07/02/2023 - 04:31 PM 302 lượt xem Cỡ chữ Machine Learning là gì? Machine Learing (dịch sang tiếng Việt là Học máy) là một nhánh của trí tuệ nhân tạo (AI - Artificial Intelligence) và khoa học máy tính, tập trung vào việc sử dụng dữ liệu và thuật toán để bắt chước cách học của con người, dần dần cải thiện độ chính xác của nó. IBM có một lịch sử phong phú với học máy. Một trong số đó, Arthur Samuel, được ghi nhận là người đã đặt ra thuật ngữ, Học máy “machine learning” với nghiên cứu của ông (PDF, 481 KB) (liên kết nằm bên ngoài IBM) xung quanh trò chơi cờ caro. Robert Nealey, bậc thầy môn cờ này, đã chơi trò chơi này trên máy tính IBM 7094 vào năm 1962 và ông đã thua máy tính. So với những gì làm được hiện nay, kỳ tích này có vẻ tầm thường, nhưng nó được coi là một cột mốc quan trọng trong lĩnh vực trí tuệ nhân tạo. Trong vài thập kỷ qua, những tiến bộ công nghệ về khả năng lưu trữ và xử lý đã cho phép một số sản phẩm sáng tạo dựa trên học máy, chẳng hạn như công cụ đề xuất của Netflix và ô tô tự lái. Học máy là một thành phần quan trọng trong lĩnh vực khoa học dữ liệu đang phát triển. Thông qua việc sử dụng các phương pháp thống kê, các thuật toán được đào tạo để phân loại hoặc dự đoán và khám phá những hiểu biết chính trong các dự án khai thác dữ liệu. Những thông tin chi tiết này sau đó sẽ thúc đẩy quá trình ra quyết định trong các ứng dụng và doanh nghiệp, tác động lý tưởng đến các chỉ số tăng trưởng chính. Khi dữ liệu lớn tiếp tục mở rộng và phát triển, nhu cầu thị trường đối với các nhà khoa học dữ liệu sẽ tăng lên. Họ sẽ được yêu cầu giúp xác định các câu hỏi kinh doanh phù hợp nhất và dữ liệu để trả lời chúng. Các thuật toán học máy thường được tạo bằng cách sử dụng các khung tăng tốc phát triển giải pháp, chẳng hạn như TensorFlow và PyTorch. Machine Learning vs. Deep Learning vs. Neural Networks Vì học sâu “Deep learning” và học máy “Machine learning” có xu hướng được sử dụng thay thế cho nhau, nên cần lưu ý các sắc thái giữa hai loại này. Học máy “Machine learning”, học sâu “Deep Learning” và mạng thần kinh “neural networks” đều là các lĩnh vực phụ của trí tuệ nhân tạo. Tuy nhiên, mạng thần kinh “neural networks” thực sự là một lĩnh vực phụ của học máy và học sâu là một lĩnh vực phụ của mạng thần kinh. Cách mà học sâu “Deep learning” và học máy “Machine learning” khác nhau là cách mỗi thuật toán học. Học máy "sâu" có thể sử dụng tập dữ liệu được gắn nhãn, còn được gọi là học có giám sát, để cung cấp thông tin cho thuật toán của nó, nhưng nó không nhất thiết yêu cầu tập dữ liệu được gắn nhãn. Học sâu có thể nhập dữ liệu phi cấu trúc ở dạng thô (ví dụ: văn bản hoặc hình ảnh) và nó có thể tự động xác định tập hợp các tính năng phân biệt các loại dữ liệu khác nhau với nhau. Điều này giúp loại bỏ một số sự can thiệp của con người cần thiết và cho phép sử dụng các tập dữ liệu lớn hơn. Bạn có thể coi học sâu là "học máy có thể mở rộng" như Lex Fridman đã lưu ý trong bài giảng MIT này (01:08:05) (liên kết nằm bên ngoài IBM). Theo quan điểm truyền thống, hoặc học máy không sâu "Non-deep", học máy phụ thuộc nhiều hơn vào sự can thiệp của con người để học. Các chuyên gia về con người xác định tập hợp các tính năng để hiểu sự khác biệt giữa các đầu vào dữ liệu, thường yêu cầu dữ liệu có cấu trúc hơn để tìm hiểu. Mạng thần kinh “Neural networks” hoặc mạng thần kinh nhân tạo (ANN - Artificial Neural networks ) bao gồm các lớp nút “Node Layers”, chứa lớp đầu vào “input layer”, một hoặc nhiều lớp ẩn “hidden layers” và lớp đầu ra “output layer”. Mỗi nút “node”, hoặc thần kinh nhân tạo “Artificial neuron”, kết nối với nút khác và có trọng số và ngưỡng liên quan. Nếu đầu ra của bất kỳ nút riêng lẻ nào cao hơn giá trị ngưỡng đã chỉ định, nút đó sẽ được kích hoạt, gửi dữ liệu đến lớp tiếp theo của mạng. Mặt khác, không có dữ liệu nào được chuyển đến lớp tiếp theo của mạng bởi nút đó. “Deep” trong học sâu chỉ đề cập đến số lớp trong mạng thần kinh. Một mạng thần kinh bao gồm nhiều hơn ba lớp—bao gồm đầu vào và đầu ra—có thể được coi là một thuật toán học sâu hoặc mạng thần kinh sâu. Một mạng thần kinh chỉ có ba lớp chỉ là một mạng thần kinh cơ bản. Học sâu và mạng thần kinh được cho là đã đẩy nhanh tiến độ trong các lĩnh vực như thị giác máy tính, xử lý ngôn ngữ tự nhiên và nhận dạng giọng nói. Xem bài đăng trên blog “AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: Đâu là sự khác biệt?” để có cái nhìn sâu hơn về mối quan hệ giữa các khái niệm khác nhau. Cách Machine Learning hoạt động UC Berkeley (liên kết nằm bên ngoài IBM) chia hệ thống học của thuật toán học máy thành ba phần chính. Quy trình ra quyết định “Decision Process”: Nói chung, các thuật toán học máy được sử dụng để đưa ra dự đoán hoặc phân loại. Dựa trên một số dữ liệu đầu vào, có thể được gắn nhãn hoặc không gắn nhãn, thuật toán của bạn sẽ đưa ra ước tính về một mẫu trong dữ liệu. Hàm lỗi “Error Functions”: Hàm lỗi đánh giá dự đoán của mô hình. Nếu có các ví dụ đã biết, một hàm lỗi có thể so sánh để đánh giá độ chính xác của mô hình. Quy trình tối ưu hóa mô hình (Model Optimization Process): Nếu mô hình có thể phù hợp hơn với các điểm dữ liệu trong tập huấn luyện, thì các trọng số sẽ được điều chỉnh để giảm sự khác biệt giữa ví dụ đã biết và ước tính mô hình. Thuật toán sẽ lặp lại quy trình “đánh giá và tối ưu hóa” này, cập nhật trọng số một cách tự động cho đến khi đạt đến ngưỡng chính xác. Các phương pháp học máy Machine Learning Các mô hình học máy được chia thành ba loại chính. Học máy có giám sát Học có giám sát “Supervised learning”, còn được gọi là học máy có giám sát “Supervised machine learning”, được xác định bằng cách sử dụng các bộ dữ liệu được gắn nhãn để huấn luyện các thuật toán nhằm phân loại dữ liệu hoặc dự đoán kết quả một cách chính xác. Khi dữ liệu đầu vào được đưa vào mô hình, mô hình sẽ điều chỉnh trọng số của nó cho đến khi nó được điều chỉnh phù hợp. Điều này xảy ra như là một phần của quy trình xác thực chéo để đảm bảo rằng mô hình tránh trang bị thừa hoặc thiếu. Học có giám sát giúp các tổ chức giải quyết nhiều vấn đề trong thế giới thực ở quy mô lớn, chẳng hạn như phân loại thư rác trong một thư mục riêng biệt khỏi hộp thư đến của bạn. Một số phương pháp được sử dụng trong học có giám sát bao gồm mạng thần kinh “neural networks”, bayes ngây thơ “naïve bayes”, hồi quy tuyến tính “linear regression”, hồi quy logistic “logistic regression”, rừng ngẫu nhiên “random forest” và máy vectơ hỗ trợ (SVM - Support vector machine). Học máy không giám sát Học không giám sát “Unsupervised learning”, còn được gọi là học máy không giám sát “unsupervised machine learning”, sử dụng các thuật toán học máy để phân tích và phân cụm các tập dữ liệu không được gắn nhãn. Các thuật toán này khám phá các mẫu hoặc nhóm dữ liệu ẩn mà không cần sự can thiệp của con người. Khả năng khám phá những điểm tương đồng và khác biệt về thông tin của phương pháp này khiến nó trở nên lý tưởng cho việc phân tích dữ liệu khám phá, chiến lược bán chéo, phân khúc khách hàng cũng như nhận dạng hình ảnh và mẫu. Nó cũng được sử dụng để giảm số lượng các tính năng trong một mô hình thông qua quá trình giảm kích thước. Phân tích thành phần chính (PCA - Principal component analysis) và phân tích giá trị đơn lẻ (SVD - Singular value decomposition) là hai cách tiếp cận phổ biến cho việc này. Các thuật toán khác được sử dụng trong học tập không giám sát bao gồm mạng thần kinh “Neural networks”, phương pháp phân cụm k-means “k-means clustering” và phương pháp phân cụm xác suất “probabilistic clustering methods”. Học bán giám sát Học bán giám sát “Semi-supervised learning” cung cấp một phương tiện trung gian giữa học có giám sát và không giám sát. Trong quá trình đào tạo, nó sử dụng tập dữ liệu được gắn nhãn nhỏ hơn để hướng dẫn phân loại và trích xuất tính năng từ tập dữ liệu lớn hơn, không được gắn nhãn. Học bán giám sát có thể giải quyết vấn đề không có đủ dữ liệu được gán nhãn cho thuật toán học có giám sát. Nó cũng hữu ích nếu việc dán nhãn đủ dữ liệu quá tốn kém. Để tìm hiểu sâu hơn về sự khác biệt giữa các phương pháp này, hãy xem "Học có giám sát so với học không giám sát: Điểm khác biệt là gì?" Học máy tăng cường Học máy tăng cường “Reinforcement machine learning” là một mô hình máy học tương tự như học có giám sát, nhưng thuật toán không được đào tạo bằng dữ liệu mẫu. Mô hình này học hỏi bằng cách sử dụng thử và sai. Một chuỗi các kết quả thành công sẽ được củng cố để phát triển khuyến nghị hoặc chính sách tốt nhất cho một vấn đề nhất định. Hệ thống IBM Watson® đã chiến thắng cuộc thi Jeopardy! thử thách năm 2011 là một ví dụ điển hình. Hệ thống đã sử dụng phương pháp học tăng cường để biết khi nào nên cố gắng trả lời (hoặc có thể nói là câu hỏi), nên chọn hình vuông nào trên bàn cờ và đặt cược bao nhiêu — đặc biệt là vào các cược đôi hàng ngày. Tìm hiểu thêm về học tăng cường. Các thuật toán học máy phổ biến Một số thuật toán học máy thường được sử dụng. Bao gồm các: Mạng thần kinh “Neural networks”: Mạng thần kinh mô phỏng cách thức hoạt động của bộ não con người, với một số lượng lớn các nút xử lý được liên kết. Mạng thần kinh rất tốt trong việc nhận dạng các mẫu và đóng vai trò quan trọng trong các ứng dụng bao gồm dịch ngôn ngữ tự nhiên “Natural language translation”, nhận dạng hình ảnh “Image recognition”, nhận dạng giọng nói “speech recognition” và tạo hình ảnh “Image creation”. Hồi quy tuyến tính “Linear regression”: Thuật toán này được sử dụng để dự đoán các giá trị số, dựa trên mối quan hệ tuyến tính giữa các giá trị khác nhau. Ví dụ, kỹ thuật này có thể được sử dụng để dự đoán giá nhà dựa trên dữ liệu lịch sử của khu vực. Hồi quy logistic “Logistic regression”: Thuật toán học có giám sát này đưa ra dự đoán cho các biến phản hồi phân loại, chẳng hạn như câu trả lời “có/không” cho các câu hỏi. Nó có thể được sử dụng cho các ứng dụng như phân loại thư rác và kiểm soát chất lượng trên dây chuyền sản xuất. Phân cụm ”Clustering”: Sử dụng phương pháp học không giám sát, các thuật toán phân cụm có thể xác định các mẫu trong dữ liệu để có thể nhóm lại. Máy tính có thể giúp các nhà khoa học dữ liệu bằng cách xác định sự khác biệt giữa các mục dữ liệu mà con người đã bỏ qua. Cây quyết định “Decision trees”: Cây quyết định có thể được sử dụng cho cả dự đoán giá trị số (hồi quy) và phân loại dữ liệu thành các danh mục. Cây quyết định sử dụng một chuỗi phân nhánh của các quyết định được liên kết có thể được biểu diễn bằng sơ đồ cây. Một trong những ưu điểm của cây quyết định là chúng dễ dàng xác thực và kiểm toán, không giống như hộp đen của mạng thần kinh. Rừng ngẫu nhiên “Random forests”: Trong một rừng ngẫu nhiên, thuật toán học máy dự đoán một giá trị hoặc danh mục bằng cách kết hợp các kết quả từ một số cây quyết định. Các trường hợp sử dụng máy học trong thế giới thực Đây chỉ là một vài ví dụ về học máy mà bạn có thể gặp hàng ngày: Nhận dạng giọng nói “Speech recognition”: Nó còn được gọi là nhận dạng giọng nói tự động (ASR - Automatic Speech Recognition), nhận dạng giọng nói bằng máy tính hoặc chuyển giọng nói thành văn bản và đây là khả năng sử dụng quá trình xử lý ngôn ngữ tự nhiên (NLP - Natural Language Processing ) để dịch lời nói của con người sang định dạng viết. Nhiều thiết bị di động tích hợp tính năng nhận dạng giọng nói vào hệ thống của chúng để tiến hành tìm kiếm bằng giọng nói—ví dụ: Siri—hoặc cải thiện khả năng truy cập để nhắn tin. Dịch vụ khách hàng “Customer service”: Các chatbot trực tuyến đang thay thế các đại lý con người trong suốt quá trình phục vụ khách hàng của doanh nghiệp, thay đổi cách chúng ta nghĩ về sự tương tác của khách hàng trên các trang web và nền tảng truyền thông xã hội. Chatbots trả lời các câu hỏi thường gặp (FAQ) về các chủ đề như vận chuyển hoặc cung cấp lời khuyên được cá nhân hóa, bán chéo sản phẩm hoặc đề xuất kích thước cho người dùng. Ví dụ như các đại lý ảo trên các trang web thương mại điện tử; bot nhắn tin, sử dụng Slack và Facebook Messenger; và các tác vụ thường được thực hiện bởi trợ lý ảo và trợ lý giọng nói. Thị giác máy tính “Computer vision”: Công nghệ AI này cho phép máy tính lấy thông tin có ý nghĩa từ hình ảnh kỹ thuật số, video và các đầu vào trực quan khác, sau đó thực hiện hành động thích hợp. Được hỗ trợ bởi các mạng thần kinh tích chập, thị giác máy tính có các ứng dụng trong việc gắn thẻ ảnh trên phương tiện truyền thông xã hội, chụp ảnh X quang trong chăm sóc sức khỏe và ô tô tự lái trong ngành công nghiệp ô tô. Công cụ đề xuất “Recommendation engines”: Sử dụng dữ liệu hành vi tiêu dùng trong quá khứ, thuật toán AI có thể giúp khám phá các xu hướng dữ liệu có thể được sử dụng để phát triển các chiến lược bán kèm hiệu quả hơn. Phương pháp này được các nhà bán lẻ trực tuyến sử dụng để đưa ra các đề xuất sản phẩm phù hợp cho khách hàng trong quá trình thanh toán. Giao dịch chứng khoán tự động “Automated stock trading”: Được thiết kế để tối ưu hóa danh mục đầu tư chứng khoán, các nền tảng giao dịch tần suất cao do AI điều khiển thực hiện hàng nghìn, thậm chí hàng triệu giao dịch mỗi ngày mà không cần sự can thiệp của con người. Phát hiện gian lận “Fraud detection”: Các ngân hàng và tổ chức tài chính khác có thể sử dụng máy học để phát hiện các giao dịch đáng ngờ. Học có giám sát có thể đào tạo một mô hình bằng cách sử dụng thông tin về các giao dịch gian lận đã biết. Tính năng phát hiện bất thường có thể xác định các giao dịch có vẻ không điển hình và cần được điều tra thêm. Những thách thức của học máy Khi công nghệ máy học phát triển, chắc chắn nó đã làm cho cuộc sống của chúng ta dễ dàng hơn. Tuy nhiên, việc triển khai máy học trong các doanh nghiệp cũng làm dấy lên một số lo ngại về đạo đức đối với công nghệ AI. Một số trong số này bao gồm: Điểm kỳ dị công nghệ Trong khi chủ đề này thu hút rất nhiều sự chú ý của công chúng, nhiều nhà nghiên cứu không quan tâm đến ý tưởng AI sẽ vượt qua trí thông minh của con người trong tương lai gần. Điểm kỳ dị công nghệ “Technological singularity” còn được gọi là trí tuệ nhân tạo mạnh mẽ “strong AI” hoặc siêu trí tuệ “superintelligence”. Triết gia Nick Bostrum định nghĩa siêu trí tuệ là “bất kỳ trí tuệ nào vượt trội hơn rất nhiều so với bộ não tốt nhất của con người trong thực tế mọi lĩnh vực, bao gồm khả năng sáng tạo khoa học, trí tuệ chung và kỹ năng xã hội”. Mặc dù thực tế là trí tuệ siêu việt chưa xuất hiện trong xã hội, nhưng ý tưởng về nó đặt ra một số câu hỏi thú vị khi chúng ta xem xét việc sử dụng các hệ thống tự trị “Autonomous systems”, chẳng hạn như ô tô tự lái. Thật không thực tế khi nghĩ rằng một chiếc xe không người lái sẽ không bao giờ gặp tai nạn, nhưng ai chịu trách nhiệm và chịu trách nhiệm pháp lý trong những trường hợp đó? Chúng ta có nên tiếp tục phát triển các phương tiện tự trị hay chỉ giới hạn công nghệ này ở các phương tiện bán tự trị giúp mọi người lái xe an toàn? Ban giám khảo vẫn chưa đồng ý về vấn đề này, nhưng đây là những kiểu tranh luận về đạo đức đang diễn ra khi công nghệ AI mới, sáng tạo phát triển. AI tác động đến việc làm Trong khi rất nhiều nhận thức của công chúng về các trung tâm trí tuệ nhân tạo xung quanh tình trạng mất việc làm, mối quan tâm này có lẽ nên được điều chỉnh lại. Với mỗi công nghệ mới, mang tính đột phá, chúng tôi thấy rằng nhu cầu thị trường đối với các vai trò công việc cụ thể sẽ thay đổi. Ví dụ, khi chúng ta xem xét ngành công nghiệp ô tô, nhiều nhà sản xuất, như GM, đang chuyển sang tập trung vào sản xuất xe điện để phù hợp với các sáng kiến xanh. Ngành năng lượng sẽ không biến mất, nhưng nguồn năng lượng đang chuyển từ tiết kiệm nhiên liệu sang sử dụng điện. Theo cách tương tự, trí tuệ nhân tạo sẽ chuyển nhu cầu việc làm sang các lĩnh vực khác. Sẽ cần có những cá nhân giúp quản lý hệ thống AI. Sẽ vẫn cần có người giải quyết các vấn đề phức tạp hơn trong các ngành có nhiều khả năng bị ảnh hưởng bởi sự thay đổi nhu cầu việc làm, chẳng hạn như dịch vụ khách hàng. Thách thức lớn nhất với trí tuệ nhân tạo và ảnh hưởng của nó đối với thị trường việc làm sẽ là giúp mọi người chuyển đổi sang những vai trò mới đang được yêu cầu. Sự riêng tư Quyền riêng tư có xu hướng được thảo luận trong bối cảnh quyền riêng tư dữ liệu, bảo vệ dữ liệu và bảo mật dữ liệu. Những mối quan tâm này đã cho phép các nhà hoạch định chính sách đạt được nhiều bước tiến hơn trong những năm gần đây. Ví dụ: vào năm 2016, luật GDPR đã được tạo ra để bảo vệ dữ liệu cá nhân của những người ở Liên minh Châu Âu và Khu vực Kinh tế Châu Âu, giúp các cá nhân có nhiều quyền kiểm soát hơn đối với dữ liệu của họ. Tại Hoa Kỳ, các tiểu bang riêng lẻ đang xây dựng các chính sách, chẳng hạn như Đạo luật về quyền riêng tư của người tiêu dùng California (CCPA), được ban hành vào năm 2018 và yêu cầu các doanh nghiệp thông báo cho người tiêu dùng về việc thu thập dữ liệu của họ. Những luật như thế này đã buộc các công ty phải suy nghĩ lại về cách họ lưu trữ và sử dụng thông tin nhận dạng cá nhân (PII). Do đó, các khoản đầu tư vào bảo mật ngày càng trở thành ưu tiên hàng đầu của các doanh nghiệp khi họ tìm cách loại bỏ mọi lỗ hổng và cơ hội để giám sát, hack và tấn công mạng. Thiên vị và phân biệt đối xử Các trường hợp thiên vị và phân biệt đối xử trong một số hệ thống máy học đã đặt ra nhiều câu hỏi về đạo đức liên quan đến việc sử dụng trí tuệ nhân tạo. Làm cách nào chúng ta có thể bảo vệ chống lại sự thiên vị và phân biệt đối xử khi chính dữ liệu đào tạo có thể được tạo ra bởi các quy trình thiên vị của con người? Mặc dù các công ty thường có ý định tốt cho các nỗ lực tự động hóa của họ, nhưng Reuters (liên kết nằm bên ngoài IBM)) nêu bật một số hậu quả không lường trước được của việc kết hợp AI vào các hoạt động tuyển dụng. Trong nỗ lực tự động hóa và đơn giản hóa một quy trình, Amazon đã vô tình phân biệt đối xử với các ứng viên theo giới tính đối với các vị trí kỹ thuật và cuối cùng công ty đã phải hủy bỏ dự án. Harvard Business Review (liên kết nằm bên ngoài IBM) đã đặt ra những câu hỏi quan trọng khác về việc sử dụng AI trong thực tiễn tuyển dụng, chẳng hạn như dữ liệu nào bạn có thể sử dụng khi đánh giá ứng viên cho một vai trò. Sự thiên vị và phân biệt đối xử cũng không chỉ giới hạn ở bộ phận nhân sự; chúng có thể được tìm thấy trong một số ứng dụng từ phần mềm nhận dạng khuôn mặt đến các thuật toán truyền thông xã hội. Khi các doanh nghiệp nhận thức rõ hơn về những rủi ro với AI, họ cũng trở nên tích cực hơn trong cuộc thảo luận này về các giá trị và đạo đức của AI. Ví dụ, IBM đã ngừng sản xuất các sản phẩm phân tích và nhận dạng khuôn mặt cho mục đích chung. Giám đốc điều hành IBM Arvind Krishna đã viết: “IBM kiên quyết phản đối và sẽ không tha thứ cho việc sử dụng bất kỳ công nghệ nào, kể cả công nghệ nhận dạng khuôn mặt do các nhà cung cấp khác cung cấp, để giám sát hàng loạt, lập hồ sơ chủng tộc, vi phạm các quyền và tự do cơ bản của con người hoặc bất kỳ mục đích nào không nhất quán. với các giá trị và Nguyên tắc Tin cậy và Minh bạch của chúng ta.” Trách nhiệm giải trình Vì không có luật quan trọng để điều chỉnh các hoạt động của AI, nên không có cơ chế thực thi thực sự nào để đảm bảo rằng AI có đạo đức được thực hành. Các khuyến khích hiện tại để các công ty trở nên có đạo đức là những hậu quả tiêu cực của một hệ thống AI phi đạo đức ở điểm mấu chốt. Để lấp đầy khoảng trống, các khuôn khổ đạo đức đã xuất hiện như một phần của sự hợp tác giữa các nhà đạo đức và nhà nghiên cứu để quản lý việc xây dựng và phân phối các mô hình AI trong xã hội. Tuy nhiên, tại thời điểm này, những điều này chỉ phục vụ để hướng dẫn. Một số nghiên cứu (liên kết nằm bên ngoài IBM) (PDF, 1 MB) cho thấy rằng sự kết hợp giữa trách nhiệm phân tán và việc thiếu tầm nhìn xa đối với các hậu quả có thể xảy ra không có lợi cho việc ngăn ngừa tác hại cho xã hội. Đọc thêm về quan điểm của IBM về Đạo đức AI. Các giải pháp liên quan Deep learning Thiết kế mạng lưới thần kinh phức tạp. Thử nghiệm trên quy mô lớn để triển khai các mô hình học tập được tối ưu hóa trong IBM Watson Studio. Khám phá học sâu Deep learning Predictive analytics Phân tích dữ liệu và xây dựng các mô hình phân tích để dự đoán kết quả trong tương lai. Khám phá những rủi ro và cơ hội cho doanh nghiệp của bạn. Khám phá phân tích dự đoán Predictive analytics Build apps with natural language processing NLP là AI nói ngôn ngữ kinh doanh của bạn. Xây dựng các giải pháp thúc đẩy ROI 383% trong ba năm với IBM Watson Discovery. Khám phá việc tạo các ứng dụng với NLP Tham khảo thêm Whitepaper AI trong doanh nghiệp, 2021: Giải phóng cơ hội thông qua dữ liệu Công nghệ AI đã phát triển nhanh chóng trong vài thập kỷ qua. Tìm hiểu cách các doanh nghiệp đang triển khai AI ngày nay. Đăng ký và tải về Nghiên cứu thị trường Gartner Magic Quadrant cho nền tảng khoa học dữ liệu và máy học Tìm hiểu các công cụ mà các doanh nghiệp sử dụng để chạy và quản lý mô hình AI một cách hiệu quả, đồng thời trao quyền cho nhà khoa học dữ liệu của họ bằng công nghệ có thể giúp tối ưu hóa quá trình ra quyết định dựa trên dữ liệu của họ. Tìm hiểu thêm PDF (1.8 MB) Sách điện tử học máy dành cho người giả Khám phá cách máy học cho phép bạn liên tục học hỏi từ dữ liệu và dự đoán tương lai. Đọc sách eBook Nguồn: https://www.ibm.com/topics/containers?lnk=fle Về trang trước Gửi email In trang Tweet
Linux container là gì? 08/01/2024 175 lượt xem Linux® container là một tập hợp gồm 1 hoặc nhiều tiến trình được tách biệt khỏi phần còn lại của hệ thống. Tất cả các tệp cần thiết để chạy chúng đều được cung cấp từ một ảnh image riêng biệt, nghĩa là các Linux containers có tính di động và nhất quán khi chúng chuyển từ giai đoạn phát triển, thử nghiệm và cuối cùng là sản xuất. Điều này làm cho chúng được sử dụng nhanh hơn nhiều so với các quy trình phát triển dựa vào việc sao chép các môi trường thử nghiệm truyền thống. Do tính phổ biến và dễ sử dụng của chúng, các container cũng là một phần quan trọng trong bảo mật CNTT.
Container orchestration là gì? 08/01/2024 181 lượt xem Điều phối vùng chứa “Container orchestration” tự động hóa việc triển khai, quản lý, mở rộng quy mô và kết nối mạng các vùng chứa “Containers”. Các doanh nghiệp cần triển khai và quản lý hàng trăm hoặc hàng nghìn Linux® container và máy chủ hosts có thể hưởng lợi từ việc điều phối vùng chứa.
Containers vs VMs 08/01/2024 171 lượt xem Containers và Máy ảo “Virtual machines (VMs)” là 2 phương pháp tiếp cận Môi trường điện toán đóng gói “Packaging Computing Environments” kết hợp nhiều thành phần CNTT “IT Components” khác nhau và tách biệt chúng khỏi phần còn lại của hệ thống. Sự khác biệt chính giữa cả hai là những thành phần nào được tách biệt, do đó ảnh hưởng đến quy mô và tính di động của từng phương pháp.
Máy ảo (VM) là gì? 08/01/2024 177 lượt xem Máy ảo (tiếng Anh là Virtual Machine, viết tắt là VM) là một môi trường ảo hoạt động như một hệ thống máy tính ảo với CPU, bộ nhớ, giao diện mạng và bộ lưu trữ riêng, được tạo trên hệ thống phần cứng vật lý (nằm ngoài hoặc tại chỗ). Phần mềm được gọi là bộ ảo hóa hay Trình ảo hóa “Hypervisor” sẽ tách các tài nguyên của máy khỏi phần cứng và cung cấp chúng một cách thích hợp để VM có thể sử dụng chúng.
KVM là gì? 08/01/2024 171 lượt xem Kernel-based Virtual Machine (KVM) (tiếng Việt: Máy ảo dựa trên nhân hệ điều hành) là một công nghệ ảo hóa nguồn mở được tích hợp trong Linux®. Cụ thể, KVM cho phép bạn biến Linux thành một trình ảo hóa “Hypervisor” cho phép máy chủ chạy nhiều môi trường ảo biệt lập được gọi là máy khách “guests” hoặc máy ảo (VM - Virtual machines).
Điện toán đám mây là gì? 09/02/2023 243 lượt xem Điện toán đám mây cho phép khách hàng sử dụng cơ sở hạ tầng và ứng dụng qua internet mà không cần cài đặt và bảo trì chúng tại chỗ
Hybrid Cloud là gì? 09/02/2023 246 lượt xem Hybrid cloud (tạm dịch sang tiếng Việt là Đám mây lai) kết hợp và thống nhất Public Cloud (đám mây công cộng), Private Cloud (đám mây riêng) và On-premises infrastructure (cơ sở hạ tầng tại chỗ) để tạo ra một cơ sở hạ tầng CNTT duy nhất, linh hoạt, tối ưu về chi phí.
Kubernetes là gì? 08/02/2023 277 lượt xem Kubernetes là một nền tảng điều phối bộ chứa mã nguồn mở tự động hóa việc triển khai, quản lý và mở rộng quy mô các ứng dụng được chứa.
DevOps là gì? 07/02/2023 239 lượt xem DevOps tăng tốc độ phân phối phần mềm chất lượng cao hơn bằng cách kết hợp và tự động hóa công việc của các nhóm vận hành CNTT và phát triển phần mềm
Trí tuệ nhân tạo (AI) là gì? 06/02/2023 237 lượt xem Trí tuệ nhân tạo (tiếng Anh là Artificial intelligence, viết tắt là AI) tận dụng máy tính và máy móc để bắt chước khả năng giải quyết vấn đề và ra quyết định của tâm trí con người.
Làm thế nào để tránh đạo văn 16/10/2020 12.881 lượt xem Nếu bạn là sinh viên của một trường đại học, thì bạn nhất thiết phải tránh đạo văn trong tác phẩm của mình; nếu không, bạn có thể phải đối mặt với các biện pháp trừng phạt có thể khiến bạn không hoàn ...
Đạo văn là gì? 16/10/2020 14.809 lượt xem Định nghĩa đạo văn Từ điển Merriam Webster định nghĩa hành vi đạo văn "Plagiarism" là; "Ăn cắp và chuyển giao ý tưởng hoặc lời nói của người khác như là của riêng mình". Nói một cách đơn giản, đạo văn...
Hậu quả của việc đạo văn 15/10/2020 7.238 lượt xem Không nên có bất kỳ sự trì hoãn nào, hãy xem xét tất cả những ảnh hưởng có thể mà bạn sẽ phải đối mặt nếu bạn sao chép đạo văn của người khác: Đối với lĩnh vực giáo dục Ngày nay, vi phạm bản quyền đã ...
IP address là gì? 17/09/2020 15.040 lượt xem IP address là gì? Nội dung bài viết: 1. IP address là gì? 2. Giao thức Internet Protocol (IP) 3. Các phiên bản của giao thức IP 4. Địa chỉ IPv4 5. Địa chỉ IPv6 6. Phân giải địa chỉ IP address 1....
Ping là gì? 17/09/2020 3.137 lượt xem Ping là gì? Nội dung bài viết: 1. Ping là gì? 2. Ping hoạt động như thế nào? 3. Định dạng tin nhắn Ping 4. Tiện ích Ping 5. Các khóa và biến của Ping 6. Cách sử dụng Ping 7. Bảo mật 1. Ping là g...
Virtualization (ảo hóa) là gì? 16/09/2020 6.317 lượt xem Ảo hóa là gì? Nội dung bài viết: 1. Ảo hóa là gì? 2. Bộ phận ảo hóa 3. Ảo hóa phần cứng 4. Ảo hóa lồng nhau 5. Ảo hóa khác 6. Lợi ích của ảo hóa 7. Nhược điểm của ảo hóa 8. Vấn đề bảo mật máy ảo 1...
NetFlow là gì? 16/09/2020 4.169 lượt xem NetFlow là gì? Nội dung bài viết: 1. NetFlow là gì? 2. Cách thức hoạt động của NetFlow 3. Ví dụ về NetFlow command 4. Sử dụng NetFlow 5. Cơ sở hạ tầng NetFlow Infrastructure 1. NetFlow là gì? - ...
Syslog là gì? 16/09/2020 5.791 lượt xem Syslog là gì? Nội dung bài viêt: 1. Syslog là gì? 2. Định dạng thông báo Syslog 3. Ví dụ về thông báo Syslog 4. Syslog Server 5. Bảo mật 6. Thiết kế Syslog 7. Sử dụng Syslog 1. Syslog là gì? ...
Bandwidth (Băng thông) là gì? 14/09/2020 8.961 lượt xem Bandwidth (Băng thông) là gì? Nội dung bài viết: 1. Bandwidth trong Máy tính là gì? 2. Đơn vị đo băng thông 3. Phương pháp đo băng thông 4. Phân biệt Băng thông & Tốc độ & thông lượng 5. Tại sao phả...
SNMP là gì? 12/09/2020 14.767 lượt xem SNMP là gì? Nội dung bài viết: 1. SNMP là gì? 2. Thông tin đăng nhập cho thiết bị SNMP 3. SNMP hoạt động như thế nào? 4. OID và MIB là gì? 5. Cách sử dụng SNMP để giám sát? 6. Các giá trị mà giao th...