Xu hướng công nghệ AI mà các nhà khoa học dữ liệu không thể bỏ qua

Chi phí môi trường và tài chính ngày càng tăng của Deep Learning đang thu hút sự quan tâm của các doanh nghiệp liên quan. Cùng với đó là các kỹ thuật AI mới như Mạng nơ-ron đồ thị và Học tập đối lập là các xu hướng nổi bật trong thời gian gần đây.

Việc ứng dụng AI đang tăng tốc trên khắp các lĩnh vực, được thúc đẩy bởi sự tổng hợp của kết quả rõ ràng, kỳ vọng cao và cơ hội tạo ra rất nhiều tiền. Trong số các khái niệm và kỹ thuật AI mới ra mắt gần như hàng ngày, 10 xu hướng công nghệ AI đặc biệt thu hút sự chú ý của các nhà khoa học dữ liệu.

1. MLOps

MLOps (Machine learning operations, vận hành hệ thống học máy) không phải là một khái niệm mới, nhưng nó là một loại “Ops” mới xuất hiện gần đây để vận hành các mô hình học máy. MLOps tìm cách hiểu những gì hoạt động và không hoạt động trong một mô hình để tạo ra những mô hình đáng tin cậy hơn trong tương lai.

Lee Rehwinkel, Phó chủ tịch bộ phận khoa học của công ty phần mềm bán hàng và định giá B2B, cho biết đây là bước cuối cùng của quá trình xây dựng mô hình học máy và một thực tiễn mà trước đây không được chú ý nhiều.

“Đó là một trong những lý do khiến nhiều mô hình không bao giờ đạt đến kết quả cuối cùng, nhưng điều đó cực kỳ quan trọng, bởi vì bạn xây dựng một mô hình nhưng làm sao bạn biết được thời gian hoạt động của mô hình đó? Nó sẽ đưa ra dự đoán nhanh đến mức nào? Nó có cần được đào tạo hay tái đào tạo lại hay không? “, ông nói.

2. Học tập đối lập (Contrastive Learning)

Học tập đối lập là một kỹ thuật học máy mà ở đó mục tiêu là tìm những thứ tương tự và khác nhau trong một tập dữ liệu không có nhãn. Ví dụ, nó có thể được sử dụng trên cơ sở dữ liệu hình ảnh để tìm các hình ảnh giống nhau.

Cameron Fen, trưởng nhóm nghiên cứu của AI Capital Management , cho biết: “Học tập đối lập đang trở thành mô hình mới trong học tập không giám sát.

“Thông thường, bạn có thể làm điều này với học chuyển tiếp (Transfer Learning), nhưng điều khiến việc học đối lập trở nên thú vị là bạn có thể làm điều này với dữ liệu quá khó để gắn nhãn và với tập dữ liệu lớn hơn nhiều so với việc tinh chỉnh bộ phân loại hình ảnh dựng sẵn trên ImageNet”, ông nói.

>>> Xem thêm: ổ cứng hdd DELL 1.8TB 10K RPM SAS



3. Bộ chuyển đổi (Transformer)

Transformer là một kiến trúc mạng nơ-ron, giống như mạng nơ-ron tuần hoàn (RNN), xử lý dữ liệu đầu vào tuần tự. Nó được sử dụng rộng rãi trong các mô hình ngôn ngữ, bao gồm các ứng dụng dịch ngôn ngữ và chuyển lời nói thành văn bản.

Được tạo ra bởi các nhà nghiên cứu của Google vào năm 2017, Transformer đã thay thế các mô hình RNN phổ biến, chẳng hạn như thuật toán bộ nhớ ngắn hạn dài (LSTM), được sử dụng trong các ứng dụng xử lý ngôn ngữ tự nhiên.

Fen cho biết: Một Transformer “học cách đặt trọng số cao hơn vào những khoảng thời gian mà nó muốn chú ý đến, tạo ra giá trị trung bình có trọng số của đầu vào để đưa vào mô hình”, Fen nói. “Điều này cho phép mô hình được song song hóa và có bộ nhớ dài hơn (so với các mô hình LSTM).

4. Carbon footprint (dấu chân carbon, tồn dư carbon)

Nhu cầu lưu trữ dữ liệu và tính toán cao hơn đối với các workload AI làm tăng lượng khí thải carbon của một công ty trong thời đại mà nhiều quốc gia đang tham gia Thỏa thuận Paris và các thống đốc bang của Hoa Kỳ đang tham gia Liên minh Khí hậu Hoa Kỳ.

Khi các công ty sử dụng nhiều bộ nhớ và máy tính hơn để tận dụng khả năng học sâu, họ đang tăng lượng khí thải carbon của mình, điều này trực tiếp mâu thuẫn với yêu cầu về “kinh doanh bền vững” (giảm phát thải carbon) của doanh nghiệp.

Ravi Guntur, người đứng đầu bộ phận máy học tại Traceable.ai, cho biết: “Có những cạm bẫy xung quanh chi phí của việc chạy học sâu”, cho biết Ravi Guntur, người đứng đầu bộ phận học máy tại Traceable.ai, cho phép bảo mật API và ứng dụng cho các ứng dụng gốc trên đám mây. “Đại học Massachusetts tại Amherst phát hiện ra rằng việc đào tạo một mô hình học sâu [tạo ra 626.000 pound carbon dioxide làm ấm hành tinh], tương đương với lượng phát thải của năm chiếc ô tô trong suốt cuộc đời của chúng”.

5. Chi phí bằng tiền của việc học sâu

Học máy cũng có chi phí bằng tiền! Nghe có vẻ kỳ lạ nhưng hãy xem ví dụ sau. Bạn hoàn toàn có thể chạy mạng nơ-ron trong cả ngày, chỉ để phát hiện ra một vấn đề rất nhỏ. Sẽ có chi phí cho lưu trữ và xử lý dữ liệu, và có thể là thêm thời gian lãng phí của nhà khoa học dữ liệu dành cho việc chờ đợi kết quả.

Guntur nói: “Chi phí của việc học máy đang ảnh hưởng đến các học viên. Chúng tôi liên tục suy nghĩ về việc liệu chúng tôi cần cụm máy tính này hay cụm kia, hay GPU nào. Vì vậy, câu hỏi đặt ra cho nhóm kỹ thuật là, liệu có một thuật toán thay thế nào mà chúng tôi có thể sử dụng để chúng tôi không phải trả trước cho các CPU và GPU mà chúng tôi muốn? Tại sao bạn không thể xây dựng một thuật toán hiệu quả hơn?”

>>> Xem thêm: ổ cứng hdd DELL 2.4TB 10K RPM SAS



6. Đồ thị (Graphs)

Đồ thị là tất cả những gì về các mối quan hệ. Được tạo thành từ các nút/node – đại diện cho một chủ thể, chẳng hạn như người, đối tượng hoặc địa điểm – và các cạnh – đại diện cho các mối quan hệ giữa các nút – đồ thị có thể nắm bắt các mối quan hệ phức tạp.

Mạng nơ-ron đồ thị (GNN) là một loại kiến trúc mạng nơ-ron có thể giúp hiểu các biểu đồ, cho phép mọi người đưa ra các dự đoán về nút hoặc cạnh. Ví dụ: bằng cách sử dụng GNN, ai đó có thể dự đoán thể loại phim mà diễn viên sẽ đóng vai chính hoặc tác dụng phụ của một loại thuốc mới có thể bất hợp pháp.

Guntur cho biết: “Những loại biểu đồ này ngày càng trở nên phổ biến hơn bởi vì nó là thông tin phong phú. Ông nói thêm, thật khó để làm việc với các biểu đồ do chúng chứa bao nhiêu thông tin.

7. Bộ công cụ tích hợp dễ sử dụng hơn

Các nhà khoa học dữ liệu và các lãnh đạo nhóm của họ theo truyền thống buộc phải kết hợp với nhau các công cụ để xây dựng, thử nghiệm, đào tạo và triển khai. Tuy nhiên, trong những năm gần đây, các nhà cung cấp công nghệ tên tuổi đã có được khả năng hoàn thiện các dịch vụ của họ để họ có thể trở thành một cửa hàng tổng hợp.

Điều này cho phép các nhà khoa học dữ liệu sử dụng một nền tảng duy nhất, thay vì nhiều nền tảng và công cụ, để làm việc, loại bỏ các vấn đề phát sinh từ việc vận chuyển dữ liệu và mô hình giữa các công cụ. Nhiều nền tảng trong số này cũng có các ứng dụng ít mã hoặc không có mã, có nghĩa là chúng nhanh hơn và dễ dàng hơn cho các nhà khoa học dữ liệu sử dụng.

Rehwinkel nói: “Tôi có thể xây dựng một mô hình dự đoán rất tốt mà không nhất thiết phải nhúng tay quá sâu vào bất kỳ đoạn mã nào. Nó thực sự giúp tôi tăng tốc khả năng giải quyết vấn đề của mình.”

Công ty cổ phần thương mại Máy Chủ Hà Nội

- Trụ sở Hà Nội: Tầng 1,2,4 - Tòa nhà PmaxLand số 32 ngõ 133 Thái Hà - Q. Đống Đa

Hotline mua hàng Hà Nội: 0979 83 84 84 Điện thoai: 024 6296 6644

- CN Hồ Chí Minh: Lầu 1- Tòa nhà 666/46/29 Đường 3/2- Phường 14 - Quận 10

Hotline mua hàng Hồ Chí Minh: 0945 92 96 96 Điện thoai: 028 2244 9399

- Email: [email protected]

- website: https://maychuhanoi.vn/

- facebook: https://www.facebook.com/maychuhanoi