Giới thiệu
Ngành học máy đang chứng kiến sự phát triển vượt bậc, khiến nhiều người tự hỏi: "Liệu máy móc có thể thông minh hơn con người?" Trong quá trình nghiên cứu về lĩnh vực này, tôi nhận thấy sự tương đồng thú vị giữa các thuật toán và cách thức con người ra quyết định.
Trong bài viết này, tôi sẽ chia sẻ quan điểm của mình về cách con người đưa ra quyết định thông qua lăng kính của thuật toán học máy. Tôi không có ý định đơn giản hóa tâm trí con người hay thổi phồng sức mạnh của AI. Mục tiêu là tạo ra một cái nhìn sâu sắc về mối quan hệ giữa máy móc và con người.
Bài viết sẽ được trình bày như sau:
- Mô tả khái quát về thuật toán học máy, tập trung vào các khái niệm cốt lõi.
- Phân tích sự tương đồng giữa quyết định của con người và thuật toán.
- Kết luận và tổng hợp các ý kiến đã bàn luận.
Mô tả Thuật Toán Học Máy
Hãy bắt đầu với một ví dụ từ thuật toán hồi quy tuyến tính (Linear Regression). Ở trong thuật toán này, dự đoán của mô hình được xác định theo một công thức, nơi mà các trọng số (P_0, P_1) sẽ được điều chỉnh nhằm tối ưu hóa độ chính xác giữa dự đoán và dữ liệu thực tế.
Quá trình học của thuật toán thường thực hiện theo các bước sau:
- Đưa ra dự đoán.
- So sánh kết quả dự đoán với dữ liệu thực tế, từ đó đánh giá hiệu quả.
- Dựa vào đánh giá đó, trọng số sẽ được điều chỉnh.
- Lặp lại quá trình cho đến khi đạt được độ chính xác mong muốn.
Hãy xem sự so sánh giữa con người và thuật toán.
Mỗi thuật toán, dù ở phương pháp học nào, đều phải trải qua các hoạt động như: trọng số, bộ dữ liệu và cách thức học. Tùy thuộc vào phương pháp học, sự tham chiếu qua lại giữa kết quả và dữ liệu thực tế luôn là yêu cầu cần thiết, ví dụ:
- Trong học giám sát, sự tham chiếu này là kết quả dự đoán so với giá trị thực.
- Trong học không giám sát, các điểm dữ liệu sẽ được đánh giá dựa trên sự tương đồng hoặc khoảng cách giữa chúng.
Tôi tin rằng, khi con người phát triển máy móc, họ đã cài cắm phần nào bản năng, tư duy của mình vào thiết kế thuật toán. Điều này dẫn đến việc các thuật toán học máy có phần nào giống với cách mà con người hoạt động. Nhìn về tương lai, có thể một ngày nào đó, máy móc sẽ mô phỏng được các quá trình ra quyết định của con người một cách chi tiết hơn.
Một ví dụ thú vị là khi bạn hỏi một người đường đến cửa nhà mình. Họ có thể chỉ cho bạn một con đường đơn giản, nhưng không nhất thiết phải là đường ngắn nhất. Điều này cho thấy rằng trong hành động của chúng ta luôn có một hệ tham chiếu – cho dù là thời gian hay quãng đường – và chúng ta được đào tạo để tối ưu hóa hành động của mình dựa trên hệ thống tham chiếu đó.
Ngoài ra, trong lĩnh vực học củng cố (Reinforcement Learning), cụ thể hơn là framework học từ phản hồi của con người (Reinforcement Learning from Human Feedback - RLHF), máy móc có thể tiếp thu phản hồi từ con người và liên tục điều chỉnh mình. Cách tiếp cận này phản ánh quá trình mà con người đã điều chỉnh bản thân dựa trên những gì học hỏi từ môi trường xung quanh.
Kết luận
Mặc dù sự khác biệt giữa con người và máy tính là rất lớn, và nếu quan sát kỹ lưỡng, chúng ta sẽ thấy con người có những khả năng vượt trội, tôi không thể phủ nhận rằng máy móc hiện nay có thể xử lý thông tin với độ chính xác và khối lượng vô cùng lớn. Với công nghệ ngày càng phát triển, không có gì ngạc nhiên khi máy móc ngày càng tiến bộ hơn trong việc bắt chước và thay thế các hoạt động của con người. Như vậy, sự phát triển của thuật toán học máy không chỉ là một bước tiến trong công nghệ, mà còn mở ra nhiều cơ hội và thách thức trong mối quan hệ giữa con người và máy móc.
source: viblo
