'Bảng tuần hoàn' các mô hình AI

Tạp chí khoa học Mỹ công bố nghiên cứu đề xuất khuôn khổ toán học mới, giúp lý giải hiệu quả của các mô hình trí tuệ nhân tạo (AI) đa phương thức và định hướng thiết kế thuật toán.

Vừa gây chấn động với cuộc tấn công Venezuela, Tổng thống Mỹ phát cảnh báo nóng tới Colombia, Bogota phản bác Tình hình Venezuela: Quyền Tổng thống chủ trì họp nội các, đáp trả ra sao về cảnh báo 'trả giá đắt' của Mỹ? Cuba quốc tang Cao ủy Nhân quyền Liên hợp quốc: Bảo vệ người dân Venezuela là tối quan trọng

Một cách tiếp cận lý thuyết mới nhằm thống nhất việc thiết kế các hệ thống AI đa phương thức. (Nguồn: Shutterstock)

Tạp chí The Journal of Machine Learning Research (Mỹ) công bố nghiên cứu của các nhà vật lý Đại học Emory (Mỹ) đề xuất một khuôn khổ toán học thống nhất nhằm lý giải hiệu quả của các hệ thống AI đa phương thức, đồng thời hỗ trợ định hướng thiết kế thuật toán.

Trong bối cảnh AI xử lý đồng thời văn bản, hình ảnh, âm thanh và video, việc lựa chọn thuật toán phù hợp cho từng nhiệm vụ vẫn là thách thức. Nhóm nghiên cứu cho rằng sự đa dạng của các thước đo sai lệch vừa tạo linh hoạt, vừa làm tăng độ phức tạp khi phát triển AI đa phương thức.

Giáo sư Ilya Nemenman, tác giả chính, cho biết nhiều mô hình AI hiệu quả hiện nay cùng dựa trên một nguyên lý chung: Nén thông tin từ nhiều nguồn nhưng vẫn giữ lại các yếu tố có giá trị dự đoán. Từ đó, nhóm xây dựng cách tiếp cận tương tự “bảng tuần hoàn”, phân loại các mô hình theo loại thông tin mà thước đo sai số của chúng giữ lại hoặc loại bỏ.

Trên cơ sở đó, nhóm đề xuất một khuôn khổ toán học mới nhằm định hướng việc chọn lọc thông tin khi xây dựng thuật toán AI. Theo đồng tác giả Michael Martini, khung lý thuyết này hoạt động như một “núm điều chỉnh”, cho phép nhà phát triển chủ động quyết định lượng và loại thông tin cần giữ lại cho từng bài toán.

Theo tác giả chính Eslam Abdelaleem, mục tiêu nghiên cứu là giúp cộng đồng AI không chỉ thiết kế mô hình phù hợp, mà còn hiểu rõ cách thức và lý do các thành phần trong mô hình vận hành. Cách tiếp cận này hỗ trợ dự đoán hiệu quả của thuật toán, ước tính nhu cầu dữ liệu và nhận diện sớm các trường hợp có thể không đạt kết quả mong muốn.

Xuất phát từ góc nhìn vật lý, nhóm tập trung tìm kiếm các nguyên lý thống nhất, thay vì chỉ tối ưu độ chính xác như trong học máy truyền thống (vốn chủ yếu đánh giá mô hình dựa trên kết quả đầu ra mà ít lý giải cơ chế vận hành bên trong). Khuôn khổ được phát triển trong nhiều năm thông qua tính toán, thảo luận và thử nghiệm liên tục.

Kết quả thử nghiệm trên nhiều mô hình cho thấy việc lựa chọn thước đo sai số trở nên thuận lợi hơn và có thể giải quyết bài toán với lượng dữ liệu huấn luyện ít hơn. Nhóm kỳ vọng khuôn khổ này sẽ góp phần phát triển các hệ thống AI chính xác, hiệu quả và đáng tin cậy hơn, đồng thời mở ra những hướng nghiên cứu mới.