Theo Jeff Harris, Phó Chủ tịch, Keysight Technologies cho biết, mọi thuật toán AI đều có ba phần tử thiết yếu: khả năng đo lường, kiến thức về số lượng dữ liệu đo lường cần xử lý và khả năng xử lý đồng thời nhiều đầu vào. Để tối ưu hóa thuật toán AI, bạn cần điều phối dữ liệu. Vì vậy, hãy đi sâu tìm hiểu và khám phá các yêu cầu của hoạt động này.
Quyết định về dữ liệu
Thế giới phức tạp và kết nối của chúng ta không thiếu thông tin; tuy nhiên, không thể phân tích tất cả dữ liệu. Ngoại trừ các trung tâm dữ liệu có năng lực không giới hạn, việc xác định giá trị của các loại dữ liệu là tối quan trọng. Để thuật toán AI phát huy hết tiềm năng, cần có cách ra quyết định cân bằng về bộ dữ liệu tốt nhất. Để làm điều này, cần tập trung vào các lĩnh vực sau:
Dữ liệu nào phù hợp nhất với quyết định mà thuật toán AI đang đưa ra. Để đánh giá mức độ phù hợp, cần hiểu rõ nên bổ sung dữ liệu có liên quan nào và loại bỏ những thông tin nào không ảnh hưởng trực tiếp đến quyết định mà AI đang đưa ra.
Lượng dữ liệu cần gửi: cần biết rõ số lượng thông tin cần gửi đi. Trong quá trình đó, nên tuân thủ nguyên tắc tập trung vào dữ liệu tối thiểu cần thiết để tối đa hóa đầu ra của thuật toán AI.
Kênh kết nối. Tiếp theo, cần kiểm tra liệu có đủ dung lượng kết nối để truyền tải kịp thời dữ liệu từ cảm biến tới thuật toán hay không. Bạn có thể lựa chọn được dữ liệu phù hợp, nhưng nếu không nhận được dữ liệu đúng lúc, AI sẽ không phát huy hết tiềm năng.
Điều phối tốt dữ liệu để tối đa hóa tác động. Cần sàng lọc thông tin để xác định các phần tử trọng yếu và đảm bảo các kênh liên lạc có thể chuyển tiếp thông tin trong khoảng thời gian cần thiết. Trước khi tích hợp AI, các kỹ sư phải đo băng thông, độ trễ và độ tin cậy của kênh truyền thông để đảm bảo phù hợp với yêu cầu của thuật toán AI.
Các ví dụ thực tế:
1. Thiết bị IoT
Hình dung một công tắc thông minh có nhiệm vụ xác định thời điểm tắt bật đèn. Để thực hiện nhiệm vụ này, cảm biến phải có khả năng đo mức năng lượng mặt trời để ra quyết định tắt hoặc bật công tắc đèn. Vì vậy, thiết bị IoT phải có khả năng xử lý để biết đã nhận được kết quả đo, hiểu rằng giá trị kết quả lớn hơn 0 và từ đó tự động ra quyết định tắt công tắc.
2. Xe tự lái
Một ví dụ phức tạp hơn đáng kể về tiềm năng của AI là xe tự lái (AV). Mỗi chiếc AV là một mạng lưới các tín hiệu đầu vào, bao gồm tín hiệu từ radar, cảm biến, LIDAR và camera, tất cả đều nhằm mục tiêu tạo ra trải nghiệm lái xe an toàn. Tuy nhiên, tầm quan trọng của mỗi đầu vào thay đổi khi môi trường thay đổi. Chẳng hạn, hãy so sánh việc lái xe ở địa hình đồi núi với lái xe trên đường phố - tại hai địa điểm này, tín hiệu đầu vào khác nhau sẽ có tầm quan trọng khác nhau.
Ví dụ, nhận dạng đối tượng bằng hình ảnh là chức năng quan trọng để đảm bảo lái xe an toàn, nhưng khi tuyết rơi, dữ liệu đầu vào khác lại trở nên quan trọng hơn. Thuật toán AI chịu trách nhiệm xác định thời điểm nào cần loại tín hiệu đầu vào nào để quyết định chiếc xe nên giữ nguyên hay điều chỉnh tốc độ. Tuy nhiên, AI không có đủ năng lực xử lý để đánh giá mọi phần tử; do đó, khả năng độc đáo của thuật toán chính là đánh giá các yếu tố đầu vào và quyết định cần chú ý tới phần tử dữ liệu đầu vào nào tại từng thời điểm để ra quyết định.
Mặc dù rất khác nhau, nhưng hai ví dụ này phản ánh sự cần thiết trong việc tìm hiểu cách thức vận hành trước khi có thể đo lường một hệ thống. Bạn cần biết yêu cầu đối với dữ liệu đầu vào và đầu ra và cách tính toán đầu ra từ dữ liệu đầu vào. Ngoài ra, dữ liệu cần có định dạng giúp dễ dàng xác định độ chính xác.
Jeff Harris, Phó Chủ tịch, Keysight Technologies.
Khuôn khổ phát triển mới
Ứng dụng công nghệ AI trong phát triển đang thay đổi cách chúng ta xây dựng sản phẩm. Để tối ưu hóa thuật toán, cần phải hiểu rõ cách hệ thống vận hành và sau đó tinh chỉnh các phép đo. Để làm điều này, bạn cần biết nên sử dụng dữ liệu nào trong hoàn cảnh nào và đảm bảo cơ chế truyền tải tín hiệu. Đó chính là điều kiện để phát huy hết tiềm năng của AI.
