Tự động hóa giới cổ cồn trắng đã trở thành một cụm từ phổ biến trong những cuộc tranh luận về việc gia tăng sức mạnh điện toán, khi phần mềm cho thấy khả năng thay thế một số công việc của các kế toán và luật sư. Trong khi đó, các nhà nghiên cứu trí tuệ nhân tạo của Google đang cố gắng tự động hóa một số công việc của chính những người được trả lương cao trong ngành công nghệ – hay nói cách khác, công việc của chính những nhà nghiên cứu AI.
Trong một dự án có tên gọi AutoML, các nhà nghiên cứu của Google đã dạy phần mềm máy học để xây dựng một phần mềm máy học khác. Trong một số trường hợp, kết quả của việc này sẽ tạo ra các hệ thống mạnh mẽ hơn và hiệu quả hơn những gì bản thân các nhà nghiên cứu có thể thiết kế. Google cho biết rằng, gần đây hệ thống này đã đạt điểm số 82% cho khả năng phân loại hình ảnh theo nội dung.
Với những nhiệm vụ khó khăn khác, như xác định vị trí của hàng loạt đối tượng trong một hình ảnh, một nhiệm vụ quan trọng cho thực tế tăng cường và các robot tự động hóa, hệ thống tự động này đạt điểm số 43%. Trong khi đó, điểm số tốt nhất mà hệ thống do con người làm được là 39%.
AutoML – Dự án AI tạo ra AI của Google
Các kết quả như vậy rất quan trọng, khi các chuyên gia cần thiết để có thể cắt giảm thời gian xây dựng các hệ thống AI đang rất khan hiếm – ngay cả với Google.
“Ngày nay những việc này đang do các nhà khoa học máy học thực hiện thủ công và theo đúng nghĩa đen, chỉ có vài nghìn nhà khoa học trên toàn thế giới có thể làm được điều này.” CEO của Google, ông Sundar Pichai cho biết trong sự kiện ra mắt smartphone và các thiết bị mới khác vào tuần trước. Ông cũng không quên nói lướt qua về AutoML tại sự kiện này. “Chúng tôi muốn giúp hàng trăm ngàn nhà phát triển cũng có thể làm được điều này.”
Hiện AutoML vẫn mới là một dự án nghiên cứu. Một điều trớ trêu của dự án này là nó sẽ lấy đi công việc của chính các chuyên gia AI hiếm hoi đang cố gắng tạo ra nó. Nhưng bên ngoài Google, cũng có ngày càng nhiều các nhà nghiên cứu cũng mong muốn tạo ra loại công nghệ như vậy. Nếu công nghệ AI tạo ra AI trở thành hiện thực, kỹ thuật máy học có thể lan rộng nhanh hơn ra bên ngoài phạm vi của ngành công nghiệp, ví dụ trong lĩnh vực chăm sóc sức khỏe và tài chính.
Tại Google, AutoML có thể tăng tốc chiến lược “AI trên hết” của ông Pichai, thông qua việc giúp công ty sử dụng máy học để vận hành một cách hiệu quả hơn và tạo ra các sản phẩm mới.
Ví dụ các nhà nghiên cứu từ nhóm nghiên cứu Google Brain hay phòng thí nghiệm DeepMind tại London do Google mua lại vào năm 2014 đã giúp cắt giảm hóa đơn điện năng cho những trung tâm dữ liệu của công ty, và tăng tốc khả năng của Google trong việc lập bản đồ các thành phố mới. AutoML có thể làm các chuyên gia có năng suất cao hơn, và giúp các kỹ sư ít kỹ năng xây dựng các hệ thống AI mạnh mẽ hơn.
Google chỉ lên danh sách của hơn 1.300 người trên website nghiên cứu của mình, không phải tất cả bọn họ đều chuyên về AI. Bên cạnh đó, họ vẫn còn hàng nghìn kỹ sư phần mềm khác. Theo hồ sơ tài chính hàng năm của mình, công ty mẹ của Google, Alphabet cũng có 27.169 nhân viên tham gia vào việc nghiên cứu và phát triển.
Google từ chối thảo luận với mọi người về AutoML. Trong khi đó, các nhà nghiên cứu bên ngoài công ty cho biết, ý tưởng về việc tự động hóa công việc của một số chuyên gia AI đã trở thành một lĩnh vực nghiên cứu nóng bỏng – và trở nên ngày càng cần thiết khi những hệ thống AI trở nên phức tạp hơn.
Những nỗ lực tương tự bên ngoài Google
Phần nhiều các nghiên cứu này, bao gồm cả Google, được gọi là metalearning hay học để học (learning to learn), nhắm đến việc tăng tốc quá trình triển khai các mạng lưới thần kinh nhân tạo. Kỹ thuật liên quan đến việc cung cấp dữ liệu thông qua các mạng lưới của những phép tính toán học được lấy cảm hứng từ hoạt động nghiên cứu nơ ron thần kinh của bộ não.
Dù nghe có vẻ phức tạp, nhưng việc tạo ra các mạng lưới thần kinh nhân tạo có thể thực hiện các tác vụ hữu ích như xử lý âm thanh sẽ giúp thay thế nhiều công việc được trả lương cao. Các chuyên gia phải sử dụng bản năng và phép thử sai để khám phá ra kiến trúc đúng cho một mạng lưới thần kinh nhân tạo.
Roberto Calandra, nhà nghiên cứu tại Đại học California Berkeley, cho biết. “Về cơ bản, phần lớn công việc của các kỹ sư là nhiệm vụ rất nhàm chán, khi phải thử hàng loạt cấu hình khác nhau để xem cái nào sẽ hoạt động tốt hơn.” Thách thức đang ngày càng khó khăn hơn, bởi vì các nhà nghiên cứu đang xây dựng các mạng lưới lớn hơn để giải quyết các vấn đề khó khăn hơn.
Calandra bắt đầu nghiên cứu metalearning vào năm 2013, sau khi mất đến hai tuần đầy khó chịu vì cố gắng tạo ra một robot học cách đi bộ trong khi làm nghiên cứu tiến sĩ. Anh đã thử một kỹ thuật thực nghiệm để tự động hóa tinh chỉnh phần mềm của mình, vốn dựa trên một kỹ thuật máy học ít phức tạp hơn một mạng lưới thần kinh. Kết quả, con robot phức tạp đó đã đi được chỉ trong vòng một ngày.
Tạo ra một thiết kế mạng lưới thần kinh nhân tạo từ đầu khó khăn hơn nhiều so với tinh chỉnh một bộ thiết lập có sẵn. Nhưng theo Mehryar Mohri, một giáo sư tại Đại học New York, kết quả các nghiên cứu gần đây cho thấy rằng nó đang dần trở nên thực tế hơn.
Mohri đang làm việc trên một hệ thống có tên gọi AdaNet, khi hợp tác với các nhà nghiên cứu tại văn phòng Google ở New York. Khi thu thập một bộ dữ liệu được gắn nhãn, họ xây dựng nên từng lớp một cho mạng lưới thần kinh nhân tạo đó, thử nghiệm từng lớp bổ sung vào thiết kế của mạng lưới, để đảm bảo rằng nó sẽ cải thiện hiệu suất hệ thống.
AdaNet cho thấy khả năng tạo ra các mạng lưới thần kinh nhân tạo có thể thực hiện một tác vụ tương tự như một mạng lưới tiêu chuẩn có quy mô lớn gấp đôi, do con người dựng lên một cách thủ công. Ông Mohri cho biết, điều này sẽ rất hứa hẹn, bởi vì nhiều công ty đang cố gắng nhồi nhét một phần mềm AI mạnh hơn nữa vào các thiết bị di động có lượng tài nguyên rất giới hạn.
Những hạn chế của một hệ thống AI tạo ra AI
Tuy nhiên, việc làm nó dễ dàng tạo ra và triển khai các hệ thống AI phức tạp cũng có những hạn chế. Các nghiên cứu gần đây cho thấy rằng, việc thực hiện quá dễ dàng sẽ vô tình tạo ra các hệ thống AI có cái nhìn thiên kiến về thế giới, ví dụ như một hệ thống tự động học tập ngôn ngữ từ web đã xem từ Mexican là từ có ý nghĩa xấu, hay một hệ thống máy học khác có xu hướng liên tưởng phụ nữ với các công việc vặt trong nhà.
Ông Mohri lập luận rằng chính việc giảm các công việc nhập dữ liệu thủ công khi xây dựng các mạng lưới thần kinh nhân tạo có thể giúp phát hiện và ngăn chặn những vấn đề như vậy dễ dàng hơn. “Nó sẽ giải phóng đôi tay mọi người khỏi các khía cạnh khác của vấn đề.”
Nếu và khi nào Google đưa hệ thống AutoML của mình hoạt động đủ tốt để trở thành một công cụ hữu ích cho các lập trình viên, ảnh hưởng của nó sẽ vượt ra ngoài khuôn khổ chính công ty. Vào tuần trước, ông Pichai đã gợi ý rằng, ông muốn đưa công cụ này ra bên ngoài Google. “Chúng tôi muốn phổ biến nó rộng rãi hơn.” Ông cho biết, khi lặp lại việc quảng bá cho dịch vụ đám mây của công ty mình.
Theo Trí Thức Trẻ
