1. Phát triển AI

AI thực sự nghe thấy những gì bạn đang nói: IBM Research đã phát triển năng lực Nghe hiểu Máy đối với nội dung tranh biện. Chức năng này mở rộng khả năng nghe hiểu lời nói hiện tại của AI, không chỉ dừng lại các nhiệm vụ trả lời câu hỏi đơn giản, từ đó cho phép máy móc hiểu rõ hơn khi con người đưa ra các lập luận.

Xem một, biết mười: IBM Research đã phát triển một phương pháp học tập mới có thể nhận diện chính xác những vật thể mới chỉ từ vài ví dụ, không cần có dữ liệu bổ sung hay dán nhãn hình ảnh.

Trò trở thành thầy: Năm 2018, các nhà nghiên cứu của IBM đã đưa ra một khuôn khổ và thuật toán đầu tiên trên thế giới, cho phép các đối tượng AI học cách huấn luyện lẫn nhau và làm việc theo nhóm. Bằng cách trao đổi kiến ​​thức, các đối tượng này có thể học hỏi nhanh hơn nhiều so với các phương pháp trước đó.

Hỏi đáp: IBM Research đã cải tiến đáng kể các phương pháp tiếp cận hỏi-đáp (QA) theo miền mở, bằng một phương pháp mới cho phép sắp xếp lại trật tự và tổng hợp chứng cứ từ nhiều mẩu thông tin khác nhau nhằm đưa ra các câu trả lời chính xác hơn.

2. Tin tưởng AI

Cuộc chiến để xoá bỏ sự thiên vị: IBM Research đã đưa ra một cách tiếp cận mới để chống lại sự thiên vị, theo đó các dữ liệu đào tạo sẽ được chuyển đổi để giảm thiểu sai lệch, sao cho bất kỳ thuật toán AI nào học được từ nó sẽ tồn tại càng ít sự thiên vị càng tốt.

Mở khoá “hộp đen”: Các nhà khoa học AI của IBM Research đã phát triển một phương pháp machine learning mới có tên là Profweight. Khi thử nghiệm phương pháp này trên hai bộ dữ liệu khổng lồ, mô hình Profweight đã có thể đưa ra các quyết định dễ giải thích hơn, trong khi vẫn duy trì mức độ chính xác cao.

Dự đoán các cuộc tấn công bất lợi: IBM Research đã đề xuất một biện pháp mới đã được chứng nhận về sức mạnh, có tên là CLEVER (Cross Lipschitz Extreme Value for nEtwork Robustness – Giá trị cực cao về tính mạnh mẽ của hệ thống xuyên Lipschitz). Biện pháp này có thể được sử dụng để đánh giá sự mạnh mẽ của mạng lưới nơ-ron chống lại sự tấn công.

3. Mở rộng AI

Độ chính xác 8 bit giúp tăng tốc huấn luyện: Năm 2018, các nhà nghiên cứu của IBM lần đầu tiên đã chứng minh khả năng đào tạo các mô hình deep learning chỉ với độ chính xác 8 bit, trong khi vẫn giữ được độ chính xác của mô hình trên tất cả các loại dữ liệu chính, bao gồm hình ảnh, lời nói và văn bản. Những kỹ thuật này tăng tốc thời gian huấn luyện cho các mạng nơ-ron sâu gấp 2-4 lần so với các hệ thống 16 bit ngày nay.

Cách tiếp cận mạng nơ-ron mới trên khối: BlockDrop, một cách thức mới để nâng cao tốc độ suy luận trong các mạng nơ-ron rất sâu, học cách chọn lớp hoặc “khối” nào của mạng sâu để bỏ qua, giảm bớt tổng số phép tính toán trong khi vẫn duy trì được độ chính xác. Sử dụng BlockDrop, tốc độ suy luận trung bình đạt được là 20%, và có thể cao tới 36% đối với một số loại thông tin đầu vào, trong khi vẫn duy trì độ chính xác số 1 trên ImageNet.

Thiết kế trong tầm tay: Các nhà nghiên cứu của IBM đã phát triển một kỹ thuật tìm kiếm kiến ​​trúc nơ-ron mới nhằm giảm tải nặng cần thiết để thiết kế một mạng lưới nơ-ron. Sự phát triển này có thể thiết kế các kiến trúc nơ-ron đạt được độ chính xác dự đoán tiên tiến nhất trong các nhiệm vụ phân loại hình ảnh, mà không cần sự can thiệp của con người, trong một số trường hợp đạt được tốc độ lên tới 50.000 lần so với các phương pháp tìm kiếm dự trên kiến trúc nơ-ron trước đây.

Mặc dù 2018 là một năm nhiều thành tựu, IBM tin rằng 2019 sẽ là một năm có nhiều tiến bộ hơn nữa trong ngành AI. Dưới đây là ba xu hướng IBM đang theo dõi:

Quan hệ nhân quả sẽ ngày càng thay thế các mối tương quan: Mặc dù trực giác về tính nhân quả của thế giới là không thể thiếu được trong các hành động và phán quyết hàng ngày của chúng ta, hầu hết các phương pháp AI ngày nay về cơ bản dựa trên mối tương quan và thiếu sự hiểu biết sâu sắc về quan hệ nhân quả. Các phương pháp suy luận nhân-quả mới cho phép chúng ta suy ra các cấu trúc nhân quả từ dữ liệu, nhằm lựa chọn hiệu quả các biện pháp can thiệp để kiểm tra các mối quan hệ nhân quả giả định và đưa ra quyết định tốt hơn dựa trên kiến thức về cấu trúc nhân quả. Năm 2019, hy vọng các kỹ thuật xây dựng mô hình nhân quả sẽ xuất hiện với tư cách là nhân vật trung tâm trong thế giới AI.

AI đáng tin cậy sẽ chiếm vị trí trung tâm: Năm 2018, một số tổ chức đã phản ứng với các vụ vi phạm dữ liệu và mối quan tâm về quyền riêng tư của người tiêu dùng bằng cách thành lập các “ban cố vấn về đạo đức”. Chúng ta cũng đã thấy đầu tư cho nghiên cứu tăng lên trong các “trụ cột của niềm tin”, cùng với những nỗ lực gia tăng trong việc triển khai AI vì lợi ích xã hội. Năm 2019, chúng ta sẽ bắt đầu thấy những nỗ lực này trở thành trung tâm của việc các công ty xây dựng, huấn luyện và triển khai các công nghệ AI.

Lượng tử (quantum) có thể hỗ trợ AI: Năm 2019 chúng ta sẽ thấy lực kéo tăng tốc trong việc thử nghiệm và nghiên cứu lượng tử, và nghiên cứu mới về cách điện toán lượng tử có thể đóng vai trò trong việc huấn luyện và chạy các mô hình AI.