Artificial intelligence has become deeply embedded in modern society, assisting in medicine, aviation, and urban management, yet the underlying mechanisms created through self-teaching remain largely opaque to computer scientists. Machine learning primarily branches into three foundational methodologies: unsupervised learning, supervised learning, and reinforcement learning. When tasked with analyzing extensive, unlabeled healthcare datasets containing thousands of patient records, unsupervised learning autonomously uncovers underlying similarities and emerging health trends without requiring human direction.
Trí tuệ nhân tạo đã ăn sâu vào đời sống hiện đại, hỗ trợ y học, hàng không và quản lý đô thị, thế nhưng các cơ chế vận hành bên trong được tạo ra qua quá trình tự học vẫn là điều bí ẩn đối với các nhà khoa học máy tính. Học máy chủ yếu phân nhánh thành ba phương pháp nền tảng: học không giám sát, học có giám sát và học tăng cường. Khi xử lý các bộ dữ liệu y tế lớn chưa được gán nhãn gồm hàng ngàn hồ sơ bệnh nhân, học không giám sát tự động khám phá các điểm tương đồng tiềm ẩn và xu hướng bệnh trạng mà không cần con người chỉ dẫn.
Today, artificial intelligence helps doctors diagnose patients, pilots fly commercial aircraft, and city planners predict traffic.
Ngày nay, trí tuệ nhân tạo giúp các bác sĩ chẩn đoán bệnh nhân, hỗ trợ phi công lái máy bay thương mại và giúp các nhà quy hoạch đô thị dự báo tình hình giao thông.
But no matter what these AIs are doing, the computer scientists who designed them likely don’t know exactly how they’re doing it.
Thế nhưng dù các hệ thống AI này đang làm gì, các nhà khoa học máy tính thiết kế ra chúng có thể cũng không biết chính xác chúng làm điều đó bằng cách nào.
This is because artificial intelligence is often self-taught, working off a simple set of instructions to create a unique array of rules and strategies.
Điều này là do trí tuệ nhân tạo thường tự học, dựa trên một tập hợp các chỉ dẫn đơn giản để tự tạo ra một hệ thống quy tắc và chiến lược độc nhất.
So how exactly does a machine learn?
Vậy chính xác thì một cỗ máy học hỏi như thế nào?
There are many different ways to build self-teaching programs.
Có rất nhiều cách khác nhau để xây dựng các chương trình tự học.
But they all rely on the three basic types of machine learning: unsupervised learning, supervised learning, and reinforcement learning.
Nhưng tất cả chúng đều dựa trên ba hình thức học máy cơ bản: học không giám sát (unsupervised learning), học có giám sát (supervised learning) và học tăng cường (reinforcement learning).
To see these in action, let’s imagine researchers are trying to pull information from a set of medical data containing thousands of patient profiles.
Để thấy các phương pháp này hoạt động trong thực tế, hãy tưởng tượng các nhà nghiên cứu đang cố gắng trích xuất thông tin từ một bộ dữ liệu y tế chứa hàng ngàn hồ sơ bệnh nhân.
First up, unsupervised learning.
Đầu tiên là học không giám sát.
This approach would be ideal for analyzing all the profiles to find general similarities and useful patterns.
Cách tiếp cận này rất lý tưởng để phân tích toàn bộ hồ sơ nhằm tìm ra những điểm tương đồng chung và các mô hình hữu ích.
Maybe certain patients have similar disease presentations, or perhaps a treatment produces specific sets of side effects.
Có thể một số bệnh nhân có biểu hiện bệnh tương tự nhau, hoặc một phương pháp điều trị nào đó tạo ra những tác dụng phụ cụ thể.
This broad pattern-seeking approach can be used to identify similarities between patient profiles and find emerging patterns, all without human guidance.
Phương pháp tìm kiếm quy luật diện rộng này có thể được dùng để nhận diện các điểm tương đồng giữa các hồ sơ bệnh nhân và phát hiện những mô hình mới nổi lên, hoàn toàn không cần sự hướng dẫn của con người.