Học máy về cơ bản là một nhánh của khoa học dữ liệu sử dụng dữ liệu để tìm ra các mô hình bên trong nó. Bằng cách áp dụng kiến thức toán học và thống kê, các mô hình này được tinh chỉnh trong một quá trình gọi là "huấn luyện."

Mặc dù nhiều người liên tưởng học máy (ML) và trí tuệ nhân tạo (AI) với các công nghệ phức tạp và tương lai - như những gì được mô tả trong các bộ phim về AI nổi loạn chống lại con người - thực tế hiện nay còn khá sơ khai. Hầu hết các hệ thống AI hiện tại đều dựa trên lập trình "nếu-thì", chỉ phản ứng theo các hướng dẫn được con người định nghĩa trước. Tuy nhiên, học máy tiến xa hơn một bước bằng cách cho phép các mô hình tự điều chỉnh và cải thiện.

Các loại Học Máy

Học máy có thể được chia thành các loại sau:

1. Học có giám sát

• Dựa vào các tập dữ liệu đã được gán nhãn để huấn luyện.

• Hệ thống học cách ánh xạ đầu vào thành đầu ra dựa trên các ví dụ được cung cấp.

• Ví dụ: Dạy máy nhận diện bướm trong số các côn trùng bằng cách cung cấp dữ liệu đã gán nhãn với các đặc điểm cụ thể như số chân, cánh, cấu trúc râu và tỷ lệ cơ thể.

• Sau khi huấn luyện, máy có thể phân tích hình ảnh côn trùng mới và xác định chúng có phải là bướm hay không dựa trên mô hình đã học.

2. Học không giám sát

• Hoạt động mà không cần dữ liệu gán nhãn; máy tự nhận diện các mẫu và phân cụm các điểm dữ liệu dựa trên đặc điểm của chúng.

• Ví dụ: Trong việc nhận diện bướm, không có nhãn nào được cung cấp. Máy phải tự xác định các đặc điểm chính như cánh, chân và cấu trúc cơ thể để phân biệt bướm với các côn trùng khác.

• Các mô hình học không giám sát phổ biến bao gồm Mạng đối kháng sinh thành (GANs) và các thuật toán phân cụm.

• Hạn chế: Các mô hình không giám sát thường được coi là "hộp đen", trong đó các quy trình bên trong không hoàn toàn minh bạch với các nhà phát triển.

Các thuật toán Học Máy phổ biến

Có nhiều thuật toán học máy, mỗi thuật toán được thiết kế cho các ứng dụng cụ thể. Một số ví dụ nổi tiếng bao gồm:

• Mạng nơ-ron

• Cây quyết định

• Máy vector hỗ trợ (SVMs)

• Bộ phân loại Bayes

• Phương pháp phân cụm

Một thuật toán được sử dụng rộng rãi và thân thiện với người mới bắt đầu là Phân cụm K-Means, phân nhóm các điểm dữ liệu thành các cụm dựa trên độ tương đồng.

1.Thuật toán K-Means: Một phương pháp phân cụm không giám sát đơn giản

K-Means là một thuật toán phân cụm không giám sát đơn giản và được sử dụng rộng rãi. Ý tưởng cốt lõi của phân cụm là nhóm các mẫu dựa trên khoảng cách hoặc độ tương đồng, gom nhóm các mẫu tương tự (hoặc gần) lại với nhau trong khi tách các mẫu khác biệt (hoặc xa) vào các nhóm khác nhau. Khái niệm cơ bản của K-Means là lặp đi lặp lại việc phân chia một tập dữ liệu thành K cụm sao cho giá trị trung bình của mỗi cụm giảm thiểu Tổng Bình phương Sai số (SSE) cho tất cả các điểm trong cụm đó.

Trong ngôn ngữ toán học, đối với một tập mẫu, K-means giảm thiểu hàm lỗi của việc phân cụm.

Hình ảnh trực quan hóa trên minh họa hiệu quả khái niệm này: phương sai của mỗi điểm màu xanh hoặc đỏ đối với tâm cụm tương ứng của nó được giảm thiểu. Đối với các cụm đỏ và xanh, hai điểm trung tâm đáp ứng điều kiện SSE tối thiểu cho phân vùng này.

Ví dụ: K = 2 (Chia các mẫu thành hai cụm)

Trực quan, nếu chúng ta muốn chia các điểm màu xanh lá trong Hình A thành hai cụm, chúng ta có thể vẽ một đường chéo từ trên trái xuống dưới phải. Nhưng làm thế nào để hướng dẫn máy thực hiện việc phân chia này một cách chính xác? Các bước như sau:

1. Khởi tạo ngẫu nhiên:

Chọn hai điểm ngẫu nhiên (ví dụ: đỏ và xanh) trong hệ tọa độ làm tâm cụm ban đầu. Đối với mỗi điểm trong tập dữ liệu, tính khoảng cách của nó đến điểm đỏ và xanh.

• Gán điểm cho tâm cụm gần nhất: nếu gần điểm xanh hơn thì tô màu xanh; nếu gần điểm đỏ hơn thì tô màu đỏ.

• Lặp lại qua tất cả các điểm cho đến khi mọi điểm đều được gán màu, như trong Bước 1.

2. Tính toán lại tâm cụm:

Tính toán lại tâm của mỗi cụm (giá trị trung bình của tất cả các điểm trong một cụm). Điều chỉnh tâm cụm để giảm thiểu sai số bình phương trung bình (MSE) của tất cả các điểm trong cụm đó, như trong Bước 2.

3. Lặp lại cho đến khi hội tụ:

Lặp lại bước 1 và 2 cho đến khi tâm cụm ổn định và quá trình hội tụ. Quá trình lặp này hoàn thành như trong các Bước 3-6.

Blockchain và Học Máy

Blockchain sở hữu hai thuộc tính chính khiến nó trở thành sự kết hợp tuyệt vời để thúc đẩy học máy và trí tuệ nhân tạo:

1. Quyền riêng tư: Blockchain cho phép huấn luyện trên dữ liệu riêng tư nhạy cảm mà không làm lộ nó.

2. Cơ chế khuyến khích: Hệ thống phần thưởng độc đáo của blockchain cho phép người dùng nhận phần thưởng khi chia sẻ dữ liệu hoặc xuất bản mô hình trên chuỗi. Bất kỳ ai cũng có thể bán dữ liệu của họ trong khi vẫn duy trì quyền riêng tư, và các nhà phát triển có thể xuất bản và huấn luyện mô hình của họ trên chuỗi, nhận phần thưởng đổi lại.

Hình ảnh tham chiếu minh họa chu kỳ tiêu chuẩn hóa và hàng hóa hóa trong công nghệ. Kỷ nguyên độc quyền dữ liệu đang đến hồi kết. Khả năng tiếp cận của blockchain mở ra cơ hội cho sự tham gia rộng rãi hơn trong kỷ nguyên công nghệ tiếp theo.

Ba yếu tố quan trọng trong học máy là thuật toán, sức mạnh tính toán và dữ liệu. Các gã khổng lồ công nghệ như Amazon, Apple, Google và Facebook thống trị tài nguyên tính toán và dữ liệu, cho phép họ duy trì vị thế dẫn đầu đáng kể. Blockchain giới thiệu cơ hội phá vỡ sự thống trị này bằng cách phi tập trung hóa học máy. Sự thay đổi này có thể tái định hướng việc tạo ra giá trị từ cách tiếp cận dựa trên dữ liệu sang đổi mới dựa trên thuật toán. Các ưu đãi kinh tế của blockchain tạo môi trường màu mỡ cho các nhà phát triển huấn luyện và tối ưu hóa mô hình, thúc đẩy sự phát triển cho các nhà phát triển thuật toán.

2.1 Tổng quan dự án

Tích hợp học máy và blockchain là một lĩnh vực mới mẻ nhưng đầy hứa hẹn. Mặc dù nhiều công ty đang phát triển công cụ trong lĩnh vực này, tiềm năng vẫn còn rất lớn. Dưới đây là ba dự án đáng chú ý:

2.1.1 DeepBrain Chain

DeepBrain Chain, được thành lập vào tháng 11 năm 2017, nhằm mục đích xây dựng mạng lưới tính toán hiệu năng cao phân tán lớn nhất thế giới được hỗ trợ bởi blockchain, đóng vai trò là cơ sở hạ tầng quan trọng cho kỷ nguyên 5G+AI.

• Các thành phần chính:

1. Mạng tính toán hiệu năng cao: Ra mắt vào tháng 8 năm 2018.

2. Blockchain chính: Chính thức ra mắt vào ngày 20 tháng 5 năm 2021, dựa trên framework Substrate của Polkadot.

DeepBrain Chain là một trong số ít các dự án blockchain đạt được triển khai quy mô lớn trong lĩnh vực tính toán hiệu năng cao. Nó đã đạt được tiến bộ đáng kể về khả năng sử dụng và thương mại hóa, với các ứng dụng trải rộng trong blockchain, AI, cloud gaming, kết xuất hình ảnh, dược phẩm sinh học và mô phỏng bán dẫn.

Hơn 50 công ty toàn cầu đã triển khai nền tảng đám mây GPU hiệu năng cao trên mạng lưới của nó, phục vụ hàng trăm doanh nghiệp và hàng chục nghìn nhà phát triển AI.

2.1.2 Numerai

Numerai là một quỹ đầu tư phòng hộ tận dụng cộng đồng toàn cầu gồm các nhà khoa học dữ liệu ẩn danh để dự đoán giá cả trong tương lai. Kết hợp trí tuệ phân tán, học máy, blockchain và token hóa, Numerai tạo ra một mô hình quản lý quỹ mới được thúc đẩy bởi trí tuệ tập thể.

• Phân phối dữ liệu:

Các nhà khoa học dữ liệu nhận được bộ dữ liệu ẩn danh làm đầu vào cho các mô hình dự đoán của họ. Những bộ dữ liệu này có thể bao gồm các chỉ số kinh tế vĩ mô, giá hàng hóa, hoặc tỷ giá hối đoái—dữ liệu độc quyền thường không thể tiếp cận được với người ngoài. Việc loại bỏ metadata cho phép Numerai chia sẻ dữ liệu một cách công khai.

• Các cuộc thi:

Dữ liệu tạo nền tảng cho các cuộc thi nhằm tạo ra các mô hình dự đoán hiệu quả nhất. Dữ liệu lịch sử với kết quả đã biết giúp xác thực các mô hình, trong khi dữ liệu thời gian thực vẫn chưa xác định cho các dự đoán quan trọng.

• Chấm điểm và Phần thưởng:

Các dự đoán được chấm điểm sau khi được tải lên "meta-model" của Numerai. Các nhà khoa học dữ liệu được thưởng dựa trên mức độ cải thiện của dự đoán đối với meta-model.

• Sở hữu trí tuệ:

Người tham gia giữ quyền sở hữu mô hình của họ và tiếp tục nhận phần thưởng nếu mô hình của họ nâng cao meta-model của Numerai.

2.1.3 Giao thức HUMAN

Giao thức HUMAN là một khuôn khổ phi tập trung thưởng cho các đóng góp dựa trên kiến thức và kỹ năng, kết nối AI và học máy thông qua các mô hình lai.

Được xây dựng trên blockchain, Giao thức HUMAN hợp lý hóa quy trình quản lý và thanh toán để tạo ra cơ sở hạ tầng mã nguồn mở, có thể kiểm toán cho thị trường lao động phi tập trung, kết nối người tìm kiếm dữ liệu với thị trường tri thức.

• Ứng dụng trong Học máy:

Giao thức này trực tiếp giải quyết các tác vụ đòi hỏi nhiều nhân công trong học máy, như chú thích thủ công và xác minh chất lượng suy luận mô hình, để làm cho bộ dữ liệu phù hợp hơn cho việc huấn luyện.

• Tầm nhìn tương lai:

3.Lời kết

Vượt ra ngoài các ứng dụng hiện tại, Giao thức HUMAN được thiết kế cho sự tiến hóa tiếp theo của trí tuệ máy, nơi máy móc trực tiếp truy vấn con người để lấy dữ liệu nhằm hoàn thiện bản thân.

Học máy và blockchain là hai công nghệ thú vị và tiên tiến nhất hiện nay. Học máy đóng vai trò nền tảng cho trí tuệ nhân tạo và dữ liệu lớn, trong khi blockchain có tiềm năng cách mạng hóa kiến trúc tài chính hiện tại. Cả hai công nghệ đều dựa trên dữ liệu, tự nhiên tạo ra sự hiệp lực trong một số hướng nghiên cứu nhất định.

Blockchain cung cấp khả năng chia sẻ và phân tích dữ liệu an toàn và hiệu quả, trong khi học máy khai thác dữ liệu này để thúc đẩy tiến bộ công nghệ. Chúng ta đã chứng kiến nhiều nhà phát triển làm việc trên các dự án khả thi trong sự giao thoa này, và ngày càng có nhiều nguồn lực và tài năng được đổ vào các lĩnh vực này.

Khả năng chia sẻ và bổ sung cho nhau của các công nghệ này sẽ tiếp tục thúc đẩy nhau phát triển. Cưỡi trên làn sóng blockchain và điều hướng con tàu học máy, chúng ta đang sẵn sàng khám phá đại dương công nghệ tương lai rộng lớn và đầy sao!

Giới thiệu về Học Máy và Ứng dụng của nó trong Blockchain