Định nghĩa nhanh: Học sâu là một tập hợp con của học máy sử dụng thuật toán và dữ liệu phi cấu trúc để phân cụm, phân loại và đưa ra dự đoán cho dữ liệu trong tương lai.
Điểm mấu chốt:
- Mạng lưới thần kinh nhân tạo lấy cảm hứng từ bộ não con người tạo thành xương sống của mọi thứ liên quan đến học sâu.
- Học sâu được tích hợp vào nhiều sản phẩm và dịch vụ mà mọi người sử dụng hàng ngày, như trợ lý thông minh, hộp trò chuyện và phát hiện gian lận tài chính.
- Học sâu có thể cải thiện trải nghiệm của khách hàng trong tất cả các giai đoạn của hành trình khách hàng.
Thông tin sau được cung cấp trong cuộc phỏng vấn với Prithvi Bhutani, lãnh đạo sản phẩm chiến lược của Adobe Analytics.
Học sâu trong tiếp thị là gì?
Học sâu là một tập hợp con của học máy – một khía cạnh của trí tuệ nhân tạo (AI) – hoạt động với dữ liệu phi cấu trúc như văn bản và hình ảnh.
Không giống như học máy thông thường, đòi hỏi chuyên gia con người phải thiết lập hệ thống phân cấp và các tham số khác, thuật toán học sâu có thể tự động phát hiện những tính năng nào trong tập dữ liệu là quan trọng nhất. Điều này cho phép các hệ thống học sâu thực hiện các nhiệm vụ như phân cụm dữ liệu và đưa ra dự đoán, những khả năng bắt chước cách học của bộ não con người. Học sâu hỗ trợ nhiều ứng dụng trí tuệ nhân tạo (AI) mà chúng ta thấy trong các sản phẩm và dịch vụ mà chúng ta sử dụng hàng ngày.
Các loại mô hình học sâu phổ biến nhất là gì?
Các loại mô hình học sâu khác nhau về cơ bản chỉ là các loại mạng lưới thần kinh khác nhau:
- Mạng nơ-ron Feedforward. Mạng này thường được gọi là mạng thần kinh thông thường, vì đây là loại mạng thần kinh đầu tiên xuất hiện. Trong mô hình này, thông tin di chuyển theo một hướng duy nhất – tiến về phía trước. Không có tính chất tuần hoàn như trong các mô hình khác, nơi dữ liệu lặp đi lặp lại. Dữ liệu di chuyển từ lớp đầu vào, qua các lớp ẩn và đến lớp đầu ra. Bởi vì chúng tương đối đơn giản nhưng mạnh mẽ nên mạng lưới thần kinh chuyển tiếp rất thân thiện với người mới bắt đầu. Chúng cũng có nhiều ứng dụng bao gồm nhận dạng giọng nói, nhận dạng hình ảnh và phân tích dữ liệu như hồi quy và lập mô hình dự đoán.
- Mạng lưới thần kinh tích chập. Bạn có thể nghe thấy loại mạng này được gọi là CNN hoặc ConvNet. Mạng tích chập tương tự như mạng tiếp liệu — ngoại trừ việc nó không phải là tuyến tính mà là mạng tròn. Dữ liệu di chuyển qua mô hình theo một vòng lặp không đổi. Điều này mang lại cho CNN nhiều ứng dụng đa dạng, trong đó có việc phân loại hình ảnh.
- Mạng lưới thần kinh tái phát. Mạng này tái phát vì nó có một thứ gọi là trạng thái bộ nhớ, nghĩa là nó có thể lưu trữ đầu ra của lần chạy thuật toán trước đó và sử dụng nó để tác động đến đầu vào và đầu ra hiện tại. Khả năng này rất hữu ích trong các mô hình Xử lý ngôn ngữ tự nhiên (NLP).
Một số ví dụ về deep learning đang được sử dụng là gì?
Học sâu được tích hợp vào nhiều sản phẩm và dịch vụ mà mọi người sử dụng hàng ngày đến mức hầu hết mọi người đều không biết rằng họ đang sử dụng nó. Nhiều chatbot trên trang web và ứng dụng di động sử dụng phương pháp học sâu và xử lý NLP để hiểu ngôn ngữ và phản hồi phù hợp, thay vì chỉ tìm kiếm từ khóa để hướng người dùng đến các chủ đề nhất định.
Bất kỳ trợ lý ảo nào – từ Siri của Apple đến Alexa của Amazon cho đến Google Assistant – đều sử dụng một số hình thức học sâu.
Ngày càng có nhiều ứng dụng deep learning mới nổi trong các dịch vụ tài chính khi các thuật toán dự đoán cung cấp thông tin cho các giao dịch chứng khoán, đánh giá kinh doanh, phê duyệt khoản vay và phát hiện gian lận.
Ngay cả các cơ quan thực thi pháp luật cũng sử dụng kỹ thuật học sâu để hỗ trợ nhận dạng hình ảnh, phân tích giọng nói và tìm kiếm bằng chứng. Phân tích hình ảnh, phân loại hình ảnh và tạo phụ đề tự động có trong các công cụ như Microsoft PowerPoint cũng là những ví dụ về hoạt động học sâu.
Lợi ích của việc học sâu là gì?
Học sâu có thể cải thiện trải nghiệm của khách hàng trong tất cả các giai đoạn của hành trình khách hàng bằng cách phân cụm các thuật toán để xác định và nhắm mục tiêu khách hàng lý tưởng.
Học sâu cũng có thể giúp các nhà tiếp thị phân khúc khách hàng bằng cách điều chỉnh các đặc điểm cho phù hợp với các mục tiêu cụ thể dựa trên những gì mô hình học được từ dữ liệu. Nhóm bán hàng có thể sử dụng mô hình NLP để phân tích và ghi lại các cuộc trò chuyện bán hàng và thậm chí chỉ ra những hiểu biết chính của cuộc trò chuyện. Học sâu tự động hóa việc nhập dữ liệu và sử dụng thông tin chuyên sâu để đưa ra đề xuất được cá nhân hóa.
Tại sao bạn lại sử dụng deep learning thay vì machine learning?
Học sâu và học máy truyền thống hoạt động với các loại dữ liệu khác nhau và các thuật toán “học” khác nhau. Tùy thuộc vào mục tiêu dự định của bạn, một loại hình học tập có thể hoạt động tốt hơn loại khác.
Các thuật toán học máy sử dụng dữ liệu có cấu trúc và được gắn nhãn để đưa ra dự đoán. Trước tiên, bạn xác định các tính năng cụ thể trong dữ liệu đầu vào của mô hình, sau đó mô hình sắp xếp dữ liệu thành các nhãn. Thuật toán học máy có thể sử dụng dữ liệu phi cấu trúc nhưng chỉ khi bạn xử lý trước và sắp xếp dữ liệu đó trước khi chạy thuật toán. Quá trình tiền xử lý này yêu cầu con người phải tham gia và thiết lập hệ thống phân cấp, phân loại hoặc bất kỳ đặc điểm phân biệt nào.
Mặt khác, deep learning loại bỏ nhu cầu xử lý trước dữ liệu. Thay vào đó, thuật toán tiếp thu và xử lý dữ liệu phi cấu trúc, sau đó nhận dạng và xác định tính năng nào là quan trọng. Học sâu phát triển mạnh với khối lượng dữ liệu lớn và dữ liệu phi cấu trúc cao.
Một số nền tảng hoặc công cụ học sâu là gì?
Một số nền tảng deep learning phổ biến nhất bao gồm:
- TenorFlow. Thư viện phần mềm mã nguồn mở miễn phí dành cho các mô hình đào tạo và học máy.
- Bộ công cụ nhận thức của Microsoft. Một công cụ miễn phí, dễ sử dụng để đào tạo các thuật toán học sâu. Nó có một mạng lưới thương mại cho phép khối lượng dữ liệu lớn.
- H20.ai. Một công cụ mã nguồn mở, có khả năng mở rộng rất phổ biến cho phân tích dự đoán.
- Ngọn đuốc. AI. Một công cụ hỗ trợ các khung máy học bằng cách đặt bộ xử lý đồ họa (GPU) lên hàng đầu và sử dụng ngôn ngữ kịch bản dễ học.
Phát hiện bất thường trong học sâu là gì?
Sự bất thường là các ngoại lệ hoặc những sai lệch hiếm gặp, không mong đợi ở các điểm dữ liệu. Phát hiện bất thường có nghĩa là tìm ra các mẫu trong dữ liệu không phù hợp với tiêu chuẩn. Sử dụng deep learning để phát hiện sự bất thường có nhiều lợi thế. Bạn có thể làm việc với dữ liệu đa biến và dữ liệu nhiều chiều, đồng thời bạn có thể lập mô hình các mối quan hệ phức tạp.
Mạng lưới thần kinh được sử dụng trong học sâu là gì?
Mạng lưới thần kinh nhân tạo tạo thành xương sống của mọi thứ liên quan đến học sâu. Mạng lưới thần kinh – lấy cảm hứng từ bộ não con người – có thể xác định các mẫu và bắt chước cách bộ não con người học hỏi và phân loại thông tin. Mục tiêu cuối cùng là đào tạo mạng lưới thần kinh sâu để làm việc đó nhanh hơn và tốt hơn con người.
Mạng nơ-ron có hai chức năng chính:
- Phân cụm – phát hiện sự tương đồng trong một nhóm dữ liệu.
- Phân loại – vẽ mối tương quan giữa các dữ liệu.
Mỗi mạng nơ-ron bao gồm một số loại lớp khác nhau – lớp đầu vào, lớp ẩn và lớp đầu ra. Bất kỳ mạng nào có nhiều hơn ba lớp đều được coi là “sâu”. Mỗi lớp đều có một thứ gọi là nút, nút này được xây dựng dựa trên các lớp trước đó để tinh chỉnh và tối ưu hóa các quy trình cũng như tạo ra các hành động cụ thể khi được kích thích.
Học sâu sẽ phát triển như thế nào trong tương lai?
Trong những năm tới, deep learning sẽ tiếp tục là một phần quan trọng trong cuộc thảo luận về quyền riêng tư. Điều quan trọng sẽ là giúp các tổ chức duy trì quyền riêng tư của người dùng, trong khi vẫn tận dụng lợi thế cạnh tranh mà deep learning mang lại bằng cách giải quyết vấn đề nhanh chóng và dễ dàng hơn.
Khi khối lượng dữ liệu của tổ chức tiếp tục tăng lên, học sâu sẽ hữu ích trong việc giải quyết các vấn đề về dữ liệu lớn, trích xuất các mẫu phức tạp và hoàn thành các tác vụ thiết yếu như gắn thẻ, lập chỉ mục và truy xuất dữ liệu.
