Khi bạn mua một chiếc xe hơi, câu hỏi đầu tiên là mẫu xe nào – Honda Civic giá rẻ để đi lại, hay Chevy Corvette để trông thật phong cách và chạy nhanh, hoặc có thể là Ford F-150 để có sức kéo mạnh mẽ.
Đối với hành trình đến với AI, loại công nghệ mang tính biến đổi nhất trong thời đại của chúng ta, động cơ bạn cần là một mô hình học máy (Machine Learning).
Mô hình học máy là gì?
Mô hình học máy là một biểu hiện của một thuật toán quét qua hàng núi dữ liệu để tìm ra các mẫu hình hoặc đưa ra dự đoán. Được cung cấp dữ liệu, các mô hình học máy (ML) là “động cơ” toán học của trí tuệ nhân tạo.
Ví dụ: mô hình ML cho thị giác máy tính có thể xác định ô tô và người đi bộ trong video thời gian thực. Một để xử lý ngôn ngữ tự nhiên có thể dịch các từ và câu.
Về cơ bản, một mô hình là một biểu diễn toán học của các đối tượng và mối quan hệ của chúng với nhau. Các đối tượng có thể là bất cứ thứ gì, từ “lượt thích” trên một bài đăng trên mạng xã hội cho đến các phân tử trong một thí nghiệm ở phòng lab.
Mô hình ML cho mọi mục đích
Không có ràng buộc nào đối với các đối tượng có thể trở thành các ‘feature’ trong mô hình ML, không có giới hạn đối với việc sử dụng AI. Sự kết hợp là vô hạn.
Các nhà khoa học dữ liệu đã tạo ra toàn bộ các phân nhánh của mô hình học máy cho các mục đích sử dụng khác nhau và rất nhiều cái đang được nghiên cứu.
Phân loại ngắn gọn các mô hình ML
| Loại mô hình ML | Các trường hợp sử dụng |
|---|---|
| Phân loại / hồi quy tuyến tính | Các mẫu trong dữ liệu số, chẳng hạn như bảng tính tài chính |
| Mô hình đồ họa | Phát hiện gian lận hoặc nhận thức tình cảm |
| Cây quyết định / Rừng ngẫu nhiên | Dự đoán kết quả |
| Mạng nơ-ron học sâu | Thị giác máy tính, xử lý ngôn ngữ tự nhiên và hơn thế nữa |
Ví dụ, các mô hình tuyến tính sử dụng đại số để dự đoán mối quan hệ giữa các biến trong các dự báo tài chính. Mô hình đồ thị thể hiện dưới dạng biểu đồ một xác suất, chẳng hạn như liệu người tiêu dùng có chọn mua một sản phẩm hay không. Mượn phép ẩn dụ về các nhánh, một số mô hình ML có dạng cây quyết định hoặc nhóm chúng được gọi là rừng ngẫu nhiên.
Trong đợt bùng nổ của AI vào năm 2012, các nhà nghiên cứu nhận thấy học sâu là một trong những kỹ thuật thành công nhất để tìm ra các mẫu hình và đưa ra dự đoán. Nó sử dụng một loại mô hình học máy được gọi là mạng thần kinh vì nó được lấy cảm hứng từ các mô hình và chức năng của tế bào não.
Mô hình ML cho số đông
Học sâu lấy tên của nó từ cấu trúc của các mô hình học máy. Chúng xếp chồng lên nhau từng lớp các tính năng và mối quan hệ của chúng, tạo thành một chiếc bánh kẹp anh hùng toán học.
Nhờ độ chính xác kỳ lạ trong việc tìm kiếm các mẫu, hai loại mô hình học sâu, được mô tả trong một trình giải thích riêng biệt , đang xuất hiện ở khắp mọi nơi.
Mạng thần kinh chuyển đổi – Convolutional neural networks (CNN), thường được sử dụng trong thị giác máy tính, hoạt động giống như mắt trong các phương tiện tự hành và có thể giúp phát hiện các bệnh trong hình ảnh y tế. Recurrent neural networks (RNN) và các transformers, được điều chỉnh để phân tích ngôn ngữ nói và viết, là các cỗ máy chính của Alexa của Amazon, Google Assistant và Siri của Apple.
Mạng nơ-ron học sâu lấy tên từ cấu trúc nhiều lớp của chúng.
Chọn một mô hình được đào tạo từ trước!
Chọn đúng phân nhánh mô hình – như CNN, RNN hoặc transformer – là một khởi đầu tuyệt vời. Nhưng đó chỉ là sự khởi đầu.
Nếu bạn muốn lái Baja 500, bạn có thể sửa đổi một chiếc xe chuyên chạy địa hình cát với hệ thống giảm xóc hạng nặng và lốp chắc chắn, hoặc bạn có thể mua một chiếc xe được chế tạo cho cuộc đua đó.
Trong học máy, đó được gọi là mô hình đào tạo trước. Nó được điều chỉnh trên tập hợp lớn dữ liệu đào tạo tương tự như dữ liệu trong trường hợp sử dụng của bạn. Các mối quan hệ dữ liệu – được gọi là trọng số và độ lệch – được tối ưu hóa cho ứng dụng dự kiến.
Cần một tập dữ liệu khổng lồ, nhiều kiến thức chuyên môn về AI và cơ bắp máy tính đáng kể để đào tạo một mô hình. Người mua hiểu biết mua sắm các mô hình đã qua đào tạo trước để tiết kiệm thời gian và tiền bạc.
Bạn sẽ liên hệ ở đâu?
Khi bạn tìm mua một mô hình được đào tạo trước, hãy tìm một nhà cung cấp mà bạn có thể tin tưởng.
NVIDIA hiện đang đứng đằng sau một thư viện trực tuyến có tên là NGC Catalog chứa đầy đủ các mô hình đã được kiểm tra và đào tạo trước. Chúng mở rộng phạm vi các công việc AI từ thị giác máy tính, AI đàm thoại và hơn thế nữa.
Người dùng biết những gì họ nhận được vì các mô hình trong danh mục đi kèm với lý lịch. Chúng giống như bằng chứng xác thực của một người tuyển dụng tiềm năng.
Sơ yếu lý lịch của mô hình hiển thị cho bạn miền mà mô hình đã được đào tạo, tập dữ liệu đã đào tạo nó và cách nó dự kiến sẽ hoạt động. Chúng cung cấp sự minh bạch và tự tin rằng bạn đang chọn mô hình phù hợp cho trường hợp sử dụng của mình.
Tài nguyên khác cho Mô hình ML
Hơn nữa, các mô hình NGC đã sẵn sàng cho việc học chuyển tiếp . Đó là bước điều chỉnh cuối cùng mô phỏng các mô hình về điều kiện đường chính xác mà chúng sẽ đi qua – dữ liệu ứng dụng của bạn.
NVIDIA thậm chí còn cung cấp các công cụ cấu hình để điều chỉnh mô hình NGC của bạn. Nó được gọi là TAO và bạn đã có thể đăng ký để truy cập sớm vào nó ngay bây giờ.
Nguồn NVIDIA
Bài viết liên quan
- AI trong ngành Logistics: Những lợi ích chính và ứng dụng
- Máy chủ tăng tốc cho AI thúc đẩy tăng trưởng chi tiêu cho trung tâm dữ liệu
- Xây dựng hệ thống dữ liệu hiệu suất cao cho AI với VAST Data Platform
- LLM: Lịch sử và tương lai của các mô hình ngôn ngữ lớn
- Máy chủ Supermicro X14: Hiệu suất mạnh mẽ, hiệu quả tối đa cho AI, Cloud, Storage, 5G/Edge
- NVIDIA HGX AI Supercomputer: Nền tảng điện toán AI hàng đầu thế giới