.1. Ứng dụng trong dịch vụ tài chính

Trong lĩnh vực tài chính, các ngân hàng và tổ chức tài chính thường sử dụng công nghệ machine learning cho 2 mục tiêu chính: (1) Xác định dữ liệu quan trọng và (2) Ngăn chặn gian lận.

Cụ thể, khi một quỹ đầu tư áp dụng các thuật toán của machine learning thì khả năng xử lý thông tin sẽ tốt hơn; có thể tập trung vào việc lựa chọn và nắm giữ cổ phiếu, có kết quả hoạt động được dự báo tốt hơn khi mà tình hình thị trường có phần bất lợi trước những giao dịch có quá nhiều người tham gia (overcrowding).

4.2. Ứng dụng trong Chính phủ

Nhờ việc học máy, các cơ quan của chính phủ có thể khai thác nhiều nguồn dữ liệu phong phú hơn, ví dụ như xác định các cách để tăng hiệu quả và tiết kiệm ngân sách, ngăn chặn các hành vi đánh cắp thông tin cá nhân.

4.3. Ứng dụng trong chăm sóc sức khỏe

Machine learning đang được ứng dụng phổ biến trong lĩnh vực chăm sóc sức khỏe, điển hình là sự xuất hiện các thiết bị đeo và cảm biến có thể sử dụng dữ liệu của bệnh nhân để đánh giá sức khỏe trong thời gian thực. Công nghệ này cũng hỗ trợ các chuyên gia y tế, các y bác sĩ phân tích dữ liệu để xác định xu hướng hoặc dấu hiệu quan trọng của bệnh nhân, từ đó chẩn đoán và điều trị kịp thời.

4.4. Ứng dụng trong bán lẻ

Các trang web sẽ tự động đề xuất các mặt hàng theo xu hướng tiêu dùng thông qua ứng dụng công nghệ máy học giúp phân tích lịch sử mua hàng của người dùng. Những dữ liệu máy thu thập được sẽ sử dụng để cá nhân hóa trải nghiệm mua sắm của khách hàng, thực hiện chiến dịch tiếp thị, tối ưu hóa giá và lập kế hoạch bán hàng tổng thể.

4.5. Ứng dụng trong vận tải

Machine learning có thể phân tích nhiều loại dữ liệu để xác định các tuyến đường đi hiệu quả nhất và dự đoán các nguy cơ không an toàn tiềm ẩn trên hành trình của người lái xe. Đây là một cách thức quan trọng giúp các doanh nghiệp chuyển phát vận tải gia tăng lợi nhuận.

5. Kết luận

Thời đại số phát triển mạnh mẽ kéo theo sự bùng nổ của những công nghệ tiên tiến, trong đó có machine learning. Không chỉ đóng vai trò quan trọng trong các doanh nghiệp công nghệ, machine learning chính là tiềm năng to lớn trong tương lai với ứng dụng trên mọi lĩnh vực.

Xem thêm: Tìm hiểu về công nghệ Deep Learning