Công nghệ máy học (MLT) là thuật ngữ được dùng để mô tả cho đa dạng kiểu công nghệ trí tuệ nhân tạo (AI) trong đó một chương trình máy tính có khả năng sửa đổi bản thân nó. Việc tự sửa đổi này có thể lấy dạng tự cải tiến, hay phát hiệu lỗi, và được thực hiện theo đa dạng cách. Các nhà khoa học máy học quan tâm tới câu hỏi “Làm sao chúng ta có thể lập trình cho cái máy tự động học và cải thiện qua kinh nghiệm?” Để làm điều đó họ phát triển các thuật toán đặc biệt dựa trên các nguyên lí thống kê và tính toán để đề cập tới các quá trình học tập mà đặc trưng cho bản chất nền tảng của kinh nghiệm trong học tập. Về căn bản có hai cách tiếp cận chính: học có giám sát và không giám sát.

Học có giám sát trong công nghệ máy học bao gồm một tập được lựa chọn các dữ liệu và qui tắc mà chương trình phần mềm phải theo để thu được hình mẫu đúng. Chương trình phải thao tác dữ liệu vào để khớp các hình mẫu được cho bởi người lập trình và làm điều chỉnh như được người lập trình chỉ đạo. Học không giám sát, phần mềm được cho một tập dữ liệu, hình mẫu, nhưng làm điều chỉnh mà không có chỉ đạo. Chương trình này về bản chất học bằng thử và sai, không có can thiệp của con người.

Tổ hợp của các thuật toán học có giám sát và không giám sát có thể được dùng để cải tiến khả năng của chương trình AI để cho máy có thể học nhanh hơn và có khả năng đi tới các kết quả đúng. Từ những thuật toán này, có thể phát triển phần mềm cho vận hành máy móc và có khả năng tự sửa khi nó phạm sai lầm. Các sản phẩm phần mềm này bây giờ được dùng trong nhiều cơ xưởng và được xây dựng trong các máy nhỏ để thực hiện tốt hơn và chính xác hơn. Ứng dụng khác của phần mềm này được dùng để nhận diện tiếng nói con người như các chỉ lệnh. Chẳng hạn phần mềm nhận dạng tiếng nói trong điện thoại di động. Người ta mong đợi rằng trong vài năm tới với công nghệ nhận dạng tiếng nói, mọi người có thể nói cho máy tính mà không phải dùng bàn phím hay chuột.

Bên cạnh các thuật toán máy học có giám sát và không giám sát, máy cũng có thể học bằng việc củng cố. Phương pháp này bắt đầu bằng việc để máy quan sát một ví dụ về cách nhiệm vụ được thực hiện và để nó lặp lại từng bước. Học củng cố cung cấp các phản hồi tích cực và tiêu cực cho chương trình khi nó học, cho phép nó cải tiến hiệu năng và tự sửa nó. Kĩ thuật này được dùng phần lớn trong công nghiệp robotics.

Ngày nay máy học là phần then chốt của lĩnh vực trí tuệ nhân tạo với nhiều ứng dụng hữu ích. Chẳng hạn các kĩ thuật máy học được dùng để dự đoán các bệnh nhân y học nào sẽ đáp ứng với cách điều trị nào bằng việc phân tích cơ sở dữ liệu các hồ sơ y tế. Các thuật toán máy học được áp dụng cho robots và tạo khả năng cho chúng học cách di chuyển quanh chướng ngại dựa trên kinh nghiệm chúng thu được từ các cảm biến. Các thuật toán học máy được dùng trong trợ giúp máy tính cho khám phá khoa học mà có tổ hợp các giả thuyết khoa học với dữ liệu thực nghiệm để tự động tạo ra các giả thuyết khoa học cải tiến hơn mà khớp với dữ liệu được quan sát. Chẳng hạn trung tâm gọi điện thoại dùng nhận dạng tiếng nói, thao tác khai phá dữ liệu để tìm thông tin, và giảm khối lượng thời gian cần để cải tiến chương trình máy tính. Chức năng bản chất của những chương trình này là tìm ra cách thức để giảm bớt nhu cầu tham gia của con người, qua các hoạt động được tăng lên của máy móc.

Câu hỏi thường được hỏi là: “Máy có thể thay thế cho con người không?” Câu trả lời đúng là: “Máy có thể làm công việc của con người hiệu quả, hiệu lực và chính xác hơn nhưng nó vẫn cần con người lập trình cho nó. Nó sẽ học để sửa những sai lầm của nó và nghĩ tới cách tiếp cận tốt nhất để giải quyết vấn đề nhưng nó vẫn phải được lập trình bởi con người. Không có các thuật toán máy học dựng sẵn, máy không thể hoạt động được. Khi nhiều robots được xây dựng, khi các máy thông minh hơn được dùng thì nhu cầu về người phần mềm, người có thể thiết kế và lập trình cho thuật toán máy học cũng tăng lên đáng kể.

—-English version—-

Machine learning

Machine Learning technology (MLT) is a term used to describe various types of Artificial Intelligence (AI) technology in which a computer program has the ability to modify itself. This self-modification can take the form of self-improvement, or error-detection, and is implemented in various ways. Machine Learning scientists are concerned with the question “How can we program a machine to automatically learn and to improve with experience?” To do that they develop special algorithms based on statistical and computational principles to address the learning processes that characterize the fundamental nature of experience in learning. Basically there are two major approaches: The supervised and unsupervised learning.

Supervised learning in machine learning technology consists of a selected set of data and rules that the software program must follow to get to the correct patterns. The program must manipulate the input data in order to fit the patterns given by the programmers and make adjustments as directed by the programmer. In unsupervised learning, the software is given the set of data, and patterns, but must make adjustments without direction. The program essentially learns by trial and error, without human intervention.

The combination of supervised and unsupervised learning algorithms can be used to improve the ability of an AI program so the machine can learn faster and be able to come up with correct results. From these algorithms, it is possible to develop software that can operate machine and be able to self correct when it makes mistakes. These software products are now being used in many factories and built into large to small machines for better performance and accuracy. Another application of this software is used to recognize human speech such as instructions. For example speed recognition software in mobile phone. It is expected that in the next few years with speech recognition technology, people can talk to computer without have to use keyboard or mouse.

In addition to supervised and unsupervised machine learning algorithms, machine can also learn by reinforcement. This method starts by having the machine observe an example of how the task is done and have it repeats each step. Reinforcement learning provides positive and negative feedback to the program as it learns, allow it to improve performance and correct itself. This technique is used mostly in robotics industry.

Today machine learning is a key part of the artificial intelligence field with many useful applications. For example machine learning techniques are used to predict which medical patients will respond to which treatments by analyzing databases of medical records. Machine Learning algorithms are applied in robots and enable them to learn how to move around obstacles based on experience they gather from sensors. Machine learning algorithms are used in computer aids for scientific discovery that combine scientific hypotheses with experimental data to automatically produce refined scientific hypotheses that better fit observed data. For example call centers use voice recognition, data mining operations to search for information, and reduces the amount of time necessary to refine computer programs. The essential function of these programs is to find ways to reduce the need for human involvement, through the increased abilities of the machines.

The question often asked is: “Can machine replace people?” The correct answer is: “Machine can do the work of people more effectively, efficiently, and accurately but it still needs people to program it. It will learn to correct its mistakes and think of the best approach to solve problems but it still have to be programmed by people. Without machine learning algorithms built-in, machine cannot function. As more robots are being built, as more intelligent machines are being used the need for software people who can design and program machine learning algorithm is also increased significantly.