Tìm hiểu sâu hơn về deep learning

Để hiểu rõ hơn về vấn đề này, hãy tưởng tượng bạn dạy cùng lúc một em bé và một máy tính cách nhận biết loài mèo trong các bức ảnh.

Với machine learning truyền thống, máy tính cần được dạy về những đặc điểm nhận dạng của mèo - chẳng hạn ria, móng vuốt hay đuôi mèo - để bắt đầu tìm kiếm trong những bức hình trước khi đưa ra dự đoán dựa trên những đặc điểm nhận dạng được học. Nếu một bức hình không tuân theo những quy tắc được dạy, máy tính sẽ không thích nghi được: Chẳng hạn, nếu đuôi của chú mèo nằm ngoài khung hình, máy tính có thể sẽ không nhận ra nổi con vật.

Trái lại, một em bé không cần những dạng chỉ dẫn như vậy. Sau khi được cho xem đủ hình ảnh, em bé sẽ xây dựng lên trong đầu một bộ khung nhận thức để phân biệt đâu là mèo và đâu không phải mèo. Tương tự, bằng cách thu nhận các dữ liệu đầu vào mà không cần chỉ dẫn và tự mình xác định, cùng lúc xem xét các giá trị điểm ảnh, deep learning có thể lọc ra những bức ảnh chứa hình mèo trong một xấp ảnh. Nếu được đầu tư đủ thời gian và dữ liệu nền, các mô hình deep learning có thể hiểu được gần như bất kỳ bộ dữ liệu phi cấu trúc nào.

Giờ đây, với khoảng 2,5 tỷ tỷ bytes dung lượng thông tin được tạo ra mỗi ngày - một phần lớn trong số đó có thể truy cập công khai qua Google và YouTube - cùng với những tiến bộ vượt bậc của công nghệ điện toán đám mây, deep learning không chỉ "đáng giá” nữa, mà trở thành một lựa chọn không thể thiếu, một lựa chọn sinh lời.

3 cách tận dụng deep learning để kinh doanh hiệu quả

Facebook đã tìm nhân viên cho các vị trí như bảo vệ và nhân viên an ninh qua một nhà tuyển dụng trung gian mang tên Flagship Facility Services.

Btaskee là ứng dụng di động giúp khách hàng tìm kiếm người giúp việc nhà, chăm sóc em bé, sửa chữa điện, nước theo giờ với chi phí hợp lý. Bắt đầu từ cuối năm 2006, đến nay Btaskee đã có mặt ở Hà Nội, thành phố Hồ Chí Minh và Đà Nẵng với hơn 10.000 khách hàng.